CN105372712B - 车辆检查方法和系统 - Google Patents
车辆检查方法和系统 Download PDFInfo
- Publication number
- CN105372712B CN105372712B CN201410443149.7A CN201410443149A CN105372712B CN 105372712 B CN105372712 B CN 105372712B CN 201410443149 A CN201410443149 A CN 201410443149A CN 105372712 B CN105372712 B CN 105372712B
- Authority
- CN
- China
- Prior art keywords
- image
- vehicle
- template
- examined
- template image
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000007689 inspection Methods 0.000 title claims abstract description 45
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 54
- 230000005855 radiation Effects 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 9
- 238000012805 post-processing Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000003384 imaging method Methods 0.000 description 6
- 239000002585 base Substances 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 239000003637 basic solution Substances 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000000205 computational method Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000007634 remodeling Methods 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- 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
- G01V5/22—Active interrogation, i.e. by irradiating objects or goods using external radiation sources, e.g. using gamma rays or cosmic rays
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
- G01N23/02—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material
- G01N23/04—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and forming images of the material
-
- 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
- G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
- G06K7/00—Methods or arrangements for sensing record carriers, e.g. for reading patterns
- G06K7/10—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation
- G06K7/10009—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation sensing by radiation using wavelengths larger than 0.1 mm, e.g. radio-waves or microwaves
- G06K7/10366—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation sensing by radiation using wavelengths larger than 0.1 mm, e.g. radio-waves or microwaves the interrogation device being adapted for miscellaneous applications
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2223/00—Investigating materials by wave or particle radiation
- G01N2223/40—Imaging
- G01N2223/401—Imaging image processing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2223/00—Investigating materials by wave or particle radiation
- G01N2223/40—Imaging
- G01N2223/408—Imaging display on monitor
-
- 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
-
- 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
- G06V2201/08—Detecting or categorising vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Toxicology (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Geophysics (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- High Energy & Nuclear Physics (AREA)
- Biochemistry (AREA)
- Pathology (AREA)
- Electromagnetism (AREA)
- Immunology (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
公开了一种车辆检查方法和系统。在该方法中，取得被检查车辆的唯一标识号；对被检查车辆进行X射线扫描，得到被检查车辆的X射线图像；从历史检查数据库中检索与所述唯一标识号相关的至少一幅历史检查图像；基于从多个模板图像选择算法中选择的一种模板图像选择算法确定所述至少一幅历史检查图像中的一幅历史检查图像作为模板图像；确定所述X射线图像与所述模板图像之间的变动区域；以及向用户呈现所述变动区域。
Description
技术领域
本发明的实施例一般涉及辐射检查，具体涉及车辆检查方法和系统。
背景技术
利用X射线辐射成像是对各种车辆进行安全检查的一种重要手段。车辆通过X射线辐射成像系统成像后，检查员通过查看分析X光扫描图像，以确认检查车辆上是否夹带有违禁物品，从而达到安全检查的目的。
在现实安检场景中，仅仅靠检查员通过肉眼查看X光扫描的车辆图像，去发现匿藏在其中的较小的夹带物是非常困难的。因此，需要开发车辆检查技术来发现藏匿在车辆中的夹带品。
发明内容
鉴于现有技术中的一个或多个问题，提出了一种车辆检查方法和系统。
在本发明的一个方面，提出了一种车辆检查方法，包括步骤：取得被检查车辆的唯一标识号；对被检查车辆进行X射线扫描，得到被检查车辆的X射线图像；从历史检查数据库中检索与所述唯一标识号相关的至少一幅历史检查图像；基于从多个模板图像选择算法中选择的一种模板图像选择算法确定所述至少一幅历史检查图像中的一幅历史检查图像作为模板图像；确定所述X射线图像与所述模板图像之间的变动区域；以及向用户呈现所述变动区域。
根据一些实施例，所述的车辆检查方法还包括步骤：在得到所述唯一标识号和所述X射线图像之后，将所述唯一标识号与所述X射线图像相关联地存储在历史数据库中。
根据一些实施例，确定所述X射线图像与所述模板图像之间的变动区域的步骤包括：配准所述X射线图像与所述模板图像；计算配准的X射线图像与所述模板图像之间的差异。
根据一些实施例，向用户呈现所述变动区域的步骤包括：将所述变动区域在所述X射线图像上突出显示或差异区域在所述X射线图像上以一定的频率有无交替显示。
根据一些实施例，所述多个模板图像选择算法是从下面的图像处理算法中选出的：平均灰度最低法、时间最近法、灰度均方差最小法、局部模板法、概率模板法。
根据一些实施例，使用刚性配准算法对所述车辆的X射线图像和模板图像进行对齐，并进一步使用弹性配准算法减小立体变形，之后对二者的差图进行后处理。
在本发明的另一方面，提出了一种车辆检查系统，包括：ID获取单元，取得被检查车辆的唯一标识号；辐射成像系统，对被检查车辆进行X射线扫描，得到被检查车辆的X射线图像；存储设备，存储所述X射线图像以及历史检查数据库；图像处理单元，从历史检查数据库中检索与所述唯一标识号相关的至少一幅历史检查图像，基于从多个模板图像选择算法中选择的一种模板图像选择算法确定所述至少一幅历史检查图像中的一幅历史检查图像作为模板图像，确定所述X射线图像与所述模板图像之间的变动区域；显示设备，向用户呈现所述变动区域。
根据一些实施例，所述ID获取单元包括：摄像机，捕获所述被检查车辆的车牌图像；识别单元，从所述车牌图像识别所述被检查车辆的车牌号。
根据一些实施例，所述ID获取单元包括：读取器，从所述被检查车辆所携带的射频标签读取所述被检查车辆的ID。
根据一些实施例，所述显示设备将所述变动区域在所述X射线图像上突出显示或差异区域在所述X射线图像上以一定的频率有无交替显示。
利用上述方案，针对不同实际安全检查场景，使用不同模板图像选取算法，这样就保证了根据不同安全检查现场需求都能最大程度的选取最佳模板对比图像，从而通过减影算法保证了安全检查的效果。
附图说明
为了更好地理解本发明，将根据以下附图对本发明进行详细描述：
图1示出了根据本发明实施例的车辆检查系统的结构示意图；
图2是描述根据本发明实施例的车辆检查方法的示意性流程图；
图3是描述在根据本发明实施例的车辆检查系统和方法中使用的减影过程的示意图；
图4示出了待检查图像的示意图；
图5示出了在根据本发明实施例的系统和方法中选取的模板图像的示意图；以及
图6示出了在待查验图像上叠加显示的差异区域的示意图。
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。
针对同一辆车辆不同过关时的X光扫描图像进行对比分析，检查它们之间的差异，可以发现其中的夹带物品。例如，对同一车辆的扫描图像和空车扫描图像的对比分析，但这样需要首先建立空车模板库，即需要针对过关车辆空车扫描X光图像，并将车牌号和扫描图像进行关联保存到空车模板库中。这样车辆扫描图像和针对该车的空车扫描图像进行减影处理，这样更容易发现两幅图像之间的差异，从而分辨夹带物。
为了更为有效地进行检查，在一些实施例中使用历史图像数据库作为图像模板库，解决了空车模板库建立的问题。此外，还可以针对具体实际应用场景使用不同的算法，从几种选取模板图像的算法中，选取最佳图像对比模板，从而与扫描图像进行对比分析，通过减影技术算出两幅图像的区别，并在显示端展现给用户，从而达到最佳的查验效果。
一些实施例的车辆检查方法中，取得被检查车辆的唯一标识号，然后对被检查车辆进行X射线扫描，得到被检查车辆的X射线图像。从历史检查数据库中检索与所述唯一标识号相关的至少一幅历史检查图像。基于从多个模板图像选择算法中选择的一种模板图像选择算法确定所述至少一幅历史检查图像中的一幅历史检查图像作为模板图像。确定所述X射线图像与所述模板图像之间的变动区域并向用户呈现所述变动区域。上述实施例中，针对不同实际安全检查场景，使用不同模板图像选取算法，这样就保证了根据不同安全检查现场需求都能最大程度的选取最佳模板对比图像，从而通过减影算法保证了安全检查的效果。
根据一些实施例，可以从平均灰度最低法、时间最近法、灰度均方差最小法、局部模板法、概率模板法等中选择合适的算法：
1)平均灰度最低法(也称为平均灰度最小值算法)
遍历图像所有像素，获取并累加灰度值后除以像素点数的数量。通过该计算方法取值最低的图像作为图像对比模板。该值最低表示该图像包含的夹带物最少，基本等同于空车扫描图像。
2)时间最近法
从历史模板库中选取与该次扫描车辆时间最近的一次通关扫描图像作为图像对比模板。此算法通常应用于转关车辆安检。用于比较两次转关之间有没有增加夹带物通关。
3)灰度均方误差最小法
从历史模板库中依次选取每一副模板图像，假如当前选择的模板图像为X，正在查验的图像为Y；然后遍历X，Y的每一个像素值，求差值后再平方，然后对所有像素再求和。每一副模板图像均做相同的算法处理，然后选取和值最小的模板图像。
4)局部模板法
局部模板法是将待查验图像和模板图像划分为多个区域，每个模板区域的选取均使用“灰度均方误差最小法”来确定。这样生成的模板图像存在于内存中，仅对当前查验图像有效，下次的查验图像需要重新计算模板图像。
5)概率模板方法
概率模板法需要根据历史库中的图像建立一个数据模型，所以该算法要求历史库中有一定数量的历史图像为基础(大于100副图像)。建立模型的算法描述为：随机从历史图像库中选取100副图像，依次遍历相同位置像素的值，并求平均值p和方差a，从而针对每个像素得到一个灰度值的区间范围(p-2.5a，p+2.5a)。当相同位置的像素灰度值在这个区间内的话即认为该像素符合该模型。其中常量2.5非固定值，可以根据具体场景进行调整；该算法建立的模型可以进行保存，除非选取新的模板图像进行重新计算。
图1示出了根据本发明实施例的车辆检查系统的结构示意图。如图1所示，根据本发明实施例的车辆检查系统涉及X射线辐射成像的安全检查技术，特别是车夹带物自动检测技术中的自动选取最佳模板图像对比检测技术。
如图1所示的系统包括ID获取单元110、辐射成像系统150，存储设备120，图像处理单元140和显示设备130。
在一些实施例中，ID获取单元110取得被检查车辆的唯一标识号。例如该ID获取单元110包括摄像机，用来捕获所述被检查车辆的车牌图像；和识别单元，用来从车牌图像识别所述被检查车辆的车牌号。在其他实施例中，ID获取单元110包括读取器，从所述被检查车辆所携带的射频标签读取所述被检查车辆的ID。
辐射成像系统150对被检查车辆进行X射线扫描，得到被检查车辆的X射线图像。存储设备120存储所述X射线图像以及历史检查数据库。
图像处理单元140从历史检查数据库中检索与所述唯一标识号相关的至少一幅历史检查图像，基于从多个模板图像选择算法中选择的一种模板图像选择算法确定所述至少一幅历史检查图像中的一幅历史检查图像作为模板图像，确定所述X射线图像与所述模板图像之间的变动区域。显示设备130向用户呈现所述变动区域。
例如，当有车辆需要检入时，ID获取单元110通过车辆识别单元对相应车辆进行识别，生成软件系统与该车辆的唯一标识ID，如车牌号。该车辆唯一标识ID在该软件系统中是对该车辆过关的唯一标识。该标识ID可以由软件系统针对该车辆生成，也可以通过识别该车辆的车牌号生成，目前软件系统通过车牌号来标识。
当软件系统通过车辆识别单元获取该车辆唯一标识(如车牌号)后，辐射成像系统150会对该车辆进行X光扫描，经过相应算法处理后生成该车辆的X光扫描图像。X光扫描图像生成后会和该车辆唯一标识ID进行关联，并发送到显示设备150进行显示。该车辆验出后，这些数据(包括X射线图像，ID信息)将会写入历史数据库中。后续利用该软件系统识别该车辆再次过关时，这次的数据就有可能被作为模板对比图像。
图像处理单元140负责针对模板对比图像库(即历史图像库)进行检索，检索到和待检车辆唯一标识ID(车牌号)相同的所有历史记录，并利用相应的图像处理算法(即模板图像选择算法)对每幅图像进行处理，选取对应算法最佳的模板图像。比如使用平均灰度最低法，从搜索到的结果中的所有图像均使用平均灰度最低法进行处理，选取平均灰度值最小的图像作为模板对比图像。就平均灰度最低法而言，在检索结果图像中平均灰度最小值的图像为最佳模板对比图像。该检索模块的输入为待检车辆的ID号，输出为ID相同的符合某个图像算法的最佳模板图像(历史图像)。
此外，图像处理单元140执行减影算法，例如用基于特征点对齐的方法将待检查图像与模板图像进行配准，然后用变动检测的方法计算两幅图像之间的差异，差异大的区域就是夹带物所在的区域。该减影算法的输入为车辆待查验图像数据和相同车辆ID搜索到的最佳模板图像数据。输出为两图像差异区域的数据。显示模块会根据差异区域的数据在待查验图像上用某种颜色线条画出差异区域的轮廓。
显示设备130用于显示X光扫描图像，还用于显示减影算法执行后待查验图像和最佳模板图像的差异区域，一般根据检测的结果，在待检查图像上用某种颜色的线条标明差异区域的轮廓，以提示检查员此处有夹带物，以达到较好的安全检查对比提示效果。
通过上述对该系统的描述，针对车辆安全检查一般流程为：车辆检入->对车辆识别，生成唯一ID号->X光辐射成像系统对车辆进行扫描生成X光扫描图像->车辆唯一ID号和X光扫描图像(即X射线图像)关联->获取车辆检索算法准则和车辆唯一标识ID->在历史库中执行检索，获取最佳模板图像->执行减影算法，获取待检图像和模板图像的差异区域->通过显示模块展现差异区域->车辆验出->整个安全检查流程结束，待检查图像被写入历史数据库。
在其他实施例中，上述的流程简化为：车辆检入->对车辆识别，生成唯一ID号->X光辐射成像系统对车辆进行扫描生成X光扫描图像->车辆唯一ID号和X光扫描图像关联->通过显示模块显示X光扫描图像，查验员手动查验车辆有无夹带物->车辆验出->整个安全检查流程结束，待检查图像被写入历史数据库。
图2是描述根据本发明实施例的车辆检查方法的示意性流程图。如图2所示，在步骤S21，取得被检查车辆的唯一标识号，例如通过摄像机和识别软件得到车辆的唯一识别号，或者通过RFID来得到车辆的唯一识别码，例如车辆牌照。在其他实施例中，也可以使用其他的识别号，例如车架号等等。
在步骤S22，对被检查车辆进行X射线扫描，得到被检查车辆的X射线图像。例如通过X射线辐射成像系统对车辆进行透射扫描，得到透射图像。
在步骤S23，从历史检查数据库中检索与所述唯一标识号相关的至少一幅历史检查图像。例如，从该车辆的历史图像中选择其中的一幅图像。
在步骤S24，基于从多个模板图像选择算法中选择的一种模板图像选择算法确定所述至少一幅历史检查图像中的一幅历史检查图像作为模板图像。然后在步骤S25，确定所述X射线图像与所述模板图像之间的变动区域，并在步骤S26向用户呈现。
图3是描述在根据本发明实施例的车辆检查系统和方法中使用的减影过程的示意图。如图3所示，在步骤S31，从待检测图像I中裁减车辆的图像C，然后在步骤S32，设噪声限定在一定范围之内，使用刚性配准对图像进行对齐，并进一步在步骤S33使用弹性配准减小立体变形影响，之后在步骤S34对差图进行后处理，将夹带物与货物、立体变形、扫描噪声等造成的误检物分类，最后在结果中表示夹带物。
这样，利用正常扫描图像作为日后的同车查验模板图像，基本解决模板库建立困难的问题。此外，利用模板图像自动选择和关联算法，最大程度的选择最优模板图像进行匹配，较好的保证了图像对比的效果。模板图像选取算法有多种图像算法支持，能最大程度的适应安全检查实际应用的场景。
下面以车辆安全检查为例说明本发明系统的实施方式，假设该系统针对车辆唯一识别标志ID用车牌号表示，并且已存在历史模板库(即模板图像库)，则按以下步骤实施：
车辆检入，软件系统识别模块识别该车辆唯一标识为:“京N88888”。然后，由X光辐射成像系统对该车辆进行扫描，生成待检车辆的扫描图片，如图4所示，并将该扫描图片与1中车辆唯一标识进行关联。
接下来，获取识别的车辆唯一标识“京N88888”，并且确认选取车辆检索算法标准，本例结合安全检查实际场景，选择使用“平均灰度最小值方法”，该算法的描述请见背景技术。安全检查查实际需求不同，此处选择的算法准则会不同，如在转关的情况下，则会从历史记录中选择“时间最近法”选取时间最近的扫描图像。
根据车辆唯一标识“京N88888”在历史图像库中搜索车牌号相同的历史记录，这些记录即是待检验车辆过关的所有历史记录。遍历上述的搜索历史记录，获取每个记录的历史图像，并使用“平均灰度最小值方法”计算该图像的平均灰度值，并记录平均灰度值最小图像。遍历结束后，将平均灰度值最小的图像，作为模板图像返回，如图5所示。
将待检查图像原数据和上述返回图像的原数据传递给减影算法。减影算法会计算两幅图像之间的差异，并将差异区域数据返回给调用者。
图像设备130部分会利用上述返回的差异区域数据进行显示，并利用某种颜色的线条将差异区域展现给查验员，如图6所示。这些差异区域的展示则表示待查验车辆可能夹带物的部位。查验员可以根据显示的差异区域确认是否含有夹带物。
车辆验出，标志着此次带查验车辆整个软件系统流程结束，此次查验的图像，以及结论信息均被写入历史数据库中。
根据上述实施例，解决了图像模板库建立困难的问题。另外，解决了最佳模板图像选取问题；保证X光扫描图像对比效果，提高安全检查质量。此外，解决了车辆和扫描图像关联问题，将车辆的唯一识别ID与过往扫描图像进行关联。针对某个车辆过往记录查询，根据车辆唯一识别ID对该车辆过往扫描图像进行查询，并显示过往记录类别。现有技术中用空车模板库作为模板图像，但是在某些实际应用场景中，以空车X光扫描图像并不是最优的选择，比如转关车辆。针对转关车辆最优的模板图像是上次过关时对该车辆的X光扫描图像
以上的详细描述通过使用示意图、流程图和/或示例，已经阐述了车辆检查方法和系统的众多实施例。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 (10)
1.一种车辆检查方法，包括步骤：
取得被检查车辆的唯一标识号；
对被检查车辆进行X射线扫描，得到被检查车辆的X射线图像；
从历史检查数据库中检索与所述唯一标识号相关的至少一幅历史检查图像；
基于从多个模板图像选择算法中选择的一种模板图像选择算法确定所述至少一幅历史检查图像中的一幅历史检查图像作为模板图像；
确定所述X射线图像与所述模板图像之间的变动区域；以及
向用户呈现所述变动区域。
2.如权利要求1所述的车辆检查方法，还包括步骤：
在得到所述唯一标识号和所述X射线图像之后，将所述唯一标识号与所述X射线图像相关联地存储在历史数据库中。
3.如权利要求1所述的车辆检查方法，其中确定所述X射线图像与所述模板图像之间的变动区域的步骤包括：
配准所述X射线图像与所述模板图像；
计算配准的X射线图像与所述模板图像之间的差异。
4.如权利要求1所述的车辆检查方法，其中向用户呈现所述变动区域的步骤包括：
将所述变动区域在所述X射线图像上突出显示。
5.如权利要求1所述的车辆检查方法，其中所述多个模板图像选择算法是从下面的图像处理算法中选出的：平均灰度最低法、时间最近法、灰度均方差最小法、局部模板法、概率模板法。
6.如权利要求3所述的车辆检查方法，其中，使用刚性配准算法对所述车辆的X射线图像和模板图像进行对齐，并进一步使用弹性配准算法减小立体变形，之后对二者的差图进行后处理。
7.一种车辆检查系统，包括：
ID获取单元，取得被检查车辆的唯一标识号；
辐射成像系统，对被检查车辆进行X射线扫描，得到被检查车辆的X射线图像；
存储设备，存储所述X射线图像以及历史检查数据库；
图像处理单元，从历史检查数据库中检索与所述唯一标识号相关的至少一幅历史检查图像，基于从多个模板图像选择算法中选择的一种模板图像选择算法确定所述至少一幅历史检查图像中的一幅历史检查图像作为模板图像，确定所述X射线图像与所述模板图像之间的变动区域；
显示设备，向用户呈现所述变动区域。
8.如权利要求7所述的车辆检查系统，其中所述ID获取单元包括：
摄像机，捕获所述被检查车辆的车牌图像；
识别单元，从所述车牌图像识别所述被检查车辆的车牌号。
9.如权利要求7所述的车辆检查系统，其中所述ID获取单元包括：
读取器，从所述被检查车辆所携带的射频标签读取所述被检查车辆的ID。
10.如权利要求7所述的车辆检查系统，其中所述显示设备将所述变动区域在所述X射线图像上突出显示或差异区域在所述X射线图像上以一定的频率有无交替显示。
Priority Applications (8)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410443149.7A CN105372712B (zh) | 2014-09-02 | 2014-09-02 | 车辆检查方法和系统 |
| MX2016009910A MX364548B (es) | 2014-09-02 | 2015-07-24 | Método y sistema de inspección de vehículos. |
| EP15837948.7A EP3190434B1 (en) | 2014-09-02 | 2015-07-24 | Vehicle inspection method and system |
| RU2016120750A RU2622465C1 (ru) | 2014-09-02 | 2015-07-24 | Способы и системы для проверки транспортного средства |
| US15/030,511 US10162077B2 (en) | 2014-09-02 | 2015-07-24 | Methods and systems for inspecting a vehicle |
| BR112016011707A BR112016011707B1 (pt) | 2014-09-02 | 2015-07-24 | método e sistema para inspecionar um veículo |
| PCT/CN2015/085059 WO2016034022A1 (zh) | 2014-09-02 | 2015-07-24 | 车辆检查方法和系统 |
| HK16110516.6A HK1222456A1 (zh) | 2014-09-02 | 2016-09-02 | 車輛檢查方法和系統 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410443149.7A CN105372712B (zh) | 2014-09-02 | 2014-09-02 | 车辆检查方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105372712A CN105372712A (zh) | 2016-03-02 |
| CN105372712B true CN105372712B (zh) | 2017-12-12 |
Family
ID=55375060
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410443149.7A Active CN105372712B (zh) | 2014-09-02 | 2014-09-02 | 车辆检查方法和系统 |
Country Status (8)
| Country | Link |
|---|---|
| US (1) | US10162077B2 (zh) |
| EP (1) | EP3190434B1 (zh) |
| CN (1) | CN105372712B (zh) |
| BR (1) | BR112016011707B1 (zh) |
| HK (1) | HK1222456A1 (zh) |
| MX (1) | MX364548B (zh) |
| RU (1) | RU2622465C1 (zh) |
| WO (1) | WO2016034022A1 (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105787495A (zh) * | 2014-12-17 | 2016-07-20 | 同方威视技术股份有限公司 | 具有车辆参考图像检索及比对功能的车辆检查系统和方法 |
| GB2556941B (en) * | 2016-11-28 | 2021-10-20 | Smiths Heimann Sas | Detection of irregularities using registration |
| CN107918990A (zh) * | 2017-11-29 | 2018-04-17 | 西安超嗨网络科技有限公司 | 一种超市防盗系统及方法 |
| CN109901977A (zh) * | 2017-12-08 | 2019-06-18 | 同方威视技术股份有限公司 | 图像检查模拟方法、装置、设备和计算机可读存储介质 |
| CN109959969B (zh) | 2017-12-26 | 2021-03-12 | 同方威视技术股份有限公司 | 辅助安检方法、装置和系统 |
| JP2021012098A (ja) * | 2019-07-05 | 2021-02-04 | 株式会社イシダ | 検査装置 |
| CN113805240B (zh) * | 2020-05-28 | 2023-06-27 | 同方威视技术股份有限公司 | 车辆检查方法和系统 |
| CN111913990A (zh) * | 2020-07-15 | 2020-11-10 | 广州交信投科技股份有限公司 | 公共交通工具的保洁信息处理方法、装置 |
| CN117649213B (zh) * | 2024-01-30 | 2024-04-19 | 四川宽窄智慧物流有限责任公司 | 一种运输安全前置管理方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101162204A (zh) * | 2006-10-10 | 2008-04-16 | 同方威视技术股份有限公司 | 基于辐射图像变动检测的小型车辆夹带物自动检测方法 |
| CN103744120A (zh) * | 2013-12-30 | 2014-04-23 | 中云智慧（北京）科技有限公司 | 一种违禁品辅助鉴别方法及装置 |
Family Cites Families (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7505557B2 (en) * | 2006-01-30 | 2009-03-17 | Rapiscan Security Products, Inc. | Method and system for certifying operators of x-ray inspection systems |
| CN1181336C (zh) * | 2002-10-16 | 2004-12-22 | 清华大学 | 一种车载移动式集装箱检查系统 |
| US6785357B2 (en) * | 2003-01-16 | 2004-08-31 | Bio-Imaging Research, Inc. | High energy X-ray mobile cargo inspection system with penumbra collimator |
| US20050088320A1 (en) * | 2003-10-08 | 2005-04-28 | Aram Kovach | System for registering and tracking vehicles |
| SG121906A1 (en) | 2004-10-11 | 2006-05-26 | Stratech Systems Ltd | Intelligent vehicle access control system |
| US7991242B2 (en) * | 2005-05-11 | 2011-08-02 | Optosecurity Inc. | Apparatus, method and system for screening receptacles and persons, having image distortion correction functionality |
| CN100587481C (zh) * | 2006-12-14 | 2010-02-03 | 清华大学 | 一种可移动悬臂门式集装箱检查系统 |
| CN101162507B (zh) * | 2006-10-13 | 2010-05-12 | 同方威视技术股份有限公司 | 一种对移动车辆进行车型识别的方法 |
| CN101162205B (zh) * | 2006-10-13 | 2010-09-01 | 同方威视技术股份有限公司 | 对移动目标进行检查的设备及避让方法 |
| US7463714B2 (en) * | 2006-10-17 | 2008-12-09 | The Boeing Company | Foreign object detection |
| US7720194B2 (en) * | 2007-02-16 | 2010-05-18 | L-3 Communications Security and Detection Systems Inc. | High throughput baggage inspection system |
| US8131107B2 (en) * | 2008-05-12 | 2012-03-06 | General Electric Company | Method and system for identifying defects in NDT image data |
| US8150105B2 (en) * | 2008-05-22 | 2012-04-03 | International Electronic Machines Corporation | Inspection using three-dimensional profile information |
| US8811772B2 (en) * | 2012-08-21 | 2014-08-19 | Tianzhi Yang | Mapping evaluating for spatial point sets |
-
2014
- 2014-09-02 CN CN201410443149.7A patent/CN105372712B/zh active Active
-
2015
- 2015-07-24 RU RU2016120750A patent/RU2622465C1/ru active
- 2015-07-24 BR BR112016011707A patent/BR112016011707B1/pt active IP Right Grant
- 2015-07-24 WO PCT/CN2015/085059 patent/WO2016034022A1/zh active Application Filing
- 2015-07-24 MX MX2016009910A patent/MX364548B/es active IP Right Grant
- 2015-07-24 EP EP15837948.7A patent/EP3190434B1/en active Active
- 2015-07-24 US US15/030,511 patent/US10162077B2/en active Active
-
2016
- 2016-09-02 HK HK16110516.6A patent/HK1222456A1/zh unknown
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101162204A (zh) * | 2006-10-10 | 2008-04-16 | 同方威视技术股份有限公司 | 基于辐射图像变动检测的小型车辆夹带物自动检测方法 |
| CN103744120A (zh) * | 2013-12-30 | 2014-04-23 | 中云智慧（北京）科技有限公司 | 一种违禁品辅助鉴别方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| MX2016009910A (es) | 2017-01-09 |
| BR112016011707B1 (pt) | 2020-04-22 |
| EP3190434A4 (en) | 2018-04-18 |
| MX364548B (es) | 2019-04-30 |
| US20170160426A1 (en) | 2017-06-08 |
| HK1222456A1 (zh) | 2017-06-30 |
| RU2622465C1 (ru) | 2017-06-15 |
| US10162077B2 (en) | 2018-12-25 |
| CN105372712A (zh) | 2016-03-02 |
| EP3190434A1 (en) | 2017-07-12 |
| EP3190434B1 (en) | 2020-09-09 |
| WO2016034022A1 (zh) | 2016-03-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105372712B (zh) | 车辆检查方法和系统 | |
| CN104903712B (zh) | 缺陷观察方法以及缺陷观察装置 | |
| US9846930B2 (en) | Detecting defects on a wafer using defect-specific and multi-channel information | |
| US9721337B2 (en) | Detecting defects on a wafer using defect-specific information | |
| TWI603409B (zh) | 用於半導體檢查處方創建、缺陷檢閱及計量之適應性取樣 | |
| JP4908995B2 (ja) | 欠陥分類方法及びその装置並びに欠陥検査装置 | |
| JP6445127B2 (ja) | 貨物の検査方法およびそのシステム | |
| CN103593379B (zh) | 选择用于在处理高光谱数据中使用的算法的方法 | |
| CN103512762A (zh) | 图像处理方法、装置及列车故障检测系统 | |
| JP5342606B2 (ja) | 欠陥分類方法及びその装置 | |
| CN110910341A (zh) | 一种输电线路锈蚀区缺陷检测方法及装置 | |
| CN114862832A (zh) | 缺陷检测模型的优化方法、装置、设备及存储介质 | |
| Ye et al. | Method for automatic railway track surface defect classification and evaluation using a laser‐based 3D model | |
| Guo et al. | Visual pattern recognition supporting defect reporting and condition assessment of wastewater collection systems | |
| JP2023145412A (ja) | 欠陥検出方法及びシステム | |
| US20240087105A1 (en) | Systems and Methods for Paint Defect Detection Using Machine Learning | |
| CN109961457A (zh) | 一种收银防损方法及系统 | |
| WO2024026932A1 (en) | Optimized Path Planning for Defect Inspection based on Effective Region Coverage | |
| Moustris et al. | Defect detection on optoelectronical devices to assist decision making: A real industry 4.0 case study | |
| Servi et al. | Integration of artificial intelligence and augmented reality for assisted detection of textile defects | |
| Navaro et al. | Urban indicator for database updating | |
| CN116630847A (zh) | 图像检测方法及装置 | |
| Lafiosca et al. | Automatic Segmentation of Aircraft Dents in Point Clouds (SAE Paper 2022-01-0022) | |
| Al-Najjar et al. | Identifying Areas of High-risk Vegetation Encroachment on Electrical Powerlines using Mobile and Airborne Laser Scanned Point Clouds | |
| Chen et al. | Sequence-level Supervised Deep Neural Networks for Mitosis Event Detection in Time-Lapse Microscopy Images |
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: 1222456 Country of ref document: HK |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| REG | Reference to a national code |
Ref country code: HK Ref legal event code: GR Ref document number: 1222456 Country of ref document: HK |