CN106250936A - 基于机器学习的多特征多线程安检违禁品自动识别方法 - Google Patents

Abstract

本发明涉及计算机视觉技术领域，具体涉及一种基于机器学习的多特征多线程安检违禁品自动识别方法，它采用如下的方法步骤：步骤A：训练Adaboost分类器：收集目标样本，对目标样本进行预处理，经过特征提取并进行检测与分类识别，得到强分类器；步骤B：安检违禁品自动识别：读入安检监测的X光图像，进行PDE去噪预处理，并行边沿纹理扫描，利用LBP+HOG特征与步骤A所得到的强分类器进行并行的特征提取与分类识别，输出识别结果；它解决了因安监人员长时间监视屏幕而导致疲劳，易因疏忽大意而发生错检、漏检等现象，以及需要安检人员长时间值守，耗费人力，效率较低的问题，极大地提高了工作效率以及降低了人力成本。

Description

基于机器学习的多特征多线程安检违禁品自动识别方法

【技术领域】

本发明涉及计算机视觉技术领域，涉及一种安检监测技术，具体涉及一种基于机器学习的多特征多线程安检违禁品自动识别方法。

【背景技术】

目前，为防止恐怖主义活动、走私犯罪等严重危害社会公共安全的事件发生，在机场、车站、地铁、码头或其他人员密集、流动较大的公共场所，均设置有对人员及其行李进行安检的设备。其中，大部分对人员及其行李进行安检的设备为带有X光成像仪器的安检机。现有的大多数安检监测方法，都是通过X光成像仪器获取的人员或行李图像，在显示端进行X光图像显示，再经过安检人员的肉眼对该图像进行物品甄别。上述方法存在如下问题：首先使用上述方法通过安检人员现场查看X光图像，来发现有无安检违禁品及是否存在安全隐患的方法，容易由于长时间监视屏幕而导致疲劳，也容易因疏忽大意而发生错检、漏检等现象。其次使用上述方法来检测检查，需要安检人员长时间值守，耗费人力，而且效率较低。

而机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。机器学习算法是一类从数据中自动分析获得规律，并利用规律对未知数据进行预测的算法。目前机器学习广泛应用于数据挖掘、计算机视觉、生物特征识别、搜索引擎等领域。在计算机视觉领域经常运用机器学习的方法进行图像的分类识别，以达到智能化效果。Adaboost是一种神经网络的迭代算法，可应用于目标分类。LBP(Local Binary Pattern，局部二值模式)特征是一种有效的非参数化的图像局部纹理描述方法，其特点是计算简单，能捕捉图像中微量的细节特征，从而可以提取更有利于分类的局部领域关系模式，已广泛的应用于纹理分类、人脸图像分析、图像检索等领域。方向梯度直方图(Histogram of Oriented Gradient,HOG)特征是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子。它通过计算和统计图像局部区域的梯度方向直方图来构成特征。Hog特征结合SVM分类器已经被广泛应用于图像识别当中。因此在大数据的背景下，基于机器学习算法，运用多种特征提取和分类识别算法的智能化安检监测方法，尤其是对安全违禁品的自动识别方法和系统，将颠覆过去由安检人员值守查看进行甄别的传统方法，能够极大提高工作效率，因此利用上述的思路，如何达到对安全违禁品的自动识别，采用何种方法步骤来实现，是本发明要解决的问题。

【发明内容】

本发明的目的在于针对现有技术的缺陷和不足，提供一种结构简单，设计合理、使用方便的基于机器学习的多特征多线程安检违禁品自动识别方法，它采用LBP+HOG特征并行和Adaboost结合的分类检测技术，对轮廓、纹理进行多特征多线程自动并行扫描，能够对安检违禁品进行高精确性自动检测与识别，它解决了因安监人员长时间监视屏幕而导致疲劳，易因疏忽大意而发生错检、漏检等现象，以及需要安检人员长时间值守，耗费人力，效率较低的问题，极大地提高了工作效率以及降低了人力成本。

本发明所述的基于机器学习的多特征多线程安检违禁品自动识别方法，它采用如下的方法步骤：

步骤A：训练Adaboost分类器：收集目标样本，对目标样本进行预处理，经过特征提取并进行检测与分类识别，得到强分类器；

步骤B：安检违禁品自动识别：读入安检监测的X光图像，进行PDE去噪预处理，并行边沿纹理扫描，利用LBP+HOG特征与步骤A所得到的强分类器进行并行的特征提取与分类识别，输出识别结果。

进一步地，所述实现步骤A，采用如下的方法步骤：

步骤一：目标样本：从各种安检监测的X光图像中获取大量的违禁品图像样本与非违禁品图像样本，其中违禁品图像样本中包含各种不同视角的违禁品图像，共同组成违禁品检测目标样本集；从各种安检监测的X光图像中获取大量的各种类型安检违禁品的图像样本，组成违禁品分类识别的目标样本集；

步骤二：对目标样本进行预处理，包括去噪、清晰化和边沿增强等；

步骤三：利用LBP特征进行纹理特征提取，采用小波变换和统计直方图的方法，最后获得LBP纹理特征向量；

步骤四：利用Adaboost分类器进行数据训练，采取多线程并行计算，对特征向量进行分类检测与识别，最后训练得到由弱分类器构成的强分类器。

进一步地，所述实现步骤B，采用如下的方法步骤：

步骤一：读入安检设备获取的人员及其行李的X光图像，兼容多重图像压缩格式，兼容流媒体格式，该图像读入内存后准备进行分析预处理；

步骤二：读入X光图像进行PDE去噪、清晰化和边沿增强等预处理；

步骤三：运用多线程并行的方法进行图像的边沿纹理扫描，获得全局纹理信息；

步骤四：利用步骤A所得Adaboost分类器进行多线程并行的LBP+HOG特征提取与分类识别；

步骤五：最后经过并行的特征提取与分类识别，输出安检违禁品识别的结果。

采用上述结构后，本发明有益效果为：本发明所述的基于机器学习的多特征多线程安检违禁品自动识别方法，它采用LBP+HOG特征并行和Adaboost结合的分类检测技术，对轮廓、纹理进行多特征多线程自动并行扫描，能够对安检违禁品进行高精确性自动检测与识别，它解决了因安监人员长时间监视屏幕而导致疲劳，易因疏忽大意而发生错检、漏检等现象，以及需要安检人员长时间值守，耗费人力，效率较低的问题，极大地提高了工作效率以及降低了人力成本。

【附图说明】

此处所说明的附图是用来提供对本发明的进一步理解，构成本申请的一部分，但并不构成对本发明的不当限定，在附图中：

图1是本发明技术方案的实施流程图；

图2是HOG特征提取流程图；

图3是LBP特征提取流程图；

图4是安检X光图像样张。

【具体实施方式】

下面将结合附图以及具体实施例来详细说明本发明，其中的示意性实施例以及说明仅用来解释本发明，但并不作为对本发明的限定。

如图1-图4所示，本具体实施方式所述的基于机器学习的多特征多线程安检违禁品自动识别方法，它采用如下的方法步骤：

步骤A：训练Adaboost分类器：收集目标样本，对目标样本进行预处理，经过特征提取并进行检测与分类识别，得到强分类器；

步骤B：安检违禁品自动识别：读入安检监测的X光图像，进行PDE去噪预处理，并行边沿纹理扫描，利用LBP+HOG特征与步骤A所得到的强分类器进行并行的特征提取与分类识别，输出识别结果。

进一步地，所述实现步骤A，采用如下的方法步骤：

步骤一：目标样本：从各种安检监测的X光图像中获取大量的违禁品图像样本与非违禁品图像样本，其中违禁品图像样本中包含各种不同视角的违禁品图像，共同组成违禁品检测目标样本集；从各种安检监测的X光图像中获取大量的各种类型安检违禁品的图像样本，组成违禁品分类识别的目标样本集；

步骤二：对目标样本进行预处理，包括去噪、清晰化和边沿增强等；

步骤三：利用LBP特征进行纹理特征提取，采用小波变换和统计直方图的方法，最后获得LBP纹理特征向量；

步骤四：利用Adaboost分类器进行数据训练，采取多线程并行计算，对特征向量进行分类检测与识别，最后训练得到由弱分类器构成的强分类器。

进一步地，所述实现步骤B，采用如下的方法步骤：

步骤一：读入安检设备获取的人员及其行李的X光图像，兼容多重图像压缩格式，兼容流媒体格式，该图像读入内存后准备进行分析预处理；

步骤二：读入X光图像进行PDE去噪、清晰化和边沿增强等预处理；

步骤三：运用多线程并行的方法进行图像的边沿纹理扫描，获得全局纹理信息；

步骤四：利用步骤A所得Adaboost分类器进行多线程并行的LBP+HOG特征提取与分类识别；

步骤五：最后经过并行的特征提取与分类识别，输出安检违禁品识别的结果。

本发明中，首先需要训练Adaboost安检违禁品分类识别器，基于多特征提取技术，结合多线程并行计算，以能够最优化地发挥算法的效率。

训练Adaboost分类器目标样本：包括安检违禁品检测目标样本和安检违禁品分类识别目标样本。安检违禁品检测目标样本，从各种安检监测中获取大量的违禁品图像样本与非违禁品图像样本组成；违禁品分类识别目标样本由各种安检监测中获取大量的各种类型安检违禁品的图像样本组成。

对训练的目标样本图像进行预处理，通过图像去噪、清晰化和边沿增强。

利用LBP特征进行纹理特征提取，包括以下步骤：

1、首先将目标图像检测窗口划分为16×16的小区域(cell)；

2、对于每个cell中的一个像素，将相邻的8个像素的灰度值与其进行比较，若周围像素值大于中心像素值，则该像素点的位置被标记为1，否则为0。这样，3×3邻域内的8个点经比较可产生8位二进制数，即得到该窗口中心像素点的LBP值；

3、计算每个cell的直方图，即每个数字(假定是十进制数LBP值)出现的频率，然后对该直方图进行归一化处理；

4、将得到的每个cell的统计直方图进行连接成为一个特征向量，也就是整幅图的LBP纹理特征向量，作为Adaboost分类器的输入层。

Adaboost分类器是应用于分类识别问题的实用性较强，其算法中不同的训练集是通过调整每个样本对应的权重来实现的。

开始时，每个目标图像样本对应的权重是相同的，即其中N为样本个数，在此样本分布下训练出一弱分类器。对于分类错误的目标图像样本，加大其对应的权重；而对于分类正确的样本，降低其权重，这样分错的样本就被突出出来，从而得到一个新的样本分布；

在新的样本分布下，再次对弱分类器进行训练，得到弱分类器。依次类推，经过T次循环，得到T个弱分类器，把这T个弱分类器按一定的权重叠加(boost)起来，得到最终满足要求的强分类器；

得到训练的Adaboost强分类器模型，作为实践中安检违禁品自动检测与识别的分类器。

安检违禁品自动识别：读入安检监测的X光图像，进行去噪预处理，并行边沿纹理扫描，利用LBP特征与步骤A所得到的分类器进行并行的特征提取与分类识别，输出识别结果。

读入安检设备获取的人员及其行李的X光图像，兼容多重图像压缩格式，兼容流媒体格式，该图像读入内存后准备进行分析预处理；

进一步地，对读入X光图像进行去噪、清晰化和边沿增强等预处理；

图像去噪处理最终目的是改善读入的图像，解决实际图像由于噪声干扰而导致图像质量下降的问题。通过去噪技术可以有效地提高图像质量，增大信噪比，更好的体现原来图像所携带的信息，是一种重要的预处理手段；

本技术方案采用基于PDE的图像去噪算法。PDE的非线性扩散滤波方法(以下简称P-M)，各向异性的去噪模型根据图像的梯度值决定扩散的速度，使之能兼顾噪声消除和边缘保持两方面的要求。以P-M模型为代表的这类方法己经在图像增强、图像分割和边缘检测等领域得到了广泛的应用，取得了很好的效果；

P-M是一种非线性的各向异性方法，目的是为了克服线性滤波方法存在的模糊边缘和边缘位置移动的缺点。基本思想是:图像特征强的地方减少扩散系数，图像特征弱的地方增强扩散系数。方程如下：

$\left\{\begin{array}{c}\frac{\∂u}{\∂}=div\[g\left(\right|\▿u\left|\right)\▿u\]\\ u(x,y,0)=u(x,y)\end{array}\right.;t\∈(0,T)$

其中,u(x,y,t)是随时间变化的图像，是梯度的模,扩散系数函数用于控制扩散速度。理想的扩散系数应当使各向异性扩散在灰度变化平缓的区域快速进行，而在灰度变化急剧的位置(即图像特征处)低速扩散乃至不扩散函数，所以，应具有如下性质：

g(0)＝1(表示在非边缘处加强扩散)

(表示在边缘处停止扩散)

经去噪处理后的图像进行并行边缘纹理扫描：对图像边缘的检测采用基于查找的方法通过寻找图像一阶导数中的最大和最小值来检测边界，通常是将边界定位在梯度最大的方向。在并行检测中，以图像行为单位，每个并行进程检测一行，在多核多线程机器中并行检测算法的检测效率理论上可以达到传统算法的N倍(N取决于系统进程数)。

并行特征提取：利用LBP纹理特征+HOG特征对图像进行特征提取，采用多线程并行运算的方法，提高算法的效率；

其中，HOG特征是通过计算和统计图像局部区域的梯度方向直方图来构成特征。它将图像分成小的连通区域，即cell(细胞单元)。然后采集cell中各像素点的梯度的或边缘的方向直方图，最后把这些直方图组合起来就可以构成特征描述器(HOG特征向量)；

利用HOG特征进行提取的实现过程，包括以下步骤：

1、确定检测图像，并将图像进行灰度化；

2、采用Gamma校正法对输入图像进行颜色空间的标准化(归一化)，调节图像的对比度，降低图像局部的阴影和光照变化所造成的影响，同时可以抑制噪音的干扰；

3、计算图像每个像素的梯度，捕获轮廓信息，同时进一步弱化光照的干扰；

4、将图像划分成6×6像素的cells，统计每个cell的梯度直方图，即可形成每个cell的描述子；

5、将3×3个cells组成一个block，一个block内所有cell的特征描述子串联起来便得到该block的HOG特征描述子；

6、将检测图像(检测窗口)内的所有block的HOG特征描述子串联起来就可以得到该图像的HOG特征描述器，也就是最终提供给Adaboost分类器使用的特征向量。

利用LBP特征进行纹理特征提取的过程与训练Adaboost分类器时的图像特征提取方法一致。

Adaboost分类器为训练违禁品检测与自动识别得到的最后满足既定标准的强分类器模型；

训练一个弱分类器需要比较输入图片的特征值和弱分类器中特征，确定一个阈值，输入图像样本的特征值大于该阈值时判定其为违禁品图像，公式如下：

每个特征f，训练一个弱分类器h(x,f,p,θ)，就是确定f的最优阈值，使得这个弱分类器h(x,f,p,θ)对所有的训练图像样本的分类误差最低；

得到第一个弱分类器后，提高上一轮中被误判的样本的权重，将分错的样本和其他的新数据一起构成一个新的N个的训练样本，通过对这个样本进行训练得到第二个弱分类器；

如此循环执行，T轮后得到T个最优弱分类器，组合成一个最终的强分类器。

经并行多特征提取的特征向量作为已训练好的Adaboost分类器的输入层，最后自动输出经检测并能自动识别为某一类型安检违禁品的图像结果。

本发明的优点如下：本发明基于机器学习算法和多特征多线程运算，能够自动通过分类器自主识别X光图像中的安检违禁品。克服了人工检测的低效和由疲劳引起的出错率，极大地提高了工作效率和增快了安检通道的通过率，有效地减少了公共场所的人流拥堵，节约了人们通过安检通道的等待时间，为反恐和维护社会安定提供了一个行之有效的利器。

本发明所述的基于机器学习的多特征多线程安检违禁品自动识别方法，它采用LBP+HOG特征并行和Adaboost结合的分类检测技术，对轮廓、纹理进行多特征多线程自动并行扫描，能够对安检违禁品进行高精确性自动检测与识别，它解决了因安监人员长时间监视屏幕而导致疲劳，易因疏忽大意而发生错检、漏检等现象，以及需要安检人员长时间值守，耗费人力，效率较低的问题，极大地提高了工作效率以及降低了人力成本。

以上所述仅是本发明的较佳实施方式，故凡依本发明专利申请范围所述的构造、特征及原理所做的等效变化或修饰，均包括于本发明专利申请范围内。

Claims (3)

1.基于机器学习的多特征多线程安检违禁品自动识别方法，其特征在于：它采用如下的方法步骤：

步骤A：训练Adaboost分类器：收集目标样本，对目标样本进行预处理，经过特征提取并进行检测与分类识别，得到强分类器；

步骤B：安检违禁品自动识别：读入安检监测的X光图像，进行PDE去噪预处理，并行边沿纹理扫描，利用LBP+HOG特征与步骤A所得到的强分类器进行并行的特征提取与分类识别，输出识别结果。

2.根据权利要求1所述的基于机器学习的多特征多线程安检违禁品自动识别方法，其特征在于：所述实现步骤A，采用如下的方法步骤：

步骤一：目标样本：从各种安检监测的X光图像中获取大量的违禁品图像样本与非违禁品图像样本，其中违禁品图像样本中包含各种不同视角的违禁品图像，共同组成违禁品检测目标样本集；从各种安检监测的X光图像中获取大量的各种类型安检违禁品的图像样本，组成违禁品分类识别的目标样本集；

步骤二：对目标样本进行预处理，包括去噪、清晰化和边沿增强等；

步骤三：利用LBP特征进行纹理特征提取，采用小波变换和统计直方图的方法，最后获得LBP纹理特征向量；

步骤四：利用Adaboost分类器进行数据训练，采取多线程并行计算，对特征向量进行分类检测与识别，最后训练得到由弱分类器构成的强分类器。

3.根据权利要求1所述的基于机器学习的多特征多线程安检违禁品自动识别方法，其特征在于：所述实现步骤B，采用如下的方法步骤：

步骤一：读入安检设备获取的人员及其行李的X光图像，兼容多重图像压缩格式，兼容流媒体格式，该图像读入内存后准备进行分析预处理；

步骤二：读入X光图像进行PDE去噪、清晰化和边沿增强等预处理；

步骤三：运用多线程并行的方法进行图像的边沿纹理扫描，获得全局纹理信息；

步骤四：利用步骤A所得Adaboost分类器进行多线程并行的LBP+HOG特征提取与分类识别；

步骤五：最后经过并行的特征提取与分类识别，输出安检违禁品识别的结果。