CN106651841A - 一种用于安检图像复杂度的分析方法 - Google Patents

Abstract

一种用于安检图像复杂度的分析方法，首先获取被检测物体的X射线图像，进而得到被检物体的尺寸、被检物体在X射线图像中的像素密度分布、被检物体中各个物体的轮廓线条数量、被检物体中各个物体的轮廓线条长度、被检物体中各个物体的最大叠压层数、X射线穿透被检物体后的能量、被检物体有效原子序数与违禁物品的近似程度，然后生成得到被检物体的复杂度，并根据被检物体的复杂度提醒安检员对复杂度最大的被检物体进行检查。

Description

一种用于安检图像复杂度的分析方法

技术领域

本发明涉及安检图像的应用技术领域，特别是一种用于安检图像复杂度的分析方法。

背景技术

安全形势日益严峻的今天，各国对公共场所得安全提出了更高的要求，尤其是在机场、车站、码头、海关等公共场所，都采取措施对旅客行李物品、货物集装箱等进行严格检查，其中，安检系统提供的安全检查技术多为辐射成像技术。地铁，机场和车站人流量大，安检设备运转速度快，旅客携带物品多而且放置的方式各种各样，在通过安检机时形成的安检图像复杂，这都给安检员的识别工作造成了很大的困难，安检员的疲劳程度、注意力状态、情绪等因素会严重影响其判断力，从而会增加检测结果的不确定性，极易导致安检系统起不到应有的安全检查作用。

目前，辐射成像技术是各国广泛使用的安检系统中的主流技术，该技术以射线(如X射线)照射被检测物体，根据探测器接收到的信号，再经过计算机的处理得到被检测物体的射线图像，安检员根据对射线图像的判断而检测被测物体是否是违禁物品或者是否包含违禁物品。安检图像中物体的外观会受到物体重叠和遮挡等外界因素的影响，而且由于X光安检设备成像原理的差异和观察角度的限制，也会造成安检图像的复杂多样化，这些都给安检员的识别工作提高了难度。

图像的复杂程度是有多个因素决定的，运用简单的方法很难能够快速而又准确的分析图像的复杂度。智能分析方法得到快速发展，出现了一些著名的算法，比如模糊决策、神经网络、蚁群算法等，他们都能够很好的进行复杂的运算，例如在专利公开号为105631532A一文中，作者提出了一种基于模糊决策的神经网络模型电力系统负荷预测方法，主要是对历史负荷样本进行剔除，得到大数据样本，之后在电力负荷的历史数据基础上找出其中的变化规律，建立电力负荷神经网络预测模型。在专利公开号为105760997A一文中，作者提出了基于模糊评价的配电网异常电压评估方法，通过对有功负荷、无功负荷和电压赋值建立模糊因素集，之后计算模糊因素集的权重，最后建立模糊评价体系，进行模糊综合评价，主要解决了对电压异常的严重程度和影响范围进行客观评价。

发明内容

本发明解决的技术问题是：克服现有技术的不足，提供了一种用于安检图像复杂度的分析方法，通过智能分析方法分析安检图像的复杂程度，根据图像复杂程度的高低进而快速地在被测物体通过安检机时提醒安检员对该被测物体提高警惕，甚至提示安检员对该被测物体进行开包检查。

本发明的技术解决方案是：一种用于安检图像复杂度的分析方法，包括如下步骤：

(1)获取被检测物体的X射线图像；

(2)根据X射线图像获取得到被检物体的尺寸、被检物体在X射线图像中的像素密度分布、被检物体中各个物体的轮廓线条数量、被检物体中各个物体的轮廓线条长度、被检物体中各个物体的最大叠压层数、X射线穿透被检物体后的能量、被检物体有效原子序数与违禁物品的近似程度；

(3)根据步骤(2)得到的被检物体的尺寸、被检物体在X射线图像中的像素密度分布、被检物体中各个物体的轮廓线条数量、被检物体中各个物体的轮廓线条长度、被检物体中各个物体的最大叠压层数、X射线穿透被检物体后的能量、被检物体有效原子序数与违禁物品的近似程度生成得到被检物体的复杂度；

(4)提醒安检员对复杂度最大的被检物体进行检查。

所述的根据步骤(2)得到的被检物体的尺寸、被检物体在X射线图像中的像素密度分布、被检物体中各个物体的轮廓线条数量、被检物体中各个物体的轮廓线条长度、被检物体中各个物体的最大叠压层数、X射线穿透被检物体后的能量、被检物体有效原子序数与违禁物品的近似程度生成得到被检物体的复杂度的方法包括模糊集决策方法、神经网络算法。

所述的模糊集决策方法包括如下步骤：

(1)对步骤(2)得到的被检物体的尺寸、被检物体在X射线图像中的像素密度分布、被检物体中各个物体的轮廓线条数量、被检物体中各个物体的轮廓线条长度、被检物体中各个物体的最大叠压层数、X射线穿透被检物体后的能量、被检物体有效原子序数与违禁物品的近似程度创建模糊因素集；

(2)根据图像特征信息对被检物体复杂度的影响建立模糊评价集，进而得到模糊因素集相对模糊评价集的多因素模糊综合评判变换矩阵；所述的图像特征信息包括被检物体的尺寸、被检物体在X射线图像中的像素密度分布、被检物体中各个物体的轮廓线条数量、被检物体中各个物体的轮廓线条长度、被检物体中各个物体的最大叠压层数、X射线穿透被检物体后的能量、被检物体有效原子序数与违禁物品的近似程度；

(3)建立模糊因素集中每个因素的权重集，然后利用权重集和模糊综合评判变换矩阵计算得到被检物体的复杂度。

所述的神经网络算法包括如下步骤：

(1)将步骤(2)得到的被检物体的尺寸、被检物体在X射线图像中的像素密度分布、被检物体中各个物体的轮廓线条数量、被检物体中各个物体的轮廓线条长度、被检物体中各个物体的最大叠压层数、X射线穿透被检物体后的能量、被检物体有效原子序数与违禁物品的近似程度作为网络输入层；

(2)确定网络隐含层、隐含层神经元节点个数；

(3)计算得到网络输出层，并作为图像复杂度。

本发明与现有技术相比的优点在于：

本发明通过对被检行包的特征信息进行提取，并运用智能分析方法分析这些因素得到关于图像复杂度的信息，预先帮助安检员识别出复杂的行包，减少安检员的筛检时间，帮助安检员更好的去处理复杂的行包，同时也减少了安检员的工作量，减轻了安检员的工作强度，提高了安检员的工作效率和检测的针对性和有效性。

附图说明

图1为本发明安检图像复杂度分析的流程图；

图2为本发明有关于图像复杂度的特征信息；

图3为本发明模糊群决策理论体系的流程图。

具体实施方式

本发明针对现有技术的不足，提出一种分析安检图像复杂度的智能方法，通过智能分析安检图像的复杂程度，然后根据图像复杂程度的高低进而快速地在被测物体通过安检机时提醒安检员对该被测物体提高警惕，甚至提示安检员对该被测物体进行开包检查。本发明一种用于安检图像复杂度分析的智能方法，包括如下步骤：

(1)获取被检测物体的X射线图像；

(2)根据X射线图像分析出被检测行包的尺寸；

(3)根据X射线图像分析出被检测行包在X射线图像中的像素密度分布，像素密度分布是反映被测物体的密度在空间分布信息的一种表示形式，其通过康普顿散射近似正比于散射物质密度这一原理求得；

(4)根据X射线图像分析出被检测行包的轮廓线条数量，即在被检行包中组成每个物体的轮廓线条数量，其主要通过微分边缘检测、模糊增强边缘检测和多尺度边缘检测等方法求得；

(5)根据X射线图像分析出被检测行包的轮廓线条长度，即在被检行包中每个物体的轮廓线条长度，其检测方法同上；

(6)根据X射线图像分析出被检测行包的物品最大叠压层数，即在被检行包中物体的叠压层数，其主要是通过双视角射线检测仪器进行检测；

(7)根据X射线图像分析出被检测行包的穿透程度，即指射线穿透行包中物体的能力，其主要是通过分析射线图像的灰度得到，即穿透物体后的能量；

(8)根据X射线图像分析出被检测行包的有效原子序数与违禁物品的近似程度，即指一个物体的有限原子序数和违禁物品的原子序数的接近程度，其主要是通过图像分析出行包的有效原子序数，并与已知的违禁物品的原子序数进行比较，得到近似程度；

本发明所采用到的智能分析方法有模糊集决策，人工神经网络，蚁群算法和决策树以及其他相关的智能方法。在这里由于篇幅限制，列举两种算法来说明对安检图像复杂度的分析，一是模糊集决策方法，其是指在模糊环境下进行决策的数学理论和方法。模糊集决策方法首先根据模糊集决策理论的知识，分别对上述得到的关于图像的特征信息创建模糊因素集；之后针对图像特征信息对图像复杂度的影响不同，建立模糊评价集；在此基础上，建立模糊因素集相对于评价集的多因素模糊综合评判变换矩阵；建立模糊因素集中每个因素的权重集；根据模糊群决策理论，利用权重集和模糊综合评判变换矩阵分析出图像的复杂度；通过安检机的显示器向安检员做出提示，对图像复杂度高的被测物体提高警惕甚至开包检查。

二是神经网络算法用于安检图像复杂度分析的过程，首先将射线图像的特征信息作为网络输入层，特征信息包括而不限于被检行包的密度分布均匀程度、轮廓线条数量、轮廓线条长度、行包中物体叠放层数、穿透程度和被检行包中物体的有效原子序数与违禁品的原子序数的接近程度以及其他特征信息；其次，根据样本数量确定网络的隐含层和隐含层的神经元节点个数；最后，确定网络输出层，将图像复杂度作为网络输出层。

在网络模型确定后，即可对其进行训练，训练结果关于图像复杂度的信息可以通过某种方式反馈给安检员，提示安检员注意该行包，必要时甚至可以开包检查。下面通过附图以及具体实施例对本发明技术方案做详细的说明。

本发明实施例中提供了一种用于安检图像复杂度智能分析的方法，该方法基于模糊集决策理论，主要步骤包括：首先获取被检物体的x射线图像；根据射线图像分析出被测物体“包含而不限于”的尺寸、密度分布均匀程度、轮廓线条数量、轮廓线条长度、物品的叠压层数、穿透程度和有效原子序数与违禁物品的近似程度等信息；再之对这些信息建立因素集；之后建立模糊评价集；在因素集和评价集的基础上，构建多因素模糊评价变换矩阵；通过层次分析法创建权重集；最后就是利用模糊群决策知识，分析出图像的复杂度，根据图像的复杂度情况对安检员进行提示。

如图1所示为本发明实施例中一种用于安检图像复杂度判断的智能分析方法的流程图，该方法包括：

101获取被测物体的安检图像；

102根据安检图像，获取图像的多个特征，包括而不限于被测物体的尺寸、度分布均匀程度、轮廓线条数量、轮廓线条长度、物品叠压层数、穿透程度和有效原子序数与违禁品的近似程度；

103根据模糊群决策理论知识，通过模糊综合评判方法确定被测物体的模糊集，再根据最大隶属度原则，决定图像复杂度的高低。

104根据模糊决策评判的结果，通过安检机的显示器对安检员进行提示，提示方式包括而不限于文字、语音和图像放大等方式。

具体来讲，在本发明实施例中，针对步骤101中的获取被测物体的安检图像可以通过市场上通用的X射线对行包进行检测，得到行包的射线图像。

进一步，在本发明实施例中，通过图2对步骤102进行解释说明。如图2所示为根据安检图像，获取到的有关图像的具体特征信息，选用梯形分布来构造各个因素的隶属度，分别将各个因素的指标表达成介于[0,1]的无因次参数，并对其建立模糊因素集U，U＝{尺寸，密度分布均匀程度，轮廓线条数量，轮廓线条长度，物品的叠压层数，穿透程度，有效原子序数和违禁物品的近似程度},。根据各个特征信息对图像复杂度的影响，建立模糊评判集V。

进一步，在本发明实施例中，通过图3对步骤103进行解释说明。如图3所示为模糊综合评判的流程图。首先，针对单因素的情况做考虑，建立每个单因素相对于模糊评价集的隶属度，然后再把所有的因素相对于评价集的隶属度构造成综合评判变换矩阵；利用层次分析法构造各个因素的权重集，在得到权重集和综合评判变换矩阵后，通过计算得到关于每一个被测物体的安检图像最终的模糊集，并对其进行归一化处理，根据最大隶属度原则，得到最终的图像复杂度的信息。

进一步，在本发明实施例中，步骤104主要是根据模糊群决策的结果，通过某种方式告诉安检员关于某个行包的复杂度情况，在该实施例中，采用动态放大缩小复杂图像的方式提示安检员应该特别警惕该行包，甚至可以开包检查。

本发明说明书中未作详细描述的内容属本领域技术人员的公知技术。

Claims (4)

1.一种用于安检图像复杂度的分析方法，其特征在于包括如下步骤：

(1)获取被检测物体的X射线图像；

(2)根据X射线图像获取得到被检物体的尺寸、被检物体在X射线图像中的像素密度分布、被检物体中各个物体的轮廓线条数量、被检物体中各个物体的轮廓线条长度、被检物体中各个物体的最大叠压层数、X射线穿透被检物体后的能量、被检物体有效原子序数与违禁物品的近似程度；

(3)根据步骤(2)得到的被检物体的尺寸、被检物体在X射线图像中的像素密度分布、被检物体中各个物体的轮廓线条数量、被检物体中各个物体的轮廓线条长度、被检物体中各个物体的最大叠压层数、X射线穿透被检物体后的能量、被检物体有效原子序数与违禁物品的近似程度生成得到被检物体的复杂度；

(4)提醒安检员对复杂度最大的被检物体进行检查。

2.根据权利要求1所述的一种用于安检图像复杂度的分析方法，其特征在于：所述的根据步骤(2)得到的被检物体的尺寸、被检物体在X射线图像中的像素密度分布、被检物体中各个物体的轮廓线条数量、被检物体中各个物体的轮廓线条长度、被检物体中各个物体的最大叠压层数、X射线穿透被检物体后的能量、被检物体有效原子序数与违禁物品的近似程度生成得到被检物体的复杂度的方法包括模糊集决策方法、神经网络算法。

3.根据权利要求2所述的一种用于安检图像复杂度的分析方法，其特征在于：所述的模糊集决策方法包括如下步骤：

(1)对步骤(2)得到的被检物体的尺寸、被检物体在X射线图像中的像素密度分布、被检物体中各个物体的轮廓线条数量、被检物体中各个物体的轮廓线条长度、被检物体中各个物体的最大叠压层数、X射线穿透被检物体后的能量、被检物体有效原子序数与违禁物品的近似程度创建模糊因素集；

(2)根据图像特征信息对被检物体复杂度的影响建立模糊评价集，进而得到模糊因素集相对模糊评价集的多因素模糊综合评判变换矩阵；所述的图像特征信息包括被检物体的尺寸、被检物体在X射线图像中的像素密度分布、被检物体中各个物体的轮廓线条数量、被检物体中各个物体的轮廓线条长度、被检物体中各个物体的最大叠压层数、X射线穿透被检物体后的能量、被检物体有效原子序数与违禁物品的近似程度；

(3)建立模糊因素集中每个因素的权重集，然后利用权重集和模糊综合评判变换矩阵计算得到被检物体的复杂度。

4.根据权利要求2所述的一种用于安检图像复杂度的分析方法，其特征在于：所述的神经网络算法包括如下步骤：

(1)将步骤(2)得到的被检物体的尺寸、被检物体在X射线图像中的像素密度分布、被检物体中各个物体的轮廓线条数量、被检物体中各个物体的轮廓线条长度、被检物体中各个物体的最大叠压层数、X射线穿透被检物体后的能量、被检物体有效原子序数与违禁物品的近似程度作为网络输入层；

(2)确定网络隐含层、隐含层神经元节点个数；

(3)计算得到网络输出层，并作为图像复杂度。