CN106371145A - 基于svm的x光图像空箱检测方法 - Google Patents

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

基于SVM的X光图像空箱检测方法

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：h_i：归一化值；H_i：特征值；H_min：最小值；H_max：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：h_i：归一化值；H_i：特征值；H_min：最小值；H_max：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。