[发明专利]基于生成式对抗网络的安检X光违禁品图像数据增强方法

说明书

一种基于生成式对抗网络的安检X光违禁品图像数据增强方法，其包括对利用X光安检机采集的真实的安检X光违禁品图像进行数据增强，并构成安检X光违禁品图像数据集；对生成式对抗网络模型进行改进而构建成改进生成式对抗网络模型，并对改进生成式对抗网络模型的超参数进行调整；将安检X光违禁品图像数据集输入到改进GAN模型中进行训练，最终获得生成的安检X光违禁品图像等步骤。本发明能够在少量图像样本的基础上，生成大量视觉效果逼真的、具有多种姿态的大分辨率的新图像，可以有效扩充安检X光违禁品图像数据集。

技术领域

本发明属于数据增强技术领域，具体涉及一种基于生成式对抗网络的安检X光违禁品图像数据增强方法。

背景技术

目前，行李安检已广泛应用于维护公共交通安全领域。在各种公共交通的入口处均设有X光安检机，比如地铁口、火车站进站口以及航站楼等。尤其是民航运输，稍有不慎，后果不堪设想。目前安检的主要手段是通过X光安检机获得乘客携带物品的X光图像，然后由安检人员人工分析判断出物品中是否隐藏有违禁品。但由于每天安检处理的物品数量众多，并且需要安检人员在很短的时间内判断出是否有违禁品，因此安检人员的工作强度较大。另外，人工检测存在较强的主观性，在安检人员疲劳时容易造成漏判、错判。

近年来，卷积神经网络等深度学习算法在图像分类和目标检测任务中获得了前所未有的成功。人们提出了智能安检的想法即利用机器自动识别违禁品，辅助人工检测。基于深度学习的违禁品检测需要大量的安检数据集，但是已经存在的安检数据集很难满足深度学习算法的训练需求。因此，一个合理的解决方案是使用数据增强的方法自动生成新的训练样本。

传统的图像数据增强方法包括对图像的翻转、旋转、放缩和裁剪等。但是通过这些方法获得的额外信息有限。近年来，生成式对抗网络(GAN)在图像生成方面已经取得了巨大的成功。SAGAN和BigGAN的提出，大大提高了生成图像的质量和多样性。越来越逼真的生成图像证明了它们在数据增强方面的可行性，尤其是医学影像图像的数据增强。我们同样可以利用GAN对安检X光违禁品图像进行数据增强。相较于传统方法，使用生成式对抗网络生成新的安检X光违禁品图像可以更加有效地扩充数据集，从而有助于提升自动检测违禁品的效果。然而，由于违禁品数据集较小，目前存在的GAN模型不能很好地生成违禁品图像。

发明内容

为了解决上述问题，本发明的目的在于提出一种基于生成式对抗网络的安检X光违禁品图像数据增强方法。

为了达到上述目的，本发明提供的基于生成式对抗网络的安检X光违禁品图像数据增强方法包括按顺序进行的下列步骤：

1)对利用X光安检机采集的真实的安检X光违禁品图像进行数据增强，并构成安检X光违禁品图像数据集；

2)对生成式对抗网络模型进行改进而构建成改进生成式对抗网络模型，并对改进生成式对抗网络模型的超参数进行调整；

3)将步骤1)获得的安检X光违禁品图像数据集输入到步骤2)获得的改进生成式对抗网络模型中进行训练，最终获得生成的安检X光违禁品图像，用于扩充安检X光违禁品图像数据集。

在步骤1)中，所述的对利用X光安检机采集的真实的安检X光违禁品图像进行数据增强，并构成安检X光违禁品图像数据集的方法是：对真实的安检X光违禁品图像进行旋转、翻转而得到增强的安检X光违禁品图像；由所有真实的安检X光违禁品和增强的安检X光违禁品图像构成安检X光违禁品图像数据集。

在步骤2)中，所述的对生成式对抗网络模型进行改进而构建成改进生成式对抗网络模型，并对改进生成式对抗网络模型的超参数进行调整的方法是：