CN106371145A - 基于svm的x光图像空箱检测方法 - Google Patents
基于svm的x光图像空箱检测方法 Download PDFInfo
- Publication number
- CN106371145A CN106371145A CN201510434866.8A CN201510434866A CN106371145A CN 106371145 A CN106371145 A CN 106371145A CN 201510434866 A CN201510434866 A CN 201510434866A CN 106371145 A CN106371145 A CN 106371145A
- Authority
- CN
- China
- Prior art keywords
- light image
- image
- gabor
- normalized
- svm
- 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.)
- Pending
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明提出一种基于svm的X光图像空箱检测方法,首先对X光图像归一化,得到尺寸一致的图像,提取水平和竖直两个方向上的颜色直方图特征,然后提取基于gabor滤波器的纹理特征值,最后将两种特征结合,采用直方图交叉核的支持向量机算法,具有分类快且准确率高的优点。
Description
技术领域
本发明涉及图像检测和安检领域,具体说涉及一种基于SVM的X光图像空箱检测方法。
背景技术
随着全世界范围内恐怖袭击、贩毒、走私等犯罪活动的日益猖獗,各国政府已不断加强对各种公共场所(如在机场、车站、航运码头、会展中心、政府机关、大型运动场及边检口岸等)的安全检查。现有技术中的安检系统通过产生X射线穿透行李以获得行李的X光图像,并将X光图像显示在屏幕上,然后由工作人员根据经验判别行李中是否包含危险物品。这种方式要求工作人员具有一定的判图经验,工作强度大,而行李中5%~15%的为非常简单的容易判断或是很少的安全行李,通过简单的算法可以自动排出而不再屏幕上显示,这样可以有效的降低工作人员的劳动强度,提高安检通过率。
发明内容
针对现有技术存在的问题,本发明的目的在于提出一种基于SVM的X光图像空箱检测方法。
为实现上述目的,本发明提出一种基于SVM的X光图像空箱检测方法包括训练阶段和检测阶段;
其中,训练阶段包括以下步骤:
步骤1.1,采集样本库,利用X光机过行李包裹,并将采集的图像中的空箱用人工标定切割出来作为正样本,从非空箱的X光图像中随机切割非空箱图像作为负样本;建立样本库;
步骤1.2,对样本库中的X光图像尺寸进行归一化处理,即,将样本库中的X光图像尺寸归一化为指定尺寸;
步骤1.3,计算归一化处理后的图像在水平和竖直两个方向的颜色直方图,记为
;
步骤1.4,对颜色直方图进行归一化处理;
步骤1.5,选取Gabor滤波器的尺度数和方向数,对X光图像进行Gabor变换,并取变换后的均值和标准差作为纹理特征向量T;
步骤1.6,对Gabor滤波后的纹理特征向量进行归一化处理,公式如下:
;
步骤1.7,把颜色直方图和Gabor纹理特征向量组合得到一个112维的特征向量如下:
其中,前64维为颜色直方图特征向量,后48维为Gabor纹理特征向量;
步骤1.8, 将样本库中所有X光图像按步骤1.7计算特征向量,用SVM进行训练,SVM的核函数采用径向基函数,训练完成后,得到上述融合的特征向量的分类器模型;
检测阶段包括以下步骤:
步骤2.1,对待检测的X光图像尺寸进行归一化处理;
步骤2.2,对归一化的图像计算水平和竖直两个方向的颜色直方图,记为H(i);
步骤2.3,对颜色直方图H(i)归一化处理;
步骤2.4,选取Gabor滤波器的尺度数和方向数,对X光图像进行Gabor变换,并取变换后的均值和标准差作为纹理特征向量T;
步骤2.5,对Gabor滤波后的纹理特征向量归一化,公式如下:
;
步骤2.6,把颜色直方图和Gabor纹理特征向量组合得到一个112维的特征向量如下:
其中,前64维为颜色直方图特征向量,后48维为Gabor纹理特征向量;
步骤2.7,将得到的特征向量使用训练阶段训练出的分类器模型进行计算,得到X光图像分属两类的概率,判断X光图像是否属于空箱。
上述步骤1.2)中,所述归一化处理具体为:设原始样本图像为,图像宽度为,高度为,图像位于第行第列的像素点的值为,,;设尺寸归一化后图像为,图像宽度为,高度为,输入图像与归一化后图像之间的对应关系为:
其中和分别为和方向的尺度变换因子:,,根据线性插值方法,对于给定,令:
,,
其中:,为取整函数,插值过程可表示为:
所述步骤1.2)和所述步骤2.1)为相同的步骤。
上述的X光图像空箱检测方法中,所述的步骤1.2)中,对样本库中正样本和负样本的X光图像归一化尺寸为32*32大小,所述步骤1.2)和所述步骤2.1)为相同的步骤。
上述的X光图像空箱检测方法中,所述的步骤1.4)中,对颜色直方图归一化处理方法是最大最小值法,即把样本库中每个特征值、最大值、最小值找出,然后利用如下公式计算出归一化的值;
,
=0,1,
2, 3,……,63;
式中:hi:归一化值;Hi:特征值;Hmin:最小值;Hmax:最大值。
上述的图像空箱检测方法,所述步骤1.5)中,选取Gabor滤波器的尺度数和方向数,尺度数=6,方向数=4;Gabor滤波器组中共有尺度和方向各不相同的滤波器6*4=24个;对X光图像进行滤波,图像经上述24个滤波器的Gabor变换之后表示为,取变换后的均值和标准差作为纹理特征向量T:
其中,;;;
则可以得到纹理特征向量:
;
所述步骤1.5)和所述步骤2.4)为相同的步骤。
上述的图像空箱检测方法,所述步骤1.7)中,得到的特征向量如下:
其中,前64维为颜色直方图特征向量,后48维为Gabor纹理特征向量,
所述步骤1.7)和所述步骤2.6)为相同的步骤。
附图说明
图1为本发明一个具体实施例中的基于SVM的X光图像空箱检测方法中训练阶段的流程图;
图2为本发明一个具体实施例中的基于SVM的X光图像空箱检测方法中检测阶段的流程图。
具体实施方式
下面结合附图和实施例对本发明提出的基于SVM的X光图像空箱检测方法做进一步描述。以下实施例仅用于说明本发明,但不用来限制本发明的范围。
如图1所示,在由X光机图像采集设备和计算机组成的系统中,本发明的基于SVM的X光图像空箱检测方法包括训练阶段和检测阶段;
一、训练阶段包括以下步骤,
步骤1.1,采集样本库,利用X光机过行李包裹,并将采集的图像中的空箱用人工标定切割出来作为正样本,从非空箱的X光图像中随机切割非空箱图像作为负样本;建立样本库;
步骤1.2,对样本库中的X光图像尺寸进行归一化处理,即,将样本库中的X光图像尺寸归一化为指定尺寸,本发明的实施例中将样本库中的X光图像归一化尺寸为32Px*32Px大小;
步骤1.3,计算归一化处理后的图像在水平和竖直两个方向的颜色直方图,记为;
步骤1.4,对颜色直方图进行归一化处理,本发明的实施例中归一化处理具体为:设原始样本图像为,图像宽度为,高度为,图像位于第行第列的像素点的值为,,;设尺寸归一化后图像为,图像宽度为,高度为,输入图像与归一化后图像之间的对应关系为:
其中和分别为和方向的尺度变换因子:,,根据线性插值方法,对于给定,令:
,,
其中:,为取整函数,插值过程可表示为:
;
步骤1.5,选取Gabor滤波器的尺度数和方向数,对X光图像进行Gabor变换,并取变换后的均值和标准差作为纹理特征向量T,本发明的实施例中选取Gabor滤波器的尺度数和方向数,尺度数=6,方向数=4;Gabor滤波器组中共有尺度和方向各不相同的滤波器6*4=24个;对X光图像进行滤波,图像经上述24个滤波器的Gabor变换之后表示为,取变换后的均值和标准差作为纹理特征向量T:
其中,;;;
则可以得到纹理特征向量:
本发明的实施例中的Gabor滤波器的方向数为4时,分别取方向,,和四个方向,本发明的中Gabor滤波器的尺度数也可以为8,方向也可以为6或8。
步骤1.6,对Gabor滤波后的纹理特征向量进行归一化处理,公式如下:
;
步骤1.7,把颜色直方图和Gabor纹理特征向量组合得到一个112维的特征向量如下:
其中,前64维为颜色直方图特征向量,后48维为Gabor纹理特征向量;
步骤1.8, 将样本库中所有X光图像按步骤1.7计算特征向量,用SVM进行训练,SVM的核函数采用径向基函数,训练完成后,得到上述融合的特征向量的分类器模型;
二.检测阶段包括以下步骤:
步骤2.1,对待检测的X光图像尺寸进行归一化处理,具体地,将待检测的X光图像尺寸归一化为32X32的大小;
步骤2.2,对归一化的图像计算水平和竖直两个方向的颜色直方图,记为H(i);
步骤2.3,对颜色直方图H(i)归一化处理,归一化处理具体为:设原始样本图像为,图像宽度为,高度为,图像位于第行第列的像素点的值为,,;设尺寸归一化后图像为,图像宽度为,高度为,输入图像与归一化后图像之间的对应关系为:
其中和分别为和方向的尺度变换因子:,,根据线性插值方法,对于给定,令:
,,
其中:,为取整函数,插值过程可表示为:
;
步骤2.4,选取Gabor滤波器的尺度数和方向数,对X光图像进行Gabor变换,并取变换后的均值和标准差作为纹理特征向量T;本发明的实施例中选取Gabor滤波器的尺度数和方向数,尺度数f=6,方向数ө=4;Gabor滤波器组中共有尺度和方向各不相同的滤波器6*4=24个;对X光图像进行滤波,图像经上述24个滤波器的Gabor变换之后表示为,取变换后的均值和标准差作为纹理特征向量T:
其中,;;;
则可以得到纹理特征向量:
步骤2.5,对Gabor滤波后的纹理特征向量归一化,公式如下:
;
步骤2.6,把颜色直方图和Gabor纹理特征向量组合得到一个112维的特征向量如下:
其中,前64维为颜色直方图特征向量,后48维为Gabor纹理特征向量;
步骤2.7,将得到的特征向量使用训练阶段训练出的分类器模型进行计算,得到X光图像分属两类的概率,判断X光图像是否属于空箱。
以上使用方式仅用于说明本发明,而并非对发明的限制,有关技术领域的普通技术人员,在不脱离本发明的精神和范围的情况下,还可以做出各种变化和变型,因此所有等同的技术方案也属于本发明的保护范畴。
Claims (7)
1.一种基于SVM的X光图像空箱检测方法,其特征在于:在由X光机图像采集设备和计算机组成的系统中,所述的检测方法包括训练阶段和检测阶段;
训练阶段包括以下步骤,
步骤1.1,采集样本库,利用X光机过行李包裹,并将采集的图像中的空箱用人工标定切割出来作为正样本,从非空箱的X光图像中随机切割非空箱图像作为负样本;建立样本库;
步骤1.2,对样本库中的X光图像尺寸进行归一化处理,即,将样本库中的X光图像尺寸归一化为指定尺寸;
步骤1.3,计算归一化处理后的图像在水平和竖直两个方向的颜色直方图,记为
;
步骤1.4,对颜色直方图进行归一化处理,记为;
步骤1.5,选取Gabor滤波器的尺度数和方向数,对X光图像进行Gabor变换,并取变换后的均值和标准差作为纹理特征向量T;
步骤1.6,对Gabor滤波后的纹理特征向量进行归一化处理,记为;
步骤1.7,把颜色直方图和Gabor纹理特征向量组合;
步骤1.8, 将样本库中所有X光图像按步骤1.7计算特征向量,用SVM进行训练,SVM的核函数采用径向基函数,训练完成后,得到上述融合的特征向量的分类器模型;
二.检测阶段包括以下步骤:
步骤2.1,对待检测的X光图像进行归一化处理;
步骤2.2,对归一化的图像计算水平和竖直两个方向的颜色直方图,记为H(i);
步骤2.3,对颜色直方图H(i)进行归一化处理;
步骤2.4,选取Gabor滤波器的尺度数和方向数,对X光图像进行Gabor变换,并取变换后的均值和标准差作为纹理特征向量T;
步骤2.5,对Gabor滤波后的纹理特征向量进行归一化处理;
步骤2.6,把颜色直方图和Gabor纹理特征向量组合;
步骤2.7,将得到的特征向量使用训练阶段训练出的分类器模型进行计算,得到X光图像分属两类的概率,判断X光图像是否属于空箱。
2.如权利要求1所述的基于SVM的X光图像空箱检测方法,其特征在于:对样本库中正样本和负样本的X光图像归一化尺寸为32*32大小。
3.如权利要求2所述的基于SVM的X光图像空箱检测方法,其特征在于:上述步骤1.2)中,所述归一化处理具体为:设原始样本图像为,图像宽度为,高度为,图像位于第行第列的像素点的值为,,;设尺寸归一化后图像为,图像宽度为,高度为,输入图像与归一化后图像之间的对应关系为:
其中和分别为和方向的尺度变换因子:,,根据线性插值方法,对于给定,令:
,,
其中:,为取整函数,插值过程可表示为:
所述步骤1.2)和所述步骤2.1)为相同的步骤。
4.如权利要求1所述的基于SVM的X光图像空箱检测方法,其特征在于:上述步骤1.4)中,对颜色直方图归一化处理方法是最大最小值法,即把样本库中每个特征值、最大值、最小值找出,然后利用如下公式计算出归一化的值;
,
i=0,1, 2, 3,……,63;
式中:hi:归一化值;Hi:特征值;Hmin:最小值;Hmax:最大值;
所述步骤1.4)和所述步骤2.3)为相同的步骤。
5.如权利要求1所述的基于SVM的X光图像空箱检测方法,其特征在于,上述步骤1.5)中,选取Gabor滤波器的尺度数和方向数,尺度数f=6,方向数ө=4;Gabor滤波器组中共有尺度和方向各不相同的滤波器6*4=24个;对X光图像进行滤波,图像经上述24个滤波器的Gabor变换之后表示为,取变换后的均值和标准差作为纹理特征向量T:
其中,;;;
则可以得到纹理特征向量:
,
,
,……,,,
, ,,,
…… ,,)
所述步骤1.5)和所述步骤2.4)为相同的步骤。
6.如权利要求所述的基于SVM的X光图像空箱检测方法,其特征在于,上述步骤1.6)中,的计算公式如下:
所述步骤1.6)和所述步骤2.5)为相同的步骤。
7.如权利要求1所述的基于SVM的X光图像空箱检测方法,其特征在于,上述步骤1.7)中,得到的特征向量如下:
其中,前64维为颜色直方图特征向量,后48维为Gabor纹理特征向量;
所述步骤1.7)和所述步骤2.6)为相同的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510434866.8A CN106371145A (zh) | 2015-07-23 | 2015-07-23 | 基于svm的x光图像空箱检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510434866.8A CN106371145A (zh) | 2015-07-23 | 2015-07-23 | 基于svm的x光图像空箱检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106371145A true CN106371145A (zh) | 2017-02-01 |
Family
ID=57880991
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510434866.8A Pending CN106371145A (zh) | 2015-07-23 | 2015-07-23 | 基于svm的x光图像空箱检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106371145A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110910467A (zh) * | 2019-12-03 | 2020-03-24 | 浙江啄云智能科技有限公司 | 一种x射线图像样本生成方法、系统及用途 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101615224A (zh) * | 2008-06-27 | 2009-12-30 | 西门子公司 | 一种计算机辅助识别装置和系统 |
US20130251207A1 (en) * | 2010-12-06 | 2013-09-26 | Indian Institute Of Technology, Kharagpur | Method and System to Detect the Microcalcifications in X-Ray Images Using Nonlinear Energy Operator |
CN104376326A (zh) * | 2014-11-02 | 2015-02-25 | 吉林大学 | 一种用于图像场景识别的特征提取方法 |
CN104537381A (zh) * | 2014-12-30 | 2015-04-22 | 华中科技大学 | 一种基于模糊不变特征的模糊图像识别方法 |
-
2015
- 2015-07-23 CN CN201510434866.8A patent/CN106371145A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101615224A (zh) * | 2008-06-27 | 2009-12-30 | 西门子公司 | 一种计算机辅助识别装置和系统 |
US20130251207A1 (en) * | 2010-12-06 | 2013-09-26 | Indian Institute Of Technology, Kharagpur | Method and System to Detect the Microcalcifications in X-Ray Images Using Nonlinear Energy Operator |
CN104376326A (zh) * | 2014-11-02 | 2015-02-25 | 吉林大学 | 一种用于图像场景识别的特征提取方法 |
CN104537381A (zh) * | 2014-12-30 | 2015-04-22 | 华中科技大学 | 一种基于模糊不变特征的模糊图像识别方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110910467A (zh) * | 2019-12-03 | 2020-03-24 | 浙江啄云智能科技有限公司 | 一种x射线图像样本生成方法、系统及用途 |
CN110910467B (zh) * | 2019-12-03 | 2023-04-18 | 浙江啄云智能科技有限公司 | 一种x射线图像样本生成方法、系统及用途 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109241985B (zh) | 一种图像识别方法及装置 | |
CN109977877B (zh) | 一种安检智能辅助判图方法、系统以及系统控制方法 | |
CN105678788B (zh) | 一种基于hog和低秩分解的织物疵点检测方法 | |
CN107742093A (zh) | 一种红外图像电力设备部件实时检测方法、服务器及系统 | |
CN110298265A (zh) | 一种基于yolo神经网络的电梯中特定目标检测方法 | |
CN111222478A (zh) | 一种工地安全防护检测方法和系统 | |
CN110334660A (zh) | 一种雾天条件下基于机器视觉的森林火灾监测方法 | |
CN105787470A (zh) | 一种基于聚合多通道特征对图像中输电线路杆塔进行检测的方法 | |
CN103345631A (zh) | 图像特征提取、训练、检测方法及模块、装置、系统 | |
CN107358270B (zh) | 一种隧道墙体的渗水检测方法及装置 | |
CN102819733A (zh) | 一种快速的街景图像中人脸的检测模糊方法 | |
CN107784469A (zh) | 一种基于无人机航拍图像技术的仓库货物盘点方法 | |
CN107092935A (zh) | 一种资产变更检测方法 | |
CN106228106B (zh) | 一种改进的实时车辆检测过滤方法及系统 | |
CN111539251B (zh) | 一种基于深度学习的安检物品识别方法和系统 | |
CN111815616A (zh) | 一种基于深度学习的x光安检图像中危险品检测方法 | |
CN105426928A (zh) | 一种基于Haar特征和EOH特征的行人检测方法 | |
CN106371145A (zh) | 基于svm的x光图像空箱检测方法 | |
CN110992324B (zh) | 一种基于x射线图像的智能危险品检测方法及系统 | |
CN103942792A (zh) | 医药检测机器人中基于序列图像时域特征的杂质检测方法 | |
CN107832696A (zh) | 一种电力作业现场物体安全特征识别系统 | |
CN112581467B (zh) | 一种基于疑似危险品评价的智能安检方法 | |
CN107895152A (zh) | 一种在轨云缝快速检测方法 | |
Ge et al. | Stroke edge based binarization algorithm for the palm leaf manuscripts | |
CN106778675A (zh) | 一种视频图像中目标对象的识别方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170201 |