[发明专利]一种利用X射线多视角图像探测鞋中藏匿危险品的方法

摘要

本发明涉及一种利用X射线多视角图像探测鞋中藏匿危险品的方法，所述方法包括利用待检查鞋的多视角图像确定待检查鞋的类型；根据颜色分量密度检测模型寻找疑似危险品区域；根据几何形状特征、图像灰度的动态范围及图像材料特征初步判断疑似危险品区域的属性；根据纹理特征分类模型，初步判断后属性不确定的疑似危险品区域进行属性判断；采用正交视角电子密度估计方法，属性不确定的疑似危险区域继续进行属性判断。应用本发明所述方法，可以简单快速地判断鞋中是否藏匿了危险品，并能确定危险品藏匿的位置与范围。本发明能够适应不同大小、形状、材质的鞋，不管是采取简单的捆绑方式，还是替换鞋本身结构的藏匿方式，都可以进行有效探测。

主权项

一种利用X射线多视角图像探测鞋中藏匿危险品的方法，其特征在于包括以下步骤：步骤1，利用待检查鞋的多视角图像确定待检查鞋的类型；步骤2，根据颜色分量密度检测模型寻找疑似危险品区域；首先，利用高斯联合概率密度函数计算像素Xi,j在颜色空间中是危险品Dan的概率p(Xi,j/Dan)，即可能性，公式如下：p(Xi,j/Dan)=1Σn=1~N|Con|1/2exp{Σn=1~N(-12(Xi,j-Dμn)TCon-1(Xi,j-Dμn))}]]>式中，Dμ为危险品Dan在颜色空间的期望区间，N为区间内像素个数；如果p(Xi,j/Dan)大于阈值，将像素Xi,j标为疑似危险区域内像素；然后，对被标为疑似危险区域的像素利用空间邻域信息按下式计算邻域R内像素颜色向量的相似性Com(R)：Com(R)=exp{-ΣR||XCi,j-YCi,j||2h}]]>式中，XCi,j为邻域中心元素，YCi,j为邻域其他元素，h为对图像复杂程度的评价；如果Com(R)大于阈值，该邻域为疑似危险品区域；如果小于阈值，那么该邻域危险品像素密度低，去掉疑似危险区域标签；步骤3，根据所述步骤2获得的疑似危险品区域的几何形状特征、图像灰度的动态范围及图像材料特征初步判断疑似危险品区域的属性；所述属性包括安全和危险，鞋本身结构区域的属性为安全，替换了鞋本身结构藏匿危险品的区域的属性为危险；步骤4，根据纹理特征分类模型，对经步骤3初步判断后属性不确定的疑似危险品区域进行属性判断；采用纹理统计分析法得到灰度共生矩阵，灰度共生矩阵通过空间相关特性描述纹理特征，其相关性函数p(g1,g2)为：式中，[(x1,y1),(x2,y2)]表示由像素(x1,y1)、(x2,y2)组成的像素对，f(x1,y1)、f(x2,y2)分别表示像素(x1,y1)、(x2,y2)的灰度，S表示像素对集合，S’表示集合S中像素对的个数，等号右边的分子表示灰度值分别为g1和g2的像素对的个数；基于共生矩阵计算以下4个分类的特征：WP=Σg1Σg2p2(g1,g2)]]>Cor=1σxσy(Σg1Σg2g1*g2*p(g1,g2)-μxμy)]]>Wc=Σg1Σg211+(g1-g2)2*p(g1,g2)]]>WE=-Σg1Σg2p(g1,g2)*logp(g1,g2)]]>式中，WP表示能量；Cor表示相关性，μx、σx分别是p(g1,g2)中水平轴方向的期望和均方差，μy、σy分别是p(g1,g2)中垂直轴方向的期望和均方差；Wc表示逆差距；WE表示熵；借用Adaboost分类算法思想，根据这4个特征在训练样本集中的正确分类和错误分类表现，将能量作为第一弱分类器，然后依次是熵、相关性和逆差距，将4个弱分类器联合起来形成一个强分类器；用训练出来的强分类器将步骤3得到的疑似危险区域分成三类：危险区域；鞋本身结构，即安全区域；不确定疑似危险区域；步骤5，采用正交视角电子密度估计方法，对经步骤4判断后属性不确定的疑似危险区域继续进行属性判断；步骤1所述的待检查鞋的多视角图像，是通过将待检查鞋放于检查盒中，由X射线多视角安全检查设备获得的；所述步骤1还包括：对待检查鞋的多视角图像的灰度图像进行灰度形态学、阈值分割和二值形态学处理，将鞋跟区域从整个鞋区域中分割出来；所述待检查鞋按照藏匿危险品的方式分为4类：无跟无帮鞋，无跟有帮鞋，无帮有跟鞋，有帮有跟鞋；从鞋内侧底到鞋帮边缘高度不超过70mm的鞋为无帮鞋，大于70mm的为有帮鞋；跟结构高度不超过20mm的鞋为无跟鞋，大于20mm的鞋为有跟鞋。