[发明专利]基于前后背景分卷积神经网络的X光违禁物品检测方法

说明书

本发明提出了一种基于前后背景分离卷积神经网络的X光违禁物品检测方法，主要解决现有技术难以在重叠严重的X光场景下对违禁物品精确检测的问题。实现步骤为：(1)获取训练样本集和测试样本集；(2)构建前后背景分离神经网络模型；(3)对前后背景分离卷积神经网络模型进行迭代训练；(4)获取X光图像违禁物品识别结果。本发明在构建X光违禁物品检测模型结构时，首先构建特征提取网络模型的结构，然后用前景解码器和背景解码器来分别重构前景和背景，再利用注意力网络使高级特征关注于前景，解决了现有技术难以在重叠严重的X光场景下排除无关信息对违禁物品检测产生影响的问题，从而提高了X光场景下违禁物品的检测准确率。

技术领域

本发明属于计算机视觉技术领域，涉及一种X光违禁物品检测方法，具体涉及一种基于前后背景分离卷积神经网络的X光图像违禁物品的检测方法。

背景技术

X光图像检测广泛应用于维持公共交通枢纽以及物流运输，有效降低了危险事件和犯罪事件的发生。随着交通吞吐量的增加和对安全要求的提高，低效和繁琐的人工X光图像检查越来越难以满足要求，一种自动精准识别X光图像中的违禁物品的检查方法变得越来越重要。目前已经有很多目标检测算法在普通光学图像上取得了优异的结果，然而X光图像的成像特性与普通光学图像不同，X光违禁物品图像中的物体以半透明的形式呈现，物体之间遮挡严重并且失去了纹理和光泽特征，使得现有的目标检测算法难以在X光违禁物品场景下保持检测精度。

目前，对X光图像中的违禁物品检测主要有两种方法：一种方法是通过传统视觉方法检测违禁物品，一种用深度学习方法检测违禁物品。传统视觉方法首先用滑动窗口等策略对整幅图像进行区域选择，然后用特征描述子如HOG，SIFT，Haar等来对图像进行特征提取，最后用机器学习的分类器支持向量机对图像进行检测和识别。传统视觉方法在特定场景下具有优势，但需人工设计规则，且难以泛化，在复杂的X光图像场景下效果精度较低。深度学习方法分为两阶段和单阶段方法，两阶段方法先利用区域推荐获得候选框，将候选框输入到卷积神经网络学习到特征向量，由支持向量机对特征向量分类并完成候选框的框标定和回归，而单阶段方法通过卷积神经网络学习到特征后直接回归物体的类别和坐标值。深度学习方法相比传统方法具有更高的精度，但X光图像上的物体以半透明的状态相互重叠，使得现有深度学习方法在X光图像场景下检测精度欠佳。

随着深度学习的发展，更多的方法使用卷积神经网络作为主要框架来检测X光图像中的违禁物品。Yanlu Wei等人于2020年在其发表的论文“Occluded Prohibited ItemsDetection:An X-ray Security Inspection Benchmark and De-occlusion AttentionModule”(Proceedings of the 28th ACM International Conference onMultimedia.2020)中，公开了一种基于去遮挡注意力模块的X光违禁物品检测方法。该方法使用了一个去遮挡的注意力模块来排除遮挡物品在X光图像中的干扰，该模型可以嵌入到现有的单阶段或双阶段深度学习方法中。在训练神经网络时，根据两个子模块“边缘引导”和“材质认知”来生成违禁物品的边缘信息和材质信息，再通过这两个信息计算出注意力图，最后使输入关注于注意力图以得到高质量的图像特征，为探测器提供可靠信息。该方法重点关注于违禁物品的边缘和材质信息，帮助了检测器获得高质量的图像特征，从而提升检测效果。但是，该方法虽然训练时关注了边缘和材质信息，但违禁物品和无关物品的边缘和材质信息糅杂在一起，仍需要检测器从混杂的信息识别违禁物品，从而降低了违禁物品的检测精度。