CN102203801B - 检测隐藏的危险 - Google Patents

检测隐藏的危险 Download PDF

Info

Publication number
CN102203801B
CN102203801B CN200880131839.1A CN200880131839A CN102203801B CN 102203801 B CN102203801 B CN 102203801B CN 200880131839 A CN200880131839 A CN 200880131839A CN 102203801 B CN102203801 B CN 102203801B
Authority
CN
China
Prior art keywords
image
data
potential
subregion
axle
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN200880131839.1A
Other languages
English (en)
Other versions
CN102203801A (zh
Inventor
洪保明
朱利亚·帕夫洛维奇
戴维·谢弗
应峥嵘
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Analogic Corp
Original Assignee
Analogic Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Analogic Corp filed Critical Analogic Corp
Publication of CN102203801A publication Critical patent/CN102203801A/zh
Application granted granted Critical
Publication of CN102203801B publication Critical patent/CN102203801B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V5/00—Prospecting or detecting by the use of ionising radiation, e.g. of natural or induced radioactivity
    • G01V5/20—Detecting prohibited goods, e.g. weapons, explosives, hazardous substances, contraband or smuggled objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/05—Recognition of patterns representing particular kinds of hidden objects, e.g. weapons, explosives, drugs

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • High Energy & Nuclear Physics (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geophysics (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)
  • Image Analysis (AREA)
  • Burglar Alarm Systems (AREA)

Abstract

潜在危险项目可能隐藏在例如便携电子设备的对象内，该对象例如在安全检查点处接受成像。来自被成像对象的数据能够与预定对象数据进行比较以确定被成像对象的分类。进一步地，能够识别容器(例如行李中的笔记本计算机)内的对象。能够使用一维特征投影来将被成像的对象分解为分解，并且来自分解和对象图像数据的特征向量能够用于生成布局特征向量。一个或更多个布局特征向量能够与训练数据相比较以从被成像对象的分类中检查危险或不包含危险的项目，以确定被成像对象是否包含潜在危险项目。

Description

检测隐藏的危险
背景技术
鉴于当前的社会政治气候以及其它考虑，在机场以及其它与旅行相关的区域中的安全性是重要的问题。用于改善旅行安全的一个技术是通过包裹检验。在某些情况下，行李由视觉地检验和/或由筛分工(screener)手动检验。在其它情况下，初始使用某些类型的成像装置对行李和其它项目成像，如果需要，然后进一步通过其它方法(例如手动检查)来检验。例如，x射线行扫描仪可以用于为筛分工提供对于包的内容的一个或多个基本上二维的视图，或者可以使用计算机层析(CT)扫描仪来提供对于被扫描包的两维或三维的重构图像的视图。
当前，在对象(例如由成像装置成像的行李)的二维和/或三维图像组上执行大量数据操控。通常，在许多机场检查点利用x射线行扫描仪。数据操控能够允许执行特定量的自动(人工之前)筛选(例如，检测可能包括例如爆炸物的危险项目的对象)。然而，当前的技术限制可能不允许对于行李中某些项目的有效的自动筛选。例如，当前的x射线行扫描仪可能仅提供被扫描对象的一个或两个视图。例如，该受限的成像能力会阻止筛分工清楚地看见被扫描包的内容。
相应地，在例如笔记本计算机和摄像机的情况下，为了使得自动筛选能够确定特定项目是否包括潜在的危险对象，必须将该项目从行李中移除并且单个地分别接受扫描。从行李中移除项目(例如笔记本计算机)并且因而扫描和检查两个分离项目的处理增加了经过机场的安全检查点所需的时间。至少，这是不期望的情况，因为期望增加机场的吞吐量。
另外，经常在随身行李(carry-on luggage)中发现例如电子设备(例如笔记本计算机)的特定对象。如上所述，这些对象经常被从行李中移除并且在由成像设备扫描之前置于框中或者直接置于传送带上。检测隐藏在电子设备中的例如爆炸物(例如片状爆炸物)的危险是有难度的。由成像设备(例如CT扫描仪)生成的图像能够被伪像毁坏，伪像通常由电子设备中的高密度部件(例如光驱、笔记本中的电池或其它高原子数Z部件)生成。
发明内容
该发明内容用于以简化的形式介绍概念的选择，这将在下面的具体实施方式部分会进一步描述。该发明内容不用于识别主张的主题的关键因素或重要特征，也不用于限制主张的主题的范围。
根据一个方面，提供了一种用于从一类对象中识别潜在包含危险的对象的系统，已经使用成像装置对所述一类对象成像。在这个方面，系统能够包括对象分类识别器，用于比较来自成像图像的分割的对象的数据和预定的对象分类数据，以识别来自成像图像的对象是否属于对象分类。进一步地，系统能够包括对象分解器，用于使用特征分析并基于对象的分类将分割的对象分解为对象分解。另外，系统能够包括布局向量生成器，用于生成对于分割的对象的布局特征向量。此外，系统能够包括危险确定器，用于比较来自被识别的对象的布局特征向量和与分割的对象的分类对应的一个或更多个预定界限，以确定在被识别的对象中危险的存在。
根据另一个方面，提供了一种用于从一类对象中识别潜在包含危险的对象的方法，已经使用成像装置对所述一类对象成像。在这个方面，比较各个对象数据和来自一个或更多个的对象分类的预定对象分类数据，以确定图像中的分割的对象是否属于一类已知的对象。另外，使用一维特征分析将被识别的分割对象分解为对象分解。另外，将来自一个或更多个分割的对象/分解的特征向量(例如属性值)组合以生成布局特征向量。另外，比较布局特征向量和对于被识别的潜在危险的一个或更多个预定界限，以确定被识别的对象中是否存在潜在危险。
根据另一个方面，提供了一种用于从容器中的一类对象中识别潜在包含危险的对象的系统，已经使用计算机层析(CT)扫描仪对容器进行扫描。在这个方面，系统能够包括CT扫描仪，用于扫描对象并生成对于被扫描对象的图像数据；以及对象分割器，用于从容器的成像图像中识别属于对象的特定分类的、容器内的对象；对象分割器包括：图像元素选择器，用于选择一个或更多个图像元素；扩张区域组合生成器，用于生成一个或更多个扩张元素；以及聚集对象分裂器，用于：确定被识别的对象是否包括多于一个对象的聚集；并且将聚集的对象分裂为两个或更多个对象。另外，在这个方面，系统能够包括对象区域提取器，用于使用特征分析将被识别的对象分解为对象区域；子区域提取器，用于识别被识别对象区域中的子区域；向量布局生成器，用于从被识别的对象生成一个或更多个布局特征向量；辨别界限生成器，用于对于被识别对象所属的一类对象生成辨别界限；以及危险确定器，用于比较所述一个或更多个布局特征向量和与被识别的对象的分类对应的一个或更多个预定辨别界限，以确定被识别的对象是否是潜在的包含危险的对象。
根据另一个方面，提供了一种用于扫描容器内的对象以检查是否存在潜在危险且不需将对象拿出容器的方法。在这个方面，使用成像装置对容器成像；比较来自图像的对象数据和对于对象分类的预定对象数据来识别容器内的对象；比较来自图像中对象的区域数据和对于对象的各个分类的预定区域数据以识别图像中被识别的对象内的区域；以及比较对象和区域数据中的一个或两个和预定潜在危险数据以确定对象是否是潜在危险。
在介绍了上述和相关方面的描述之后，下述具体实施方式和附图提供特定说明性方面和实施。这些指示了可以采用一个或多个方面的几种方式。当接合附图考虑下述具体实施方式时，将显见本发明的其它方面、优势以及新颖的特征。
附图说明
图1是说明如这里所提供的可能实施潜在危险对象识别的环境的示意性框图；
图2是说明如这里所提供的可以实施被成像的容器内的潜在危险对象识别的环境中的一个或多个部件的部件框图；
图3是说明如这里所提供的可以实施潜在危险对象识别的环境中的一个或多个部件的一个实施例的部件框图；
图4是说明如这里所提供的可以实施潜在危险对象识别的环境中的一个或多个部件的一个实施例的另一部件框图；
图5是说明如这里所提供的可以实施潜在危险对象识别的环境中的一个或多个部件的一个实施例的另一部件框图；
图6是用于识别潜在危险对象的示例方法的流程图；
图7是用于识别潜在危险对象的示例方法的一个实施例的流程图；
图8是用于识别潜在危险对象的示例方法的另一个实施例的流程图；
图9是用于识别潜在危险对象的示例方法的另一个实施例的流程图；
图10是说明预定对象的辨别边界的示例图；
图11用于说明使用成像图像来检测潜在危险对象的存在的示例实施例；
图12用于说明其中可以实施这里描述的一个或多个技术和/或系统的示例危险检测处理；以及
图13用于说明示例计算机可读介质，其包括配置用于体现这里提出的一个或多个供应的处理器可执行指令。
具体实施方式
现在参考附图描述主张的主题，其中在全文中相似的附图标记用于指示相似的元件。在下面的描述中，出于说明的目的，提出多个特定细节以提供对主张的主题的详细理解。然而，显然，不需要这些特定细节也可以实施所主张的主题。在其它情况下，以框图形式说明结构和设备，从而帮助描述所主张的主题。
这里提供了使用由成像设备(例如CT扫描仪)生成的图像来帮助识别由电子设备隐藏的潜在危险对象的系统和技术，其中电子设备放置在机场的安全站上。即，在一个实施例中，提供了用于识别电子设备中隐藏的潜在危险对象的技术和系统，该电子设备放置在容器中，而不需要将电子设备从接受筛选的容器中移除。另外，在另一个实施例中，也提供了用于识别隐藏对象(例如笔记本计算机或其它电子设备)中隐藏的潜在危险对象，而不需要将潜在危险对象(例如爆炸物)从隐藏对象(例如笔记本计算机或其它电子设备)中分割。
图1用于说明示例环境100(例如机场中的安全站)，其中可以采用系统来从一类对象中识别潜在的包含危险的对象，这一类对象可以放置在容器(例如行李或筛选框)中，或者可以通过使用成像装置(例如CT扫描仪)被直接成像。在示例环境100中，成像装置包括对象扫描装置102，例如安全扫描装置(利用用于在机场扫描行李)。扫描装置102可以用于扫描一个或多个对象110(例如在机场的一系列行李箱)。扫描装置通常包括辐射源104(例如X射线管)，辐射检测器阵列106(例如X射线检测器)，用于使得辐射源104和检测器106围绕被扫描的对象110旋转的旋转器112(例如门架(gantry)马达)，(辐射源104和检测器106都可以安装在转盘上(未示出))，以及用于将对象110从对象扫描装置102的上游部分(未示出)传送到102的下游部分(未示出)的传送器108。应当理解，尽管示例环境利用x射线扫描装置，这里描述的系统和技术不限于x射线扫描设备。例如，系统可以利用红外成像设备来基于对一个或多个对象的红外成像来生成图像。
例如，包括X射线源104(例如X射线管)的计算机层析(CT)安全扫描仪102能够生成扇形、锥形、楔形或其它形状的X射线辐射光束，该光束横过检查区域中的一个或多个对象110(例如行李箱)。在该示例中，X射线由源104发射，横过包含要被扫描的对象110的检查区域，并且由和X射线源104相对的X射线检测器阵列106检测。另外，例如，旋转器112(例如附接到扫描仪的门架马达驱动器)能够用于将X射线源104和检测器106围绕对象110旋转。以此方式，能够收集来自行李箱的各个视角的X射线投影，例如创建对于对象的一组X射线投影。尽管说明作为第三生成系统，本领域普通技术人员应当理解还可以是第五生成和其它实施。作为另一个示例，当对象被旋转时，辐射源104和检测器阵列106可以保持静止。
在示例环境100中，数据测量系统113可操作地连接至扫描装置102(例如安装在转盘(未示出)上)，并且通常用于收集来自检测器106的信息和数据，并且可以用于将收集的数据编译为用于对象110的投影空间数据150。作为示例，关于对象110，可以在多个角度位置的每一个获得X射线投影。另外，当传送器108将对象110从对象扫描装置102的上游部分(未示出)传送到下游部分(未示出)时，在关于对象110的传送器的轴(例如关于被扫描对象的螺旋轨道)上的多个点处可以获得多个角度的X射线投影。在一个实施例中，多个角度投影可以包括在转盘的平面内限定的X轴和Y轴，并且Z轴也能够被定义为传送器运动的方向。
在示例环境100中，图像重构器116连接到数据测量系统114，并且用于从数据测量系统114接收数据150并且使用适当的分析、迭代和/或其它重构技术(例如从投影空间至图像空间的幕后投影)生成指示被扫描对象110的图像数据152。
在一个实施例中，例如，行李箱的图像数据152可以最终显示在监视器(例如桌上或笔记本计算机)118上用于人工观察。在该实施例中，操作员可以隔离并操控图像，例如从各个角度、缩放级别和位置来旋转并查看行李箱。
应当理解，尽管示例环境100利用图像重构器116来从由数据测量系统114生成的数据150重构图像数据(例如对于正被扫描的行李箱)，这里描述的技术和系统不限于该实施例。在另一个实施例中，例如，图像数据可以由未连接到用于识别潜在包含危险的对象的系统的成像装置生成。在该示例中，图像数据可以存储到电子存储设备(例如CD-ROM，硬驱，闪存)中并且电子地传递给用于识别潜在包含危险的对象的系统。
在示例环境100中，在一个实施例中，对象分割(segment)器130可以接收例如对于被扫描的对象(例如包含笔记本计算机的随身行李)110的图像数据164，以对对象110的图像执行对象分割。在该示例中，对象分割器130可以用于分割在容器的成像图像中的容器内的对象。在一个实施例中，对象分割器130能够生成关于一个或多个分割的对象152的图像数据。
作为示例，x射线扫描仪或CT扫描仪可以用在机场的安全检查点以扫描乘客行李。通过扫描仪的行李可以包括便携电子设备，例如笔记本计算机、手持视频游戏机、便携DVD播放器、摄像机等。在该示例中，对象分割器130可以分割由x射线扫描仪或CT扫描仪生成的行李的图像中的便携电子设备(例如将设备从图像中的行李内的其它对象分离)。作为另一个例子，便携电子设备可以从乘客的行李中取出并且放置在框中用于由x射线扫描仪(例如，当前FAA规定要求笔记本计算机在被筛选之前从乘客的行李中移除)或CT扫描仪扫描。在该示例中，对象分割器130能够分割由x射线扫描仪或CT扫描仪生成的框的图像中的便携电子设备。应当理解，在该示例环境中，对象也能够被直接成像(例如由x射线扫描仪或CT扫描仪扫描)，并且可以不位于容器(例如行李或框)内。
在示例环境100中，对象152的图像数据能够被发送到对象分类识别器120，其能够用于比较分割的对象152的数据和预定对象分类数据(例如多类便携电子设备(例如笔记本、手持摄像机、便携DVD播放器等多种分类的便携电子设备的数据)，以识别被分割的对象是否属于特定类的对象。在一个实施例中，对于属于各种分类的各种便携电子设备(例如笔记本计算机、便携DVD播放器、媒体播放器、手持摄像机等)，能够收集预定对象类数据。在这个实施例中，可以通过使用与示例环境100中使用的相同成像装置来对设备进行成像(例如由CT扫描仪扫描)来收集并存储属于各分类的设备的数据。以此方式，例如，由筛选处理生成的数据能够与预定数据比较，以识别被分割的对象属于哪一类。
在示例环境100中，对象图像数据和分类信息154能够被发送到对象分解(partition)器122，其能够用于使用特征分析(Eigen analysis)将对象(例如笔记本计算机)分解为对象分解(例如笔记本计算机的层)。作为示例，笔记本计算机经常能够被沿着高度方向划分为三层。在该示例中，屏幕和键盘可以是上层的一部分，硬驱、存储器和光驱可以是在中间层，并且电池和主板可以在底层。通常，各层能够具有特定的密度分布，并且如果片状或块状爆炸物例如被引入到层中，则该层的密度分布会与预期不同。以此方式，例如，通过使用对象分解信息可以确定用于识别被分割的对象的图像表示中隐藏的潜在危险项目的信息。
在示例环境100中，在一个实施例中，包括从成像图像中识别对象的分解的数据的对象分解数据156能够被发送到子区域提取器128。在该实施例中，子区域提取器128能够用于识别被识别的对象分解(156)中的子区域(160)。由于对象能够被分解为层，例如，各层可以被进一步分解为子区域。作为示例，笔记本计算机的中间层可以包括光驱、硬驱、存储器以及调制解调器或者联网设备。在一个实施例中，可以识别对象的分解的子区域，例如以将这些子区域与已知数据相比较。在该实施例中，能够生成用于对象的各个分解的子区域数据160。
在示例环境100中，对象分解数据156(和/或在一个实施例中，子区域数据160)能够被发送到布局特征向量生成器124，其能够用于生成关于对象的一个或多个布局特征向量。作为示例，布局特征向量可以包括用于对象的特定层或分解内的危险检测的感兴趣密度范围内的密度值的均值、均方差和其它高阶导数(derivative)。例如，一个感兴趣密度范围能够是从0.5g/cc到2.5g/cc。作为另一个示例，布局特征向量还可以包括从在用于对象的各个层或分解的危险检测的感兴趣密度范围内的密度值计算得到的质量(mass)。质量、均值、均方差和密度值的其他导数也能够从危险检测的感兴趣密度的不同范围被组合和被聚集，并且成为布局特征向量的特征值。密度值的导数可包括例如局部梯度分布、平均梯度、峰度(kurtosis)、倾斜等。
在示例环境100中，危险确定器126能够接收对象的一个或多个布局特征向量158。危险确定器126能够用于将一个或多个布局特征向量与对应于对象分类的一个或多个预定界限相比较，以确定对象是否包含潜在危险(例如爆炸物)。
在一个实施例中，能够从训练处理获得界限。在训练处理中，能够由筛选中使用的相同的成像设备(如上所述)扫描包含危险对象的对象以及不包含危险对象的对象。在该实施例中，能够获取用于从不包含危险对象的对象中描绘包含危险对象的对象的界限。应当理解各种算法(例如支持向量机、神经网络、特征原理部件分析、独立部件分析等)能够用于将两类对象(一个不包含危险而另一个包含危险)分离。本领域技术人员可想到分离两类对象的替换技术，并且这里描述的方法和系统不限于用于分离两类对象的任何特定技术。
作为示例，在安全检查点筛选行李之前，能够使用安全检查点使用的相同类型的CT扫描仪来对一系列的笔记本计算机进行CT扫描。在该示例中，笔记本计算机能够不具有潜在危险项目(例如爆炸物)以及具有潜在危险项目而被扫描。以此方式，在该示例中，能够确定用于将具有危险对象的项目从不具有危险对象的项目中分离的布局特征向量的界限。因此，当在安全站筛选笔记本计算机时，例如，来自筛选的布局特征向量能够与界限相比较。以此方式，在该示例中，如果对于被筛选的笔记本计算机的布局特征向量在与包含危险的项目对应的界限的一侧，则能够将笔记本计算机标记为潜在包含危险的对象。
关于被扫描对象是否是潜在包含危险的对象162的信息能够被发送到示例环境100中的终端118，例如，该示例环境100包括显示器，该显示器能够由行李筛选检查点的安全人员查看。以此方式，在该示例中，能够对由安全扫描仪102扫描的对象提取实时危险潜在信息。
在一个方面，潜在危险包含对象可以位于容器(例如一件行李或安全筛选框)内。例如，进入机场航站楼的乘客通常被要求将随身行李通过筛选装置，该筛选装置能够对行李成像(例如生成其x射线图像)以帮助确定其内容(例如包含潜在危险项目，例如爆炸物、手枪、刀等)。在该示例中，乘客通常在旅行时携带笔记本计算机，并且笔记本计算机可以用于隐藏危险项目(例如层之间的片状爆炸物或者部件隔间中的块状爆炸物)。虽然通常要求乘客将笔记本计算机拿出行李并将它们放在框中，如果能够识别行李内的笔记本计算机(以及其它便携电子设备)将是有利的(例如，快速的)，例如，并且然后进一步确定笔记本计算机是否包含潜在危险项目。
图2是说明对象分割器130的一个实施例的部件框图，对象分割器130能够用于使用图像数据来分割容器(例如行李)内的对象，该图像数据是通过使用成像装置(例如x射线扫描仪或CT扫描仪)对容器成像而生成的。图像数据被发送到图像元素选择器204。图像元素选择器204能够用于选择被扫描的容器164的图像中的元素(例如三维图像中的体像素(voxel)或二维图像中的像素)，被扫描的容器164的图像中的元素具有与第一预定属性范围对应的属性(例如密度或原子数(Z)测量、密度梯度、Z梯度)。以此方式，例如，能够基于一个或多个预定属性选择图像的元素。应当理解，图像元素的属性可以包括导数属性(例如密度梯度、Z梯度)和/或其它属性(例如密度或原子数(Z)测量)，并且这里描述的系统不只限于特定属性，一个或多个图像元素属性也可以用于选择图像中的元素。
在一个实施例中，图像元素选择器204能够用于选择对象的三维图像中的体像素(例如三维图像中的体积元素)，该体像素具有一个或多个指定范围(例如包括便携电子设备的范围)内的密度，例如一个或多个指定范围内的密度梯度(从密度的导数属性)或Z梯度(从测量的Z的导数属性)。在另一个实施例中，图像元素选择器204能够用于选择对象的二维图像中的像素(例如二维图像中的面积元素)，该像素具有一个或多个指定范围(例如包括便携电子设备的范围)内的图像密度。
应当理解，尽管在示例实施例中使用了体像素和像素，这里描述的技术和系统不限于这些实施例。对于图像来说，体像素仅是体积元素并且像素仅是面积元素。本领域技术人员可以设计包括用于选择的不同的体积和面积元素的其它实施例，这也落入这里描述的技术和系统内。
在图2中，对象分割器130的示例实施例进一步包括扩张元素组合生成器208。在该实施例中，位于扩张元素组合生成器208中的图像元素扩张器210接收所选图像元素的图像数据，并且能够用于识别图像中各个所选图像元素的相邻图像元素，该相邻图像元素具有与第二预定属性范围(例如一个或多个属性或者与属性相关联的导数的范围)相对应的属性(例如，一个或多个属性或者与属性相关联的导数)。作为示例，图像元素扩张器210能够评价与所选图像元素相邻(例如空间上连接)的元素(例如体像素或像素)，并且确定邻居的属性(例如密度和Z的一个或多个属性)是否位于另一个预定范围内。
在一个实施例中，图像元素扩张器210能够评价与图像元素选择器204生成的各个所选体像素相邻(例如空间上连接)的体像素。在该实施例中，图像元素扩张器210能够识别例如具有对于便携电子设备的预定范围内的密度的相邻体像素。在另一个实施例中，图像元素扩张器210能够用于识别二维图像中的相邻像素，该相邻像素例如具有对于便携电子设备的预定范围内的图像密度。应当理解“相邻”能够包括对于三维图像的空间相连接以及对于二维图像的相连接，但是也能够包括相邻元素不相连的组合，如同本领域技术人员能够设计的那样。
在对象分割器130的示例实施例中，扩张元素组合生成器208还包括扩张图像元素组合器212，其能够用于将204生成的所选图像元素以及210生成的被识别的相邻图像元素相组合以生成一个或多个分割对象154。作为示例，扩张图像元素组合器212能够将所选图像元素与对应的由元素扩张器210识别的相邻元素相组合以生成对于由成像装置102成像的容器110的分割对象图像数据154。
在另一个示例中，扩张图像元素组合器212可以向所选图像元素以及被识别的相邻图像元素应用连通区域标记(CCL)算法以创建分割的对象。在该示例中，可以通过将物理上相近的并且具有预定属性范围(例如各个求导出的属性)内的属性(例如包括求导出的属性)的图像元素分组来创建分割对象。
在一个实施例中，由元素扩张器210识别的相邻体像素能够与由图像元素选择器204生成的体像素相组合，以生成对于分割的便携电子设备的图像数据154，该分割的便携电子设备在由CT扫描仪扫描的容器(例如一件行李)内，例如在机场安全检查点。在另一个实施例中，二维图像中的相邻像素能够与由图像元素选择器204生成的像素组合。
在这个方面的一个实施例中，例如，如果多于一个对象可以已经在图像数据中被组合并且从图像数据生成，则对象分割器130能够包括对象分裂(split)器214。在该实施例中，对象分裂器214能够用于确定分割的对象(分割对象)是否包括多于一个物理对象的聚集，并且将聚集的对象分裂为两个或更多个对象。例如，如果具有相似密度的两个对象置于一件行李中从而彼此接触，扩张元素组合生成器208会将两个项目聚集为一个。在该示例中，对象分裂器214能够识别存在聚集的两个对象，并且将它们分裂为图像数据中的两个分离的对象。进一步地，在该示例中，例如均值偏移分割以及基于密度和空间直方图的分析等算法能够用于将这样的聚集分裂。
在这个方面的另一个实施例中，例如，如果例如笔记本计算机的便携电子设备放于安全框内以被x射线扫描装置扫描，对象分割器能够快速地分割所得到的图像中的设备而不需使用图像元素选择器204或图像扩张元素组合生成器208。图3是说明对象分割器(例如图1，130)的一个实施例300的部件框图，该对象分割器用于分割例如安全框内的容器中的对象。
在该实施例300中，一维图像数据处理器302能够用于生成成像图像350(例如包括包含一个或多个对象的容器)的一个或多个轴的一维表示。在一个实施例中，图像的轴可以包括与图像的水平轴(例如，沿着横过承载被扫描的框的传送器的图像的宽度)对应的X轴，与图像的垂直轴(例如，沿着从传送器向上的图像的高度)对应的Y轴，以及与带方向(例如当扫描项目时传送带行进的方向)对应的Z轴。在该实施例中，通过将由剩余轴定义的平面上的各个图像元素相加，使用例如实际重构的图像数据，对于各个轴能够生成一维投影(例如在图形上绘制的线)。作为示例，关于X轴上的各个x坐标，能够通过将各个Y-Z平面上的各个图像元素相加来生成X轴投影数据。
在图3的实施例300中，轴数据处理器304能够用于比较轴的一个一维表示中的数据点和预定的阈值。在一个实施例中，沿着图像轴的一维表示的数据点能够对应于沿着例如从重构的图像数据的轴的图像的分片(slice)。轴数据处理器304能够比较各个数据点和预定的阈值(例如通过使用与用于扫描包含问题对象的框相同类型的扫描仪来扫描便携电子设备而确定的)，并且确定哪些数据点在预定的阈值之上。
在图3的实施例300中，连续分数生成器306能够用于生成与连续数据点的期望数目对应的分数，该期望数目大于各个轴的阈值。在一个实施例中，连续分数能够包括既连续又在预定阈值之上的多个数据点。在该实施例中，连续分数生成器306可以识别图像轴的一维表示的一个或多个分段(segment)，该一个或多个分段即连续又在预定阈值之上。如果仅识别一个分段，连续分数生成器306能够使用该分段的分数，然而，如果识别出既连续又在预定阈值之上的多于一个的分段，则连续分数生成器306能够使用具有最大分数的分段的分数。本领域技术人员应当可以设计使用不同期望分数(例如使用第二大分数以及均值)的技术和系统。
在实施例300中，连续分数比较部件308能够用于比较连续分数和用于一个或多个分类的预定分数，以确定对象是否对应于一类对象。在一个实施例中，可以通过使用与问题图像使用的相同类型的成像设备对各种便携电子设备(属于各个分类(例如笔记本计算机、便携DVD播放器、手持摄像机、媒体播放器等))成像来生成预定的连续分数。在该实施例中，能够对于各个分类生成预定的连续分数，并且连续分数比较部件308能够比较连续分数生成器306生成的连续分数和对于对象的各个分类的预定连续分数，以确定框里的对象是否例如属于对象分类中的一类。
在另一个实施例中，对象分割器(例如图1，130)能够包括图像对象数据生成器，其能够用于通过使用各个轴投影数据(例如由轴数据处理器304生成的)生成安全框内的期望对象的界限盒(bounding box)。在该示例中，界限盒能够包括对于各个轴的较低界限坐标和较高界限坐标。能够使用对应轴投影数据作为大于第一预定阈值的第一数据点的坐标来识别对于各个轴的较低界限坐标。能够使用对应轴投影数据作为大于第二预定阈值的最后数据点的坐标来识别对于各个轴的较高界限坐标。在该实施例中，分割的对象能够包括图像元素，该图像元素例如位于界限盒内的图像元素的预定属性以及求导出的属性的范围内。
在另一个方面，特定对象(例如便携电子设备(例如笔记本计算机))，经常包括位于与来自相同分类的各种设备的相似位置处并且具有相似组成的部件。作为示例，笔记本计算机通常包括LCD屏幕；键盘；各种内部部件，例如光驱、硬驱、存储器以及调制解调器/联网设备，主板；以及电池。进一步地，在该示例中，这些部件通常以对于笔记本的相似方式布置，例如，LCD屏幕置于顶层，键盘位于LCD屏幕之下，驱动器、存储器和调制解调器在中间层，并且主板和电池在底层。
由于上述布置，在一个实施例中，可以对来自设备的各个分类的各种设备成像(例如CT扫描)以确定对于各个分类的特征向量的范围。以此方式，例如，在安全站被筛选的对象可以被分解(例如将对象的图像数据划分为层)，并且各个分解能够与对象的对应分类的预定数据比较，以确定在对象内是否隐藏了潜在危险项目。
图4是对象分解器(例如图1，122)的一个示例实施例400的部件框图，该对象分解器能够使用特征分析并基于分割的对象的分类来将分割的对象分解为对象分解。该示例实施例包括特征向量确定器402，其用于确定分割的对象450的特征值以及对应的特征向量。在一个实施例中，可以通过问题对象归属的对象分类来确定期望的特征值。在该实施例中，例如，将对象分解为层可以基于分割的对象定向的特定轴。
例如，如上所述，笔记本计算机可以包括沿着笔记本的最薄维度(例如，如果平躺在传送器上，Y轴，垂直的)，从顶至底视角的几层(例如，三层：屏幕和键盘；部件；主板和电池)。因此，在该示例中，期望的特征值可以是最小值，因为该值能够与特征向量相关联，该特征向量在笔记本的最薄维度上。应当理解，尽管被筛选的对象经常平放在传送器上，一些对象可以不这样定向，并且X、Y和Z轴(如上所述)特征向量能够用于克服该限制。
在示例实施例400中，一维特征投影生成器404能够用于沿着和期望的特征值(例如最小值、中间值或最大值)相关联的特征向量生成分割对象的一维投影454。作为示例，如果期望的特征值是最小特征值，例如当分解笔记本计算机时，一维特征投影生成器404能够在与关联于最小特征值的特征向量相对应的轴上执行特征投影，以生成图像中分割的对象的一维投影数据。
在一个实施例中，在与特征向量相对应的轴上执行特征投影能够包括在具有图像中分割的对象的特征向量的法线的屏幕上执行特征投影，这在美国专利No.6,345,113，Crawford等人的名称为“Apparatus and Method for ProcessingObject Data in Computed Tomography Data Using Object Projections”中揭示。作为示例，在该实施例中，能够从图像中分割的对象的图像元素的坐标确定协方差矩阵的特征值和特征向量，并且能够根据大小来对特征值排序，并且与最小特征值对应的特征向量能够被确定。接下来，与分割的对象对应的图像元素能够被投影到与特征向量(即与最小特征值对应的特征向量)垂直的平面上，该投影称为平面特征投影。在一个实施例中，投影与在所选特征向量的方向中的投影像素之上或之下的对象体像素的数目的计数相关。在该实施例中，特征投影中的像素值与沿着垂直于投影平面的射线的对象厚度成比例。进一步地，在该实施例中，投影能够表示对象形状，但是不能表示密度。在可选实施例中，使用对象体像素属性(即密度)来计算投影像素。在这个可选实施例中，对于各个投影像素，能够使用根据它们的属性加权的对象体像素来计算计数。在另一个实施例中，能够通过将垂直于各个坐标阶跃(step)处的特征向量的平面上的图像元素相加而不计算平面特征投影来直接地计算与(与期望的特征值相关联的)特征向量相对应的一维特征投影。
在实施例400中，对于各个特征向量的一维投影被发送到一维投影过滤器406，其能够用于平滑小的变化并且提高对象的一维投影454中的峰。在一个实施例中，对象的一维投影454可以包括例如能够创建行中许多小的变化的噪声。在该实施例中，为了移除可能不影响分解的一些小的变化并且提高投影数据中的峰，能够应用投影过滤器。应当理解能够使用许多不同的过滤器来降低信号噪声并且提高峰。这里描述的技术和系统不限于任何特定的过滤器，本领域技术人员可以设计能够降低噪声并且提高对象的轴的一维投影454中的峰的过滤器。
在实施例400中，对于各个特征向量过滤的一维投影456被发送到分解识别器408，其能够用于识别与分割的对象的一维投影中的峰模式456对应的对象中的对象分解458。在一个实施例中，在一维投影中的峰模式456可以表示对象中的分解，例如一类对象(例如笔记本计算机)中的层。在该实施例中，分解识别器408能够利用峰模式来将对象分解为对象分解458，例如通过将一个峰模式与相邻峰模式分离。在该示例中，能够通过识别两个峰之间的谷点或者采用两个峰点之间的中间点来执行相邻峰模式的分离。
在另一个方面，分割的对象的各个分解例如可以包括部件(例如便携电子设备中的显示器、驱动器、存储器)。如上所述，各种设备可以被预先分类为分类，并且对于各个分类能够确定特征向量数据。进一步地，在一个实施例中，对于设备的各个分类的各种子区域(例如包括设备部件)能够确定特征向量数据。图5是子区域提取器(例如，图1，128)的示例实施例500的部件框图，子区域提取器能够用于识别被识别的对象分解156中的子区域160。
在该示例实施例500中，子区域识别器502能够用于从子区域的一个或多个分类中识别在被识别的分解156中的一个或多个潜在的子区域160。在一个实施例中，例如(如图2，200所述)能够基于预定的属性范围(例如密度和Z数值)来选择对象分解的图像数据中的区域(例如体像素或像素)，并且将其组合以形成一个或多个潜在的子区域(例如包括连接的体像素的图像中对象的分解中的部件)。进一步地，在该示例中，能够使用CCL算法来提取对于检测的期望的部件的不同分类具有不同组参数的这样的子区域。
示例实施例500进一步包括子区域比较部件504，其能够用于比较潜在的子区域数据和预定子区域数据，以识别潜在子区域是否属于一类已知的子区域。作为示例，对于潜在子区域能够确定属性(例如密度、质量、维度等)，并且对于对象所属的特定分类(例如笔记本)，子区域比较部件504能够比较这些属性和已知子区域(例如笔记本中的电池)的预定属性。以此方式，在该示例中，对于分割的对象的分类中的分解，可以确定潜在的子区域是否是已知子区域。
可以设计一种方法用于从一类对象(已经使用成像装置对其成像)中识别一个或多个潜在的包含危险的对象。在一个实施例中，可以在机场的安全站(用于扫描乘客行李或用于扫描放置在安全扫描框或者直接放置在传送器上的设备)处使用该方法。在该实施例中，例如，使得乘客行李可以通过CT扫描仪，该CT扫描仪能够产生被扫描行李的实时图像流或者可以将实时图像数据发送到自动危险检测系统。在该示例中，在扫描过程中，电子设备可能在行李中，或者可以从要被扫描的行李中取出电子设备。因而，在该示例中，可以使用危险检测方法来识别乘客行李中的对象内的潜在危险，和/或用于识别在框中或者直接在传送器上被扫描的对象内的潜在危险。
图6是示例方法600的流程图，该方法600用于从一类对象(已经使用成像装置对其成像)中识别在框中或直接被扫描的一个或多个潜在的包含危险的对象。示例方法600在602开始并且包括在604比较来自成像图像的对象数据和预定的对象分类数据，以识别来自成像图像的对象是否属于已知对象的分类。使得各种对象能够通过安全站的扫描操作。在一个实施例中，能够比较来自对象的图像的数据(例如，密度、密度分布、质量、维度等特征)和预定数据，以识别问题对象(如果有的话)可能属于哪一种对象分类。
作为示例，便携电子设备可以接受在机场的安全站处的扫描，从而得到对于被扫描设备的图像数据。在该示例中，能够对来自图像数据的对象的密度、质量以及维度和预定数据(例如来自对各种设备的预扫描并且对个各类对象得到的导数数据)进行比较，以确定设备是手持视频游戏机。
图11是说明轴上图像的一维表示的图1100。在另一个实施例中，比较来自成像图像的对象数据和预定对象分类数据604能够包括生成在一个或多个轴上的成像图像的一维表示1108，并且比较一维表示1108中的数据点和预定的阈值1106。在该实施例中，比较来自成像图像的对象数据和预定的对象分类数据604能够进一步包括生成与连续数据点1110的期望数目(对于期望轴，大于阈值1106)对应的连续分数，并且比较连续分数和对于各个分类的一个或多个预定分数，以确定对象是否对应于对象分类。进一步地，在另一个实施例中，能够通过计算界限盒获取沿着期望轴的对象维度，如上所述。在该实施例中，能够比较对象数据和对于各个分类的一个或多个预定维度以确定对象是否对应于对象分类。
作为示例，如果已知对于被识别的对象的X、Y和Z轴(例如分别包括水平、垂直和传送器方向)图像数据，则各个轴能够被表示作为图形上的一维线1108。在该示例中，图形的水平轴1104能够表示轴上(例如X、Y或Z)的点；而图形的垂直轴1102能够表示问题对象的一些属性值(例如垂直于各个轴的平面上的密度积分)。例如，当对象的属性值沿着轴改变时，沿着轴的对象的一维表示1108能够改变。能够确定在对于对象分类的预定阈值1106之上的连续数据点1110，并且在一个实施例中，数据点的最大连续数目能够与分类的信息相比较，以确定问题对象是否属于该特定对象分类(例如，还是用与对象相关的其他信息，例如密度、质量和维度)。
在606，在示例方法600中，关于与例如分割的对象的最薄维度相对应的轴，能够使用一维特征投影将分割的对象分解为对象分解。在一个实施例中，问题对象所属的分类能够用于确定如何分解被分割的对象。例如，可以横跨笔记本计算机的最薄维度(例如其高度)将笔记本计算机分解为层。在一个示例中，可以使用对象分解的特征向量来与预定阈值比较以确定对象是否潜在地隐藏危险项目。
图8是将分割的对象分解为对象分解(如图6，606)的一个示例实施例800的流程图。在该实施例800中，在808，能够使用特征分析来确定对象的坐标，例如关于分割的对象的三维轴。在该实施例中，在810，能够使用特征分析来确定特征值及关联的特征向量(例如对象的X’，Y’和Z’轴)。以此方式，在一个实施例中，能够选择与被识别的对象所归属的对象分类的期望分解相对应的期望特征向量。作为示例，可能希望将笔记本计算机沿着其高度分解为层；因此，能够选择与最小特征值相关联的向量，其对应于笔记本计算机的最小维度。
在812，对于分割的对象的各个轴，选择与相关联的向量相对应的期望(例如最小)特征值。在该实施例中，作为示例，与中间特征值对应的特征向量能够被设置作为分割的对象的X’轴；与最小特征值对应的特征向量能够被设置作为Y’轴；并且与最大特征值对应的特征向量能够被设置作为Z’轴。在另一个示例中，能够沿着各个对象的X’，Y’和Z’轴来确定分割的对象的的宽、高和长。
在814，在具有与期望特征值的矢量对应的轴的平面上执行特征投影，以生成对于分割的对象的期望轴的一维投影。作为示例，如果期望的对象轴是Y’轴(其对应于分割的对象的最薄维度(例如笔记本计算机的高度))，则通过对于沿着Y’轴的阶跃的X’-Z’平面中的图像元素的属性值进行内插和相加来生成对象的Y’轴的一维投影。在一个实施例中，如上图4，400所述，能够执行特征投影，如在美国专利No.6,345,113，Crawford等人的名称为“Apparatus andMethod for Processing Object Data in Computed Tomography Data Using ObjectProjections”中所揭示。
在816，在示例方法800中，过滤分割的对象的对象轴的一维投影，以平滑变化并提高峰。在一个实施例中，为了移除投影中的噪声变化并且提高峰，能够应用投影过滤器。例如，可以使用信噪比低通滤波器，其能够降低噪声并且提高信号中的峰，例如对象轴的一维投影。
在818，被分解的分割的对象能够包括识别分割的对象的各个对象轴的一维投影中的峰模式，其中峰模式对应于沿着各个对象轴的对象分解。在一个实施例中，峰模式能够用于将分割的对象分解为对象分解，例如通过将一个峰模式与相邻峰模式分离。在该示例中，能够通过识别两个峰之间的峰谷点或者采用两个峰点之间的中间点来执行相邻峰模式的分离。
返回图6，在示例方法600的608，生成一个或多个布局特征向量，其能够包括组合来自至少一个分割的对象及其分解的特征值。在一个实施例中，分割的对象的特征值能够被组合以生成对于分割的对象的布局特征向量。在另一个实施例中，分割的对象的分解的特征值能够被组合以生成对于分割的对象的布局特征向量。在另一个实施例中，分割的对象的特征值以及分割的对象的分解的特征值能够被组合以生成对于分割的对象的布局特征向量。
在一个实施例中，对象的布局特征向量能够包括分割的对象的属性，各个对象分解的存在和/或不存在，子区域的存在或不存在，以及呈现的对象分解和子区域的属性。在另一个实施例中，分割的对象或对象分解的属性能够包括均值、均方差、斜度、密度的峰度、质量、均值、标准差、斜度、原子数的峰度、以及维度。进一步地，在该实施例中，属性能够包括分割的对象或对象分解在扩张之前和之后的测量。另外，在该实施例中，属性能够包括例如扩张的图像元素的分割对象或对象分解的部分的属性。
在另一个实施例中，对于每个峰模式，分割的对象的布局特征向量能够包括分割的对象的一维投影的峰模式的属性，例如峰高度、峰宽度以及在峰模式之下的面积(例如包括在密度或强度范围内的体像素或像素的数目)。
在610，能够确定分割的对象是否是潜在的包含危险的对象，这能够包括对于与期望的对象分类对应的被识别的潜在危险比较一个或多个布局特征向量和一个或多个预定界限。图10是说明预定界限的示例的图形1000。在一个实施例中，确定分割的对象610中的潜在危险的存在包括生成对于分割的对象所属的对象分类的辨别界限1006。
在该实施例中，生成辨别界限能够包括分析包含潜在危险项目1002的对象的布局特征向量，以及不包含潜在危险项目1004的对象的布局特征向量。在该实施例中，例如，能够通过使用不同的分类训练方法来获取辨别界限，该方法例如线性辨别方法、主要部件分析、支持向量机、boost-ada训练方法以及超维布局特征向量空间的手动分解。
以此方式，在该实施例中，能够比较对于分割的对象的一个或多个布局特征向量和预定辨别界限1006，以确定分割的对象是否是潜在包含危险的对象。例如，如果布局特征向量落在与潜在包含危险的项目相对应的辨别界限1006的一侧，则能够确定对象是潜在包含危险的对象并且可能需要操作员通过其它手段(例如通过轨迹检测或手动搜寻)来进一步确定这样的对象是否包含潜在危险。
在另一个方面，在筛选之前并不总是将对象从容器(例如乘客的行李中的便携电子设备)中移除。在这个方面，例如，在确定对象是否是潜在的包含危险的对象之前，会希望识别容器中的对象。例如，经常在机场的安全检查点筛选行李。在该示例中，经常在行李中发现特定便携电子设备，例如在随身行李中的笔记本计算机，或者这些设备能够被从行李中移除并且放在安全筛选框中。
图7是说明识别容器702中的对象的示例实施例的流程图700。在706，能够选择对象的图像中具有与第一预定范围对应的一个或多个属性值的图像元素。作为示例，能够选择具有便携电子设备的密度范围内的密度的体像素。
在710，能够识别与图像中的各个所选图像元素相邻的图像元素，该各个所选元素具有与第二预定范围对应的一个或多个属性值。例如，通过选择与各个所选体像素(落于便携电子设备的第二密度范围内)相邻的体像素能够扩张所选体像素。在712，被识别的相邻图像元素能够与一个或多个各个所选的图像元素相组合以生成一个或多个扩张的区域组合。例如，扩张的体像素能够与在先选择的体像素组合以形成用于图像中一个或多个对象的分割的备选体像素的分组。例如CCL算法能够用于将对象从所选体像素和扩张后的体像素的组合中分割。
在714，在该实施例中，能够使用分割的对象的特征分析来确定图像中的对象位置、方向和维度。进一步地，在716，能够确定分割的对象是否包括两个或更多个对象的聚集；并且，在718，被识别为聚集的那些对象能够被分裂为两个或更多个对象。
在另一个方面，对象分解(如图8，800所述)可以被划分为子区域。例如，便携电子设备能够包括多个部件(例如笔记本计算机能够具有电池、LCD屏幕、硬驱等)，可以利用这些部件来得到分割的对象的特征。图9是说明从对象分解902中提取子区域的示例的流程图900。在904，选择对象分解中具有与第三预定范围对应的属性值的图像元素。这与上述(图7，700)非常相似，例如，能够基于落于预定范围内的图像元素来选择体像素(对于三维图像)或像素(对于二维图像)。在908，能够识别满足预定范围的与所选图像元素相邻的图像元素，并且，在910，这些相邻图像元素能够与所选图像元素组合以被分割并分组为子区域。
在912，能够使用特征分析确定子区域的方向和维度；并且，在914，能够比较子区域数据和预定子区域分类数据以识别子区域是否属于已知子区域的分类。进一步地，在一个实施例中，例如，能够确定对于被识别的子区域的特征向量，并且用于生成对于分割的对象的布局特征向量。
图12是使用这里描述的技术确定对象是否是潜在包含危险的对象的示例处理1200的说明。例如，包1202包含未知对象，并且在机场安全站接受CT扫描。其中一个对象1204被分割为笔记本计算机的备选(例如，如图7，702)，并且被分解为三层1206、1208和1210(例如，如图8，606)。分解又被分为子区域(例如图9，902)，区域一1206可以包括LCD屏幕，区域二1208是一系列部件，并且区域三1210是电池和主板。在1212，例如来自分割的对象、分解和子区域的布局特征向量被与训练数据生成的辨别界限相比较(例如使用相同类型的CT扫描仪筛选各种笔记本计算机)。例如，如果分割的对象的布局特征向量在与来自包含危险的笔记本计算机的训练数据对应的辨别界限的一侧，则布局特征向量与辨别界限的比较能够有助于确定分割的对象是否是包含潜在危险1214的笔记本计算机。否则，笔记本计算机能够被确定为是非危险1216。
另一个实施例涉及计算机可读介质，该计算机可读介质包括用于实施这里呈现的一个或多个技术的处理器可执行指令。可以用这些方式设计的示例计算机可读介质在图13中说明，其中实施1300包括计算机可读介质1302(例如，CD-R，DVD-R或硬盘驱动的磁盘)，在其上编码了计算机可读数据1304。该计算机可读数据1304接下来包括一组计算机指令1306，用于根据这里提出的一个或多个原理进行操作。在一个这样的实施例1300中，处理器可执行指令1306可以用于执行例如图6的示例方法600的方法。本领域技术人员可以设计许多这样的计算机可读介质，用于根据这里呈现的一个或多个技术进行操作。
此外，这里使用的词语“例子”和/或“示例”用于表示作为例子、实例或说明。这里描述作为“例子”和/或“示例”的任何方面、设计等不是必须被理解为比其它方面、设计等具有优势。相反，这些术语的使用用于以具体方式呈现概念。如本申请中所使用的，术语“或”用于表示包括“或”而并非唯一可能是“或”。即，除非另行指定，或从上下文中清楚可见，“X采用A或B”用于表示任何自然包括置换。即，如果X采用A；X采用B；或X采用A和B，则“X采用A或B”在上述任一个实例中成立。此外，本申请及所附权利要求中使用的量词“一”和“一个”通常可以被理解为表示“一个或多个”，除非另行指定或从上下文中清楚可见指的是单数形式。
同时，尽管已经关于一个或多个实施示出和描述了本揭示，基于对本申请和附图的阅读和理解，本领域技术人员能够想到等同变化和变型。本揭示包括所有这样的变型和变化并且仅由所附权利要求限定范围。特别关于由上述部件(例如元素、资源等)执行的各种功能，用于描述这样的部件的术语用于与执行所述部件的指定功能的部件对应(即功能等同)，除非另行指示，即使与执行本揭示的这里所说明的示例实施中的功能的所揭示的结构不是结构上等同。另外，尽管仅关于几个实施中的一个揭示了本揭示的特定特征，这样的特征可以与其他实施的一个或多个特征组合，如同对于任何给定或特定应用所期望和有利的。另外，由于在具体实施方式和权利要求中使用了术语“包括”、“具有”、“具”、“有”或其变形，与术语“包含”的方式类似，这些术语用于表示包括。

Claims (15)

1.一种用于识别已被使用成像装置进行成像的潜在包含危险的对象的系统，所述系统包括：
对象分解器，用于通过沿着本征向量将对象的图像进行投影来生成本征投影并识别所述本征投影中的峰模式将所述对象的图像分解为两个或更多个对象分解，第一峰模式对应于所述两个或更多个对象分解中的第一对象分解，而第二峰模式对应于所述两个或更多个对象分解中的第二对象分解；
布局向量生成器，用于至少部分地基于与所述第一对象分解相关联的一个或更多个特征来生成与所述第一对象分解相对应的布局特征向量；以及
危险确定器，用于将所述布局特征向量和一个或更多个预定界限进行比较，以确定所述对象是否是潜在包含危险的对象。
2.根据权利要求1所述的系统，包括对象分割器，用于从包括所述对象的容器的图像中分割所述对象的图像。
3.根据权利要求2所述的系统，所述对象分割器包括：
一维图像数据处理器，用于生成所述容器的图像的一个或更多个轴的一维表示；
轴数据处理器，用于将所述一个或更多个轴的各个一维表示中的数据点和预定阈值进行比较；
连续分数生成器，用于生成与连续数据点的数目对应的连续分数，所述连续数据点的数目大于数据点正在被比较的所述一个或更多个轴中的轴的预定阈值；以及
连续分数比较部件，用于将连续分数和一个或更多个预定分数进行比较，以确定所述数目的连续数据点中的数据点是否表示期望进行分解的一类对象中的对象。
4.根据权利要求1所述的系统，对象分解器包括本征向量确定器，用于确定对象的本征坐标。
5.根据权利要求1所述的系统，对象分解器包括一维本征投影生成器，用于通过沿着本征向量将所述图像投影来生成所述本征投影，沿着所述本征向量与期望本征值相关联地将所述图像投影。
6.根据权利要求1所述的系统，所述对象分解器包括对象分解识别器，用于基于所述本征投影中的峰模式识别两个或更多个对象分解。
7.根据权利要求1所述的系统，包括子区域提取器，用于识别所述第一对象分解中的一个或更多个子区域，所述子区域提取器包括：
子区域识别器，用于识别在所述第一对象分解中的一个或更多个潜在的子区域；以及
子区域比较部件，用于将所述一个或更多个潜在的子区域和预定的子区域数据进行比较，以识别各个潜在的子区域是否属于一类已知的子区域。
8.根据权利要求1所述的系统，危险确定器用于将布局特征向量和与一类对象对应的辨别界限进行比较，以确定对象是否与该类对象相关联。
9.一种用于识别已被使用成像装置进行成像的潜在包含危险的对象的方法，所述方法包括：
将对象的图像分解为两个或更多个对象分解，包括：
沿着本征向量将所述图像进行投影来生成本征投影；和
识别所述本征投影中的峰模式，第一峰模式对应于所述两个或更多个对象分解中的第一对象分解，而第二峰模式对应于所述两个或更多个对象分解中的第二对象分解；
至少部分地基于与所述第一对象分解相关联的一个或更多个特征来生成与所述第一对象分解相对应的布局特征向量；以及
确定所述对象是否是潜在包含危险的对象，这包括将所述布局特征向量和潜在危险对象的一个或更多个预定界限进行比较。
10.根据权利要求9所述的方法，包括：从包括所述对象的容器的图像中分割所述对象的图像。
11.根据权利要求9所述的方法，包括：确定所述对象是否属于一类已知的对象；以及
仅当所述对象属于该类已知的对象时，执行分解、生成及确定所述对象是否是潜在包含危险的对象的动作。
12.根据权利要求11所述的方法，确定所述对象是否属于一类已知的对象包括：
对所述对象的图像执行本征分析，以确定所述对象的本征坐标；以及
基于已确定的本征坐标将所述对象的特征和该类已知的对象中包括的一个或更多个已知的对象的特征进行比较，以确定所述对象是否属于该类已知的对象。
13.根据权利要求9所述的方法，包括：识别所述对象，所述识别包括：
生成所述对象的图像的一个或更多个轴的一维表示；以及
将所述一个或更多个轴的各个一维表示中的数据点和预定阈值进行比较。
14.根据权利要求13所述的方法，所述识别包括：
生成与连续数据点的数目对应的连续分数，所述连续分数大于数据点正在被比较的一个或多个轴中的轴的预定阈值；
将所述连续分数和一个或更多个预定分数进行比较，以确定所述对象是否属于一类已知的对象；以及
当所述对象不属于该类已知的对象时，则不执行分解、生成及确定所述对象是否是潜在包含危险的对象的动作。
15.根据权利要求9所述的方法，所述分解包括：
对所述对象的图像执行本征分析来确定所述对象的本征坐标。
CN200880131839.1A 2008-10-30 2008-10-30 检测隐藏的危险 Expired - Fee Related CN102203801B (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/US2008/081768 WO2010050952A1 (en) 2008-10-30 2008-10-30 Detecting concealed threats

Publications (2)

Publication Number Publication Date
CN102203801A CN102203801A (zh) 2011-09-28
CN102203801B true CN102203801B (zh) 2014-03-26

Family

ID=40674154

Family Applications (1)

Application Number Title Priority Date Filing Date
CN200880131839.1A Expired - Fee Related CN102203801B (zh) 2008-10-30 2008-10-30 检测隐藏的危险

Country Status (5)

Country Link
US (1) US8885938B2 (zh)
CN (1) CN102203801B (zh)
DE (1) DE112008004057T5 (zh)
GB (1) GB2477680B (zh)
WO (1) WO2010050952A1 (zh)

Families Citing this family (30)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
PL2430396T3 (pl) * 2009-05-16 2020-11-16 Rapiscan Systems, Inc. Systemy i sposoby automatycznego, szybkiego wykrywania materiałów o dużej liczbie atomowej
WO2012128754A1 (en) * 2011-03-22 2012-09-27 Analogic Corporation Compound object separation
DE102011112652A1 (de) * 2011-05-16 2012-11-22 Eads Deutschland Gmbh Bildanalyse für Kampfmittelbeseitigung und Sicherheitskontrollen
EP2788956B1 (en) * 2011-11-22 2020-09-23 Smiths Heimann GmbH Laptop detection
US9589188B2 (en) * 2012-11-14 2017-03-07 Varian Medical Systems, Inc. Method and apparatus pertaining to identifying objects of interest in a high-energy image
CN103901489B (zh) * 2012-12-27 2017-07-21 清华大学 检查物体的方法、显示方法和设备
WO2016095776A1 (zh) * 2014-12-18 2016-06-23 同方威视技术股份有限公司 一种定位三维ct图像中的目标的方法和安检ct系统
CN105223212B (zh) 2014-06-25 2019-02-22 同方威视技术股份有限公司 安检ct系统及其方法
EP2996066A1 (de) * 2014-09-10 2016-03-16 Siemens Aktiengesellschaft Verfahren und System zur automatischen optischen Identifikation eines Containers auf Basis seiner Containernummer
EP3213504B1 (en) * 2014-10-28 2022-04-13 Hewlett-Packard Development Company, L.P. Image data segmentation
IL239191A0 (en) * 2015-06-03 2015-11-30 Amir B Geva Image sorting system
US9652846B1 (en) * 2015-10-22 2017-05-16 International Business Machines Corporation Viewpoint recognition in computer tomography images
GB201602652D0 (en) * 2016-02-15 2016-03-30 Metrasens Ltd Improvements to magnetic detectors
GB2595986A (en) 2016-02-22 2021-12-15 Rapiscan Systems Inc Systems and methods for detecting threats and contraband in cargo
US10331979B2 (en) * 2016-03-24 2019-06-25 Telesecurity Sciences, Inc. Extraction and classification of 3-D objects
CN106443815B (zh) * 2016-09-05 2019-01-25 华讯方舟科技有限公司 一种太赫兹安检方法及系统
WO2018075024A1 (en) * 2016-10-19 2018-04-26 Analogic Corporation Item classification using localized ct value distribution analysis
CA3064559A1 (en) * 2017-05-22 2018-11-29 L3 Security & Detection Systems, Inc. Systems and methods for image processing
US10572963B1 (en) 2017-07-14 2020-02-25 Synapse Technology Corporation Detection of items
US10210631B1 (en) 2017-08-18 2019-02-19 Synapse Technology Corporation Generating synthetic image data
CN109522913B (zh) * 2017-09-18 2022-07-19 同方威视技术股份有限公司 检查方法和检查设备以及计算机可读介质
DE102018108683A1 (de) * 2018-04-12 2019-10-17 Smiths Heimann Gmbh Automatische Erkennung manipulierter metallischer Gegenstände in Röntgenbildern
US10366293B1 (en) * 2018-04-24 2019-07-30 Synapse Technology Corporation Computer system and method for improving security screening
US10452959B1 (en) 2018-07-20 2019-10-22 Synapse Tehnology Corporation Multi-perspective detection of objects
US20210350045A1 (en) * 2018-10-16 2021-11-11 Arizona Board Of Regents On Behalf Of The University Of Arizona Stochastic bag generator
US11010605B2 (en) 2019-07-30 2021-05-18 Rapiscan Laboratories, Inc. Multi-model detection of objects
CA3183845A1 (en) * 2020-07-02 2022-01-06 Joseph Matthew COCHRAN Tray inserts and image quality, systems, methods and algorithm for quantifying tray's impact using the same
US11538319B2 (en) 2020-09-22 2022-12-27 Kyndryl, Inc. Identifying a distributed threat in a security zone
CN113837208B (zh) * 2021-10-18 2024-01-23 北京远鉴信息技术有限公司 一种异常图像的确定方法、装置、电子设备及存储介质
WO2023086137A1 (en) * 2021-11-12 2023-05-19 Microsoft Technology Licensing, Llc. Adaptive artificial intelligence for three-dimensional object detection using synthetic training data

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101065762A (zh) * 2004-11-23 2007-10-31 伊斯曼柯达公司 使用组织信息的自动放射线照片分类

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6108396A (en) * 1998-02-11 2000-08-22 Analogic Corporation Apparatus and method for correcting object density in computed tomography data
US6026143A (en) * 1998-02-11 2000-02-15 Analogic Corporation Apparatus and method for detecting sheet objects in computed tomography data
US6345113B1 (en) * 1999-01-12 2002-02-05 Analogic Corporation Apparatus and method for processing object data in computed tomography data using object projections
US6195444B1 (en) * 1999-01-12 2001-02-27 Analogic Corporation Apparatus and method for detecting concealed objects in computed tomography data
WO2005010561A2 (en) * 2003-07-22 2005-02-03 L-3 Communications Security and Detection Systems Corporation Methods and apparatus for detecting objects in baggage using x-rays
US7302083B2 (en) * 2004-07-01 2007-11-27 Analogic Corporation Method of and system for sharp object detection using computed tomography images

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101065762A (zh) * 2004-11-23 2007-10-31 伊斯曼柯达公司 使用组织信息的自动放射线照片分类

Also Published As

Publication number Publication date
US8885938B2 (en) 2014-11-11
GB201108708D0 (en) 2011-07-06
GB2477680B (en) 2015-05-20
CN102203801A (zh) 2011-09-28
WO2010050952A1 (en) 2010-05-06
DE112008004057T5 (de) 2012-05-03
US20110206240A1 (en) 2011-08-25
GB2477680A (en) 2011-08-10

Similar Documents

Publication Publication Date Title
CN102203801B (zh) 检测隐藏的危险
CN101981582B (zh) 用于检测对象的方法和装置
CN103900503B (zh) 提取形状特征的方法、安全检查方法以及设备
US6317509B1 (en) Computed tomography apparatus and method for classifying objects
CN108664971A (zh) 基于2d卷积神经网络的肺结节检测方法
US7738687B2 (en) Method of registration in a contraband detection system
CN1947151B (zh) 用发散梯度场响应进行基于滑降的对象分割的方法和设备
CN100578511C (zh) Cad系统中检查解剖学形状的方法和系统
US9042661B2 (en) Object classification using two-dimensional projection
EP2633477B1 (en) Object identification using sparse spectral components
US10186050B2 (en) Method and system for detection of contraband narcotics in human digestive tract
JP2002535625A (ja) コンピュータ断層撮影データを使って隠蔽物体を検出する装置及び方法
US9898678B2 (en) Compound object separation
CN104395930B (zh) 用于定位脊柱的方法、设备和系统
CN101484916A (zh) 基于改进的区域生长分割的自动识别解剖结构中的癌前期异常的方法和系统及由此得到的计算机程序
CN101449291A (zh) 自动识别解剖结构中癌前异常的过程和系统及对应的计算机程序
CN104567758B (zh) 立体成像系统及其方法
JP2002503816A (ja) 対象を分類するコンピュータ断層撮影装置および方法
EP2345003B1 (en) 3d segmentation of ct images of baggage scanned for automated threat detection with potentially touching objects are separated by erosion and erroneously split objects are merged again based on a connectivity or compactness measure of the object parts in question
US8774496B2 (en) Compound object separation
Zheng et al. A new region-primitive method for classification of colour meat image texture based on size, orientation, and contrast
JP2015524061A (ja) 放射線撮影装置で生じた映像で板型物体を分離する方法と装置
EP3323002B1 (en) Method and system for detection of contraband narcotics in human digestive tract
Singh Improving Threat Object Recognition for X-Ray Baggage Screening Using Distraction Removal Techniques
Grzegorek Variable complexity reduction in image grade decomposition

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20140326

Termination date: 20201030