CN103900503A - 提取形状特征的方法、安全检查方法以及设备 - Google Patents
提取形状特征的方法、安全检查方法以及设备 Download PDFInfo
- Publication number
- CN103900503A CN103900503A CN201210581466.6A CN201210581466A CN103900503A CN 103900503 A CN103900503 A CN 103900503A CN 201210581466 A CN201210581466 A CN 201210581466A CN 103900503 A CN103900503 A CN 103900503A
- Authority
- CN
- China
- Prior art keywords
- projection image
- depth projection
- depth
- calculate
- luggage
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 84
- 238000007689 inspection Methods 0.000 title claims abstract description 16
- 238000000605 extraction Methods 0.000 title abstract description 11
- 239000000463 material Substances 0.000 claims abstract description 29
- 239000010410 layer Substances 0.000 claims description 56
- 238000013170 computed tomography imaging Methods 0.000 claims description 48
- 239000007788 liquid Substances 0.000 claims description 18
- 239000000284 extract Substances 0.000 claims description 14
- 230000009977 dual effect Effects 0.000 claims description 9
- 238000013459 approach Methods 0.000 claims description 7
- 239000011229 interlayer Substances 0.000 claims description 6
- 230000005484 gravity Effects 0.000 claims description 4
- 238000005520 cutting process Methods 0.000 claims description 3
- 241001269238 Data Species 0.000 claims description 2
- 239000002360 explosive Substances 0.000 abstract description 22
- 238000001514 detection method Methods 0.000 abstract description 15
- 230000008901 benefit Effects 0.000 abstract description 4
- 238000002591 computed tomography Methods 0.000 description 21
- 238000010586 diagram Methods 0.000 description 20
- 230000008569 process Effects 0.000 description 15
- 238000004422 calculation algorithm Methods 0.000 description 10
- 238000003325 tomography Methods 0.000 description 9
- 238000012549 training Methods 0.000 description 7
- 238000000513 principal component analysis Methods 0.000 description 6
- 230000000007 visual effect Effects 0.000 description 6
- 238000003384 imaging method Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012372 quality testing Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000009877 rendering Methods 0.000 description 2
- WDEFWOPTRFWZLM-LEQGEALCSA-N (2,5-dioxopyrrolidin-1-yl) (2r)-2,5,7,8-tetramethyl-6-(oxan-2-yloxy)-3,4-dihydrochromene-2-carboxylate Chemical compound C([C@@](C)(OC=1C(C)=C2C)C(=O)ON3C(CCC3=O)=O)CC=1C(C)=C2OC1CCCCO1 WDEFWOPTRFWZLM-LEQGEALCSA-N 0.000 description 1
- 238000012952 Resampling Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000008570 general process Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000012856 packing Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000007634 remodeling Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
- 238000009987 spinning Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- G01V5/226—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G01V5/224—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
- G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
- G06T7/55—Depth or shape recovery from multiple images
- G06T7/593—Depth or shape recovery from multiple images from stereo images
- G06T7/596—Depth or shape recovery from multiple images from stereo images from three or more stereo images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/68—Analysis of geometric attributes of symmetry
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/64—Three-dimensional objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30112—Baggage; Luggage; Suitcase
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2211/00—Image generation
- G06T2211/40—Computed tomography
- G06T2211/408—Dual energy
-
- 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
Abstract
公开了一种提取形状特征的方法、安全检查方法以及设备。发挥CT可以获取三维结构的优势,创造性的使用被检查行李中的物体的形状作为嫌疑物特征,再结合该物体的材料特征,可以有效降低爆炸嫌疑物检测的误报率,具有很强的实用性。
Description
技术领域
本发明涉及辐射成像中的嫌疑物自动检测,具体而言涉及CT系统中提取物体的形状特征的方法以及相应的安全检查方法和设备。
背景技术
透视成像是安检领域必不可少的手段。其中基于DR(DigitalRadiography)、CT(Computed Tomography)的双能计算机断层扫描技术(DECT:Dual Energy CT),在获取扫描物三维结构信息的同时,可以得到物体内部的有效原子序数与等效电子密度,是解决爆炸物检测这一焦点问题的优势技术。
爆炸物或嫌疑物的自动检测远未达到实用化要求。典型的算法多应用于DEDR(Dual Energy DR),难于突破DR中透视结构重叠的技术限制。DECT在得到扫描图像后,可采取类似方法,以像素或二维分割区域为单位,判断该处原子序数、密度属性是否类似爆炸物。但是这种仅仅基于材料属性的方法在伪影、金属干扰、非嫌疑杂物等影响下会造成大量误报。
发明内容
为了提高安全检查的准确率,本发明提出了一种提取物体的形状特征的方法、安全检查方法和相应的设备。
在本发明的一个方面,提出了一种在CT成像系统中提取物体的形状特征的方法,包括步骤:利用所述CT成像系统获取被检查行李的断层数据;从所述断层数据产生所述被检查行李中至少一个物体的三维体数据;基于所述三维体数据计算所述物体在垂直于水平面的方向上的第一深度投影图像,以及在其他三个方向上的第二深度投影图像、第三深度投影图像和第四深度投影图像,其中第四深度投影图像的投影方向与第二和第三深度投影图像的投影方向正交;计算所述第一深度投影图像中包含水平面的概率度量值;计算所述第一深度投影图像、所述第二深度投影图像、所述第三深度投影图像和所述第四深度投影图像各自的对称性度量值;至少基于所述概率度量值和第一到第四深度投影图像各自的对称性度量值来产生所述物体的形状特征参数。
在本发明的另一方面,提出了一种在CT成像系统中提取物体的形状特征的设备,包括:利用所述CT成像系统获取被检查行李的断层数据的装置;从所述断层数据产生所述被检查行李中的至少一个物体的三维体数据的装置;基于所述三维体数据计算所述物体在垂直于水平面的方向上的第一深度投影图像,以及在其他三个方向上的第二深度投影图像、第三深度投影图像和第四深度投影图像的装置,其中第四深度投影图像的投影方向与第二和第三深度投影图像的投影方向正交;计算所述第一深度投影图像中包含水平面的概率度量值的装置;计算所述第一深度投影图像、所述第二深度投影图像、所述第三深度投影图像和所述第四深度投影图像各自的对称性度量值的装置;至少基于所述概率度量值和第一到第四深度投影图像各自的对称性度量值来产生所述物体的形状特征参数的装置。
在本发明的又一方面,提出了一种在CT成像系统中提取物体的形状特征的方法,包括步骤:利用所述CT成像系统获取被检查行李的断层数据;从所述断层数据产生所述被检查行李中的至少一个物体的三维体数据;基于所述三维体数据计算所述物体在三个方向上的第一深度投影图像、第二深度投影图像和第三深度投影图像,其中第三深度投影图像的投影方向与第一和第二深度投影图像的投影方向正交;计算所述第一深度投影图像、所述第二深度投影图像和所述第三深度投影图像各自的对称性度量值;至少基于第一到第三深度投影图像各自的对称性度量值来产生所述物体的形状特征参数。
在本发明的再一方面,提出了一种在CT成像系统中提取物体的形状特征的设备,包括:利用所述CT成像系统获取被检查行李的断层数据的装置;从所述断层数据产生所述被检查行李中的至少一个物体的三维体数据的装置;基于所述三维体数据计算所述物体在三个方向上的第一深度投影图像、第二深度投影图像和第三深度投影图像的装置,其中第三深度投影图像的投影方向与第一和第二深度投影图像的投影方向正交;计算所述第一深度投影图像、所述第二深度投影图像和所述第三深度投影图像各自的对称性度量值的装置;至少基于第一到第三深度投影图像各自的对称性度量值来产生所述物体的形状特征参数的装置。
在本发明的再一方面,提出了一种利用CT成像系统对行李的进行安全检查的方法,包括步骤:利用所述CT成像系统获取被检查行李的断层数据;从所述断层数据产生所述被检查行李中的至少一个物体的三维体数据;基于所述三维体数据计算所述物体在垂直于水平面的方向上的第一深度投影图像,以及在三个其他方向上的第二深度投影图像、第三深度投影图像和第四深度投影图像,其中第四深度投影图像的投影方向与第二和第三深度投影图像的投影方向正交;计算所述第一深度投影图像中包含水平面的概率度量值;计算所述第一深度投影图像、所述第二深度投影图像、所述第三深度投影图像和所述第四深度投影图像各自的对称性度量值;至少基于所述概率度量值和第一到第四深度投影图像各自的对称性度量值来产生所述物体的性状特征参数;基于所述形状特征参数和所述物体所含材料的物理属性判断所述物体是否是嫌疑物。
在本发明的再一方面,提出了一种利用CT成像系统对行李的进行安全检查的设备,包括:利用所述CT成像系统获取被检查行李的断层数据的装置;从所述断层数据产生所述被检查行李中的至少一个物体的三维体数据的装置;基于所述三维体数据计算所述物体在垂直于水平面的方向上的第一深度投影图像,以及在三个其他方向上的第二深度投影图像、第三深度投影图像和第四深度投影图像的装置,其中第四深度投影图像的投影方向与第二和第三深度投影图像的投影方向正交;计算所述第一深度投影图像中包含水平面的概率度量值的装置;计算所述第一深度投影图像、所述第二深度投影图像、所述第三深度投影图像和所述第四深度投影图像各自的对称性度量值的装置;至少基于所述概率度量值和第一到第四深度投影图像各自的对称性度量值来产生所述物体的性状特征参数的装置;基于所述形状特征参数和所述物体所含材料的物理属性判断所述物体是否是嫌疑物的装置。
在本发明的再一方面,提出了一种利用CT成像系统对物体进行安全检查的方法,包括步骤:利用所述CT成像系统获取被检查行李的断层数据;从所述断层数据产生所述被检查行李中的至少一个物体的三维体数据;基于所述三维体数据计算所述物体在三个方向上的第一深度投影图像、第二深度投影图像和第三深度投影图像,其中第三深度投影图像的投影方向与第一和第二深度投影图像的投影方向正交;计算所述第一深度投影图像、所述第二深度投影图像和所述第三深度投影图像各自的对称性度量值;至少基于第一到第三深度投影图像各自的对称性度量值来产生所述物体的形状特征参数;基于所述形状特征参数和所述物体所含材料的物理属性判断所述物体是否是嫌疑物。
在本发明的再一方面,提出了一种利用CT成像系统对行李进行安全检查的设备,包括:利用所述CT成像系统获取被检查行李的断层数据的装置;从所述断层数据产生所述被检查行李中的至少一个物体的三维体数据的装置;基于所述三维体数据计算所述物体在三个方向上的第一深度投影图像、第二深度投影图像和第三深度投影图像的装置,其中第三深度投影图像的投影方向与第一和第二深度投影图像的投影方向正交;计算所述第一深度投影图像、所述第二深度投影图像和所述第三深度投影图像各自的对称性度量值的装置;至少基于第一到第三深度投影图像各自的对称性度量值来产生所述物体的形状特征参数的装置;基于所述形状特征参数和所述物体所含材料的物理属性判断所述物体是否是嫌疑物的装置。
上述技术方案利用合物体的形状特征,可以有效降低爆炸嫌疑物检测的误报率,具有很强的实用性。
附图说明
下面的附图表明了本技术的实施方式。这些附图和实施方式以非限制性、非穷举性的方式提供了本技术的一些实施例,其中:
图1是根据本发明实施例的CT系统的结构示意图;
图2是根据本发明实施例的计算机数据处理器的结构示意图;
图3是根据本发明实施例的控制器的结构示意图;
图4是描述根据本发明实施例的提取物体的形状特征的方法的流程图;
图5是描述根据本发明另一实施例的提取物体的形状特征的方法的流程图;
图6是描述水平放置物体的各个视角定义的示意图;
图7是描述物体中包含液体的情况下的示意图;
图8是描述从第一个视角View0得到深度投影I0的示意图;
图9是描述从View1、View2、View3三个视角做深度投影的示意图;
图10是描述根据本发明实施例的对行李进行安全检查的方法的流程图;
图11是描述根据本发明另一实施例的对行李进行安全检查的方法的流程图。
具体实施方式
下面将详细描述本发明的具体实施例,应当注意,这里描述的实施例只用于举例说明,并不用于限制本发明。在以下描述中,为了提供对本发明的透彻理解,阐述了大量特定细节。然而,对于本领域普通技术人员显而易见的是:不必采用这些特定细节来实行本发明。在其他实例中,为了避免混淆本发明,未具体描述公知的结构、材料或方法。
在整个说明书中,对“一个实施例”、“实施例”、“一个示例”或“示例”的提及意味着:结合该实施例或示例描述的特定特征、结构或特性被包含在本发明至少一个实施例中。因此,在整个说明书的各个地方出现的短语“在一个实施例中”、“在实施例中”、“一个示例”或“示例”不一定都指同一实施例或示例。此外,可以以任何适当的组合和/或子组合将特定的特征、结构或特性组合在一个或多个实施例或示例中。此外,本领域普通技术人员应当理解,这里使用的术语“和/或”包括一个或多个相关列出的项目的任何和所有组合。
针对现有技术中仅仅使用被检查行李中物体的物理属性信息,例如等效电子密度和/或等效原子序数等,进行安检的不足之处,本发明的实施例提供了一种从CT断层数据提取物体的形状特征的方法,进而利用提取的形状特征或者进一步结合物理属性信息进行嫌疑物的识别。在本发明的一个实施例中,提取被检查行李中至少一个物体的形状特征,对形状特征符合嫌疑特征的物体,再使用材料特征(物理属性信息)进行嫌疑物识别,达到降低误报率的效果。再如,在一些实施例中,例如针对液态物品,利用CT成像系统获取被检查行李的断层数据后,从断层数据产生被检查行李中的至少一个物体的三维体数据。然后基于三维体数据计算该物体在垂直于水平面的方向上的第一深度投影图像,以及在三个彼此基本正交方向上的第二、第三和第四深度投影图像其中第三深度投影图像的投影方向与第一和第二深度投影图像的投影方向正交。接下来,计算第一深度投影图像中包含水平面的概率度量值,然后计算第一、第二、第三和第四深度投影图像各自的对称性度量值。最后,至少基于概率度量值和第一到第四深度投影图像各自的对称性度量值来产生该物体的形状特征参数。
在本发明其他的实施例中,例如针对可能不包含液体的物体,上述方法中无需计算该物体在垂直于水平面的方向上的第一深度投影图像。例如,利用CT成像系统获取被检行李的断层数据后,从断层数据产生被检查行李中至少一个物体的三维体数据。然后,基于三维体数据计算该物体在三个彼此基本正交方向上的第一、第二和第三深度投影图像。接下来,计算第一、第二和第三深度投影图像各自的对称性度量值,至少基于第一到第三深度投影图像各自的对称性度量值来产生该物体的形状特征参数。
根据本发明的另外的实施例,还可以利用上述方法提取得到的形状特征参数进行嫌疑物的检测。例如,基于上述得到的形状特征参数和该物体所含材料的物理属性判断该物体是否是嫌疑物。或者,先用形状参数对该物体进行分类,然后再针对形状方面符合要求的该物体进行材料识别,从而提高了误报率。
通常,绝大部分真正的爆炸物形状都具有很好的对称性。这是由于爆炸物往往需要精心的包装,而越是层层包裹,越难以逃离其形状对称的约束。尤其对液体爆炸物来说,它不仅呈现出非常好的对称性,且其水平液面更是很好的形状特征。这些形状特性在典型的断层处理方法下是无从获取的。因此,在一些实施例中,在将物体形状特征提取出来,再结合典型方法涉及的原子序数、密度特性,更有效的实现爆炸嫌疑物检测。
图1是根据本发明实施方式的CT设备的结构示意图。如图1所示,根据本实施方式的CT设备包括:机架20、承载机构40、控制器50、计算机数据处理器60等。机架20包括发出检查用X射线的射线源10,诸如X光机,以及探测和采集装置30。承载机构40承载被检查行李70穿过机架20的射线源10与探测和采集装置30之间的扫描区域,同时机架20围绕被检查行李70的前进方向转动,从而由射线源10发出的射线能够透过被检查行李70,对被检查行李70进行CT扫描。探测和采集装置30例如是具有整体模块结构的探测器及数据采集器,例如平板探测器,用于探测透射被检液态物品的射线,获得模拟信号,并且将模拟信号转换成数字信号,从而输出被检查行李70针对X射线的投影数据。控制器50用于控制整个系统的各个部分同步工作。计算机数据处理器60用来处理由数据采集器采集的数据,对数据进行处理并重建,输出结果。
如图1所示,射线源10置于可放置被检物体的一侧,探测和采集装置30置于被检查行李70的另一侧,包括探测器和数据采集器,用于获取被检查行李70的透射数据和/或多角度投影数据。数据采集器中包括数据放大成形电路,它可工作于(电流)积分方式或脉冲(计数)方式。探测和采集装置30的数据输出电缆与控制器50和计算机数据处理器60连接,根据触发命令将采集的数据存储在计算机数据处理器60中。
图2示出了如图1所示的计算机数据处理器60的结构框图。如图2所示,数据采集器所采集的数据通过接口单元68和总线64存储在存储器61中。只读存储器(ROM)62中存储有计算机数据处理器的配置信息以及程序。随机存取存储器(RAM)63用于在处理器66工作过程中暂存各种数据。另外,存储器61中还存储有用于进行数据处理的计算机程序。内部总线64连接上述的存储器61、只读存储器62、随机存取存储器63、输入装置65、处理器66、显示装置67和接口单元68。
在用户通过诸如键盘和鼠标之类的输入装置65输入的操作命令后,计算机程序的指令代码命令处理器66执行预定的数据处理算法,在得到数据处理结果之后,将其显示在诸如LCD显示器之类的显示装置67上,或者直接以诸如打印之类硬拷贝的形式输出处理结果。
图3示出了根据本发明实施方式的控制器的结构框图。如图3所示,控制器50包括:控制单元51,根据来自计算机60的指令,来控制射线源10、承载机构40和探测和采集装置30;触发信号产生单元52,用于在控制单元的控制下产生用来触发射线源10、探测和采集装置30以及承载机构40的动作的触发命令;第一驱动设备53,它在根据触发信号产生单元52在控制单元51的控制下产生的触发命令驱动承载机构40传送被检查行李70;第二驱动设备54,它根据触发信号产生单元52在控制单元51的控制下产生的触发命令机架20旋转。
探测和采集装置30获得的投影数据存储在计算机60中进行CT断层图像重建,从而获得被检查行李70的断层图像数据。然后计算机60例如通过执行软件来从断层图像数据提取被检查行李70中至少一个物体的三维形状参数,进而进行安全检查。根据其他实施例,上述的CT成像系统也可以是双能CT系统,也就是机架20的X射线源10能够发出高能和低能两种射线,探测和采集装置30探测到不同能量水平下的投影数据后,由计算机数据处理器60进行双能CT重建,得到被检查行李70的各个断层的等效原子序数和等效电子密度数据。
图4是描述根据本发明实施例的提取物体的形状特征的方法的流程图。如图4所示,在步骤S41,利用CT成像系统获取被检查行李的断层数据,例如基于上述的CT设备或者其他的CT设备对被检查行李进行双能CT检查,得到断层数据,这里的断层数据通常包括断层密度图数据和断层原子序数图数据。但是,在其他的实施例中,例如单能CT的情况下,得到的是被检查行李的线性衰减系数图像数据。
在步骤S42,从断层数据产生所述被检查行李中至少一个物体的三维体数据。具体来说,对断层数据进行图像分割操作,将其划分成多个区域,然后基于各个区域的二值掩膜之间的关系对不同断层数据的区域进行连接,得到连接的物体数据。对连接的物体的二值掩膜进行层间插值,得到该物体的三维体数据。
例如,在得到断层数据后,可以先在其中检测三维“物体”。具体而言,可以对断层数据进行预处理,例如对断层数据以嫌疑物密度、原子序数范围做阈值限定。然后,进行无监督图像分割、跨断层的分割区域连接、连接后分辨率归一化。
例如,断层数据以嫌疑物密度、原子序数范围做阈值限定,把检测不关心的内容去掉。然后对密度图做无监督的图像分割,按其取值和空域位置关系,划分为多个区域。这里分割方法例如可以采用公知的单程分裂与归并算法等。
接下来将得到的不同断层产生的区域连接起来。例如基于置信度大小来进行连接。置信度的确定依赖于两个区域掩膜重叠关系、平均密度差异、平均原子序数差异。重叠越大、差异越小,则置信度越大。设z层中第i个区域二值掩膜为oi,平均密度ρi,平均原子序数αi,其相邻(z+1)层中第j个区域二值掩膜oj,相应平均密度与原子序数为ρj、αi,则可定义两者属于同一物体的置信度Pij为:
若置信度Pij大于预设阈值Ts,则两者匹配。若同一oi与多个oj匹配,则匹配其中Pij最大者。完成连接的物体后,计算其平均密度与平均原子序数
一般来说,安检领域中的DECT断层间分辨率远小于层中分辨率,所以需要对物体的二值掩膜进行层间插值。插值后的数据在三个维度上的分辨率一致。这样可以将物体的不明显的形状信息展现出来。使用形状信息的优势是使得断层中看不出形状的物体变得实际上是可以被认知的。三维插值的公知算法较多,如商业将软件Intel IPP(Intel Integrated PerformancePrimitives)函数库,或者开源软件Kitware VTK(Visualization Toolkit)函数库等。
在一些实施例中,使用二值掩膜进行插值,且限定归一化后体数据最大边长为50厘米。这样不仅可实现三维物体的大小归一化,而且在保证较好效果的前提下,可大大降低计算复杂度。在其他的实施例,也可以采用其他的方式进行插值,进一步提高物体形状的可认知程度。
经过上述步骤即得到被检查行李中各个物体的体数据和物理属性信息。这里的物理属性信息例如为平均原子序数和/或平均密度值等。
在步骤S43,基于三维体数据计算该物体在垂直于水平面的方向上的第一深度投影图像,以及在三个其他方向上的第二深度投影图像、第三深度投影图像和第四深度投影图像,其中第三深度投影图像的投影方向与第一和第二深度投影图像的投影方向正交。根据一些实施例,上述的其他三个方向基本上两两正交,在其他的实施例中,上述三个方向尽可能逼近正交方向。在一些实施例中,第一和第二深度投影图像的投影方向之间的夹角可以作为后续的提取的特征参数之一。
根据一些实施例,在计算第一到第四深度投影图像之前对所述三维体数据进行等值面提取和等值面平滑操作。例如对体数据进行等值面提取,可得物体等值面图。等值面提取在实施例中使用最为常见的Marching Cubes算法等。然后对等值面图进行平滑。本实施例采用基于Laplacian滤波的算法实现。
深度投影Depth Buffer也叫Z-Buffering,是三维表面显示的基本技术。它判断物体之间的遮挡关系,并将没有遮挡的部分显示到屏幕上。
参照图6、8、9所示的坐标系,定义得到I0~I3的视角。假设物体为水平放置,定义6个观测方向,分别为视角1~视角6。假设有如图7所示的液体,则从如图8所示的视角View0得到的投影图像值有很多相等,这是其水平面所决定的,且对于非杂物匀质物体,这个投影有较好的对称性。另外,经过将模型旋转归一化,可得到“对齐”的模型,如图8所示。此时在视角View1、View2、View3上分别投影,则物体的对称性会很好的保留到3个投影上,且3个投影之间的相似程度也反映了物体的三维对称性。
参看图8,I0是一张为了展现水平面的俯视投影。它需要尽量水平面灰度值一致,且尽量使得图像上下对称。实现方法为:使三维模型围绕垂直于水平的y轴旋转,直到俯视投影上下最对称为止。在实施例中,保持模型y坐标不变,对(x,z)坐标进行第一次对齐(alignment)。此时x方向保留模型的最大散度,基本实现要求。对齐使用PCA(Principal Component Analyze,主成分分析)算法。将旋转后的顶点组织为三维表面,进行表面绘制,并从垂直方向向下观测三维模型,得到的二维深度投影图像为I0。
对于存在液体水平面的物体,I0中将有相当多相同大小的值,如图8中的I0阴影部分所示。又因为经过了对齐,使I0的上下对称性能够反映物体的部分三维对称性。
参看图9,I2的物理意义是物体的最小面积投影,I1与I3分别是物体的两个侧面,且I1是物体的最大面积投影。I1类似主视图,I2类似俯视图,I3类似侧视图。这样就可以在满足实时性要求的情况下,最大程度上保留形状信息。自然界的物体绝大多数有很好的对称性,但实际中也很难完全满足这个投影条件,仅能尽量去逼近理想情况。在上述实施例中,第二深度投影图像与所述第三深度投影图像的投影方向尽量正交(例如大致正交),分别逼近被检查行李中物体投影面积最大的和最小的方向。此处对三维顶点坐标矩阵进行PCA运算实现对齐,然后在图9所示的三个视角投影,即可得到I1~I3。
在步骤S44,计算第一深度投影图像中包含水平面的概率度量值。例如,计算液面部分占第一投影图像的面积的比例,作为概率度量值。再如,计算液面部分的形状与第一投影图像的形状的相似度,作为概率度量值。或者,计算液面部分的重心偏离第一投影图像的重心的程度,作为概率度量值。
在步骤S45,计算第一深度投影图像、第二深度投影图像、第三深度投影图像和第四深度投影图像各自的对称性度量值;
在步骤S46,至少基于概率度量值和第一到第四深度投影图像各自的对称性度量值来产生该物体的形状特征参数。
在其他实施例中,该方法还包括步骤:计算第二深度投影图像、第三深度投影图像和第四深度投影图像各自的占空比和高宽比。这种情况下形状特征参数还包括计算得到的占空比和高宽比。
在其他实施例中,该方法还包括步骤:基于三维体数据计算该物体的三维模型面片数,并且基于三维模型面片数和预定的面片数均值确定三维模型的复杂度。在这种情况下,该形状特征参数还包括计算的复杂度。
例如,在得到上述深度投影2D图像后,提取3D模型形状特征的问题转化为提取I0~I3图像特征的问题。本实施例中,使用图像的上下对称性、两两相似性、占空比、高宽比、水平面中的一个或者多个等作为特征。在针对液态物品的情况下,如果存在水平面,则I0中相等灰度的像素会有很多,其比例即为水平面存在的概率。另外,由于杂物所得的三维模型复杂度往往很高或很低,所以将三维模型复杂度也作为特征的一个维度。将上述内容量化,即可形成描述物体的特征矢量。
设深度投影图像的灰度取值范围在[0,1]间。其中灰度值0代表无限远,非0值表示面片与观测的距离,越近值越大。上述特征的获取方法可以为:
i)由深度投影图I0得到水平面概率fH。设I0直方图最大值对应的灰度值为gII,给定阈值tII可定义fH为:
fH=∑ij((gij>gH-tH|gij<gH+tH))/(∑ij(gij>0)) (2)
即将液面占投影图像面积的比例作为I0包含水平面的概率,其中gij表示下标为i,j的像素。
即以图像上下翻转后与原图像的平均灰度差异为标准求取上下对称性。
v)计算模型复杂度fC。在我们的实验中发现,许多噪声物体的模型往往由很少或很多面片构成。为此,在实施例中我们使用三维模型面片数NV来近似计算复杂度fC:
fC=|NV-NC|/NC (5)
其中,NC是统计得到的、嫌疑物模型面片数均值。公知的三维曲面的复杂度计算方法较多,实施例中使用方法虽简单,但实际应用速度快,效果较好。
在一些实施例中,基于上述从i)到v)中计算的水平面概率、对称性值、相似性值、占空比和高宽比、和复杂度中的一个或者多个来形成形状特征参数。
在其他实施例中,在模型对齐时,可以使用PCA、CPCA、NPCA、rectilinearity、Rosy等等算法可借鉴,虽然此处仅使用最基本的PCA。另可使用3DOR多种算法提取特征,如提取深度投影环节,典型的算法一般提取数十个投影,计算的特征包括不变矩特征、球谐变换系数、局部描述子、Heat Kernel等等。
图5示出了根据本发明另一实施例的提取物体的形状特征的方法的流程图。该实施例与图4的实施例的区别在于是针对没有检测到水平面的情况,也就是该物体可能不是液态物品。步骤S51-S53分别对应于上述的步骤S41-S42。在步骤S53,基于三维体数据计算该物体在三个方向上的第一深度投影图像、第二深度投影图像和第三深度投影图像,其中第三深度投影图像的投影方向与第一和第二深度投影图像的投影方向正交。也就是不再计算图4实施例中的投影图像I0。具体方法参见上述结合图4描述的实施例。
在步骤S54,计算第一深度投影图像、第二深度投影图像和第三深度投影图像各自的对称性度量值。在步骤S55,至少基于第一到第三深度投影图像各自的对称性度量值来产生该物体的形状特征参数。
上述计算得到的物体的形状特征参数可以用于对待检查行李中物体的识别,也可以用于其他的用途。例如,可以基于上述的形状特征参数形成分类器对待检查行李中的物体进行分类,然后对形状方面感兴趣的物体用物理属性信息进行检查。
例如,如果将上述步骤所述的各个形状特征参量组合,形成15维形状特征矢量F:
对特征矢量F构建特定的分类器,经过训练后,即可实现对未知目标的形状分类识别。例如在一定量的训练样本集上,对所产生的特征矢量进行人工标注类别号,进行分类器的构造与训练。这个过程符合模式识别的一般过程,可以使用各种不同类型的分类器,如线性分类器、支持向量机、决策树、神经网络、集成分类器等等。
在实施例中,以物体分为“疑似爆炸物”和“非爆炸物”两类为目的,采用RF(Random Forest,随机森林)实现分类识别。RF基本思想为样本、变量维度的随机重采样与多决策树集成。实施步骤为:首先,采集一定数量的样本,如此处使用实验所得340次扫描结果用作训练。其次,对所有扫描结果进行上述步骤,得到所述样本集中1729个物体的特征。对这些物体人工标定为“疑似爆炸物”或“非爆炸物”(本例中,疑似爆炸物类包含426个样本,为以人眼判定形状是否可疑)。然后,使用50颗最大深度为6的决策树,经过RF集成训练,可得形状判定分类器。
所述分类器作用在未知类别的F后,可得F是否“疑似爆炸物”,或其为“疑似爆炸物”的置信度,由此实现基于形状的分类识别。在实际应用中,可省略训练过程,根据主观经验对各个特征值进行组合判断。此方法采取的其实是决策树策略,属所述方法的简单替换。
对判定形状有嫌疑的“疑似爆炸物”,进入材料特征判定步骤。其判定过程为:首先,建立爆炸物密度值、原子序数查找表;其次,取出在第一步得到的物体平均密度与平均原子序数之后,在查找表中检索是否为爆炸物,实现所述爆炸嫌疑物检测。
图10示出了根据本发明实施例的对行李进行安全检查的方法的流程图。如图10所述的步骤S101-S106分别对应于上述结合图4描述的实施例中的步骤S41-S46,因此这里不再详细说明。在步骤S107,基于形状特征参数和被检查行李中的物体所含材料的物理属性判断该物体是否是嫌疑物。
例如,使用基于形状参数的分类器对被检查行李中的物体进行分类;以及在被检查行李中的物体满足形状参数要求的情况下利用基于物理属性的分类器对该物体进行分类。
再如,在CT成像系统具体为双能CT成像系统的情况下,该物理属性具体为等效原子序数和等效电子密度,则使用基于形状参数的分类器对被检查行李中的物体进行分类;以及在被检查行李中的物体满足形状参数要求的情况下利用基于等效原子序数和等效电子密度的分类器对该物体进行分类。
再如,在CT成像系统具体为单能CT成像系统的情况下,该物理属性具体为线性衰减系数,则使用基于形状参数的分类器对被检查行李中的物体进行分类;然后在被检查行李中的物体满足形状参数要求的情况下利用基于线性衰减系数的分类器对该物体进行分类。
图11示出了根据本发明实施例的对行李进行安全检查的方法的流程图。如图11所述的步骤S111-S115分别对应于上述结合图5描述的实施例中的步骤S51-S55,因此这里不再详细说明。在步骤S116,基于形状特征参数和被检查行李中的物体所含材料的物理属性判断该物体是否是嫌疑物。
例如,使用基于形状参数的分类器对被检查行李中的物体进行分类;以及在被检查行李中的物体满足形状参数要求的情况下利用基于物理属性的分类器对该物体进行分类。
再如,在CT成像系统具体为双能CT成像系统的情况下,该物理属性具体为等效原子序数和等效电子密度,则使用基于形状参数的分类器对被检查行李中的物体进行分类;以及在被检查行李中的物体满足形状参数要求的情况下利用基于等效原子序数和等效电子密度的分类器对该物体进行分类。
再如,在CT成像系统具体为单能CT成像系统的情况下,该物理属性具体为线性衰减系数,则使用基于形状参数的分类器对被检查行李中物体进行分类;然后在被检查行李中的物体满足形状参数要求的情况下利用基于线性衰减系数的分类器对该物体进行分类。
根据本发明的一些实施例,在获取数据后,首先对二维断层图像逐层分析,通过阈值限定、图像分割等步骤,得到可能是嫌疑物区域的一系列二维二值掩膜。从马尔科夫过程的角度来理解这个层间区域变化,连接层间交叠且相似度较高的区域,再通过层间插值,补偿断层分辨率低的影响,即可获取跨断层的、三维的“物体”数据。这个三位物体的数据量过于庞大,对识别而言冗余过多,而其表面包含了几乎全部的形状信息。为此,采用等值面提取来获其三维表面。然后求取三维表面在特定条件下的二维深度投影,力求在若干二维图像上最大程度的保留物体形状信息。通过对些深度投影的逐个分析、两两相关分析等,就可以得到前述的诸如对称性、水平面等形状特征。可以看到,所述形状特征是从2D断层处理开始,经过3D体数据处理、表面提取,进行2D深度投影,再获得的1D形状特征。
在样本集上获取已知物体的形状特征后,经过人工标注,可以构建“疑似爆炸物”和“非爆炸物”两类分类器。对于新的未知物体,先获取其形状特征,经过该分类器,实现形状识别。在判定物体形状“疑似爆炸物”后,再结合物体的材料特征,判定嫌疑物是否为爆炸物,达到检测目的。
根据上述技术方案,在得到断层数据后,经过阈值限定、图像分割、分割区域跨断层连接、层间数据插值后,生成三维物体。然后,对所得三维物体进行表面提取、特定方向深度投影、深度投影特征提取,得到特征矢量;然后,训练形状分类器,实现对未知目标的形状分类识别。最后,对于形状有嫌疑的物体,结合其材料属性如原子序数、密度属性,判定是否为爆炸物。
反观传统的典型方法,一般都在得到断层分割后立即提取材料特征,但是没有涉及到3D的处理,物体必要形状信息被抛弃,这也是为什么说以往“物体”的概念模糊的原因。相比之下本发明的实施例基于3D信息处理,继续提取物体形状,满足形状约束的物体才会进行下一步的识别,从而发挥DECT技术优势,在技术创新的同时实现降低误报率的有益效果。
以上的详细描述通过使用示意图、流程图和/或示例,已经阐述了提取形状特征的方法、安全检查方法以及设备的众多实施例。在这种示意图、流程图和/或示例包含一个或多个功能和/或操作的情况下,本领域技术人员应理解,这种示意图、流程图或示例中的每一功能和/或操作可以通过各种结构、硬件、软件、固件或实质上它们的任意组合来单独和/或共同实现。在一个实施例中,本发明的实施例所述主题的若干部分可以通过专用集成电路(ASIC)、现场可编程门阵列(FPGA)、数字信号处理器(DSP)、或其他集成格式来实现。然而,本领域技术人员应认识到,这里所公开的实施例的一些方面在整体上或部分地可以等同地实现在集成电路中,实现为在一台或多台计算机上运行的一个或多个计算机程序(例如,实现为在一台或多台计算机系统上运行的一个或多个程序),实现为在一个或多个处理器上运行的一个或多个程序(例如,实现为在一个或多个微处理器上运行的一个或多个程序),实现为固件,或者实质上实现为上述方式的任意组合,并且本领域技术人员根据本公开,将具备设计电路和/或写入软件和/或固件代码的能力。此外,本领域技术人员将认识到,本公开所述主题的机制能够作为多种形式的程序产品进行分发,并且无论实际用来执行分发的信号承载介质的具体类型如何,本公开所述主题的示例性实施例均适用。信号承载介质的示例包括但不限于:可记录型介质,如软盘、硬盘驱动器、紧致盘(CD)、数字通用盘(DVD)、数字磁带、计算机存储器等;以及传输型介质,如数字和/或模拟通信介质(例如,光纤光缆、波导、有线通信链路、无线通信链路等)。
虽然已参照几个典型实施例描述了本发明,但应当理解,所用的术语是说明和示例性、而非限制性的术语。由于本发明能够以多种形式具体实施而不脱离发明的精神或实质,所以应当理解,上述实施例不限于任何前述的细节,而应在随附权利要求所限定的精神和范围内广泛地解释,因此落入权利要求或其等效范围内的全部变化和改型都应为随附权利要求所涵盖。
Claims (36)
1.一种在CT成像系统中提取物体的形状特征的方法,包括步骤:
利用所述CT成像系统获取被检查行李的断层数据;
从所述断层数据产生所述被检查行李中的至少一个物体的三维体数据;
基于所述三维体数据计算所述物体在垂直于水平面的方向上的第一深度投影图像,以及在其他三个方向上的第二深度投影图像、第三深度投影图像和第四深度投影图像,其中第四深度投影图像的投影方向与第二和第三深度投影图像的投影方向正交;
计算所述第一深度投影图像中包含水平面的概率度量值;
计算所述第一深度投影图像、所述第二深度投影图像、所述第三深度投影图像和所述第四深度投影图像各自的对称性度量值;
至少基于所述概率度量值和第一到第四深度投影图像各自的对称性度量值来产生所述物体的形状特征参数。
2.如权利要求1所述的方法,其中,计算所述第一深度投影图像中包含水平面的概率度量值的步骤包括:计算液面部分占所述第一投影图像的面积的比例,作为所述概率度量值。
3.如权利要求1所述的方法,其中,计算所述第一深度投影图像中包含水平面的概率度量值的步骤包括:计算液面部分的形状与所述第一投影图像的形状的相似度,作为所述概率度量值。
4.如权利要求1所述的方法,其中,计算所述第一深度投影图像中包含水平面的概率度量值的步骤包括:计算液面部分的重心偏离所述第一投影图像的重心的程度,作为所述概率度量值。
5.如权利要求1所述的方法,其中,计算所述第一深度投影图像中包含水平面的概率度量值的步骤包括:计算液面部分的对称性度量值与所述第一投影图像的对称性度量值的接近程度,作为所述概率度量值。
6.如权利要求1所述的方法,其中,所述第二深度投影图像与所述第三深度投影图像的投影方向尽量正交,分别逼近所述物体投影面积最大的和最小的方向。
7.如权利要求1所述的方法,还包括步骤:计算所述第二深度投影图像、所述第三深度投影图像和所述第四深度投影图像中任何两个之间的相似度;
其中,所述形状特征参数还包括所述的相似度。
8.如权利要求1所述的方法,还包括步骤:计算所述第二深度投影图像、所述第三深度投影图像和所述第四深度投影图像各自的占空比和高宽比;
其中,所述形状特征参数还包括所述占空比和高宽比。
9.如权利要求1所述的方法,还包括步骤:基于所述三维体数据计算所述物体的三维模型面片数,并且基于所述三维模型面片数和预定的面片数均值确定所述三维模型的复杂度;
其中,所述形状特征参数还包括所述复杂度。
10.如权利要求1所述的方法,其中,从所述断层数据产生所述被检查行李中的至少一个物体的三维体数据的步骤包括:
对所述断层数据进行图像分割操作,将其划分成多个区域;
基于各个区域的二值掩膜之间的关系对不同断层数据的区域进行连接,得到连接的物体数据;以及
对物体的二值掩膜进行层间插值,得到所述物体的三维体数据。
11.如权利要求1所述的方法,还包括步骤,在计算第一到第四深度投影图像之前对所述三维体数据进行等值面提取和等值面平滑操作。
12.一种在CT成像系统中提取物体的形状特征的设备,包括:
利用所述CT成像系统获取被检查行李的断层数据的装置;
从所述断层数据产生所述被检查行李中的至少一个物体的三维体数据的装置;
基于所述三维体数据计算所述物体在垂直于水平面的方向上的第一深度投影图像,以及在其他三个方向上的第二深度投影图像、第三深度投影图像和第四深度投影图像的装置,其中第四深度投影图像的投影方向与第二和第三深度投影图像的投影方向正交;
计算所述第一深度投影图像中包含水平面的概率度量值的装置;
计算所述第一深度投影图像、所述第二深度投影图像、所述第三深度投影图像和所述第四深度投影图像各自的对称性度量值的装置;
至少基于所述概率度量值和第一到第四深度投影图像各自的对称性度量值来产生所述物体的形状特征参数的装置。
13.一种在CT成像系统中提取物体的形状特征的方法,包括步骤:
利用所述CT成像系统获取被检查行李的断层数据;
从所述断层数据产生所述被检查行李中的至少一个物体的三维体数据;
基于所述三维体数据计算所述物体在三个方向上的第一深度投影图像、第二深度投影图像和第三深度投影图像,其中第三深度投影图像的投影方向与第一和第二深度投影图像的投影方向正交;
计算所述第一深度投影图像、所述第二深度投影图像和所述第三深度投影图像各自的对称性度量值;
至少基于第一到第三深度投影图像各自的对称性度量值来产生所述物体的形状特征参数。
14.如权利要求13所述的方法,还包括步骤:计算所述第一深度投影图像、所述第二深度投影图像和所述第三深度投影图像中任何两个之间的相似度;
其中,所述形状特征参数还包括所述的相似度。
15.如权利要求13所述的方法,还包括步骤:计算所述第一深度投影图像、所述第二深度投影图像和所述第三深度投影图像各自的占空比和高宽比;
其中,所述形状特征参数还包括所述占空比和高宽比。
16.如权利要求13所述的方法,还包括步骤:基于所述三维体数据计算所述物体的三维模型面片数,并且基于所述三维模型面片数和预定的面片数均值确定所述三维模型的复杂度;
其中,所述形状特征参数还包括所述复杂度。
17.如权利要求13所述的方法,其中,所述第一深度投影图像与所述第二深度投影图像的投影方向尽量正交,分别逼近所述物体投影面积最大的和最小的方向。
18.一种在CT成像系统中提取物体的形状特征的设备,包括:
利用所述CT成像系统获取被检查行李的断层数据的装置;
从所述断层数据产生所述被检查行李中的至少一个物体的三维体数据的装置;
基于所述三维体数据计算所述物体在三个方向上的第一深度投影图像、第二深度投影图像和第三深度投影图像的装置,其中第三深度投影图像的投影方向与第一和第二深度投影图像的投影方向正交;
计算所述第一深度投影图像、所述第二深度投影图像和所述第三深度投影图像各自的对称性度量值的装置;
至少基于第一到第三深度投影图像各自的对称性度量值来产生所述物体的形状特征参数的装置。
19.一种利用CT成像系统对行李的进行安全检查的方法,包括步骤:
利用所述CT成像系统获取被检查行李的断层数据;
从所述断层数据产生所述被检查行李中的至少一个物体的三维体数据;
基于所述三维体数据计算所述被物体在垂直于水平面的方向上的第一深度投影图像,以及在其他三个方向上的第二深度投影图像、第三深度投影图像和第四深度投影图像,其中第四深度投影图像的投影方向与第二和第三深度投影图像的投影方向正交;
计算所述第一深度投影图像中包含水平面的概率度量值;
计算所述第一深度投影图像、所述第二深度投影图像、所述第三深度投影图像和所述第四深度投影图像各自的对称性度量值;
至少基于所述概率度量值和第一到第四深度投影图像各自的对称性度量值来产生所述物体的形状特征参数;
基于所述形状特征参数和所述物体所含材料的物理属性判断所述物体是否是嫌疑物。
20.如权利要求19所述的方法,还包括步骤:计算所述第二深度投影图像、所述第三深度投影图像和所述第四深度投影图像中任何两个之间的相似度;
其中,所述形状特征参数还包括所述的相似度。
21.如权利要求19所述的方法,还包括步骤:计算所述第二深度投影图像、所述第三深度投影图像和所述第四深度投影图像各自的占空比和高宽比;
其中,所述形状特征参数还包括所述占空比和高宽比。
22.如权利要求19所述的方法,还包括步骤:基于所述三维体数据计算所述物体的三维模型面片数,并且基于所述三维模型面片数和预定的面片数均值确定所述三维模型的复杂度;
其中,所述形状特征参数还包括所述复杂度。
23.如权利要求19所述的方法,其中基于所述形状参数和所述物体所含材料的物理属性判断所述物体是否是嫌疑物的步骤包括:
使用基于所述形状参数的分类器对所述物体进行分类;以及
在所述物体满足形状参数要求的情况下利用基于所述物理属性的分类器对所述物体进行分类。
24.如权利要求19所述的方法,其中所述CT成像系统具体为双能CT成像系统,所述物理属性具体为等效原子序数和等效电子密度,所述基于所述形状参数和所述物体所含材料的物理属性判断所述物体是否是嫌疑物的步骤包括:
使用基于所述形状参数的分类器对所述物体进行分类;以及
在所述物体满足形状参数要求的情况下利用基于等效原子序数和等效电子密度的分类器对所述物体进行分类。
25.如权利要求19所述的方法,其中所述CT成像系统具体为单能CT成像系统,所述物理属性具体为线性衰减系数,所述基于所述形状参数和所述物体所含材料的物理属性判断所述物体是否是嫌疑物的步骤包括:
使用基于所述形状参数的分类器对所述物体进行分类;
在所述物体满足形状参数要求的情况下利用基于线性衰减系数的分类器对所述物体进行分类。
26.如权利要求19所述的方法,其中所述第二深度投影图像与所述第三深度投影图像的投影方向尽量正交,分别逼近所述物体投影面积最大的和最小的方向。
27.一种利用CT成像系统对行李的进行安全检查的设备,包括:
利用所述CT成像系统获取被检查行李的断层数据的装置;
从所述断层数据产生所述被检查行李中的至少一个物体的三维体数据的装置;
基于所述三维体数据计算所述物体在垂直于水平面的方向上的第一深度投影图像,以及在三个其他方向上的第二深度投影图像、第三深度投影图像和第四深度投影图像的装置,其中第四深度投影图像的投影方向与第二和第三深度投影图像的投影方向正交;
计算所述第一深度投影图像中包含水平面的概率度量值的装置;
计算所述第一深度投影图像、所述第二深度投影图像、所述第三深度投影图像和所述第四深度投影图像各自的对称性度量值的装置;
至少基于所述概率度量值和第一到第四深度投影图像各自的对称性度量值来产生所述物体的形状特征参数的装置;
基于所述形状特征参数和所述物体所含材料的物理属性判断所述物体是否是嫌疑物的装置。
28.一种利用CT成像系统对行李进行安全检查的方法,包括步骤:
利用所述CT成像系统获取被检查行李的断层数据;
从所述断层数据产生所述被检查行李中至少一个物体的三维体数据;
基于所述三维体数据计算所述物体在三个方向上的第一深度投影图像、第二深度投影图像和第三深度投影图像,其中第三深度投影图像的投影方向与第一和第二深度投影图像的投影方向正交;
计算所述第一深度投影图像、所述第二深度投影图像和所述第三深度投影图像各自的对称性度量值;
至少基于第一到第三深度投影图像各自的对称性度量值来产生所述物体的形状特征参数;
基于所述形状特征参数和所述物体所含材料的物理属性判断所述物体是否是嫌疑物。
29.如权利要求28所述的方法,还包括步骤:计算所述第一深度投影图像、所述第二深度投影图像和所述第三深度投影图像中任何两个之间的相似度;
其中,所述形状特征参数还包括所述的相似度。
30.如权利要求28所述的方法,还包括步骤:计算所述第一深度投影图像、所述第二深度投影图像和所述第三深度投影图像各自的占空比和高宽比;
其中,所述形状特征参数还包括所述占空比和高宽比。
31.如权利要求28所述的方法,还包括步骤:基于所述三维体数据计算所述物体的三维模型面片数,并且基于所述三维模型面片数和预定的面片数均值确定所述三维模型的复杂度;
其中,所述形状特征参数还包括所述复杂度。
32.如权利要求28所述的方法,其中基于所述形状参数和所述物体所含材料的物理属性判断所述物体是否是嫌疑物的步骤包括:
使用基于所述形状参数的分类器对所述物体进行分类;以及
在所述物体满足形状参数要求的情况下利用基于所述物理属性的分类器对所述物体进行分类。
33.如权利要求28所述的方法,其中所述CT成像系统具体为双能CT成像系统,所述物理属性具体为等效原子序数和等效电子密度,所述基于所述形状参数和所述物体所含材料的物理属性判断所述物体是否是嫌疑物的步骤包括:
使用基于所述形状参数的分类器对所述物体进行分类;以及
在所述物体满足形状参数要求的情况下利用基于等效原子序数和等效电子密度的分类器对所述物体进行分类。
34.如权利要求28所述的方法,其中所述CT成像系统具体为单能CT成像系统,所述物理属性具体为线性衰减系数,所述基于所述形状参数和所述物体所含材料的物理属性判断所述物体是否是嫌疑物的步骤包括:
使用基于所述形状参数的分类器对所述物体进行分类;
在所述物体满足形状参数要求的情况下利用基于线性衰减系数的分类器对物体进行分类。
35.如权利要求28所述的方法,其中所述第一深度投影图像与所述第二深度投影图像的投影方向尽量正交,分别逼近所述物体投影面积最大的和最小的方向。
36.一种利用CT成像系统对行李进行安全检查的设备,包括:
利用所述CT成像系统获取被检查行李的断层数据的装置;
从所述断层数据产生所述被检查行李中的至少一个物体的三维体数据的装置;
基于所述三维体数据计算所述物体在三个方向上的第一深度投影图像、第二深度投影图像和第三深度投影图像的装置,其中第三深度投影图像的投影方向与第一和第二深度投影图像的投影方向正交;
计算所述第一深度投影图像、所述第二深度投影图像和所述第三深度投影图像各自的对称性度量值的装置;
至少基于第一到第三深度投影图像各自的对称性度量值来产生所述物体的形状特征参数的装置;
基于所述形状特征参数和所述物体所含材料的物理属性判断所述物体是否是嫌疑物的装置。
Priority Applications (6)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210581466.6A CN103900503B (zh) | 2012-12-27 | 2012-12-27 | 提取形状特征的方法、安全检查方法以及设备 |
PCT/CN2013/087601 WO2014101598A1 (zh) | 2012-12-27 | 2013-11-21 | 提取形状特征的方法、安全检查方法以及设备 |
GB201322737A GB2509835B (en) | 2012-12-27 | 2013-12-20 | Methods for extracting shape feature, inspection methods and apparatuses |
US14/136,462 US9412019B2 (en) | 2012-12-27 | 2013-12-20 | Methods for extracting shape feature, inspection methods and apparatuses |
EP13199255.4A EP2750104B1 (en) | 2012-12-27 | 2013-12-20 | Methods for extracting shape feature, inspection methods and apparatuses |
US15/204,564 US10102641B2 (en) | 2012-12-27 | 2016-07-07 | Methods for extracting shape feature, inspection methods and apparatuses |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210581466.6A CN103900503B (zh) | 2012-12-27 | 2012-12-27 | 提取形状特征的方法、安全检查方法以及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103900503A true CN103900503A (zh) | 2014-07-02 |
CN103900503B CN103900503B (zh) | 2016-12-28 |
Family
ID=50071270
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210581466.6A Active CN103900503B (zh) | 2012-12-27 | 2012-12-27 | 提取形状特征的方法、安全检查方法以及设备 |
Country Status (5)
Country | Link |
---|---|
US (2) | US9412019B2 (zh) |
EP (1) | EP2750104B1 (zh) |
CN (1) | CN103900503B (zh) |
GB (1) | GB2509835B (zh) |
WO (1) | WO2014101598A1 (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015196992A1 (zh) * | 2014-06-25 | 2015-12-30 | 同方威视技术股份有限公司 | 安检ct系统及其方法 |
CN106198580A (zh) * | 2016-08-26 | 2016-12-07 | 合肥丁点网络科技有限责任公司 | 一种x光安检机行李危险品快速自动检测报警装置及方法 |
CN106932414A (zh) * | 2015-12-29 | 2017-07-07 | 同方威视技术股份有限公司 | 检验检疫用检查系统及其方法 |
CN108061540A (zh) * | 2017-12-12 | 2018-05-22 | 北斗航天汽车(北京)有限公司 | 计算零件最大投影面积的方法及装置 |
CN109029252A (zh) * | 2018-06-20 | 2018-12-18 | Oppo广东移动通信有限公司 | 物体检测方法、装置、存储介质及电子设备 |
WO2019028721A1 (zh) * | 2017-08-10 | 2019-02-14 | 哈尔滨工业大学 | 用于物品识别的方法、装置、设备和安检系统 |
US10416344B2 (en) | 2015-12-29 | 2019-09-17 | Cints Co. Ltd. | Inspection devices for quarantine |
CN111279149A (zh) * | 2017-10-27 | 2020-06-12 | 蒂阿马公司 | 利用x射线对在流水线中行进的空玻璃容器进行尺寸测量的方法和装置 |
CN111279148A (zh) * | 2017-10-27 | 2020-06-12 | 蒂阿马公司 | 对制成物体进行在线尺寸控制的方法和设备 |
CN113159110A (zh) * | 2021-03-05 | 2021-07-23 | 安徽启新明智科技有限公司 | 一种基于x射线液体智能检测方法 |
CN113792826A (zh) * | 2021-11-17 | 2021-12-14 | 湖南苏科智能科技有限公司 | 基于神经网络和多源数据的双视角关联安检方法及系统 |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103903298B (zh) | 2012-12-27 | 2017-03-01 | 同方威视技术股份有限公司 | 三维数据处理和识别方法 |
CN103903297B (zh) | 2012-12-27 | 2016-12-28 | 同方威视技术股份有限公司 | 三维数据处理和识别方法 |
KR102267060B1 (ko) * | 2014-08-19 | 2021-06-21 | 삼성전자주식회사 | 초음파 영상 장치 및 그 제어 방법 |
EP3203218B1 (en) * | 2014-09-29 | 2022-02-23 | IHI Corporation | Image analysis device, image analysis method, and program |
JP6437286B2 (ja) * | 2014-11-26 | 2018-12-12 | 株式会社東芝 | 画像処理装置、画像処理プログラム、画像処理方法及び治療システム |
CN105607148B (zh) * | 2015-12-18 | 2018-04-17 | 北京航星机器制造有限公司 | 一种安检门参数智能调定方法 |
CN105467456A (zh) * | 2015-12-18 | 2016-04-06 | 北京航星机器制造有限公司 | 基于知识库的通讯录音设备探测门 |
JP7320352B2 (ja) * | 2016-12-28 | 2023-08-03 | パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカ | 三次元モデル送信方法、三次元モデル受信方法、三次元モデル送信装置及び三次元モデル受信装置 |
US10901114B2 (en) * | 2018-01-09 | 2021-01-26 | Voti Inc. | Methods for assigning attributes to an image of an object scanned with ionizing electromagnetic radiation |
US11481961B2 (en) * | 2018-10-02 | 2022-10-25 | Sony Corporation | Information processing apparatus and information processing method |
CN110147749B (zh) * | 2019-05-10 | 2023-05-05 | 中国民航大学 | 一种民航丢失行李辅助找回方法 |
WO2020243836A1 (en) * | 2019-06-05 | 2020-12-10 | Lynx Inspection Inc. | Automated inspection method for a manufactured article and system for performing same |
DE102021202512A1 (de) * | 2021-03-15 | 2022-09-15 | Smiths Detection Germany Gmbh | Verfahren für eine Überprüfung von Gepäckstücken zur Erkennung von Objekten |
US11885752B2 (en) | 2021-06-30 | 2024-01-30 | Rapiscan Holdings, Inc. | Calibration method and device therefor |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE19705599A1 (de) * | 1997-02-14 | 1998-08-20 | Philips Patentverwaltung | Röntgenaufnahmeverfahren mit einer Aufnahmeserie aus unterschiedlichen Perspektiven |
US20050195939A1 (en) * | 2004-02-11 | 2005-09-08 | Scheinman Elan D. | Contraband detection systems and methods |
CN1779450A (zh) * | 2004-11-26 | 2006-05-31 | 清华同方威视技术股份有限公司 | 一种具有ct断层扫描功能的集装箱检查系统 |
WO2012009725A1 (en) * | 2010-07-16 | 2012-01-19 | Mayo Foundation For Medical Education And Research | System and method for improved energy series of images using multi-energy ct |
CN102519989A (zh) * | 2009-05-27 | 2012-06-27 | 清华大学 | 伪双能欠采样物质识别系统和方法 |
WO2012104751A1 (en) * | 2011-01-31 | 2012-08-09 | Koninklijke Philips Electronics N.V. | Detection values processing apparatus |
Family Cites Families (40)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4687933A (en) | 1976-12-14 | 1987-08-18 | Telecommunications Radioelectriques Et Telephoniques, Trt | Optical and mechanical scanning device |
US5114662A (en) | 1987-05-26 | 1992-05-19 | Science Applications International Corporation | Explosive detection system |
US5006299A (en) | 1987-05-26 | 1991-04-09 | Science Applications International Corporation | Explosive detection system |
JP3378401B2 (ja) | 1994-08-30 | 2003-02-17 | 株式会社日立メディコ | X線装置 |
US6148095A (en) | 1997-09-08 | 2000-11-14 | University Of Iowa Research Foundation | Apparatus and method for determining three-dimensional representations of tortuous vessels |
US6078642A (en) * | 1998-02-11 | 2000-06-20 | Analogice Corporation | Apparatus and method for density discrimination of objects in computed tomography data using multiple density ranges |
US6026171A (en) * | 1998-02-11 | 2000-02-15 | Analogic Corporation | Apparatus and method for detection of liquids 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 |
US6539330B2 (en) | 2000-07-19 | 2003-03-25 | Pentax Corporation | Method and apparatus for measuring 3-D information |
US7538764B2 (en) | 2001-01-05 | 2009-05-26 | Interuniversitair Micro-Elektronica Centrum (Imec) | System and method to obtain surface structures of multi-dimensional objects, and to represent those surface structures for animation, transmission and display |
US7272608B2 (en) * | 2002-11-27 | 2007-09-18 | Zyvex Labs, Llc | Isosurface extraction into splat hierarchy |
US20050058242A1 (en) * | 2003-09-15 | 2005-03-17 | Peschmann Kristian R. | Methods and systems for the rapid detection of concealed objects |
US7856081B2 (en) | 2003-09-15 | 2010-12-21 | Rapiscan Systems, Inc. | Methods and systems for rapid detection of concealed objects using fluorescence |
US7961934B2 (en) * | 2003-12-11 | 2011-06-14 | Strider Labs, Inc. | Probable reconstruction of surfaces in occluded regions by computed symmetry |
US20050283070A1 (en) * | 2004-06-21 | 2005-12-22 | Celina Imielinska | Systems and methods for qualifying symmetry to evaluate medical images |
US7302083B2 (en) | 2004-07-01 | 2007-11-27 | Analogic Corporation | Method of and system for sharp object detection using computed tomography images |
US20060269161A1 (en) * | 2005-03-15 | 2006-11-30 | Ramsay Thomas E | Method of creating a divergence transform for a class of objects |
JP4632891B2 (ja) | 2005-07-22 | 2011-02-16 | 株式会社モリタ製作所 | X線ct撮影装置およびx線ct撮影方法 |
US7583781B2 (en) * | 2005-09-22 | 2009-09-01 | Kabushiki Kaisha Toshiba | X-Ray CT apparatus and method of controlling the same |
US7362847B2 (en) | 2005-12-12 | 2008-04-22 | Reveal Imaging Technologies | Displaced-ray CT inspection |
US7358733B2 (en) | 2006-02-28 | 2008-04-15 | Ge Security, Inc. | High performance security inspection system with physically isolated detection sensors |
US7925065B2 (en) | 2006-08-22 | 2011-04-12 | Siemens Medical Solutions Usa, Inc. | Finding blob-like structures using diverging gradient field response |
DE202007019256U1 (de) * | 2006-09-18 | 2012-01-31 | Optosecurity Inc. | Vorrichtung zur Beurteilung der Eigenschaften von Flüssigkeiten |
US7539283B2 (en) | 2007-01-17 | 2009-05-26 | Ge Homeland Protection, Inc. | Combined computed tomography and nuclear resonance fluorescence cargo inspection system and method |
CN101403711B (zh) * | 2007-10-05 | 2013-06-19 | 清华大学 | 液态物品检查方法和设备 |
CN101403710B (zh) * | 2007-10-05 | 2013-06-19 | 清华大学 | 液态物品检查方法和设备 |
CN101470082B (zh) * | 2007-12-27 | 2011-03-30 | 同方威视技术股份有限公司 | 物品检测装置及其检测方法 |
WO2009094042A1 (en) | 2008-01-25 | 2009-07-30 | Analogic Corporation | Image combining |
CN101647706B (zh) * | 2008-08-13 | 2012-05-30 | 清华大学 | 高能双能ct系统的图象重建方法 |
US8600149B2 (en) | 2008-08-25 | 2013-12-03 | Telesecurity Sciences, Inc. | Method and system for electronic inspection of baggage and cargo |
WO2010025539A1 (en) * | 2008-09-05 | 2010-03-11 | Optosecurity Inc. | Method and system for performing x-ray inspection of a liquid product at a security checkpoint |
EP2347248A1 (en) * | 2008-09-15 | 2011-07-27 | Optosecurity Inc. | Method and apparatus for assessing properties of liquids by using x-rays |
CN101683271B (zh) * | 2008-09-28 | 2014-03-12 | 清华大学 | X射线ct设备、图像重建方法和x射线成像方法 |
US8791957B2 (en) | 2008-12-05 | 2014-07-29 | Hitachi Medical Corporation | Medical image display device and method of medical image display |
EP2459990A4 (en) * | 2009-07-31 | 2017-08-09 | Optosecurity Inc. | Method and system for identifying a liquid product in luggage or other receptacle |
US8503750B2 (en) | 2009-10-06 | 2013-08-06 | General Electric Company | Method and apparatus for reduction of metal artifacts in CT images |
US20110304619A1 (en) | 2010-06-10 | 2011-12-15 | Autodesk, Inc. | Primitive quadric surface extraction from unorganized point cloud data |
JP2014508954A (ja) * | 2011-03-22 | 2014-04-10 | アナロジック コーポレイション | 合成オブジェクト分割方法およびシステム{compoundobjectseparation} |
CN103903297B (zh) | 2012-12-27 | 2016-12-28 | 同方威视技术股份有限公司 | 三维数据处理和识别方法 |
CN103903298B (zh) | 2012-12-27 | 2017-03-01 | 同方威视技术股份有限公司 | 三维数据处理和识别方法 |
-
2012
- 2012-12-27 CN CN201210581466.6A patent/CN103900503B/zh active Active
-
2013
- 2013-11-21 WO PCT/CN2013/087601 patent/WO2014101598A1/zh active Application Filing
- 2013-12-20 GB GB201322737A patent/GB2509835B/en active Active
- 2013-12-20 US US14/136,462 patent/US9412019B2/en active Active
- 2013-12-20 EP EP13199255.4A patent/EP2750104B1/en active Active
-
2016
- 2016-07-07 US US15/204,564 patent/US10102641B2/en active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE19705599A1 (de) * | 1997-02-14 | 1998-08-20 | Philips Patentverwaltung | Röntgenaufnahmeverfahren mit einer Aufnahmeserie aus unterschiedlichen Perspektiven |
US20050195939A1 (en) * | 2004-02-11 | 2005-09-08 | Scheinman Elan D. | Contraband detection systems and methods |
CN1779450A (zh) * | 2004-11-26 | 2006-05-31 | 清华同方威视技术股份有限公司 | 一种具有ct断层扫描功能的集装箱检查系统 |
CN102519989A (zh) * | 2009-05-27 | 2012-06-27 | 清华大学 | 伪双能欠采样物质识别系统和方法 |
WO2012009725A1 (en) * | 2010-07-16 | 2012-01-19 | Mayo Foundation For Medical Education And Research | System and method for improved energy series of images using multi-energy ct |
WO2012104751A1 (en) * | 2011-01-31 | 2012-08-09 | Koninklijke Philips Electronics N.V. | Detection values processing apparatus |
Non-Patent Citations (2)
Title |
---|
曾凯 等: "三维锥形束CT解析重建算法发展综述", 《中国体视学与图像分析》 * |
陈志强 等: "三维锥束扫描CT成像图像重建新进展", 《CT理论与应用研究》 * |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9786070B2 (en) | 2014-06-25 | 2017-10-10 | Nuctech Company Limited | CT system for security check and method thereof |
WO2015196992A1 (zh) * | 2014-06-25 | 2015-12-30 | 同方威视技术股份有限公司 | 安检ct系统及其方法 |
CN106932414A (zh) * | 2015-12-29 | 2017-07-07 | 同方威视技术股份有限公司 | 检验检疫用检查系统及其方法 |
US10416344B2 (en) | 2015-12-29 | 2019-09-17 | Cints Co. Ltd. | Inspection devices for quarantine |
US10436932B2 (en) | 2015-12-29 | 2019-10-08 | Nuctech Company Limited | Inspection systems for quarantine and methods thereof |
CN106198580A (zh) * | 2016-08-26 | 2016-12-07 | 合肥丁点网络科技有限责任公司 | 一种x光安检机行李危险品快速自动检测报警装置及方法 |
CN109387880B (zh) * | 2017-08-10 | 2021-05-07 | 哈尔滨工业大学 | 用于物品识别的方法、装置、设备和安检系统 |
WO2019028721A1 (zh) * | 2017-08-10 | 2019-02-14 | 哈尔滨工业大学 | 用于物品识别的方法、装置、设备和安检系统 |
CN109387880A (zh) * | 2017-08-10 | 2019-02-26 | 哈尔滨工业大学 | 用于物品识别的方法、装置、设备和安检系统 |
CN111279149B (zh) * | 2017-10-27 | 2022-08-30 | 蒂阿马公司 | 利用x射线对在流水线中行进的空玻璃容器进行尺寸测量的方法和装置 |
CN111279149A (zh) * | 2017-10-27 | 2020-06-12 | 蒂阿马公司 | 利用x射线对在流水线中行进的空玻璃容器进行尺寸测量的方法和装置 |
CN111279148A (zh) * | 2017-10-27 | 2020-06-12 | 蒂阿马公司 | 对制成物体进行在线尺寸控制的方法和设备 |
CN108061540A (zh) * | 2017-12-12 | 2018-05-22 | 北斗航天汽车(北京)有限公司 | 计算零件最大投影面积的方法及装置 |
CN108061540B (zh) * | 2017-12-12 | 2020-10-16 | 北斗航天汽车(北京)有限公司 | 计算零件最大投影面积的方法及装置 |
CN109029252B (zh) * | 2018-06-20 | 2020-12-01 | Oppo广东移动通信有限公司 | 物体检测方法、装置、存储介质及电子设备 |
CN109029252A (zh) * | 2018-06-20 | 2018-12-18 | Oppo广东移动通信有限公司 | 物体检测方法、装置、存储介质及电子设备 |
CN113159110A (zh) * | 2021-03-05 | 2021-07-23 | 安徽启新明智科技有限公司 | 一种基于x射线液体智能检测方法 |
CN113792826A (zh) * | 2021-11-17 | 2021-12-14 | 湖南苏科智能科技有限公司 | 基于神经网络和多源数据的双视角关联安检方法及系统 |
CN113792826B (zh) * | 2021-11-17 | 2022-02-18 | 湖南苏科智能科技有限公司 | 基于神经网络和多源数据的双视角关联安检方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN103900503B (zh) | 2016-12-28 |
US20160321816A1 (en) | 2016-11-03 |
EP2750104A2 (en) | 2014-07-02 |
GB201322737D0 (en) | 2014-02-05 |
GB2509835B (en) | 2015-05-20 |
GB2509835A (en) | 2014-07-16 |
US20140185923A1 (en) | 2014-07-03 |
US9412019B2 (en) | 2016-08-09 |
EP2750104B1 (en) | 2021-11-03 |
EP2750104A3 (en) | 2017-08-02 |
WO2014101598A1 (zh) | 2014-07-03 |
US10102641B2 (en) | 2018-10-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103900503A (zh) | 提取形状特征的方法、安全检查方法以及设备 | |
CN103901489B (zh) | 检查物体的方法、显示方法和设备 | |
CN103903303B (zh) | 三维模型创建方法和设备 | |
US20110182495A1 (en) | System and method for automatic defect recognition of an inspection image | |
US9277902B2 (en) | Method and system for lesion detection in ultrasound images | |
US11024027B2 (en) | Manipulable object synthesis in 3D medical images with structured image decomposition | |
CN105785462A (zh) | 一种定位三维ct图像中的目标的方法和安检ct系统 | |
CN104567758B (zh) | 立体成像系统及其方法 | |
CN108171694B (zh) | 基于卷积神经网络的结节检测方法、系统及设备 | |
CN102939616A (zh) | 组织分类 | |
CN105372713B (zh) | X射线衍射成像系统及操作其的方法 | |
Wang et al. | Multi-class 3D object detection within volumetric 3D computed tomography baggage security screening imagery | |
CN110268441A (zh) | 获得物体的多个部件的3d模型数据的方法 | |
US20120121168A1 (en) | Compound object separation | |
Heeneman et al. | Lung nodule detection by using Deep Learning | |
Sahasrabudhe et al. | Structured spatial domain image and data comparison metrics | |
CN115953418B (zh) | 安检ct三维图像中笔记本区域剥离方法、存储介质及设备 | |
CN116524008B (zh) | 一种用于安检ct智能识别的目标物匹配与空间位置估计方法 | |
CN116188385A (zh) | 三维ct图像中目标对象剥离方法、装置和安检ct系统 | |
Fan et al. | Fractures extraction from core SEM images based on double-side inspection and morphological completion | |
Merduri | Investigation of Eccentricity Parameter For Sorting Bruised and Unbothered Green Apple | |
Sobania | The automatic extraction of 3D information from stereoscopic dual-energy x-ray images | |
Opitz | Classification and visualization of volume data using clustering |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 1195805 Country of ref document: HK |
|
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: GR Ref document number: 1195805 Country of ref document: HK |