CN106885813B - 检查货物的方法、系统和装置 - Google Patents

Abstract

公开了一种检查货物的方法和系统。该方法包括步骤：获得被检查货物的透射图像；对所述透射图像进行处理得到可疑区域；提取所述可疑区域的局部纹理特征，并利用事先创建的模型对所述可疑区域的局部纹理特征进行分类，得到分类结果；提取所述可疑区域的轮廓线形状特征，并将所述轮廓线形状特征与事先创建的标准模板进行比较，得到比较结果；以及综合所述分类结果和所述比较结果，确定所述可疑区域中包含高原子序数物质。

Description

检查货物的方法、系统和装置

技术领域

本公开涉及辐射图像中的嫌疑物体的自动检测，具体而言就是涉及大型集装箱扫描系统中高原子序数物质的检查方法和系统。

背景技术

打击携带运输高原子序数物质如核材料、核武器和放射性散布装置具有重大的意义。自美国9·11事件以来，防范和处置核与辐射恐怖袭击已成为世界各国政府所面临的重大社会安全问题。与其它恐怖袭击相比，粗制滥造的核装置恐怖袭击发生的概率虽然相对比较低，但袭击的后果将会十分严重，不仅会导致人员的大量伤亡，而且会破坏经济发展，更会引发社会的恐慌与动荡。因此对用于制造核装置的核材料的监管已成为国际社会极为重视的核安全问题。

进入21世纪以来，每年累计有数以亿计的集装箱在全球各地流转。近些年，恐怖主义日益猖獗，核与辐射恐怖袭击阴云密布，恐怖分子可能会将大规模杀伤性武器或放射性散布装置藏匿在运送商品的集装箱中，将其送往目标袭击地。因此，需要检查货物中是否藏有核材料、核武器和放射性散布装置等，在降低安全风险的同时又保障了商业运输快速平稳地流通。

发明内容

鉴于现有技术中的一个或多个技术问题，本公开提出了一种检查货物的方法和系统。

在本公开的一个方面，提出了一种检查货物的方法，包括步骤：获得被检查货物的透射图像；对所述透射图像进行处理得到可疑区域；提取所述可疑区域的局部纹理特征，并利用事先创建的模型对所述可疑区域的局部纹理特征进行分类，得到分类结果；提取所述可疑区域的轮廓线形状特征，并将所述轮廓线形状特征与事先创建的标准模板进行比较，得到比较结果；以及综合所述分类结果和所述比较结果，确定所述可疑区域中包含高原子序数物质。

在一些实施例中，所述方法还包括步骤：获取所述可疑区域的等效原子序数信息；其中所述综合步骤中综合所述分类结果、所述比较结果和等效原子序数信息，确定所述可疑区域中包含高原子序数物质。

在一些实施例中，对所述透射图像进行处理得到可疑区域的步骤包括：对所述透射图像进行对比度增强；对增强了对比度的透射图像进行多次二值化操作；求出二值化后的透射图像的连通区域并确定连通区域的边界。

在一些实施例中，提取所述可疑区域的轮廓线形状特征的步骤包括：使用边缘提取算法求得所述可疑区域的轮廓线，进而求出所述轮廓线的(θ,ρ)特征曲线。

在一些实施例中，将所述轮廓线形状特征与事先创建的标准模板进行比较的步骤包括：计算所述轮廓线的(θ,ρ)特征曲线与标准模板之间的距离和幅值一致性以及所述轮廓线的(θ,ρ)特征曲线的θ跳变值；将所述距离、所述幅值一致性和所述θ跳变值分别与阈值进行比较。

在一些实施例中，使用边缘特征提取算法获得所述可疑区域中嫌疑物体的轮廓线，再计算出轮廓线所围成区域的质心，然后以计算的质心为坐标原点，求出轮廓线与坐标原点间的(θ,ρ)特征曲线。

在一些实施例中，所述方法还包括步骤：在所述透视图像中突出显示被认为是高原子序数物质的区域。

在本发明的另一方面，提出了一种检查货物的系统，包括：X射线扫描设备，获得被检查货物的透射图像；数据处理装置，对所述透射图像进行处理得到可疑区域，提取所述可疑区域的局部纹理特征，并利用事先创建的模型对所述可疑区域的局部纹理特征进行分类，得到分类结果，提取所述可疑区域的轮廓线形状特征，并将所述轮廓线形状特征与事先创建的标准模板进行比较，得到比较结果，以及综合所述分类结果和所述比较结果，确定所述可疑区域中包含高原子序数物质。

在本公开的又一方面，公开了一种检查货物的装置，包括：对被检查货物的透射图像进行处理得到可疑区域的装置；提取所述可疑区域的局部纹理特征，并利用事先创建的模型对所述可疑区域的局部纹理特征进行分类，得到分类结果的装置；提取所述可疑区域的轮廓线形状特征，并将所述轮廓线形状特征与事先创建的标准模板进行比较，得到比较结果的装置；以及综合所述分类结果和所述比较结果，确定所述可疑区域中包含高原子序数物质的装置。

利用上述方案，能够自动检查货物中的高原子序数物质。例如，判断集装箱中是否藏匿高原子序数物质如核材料、核武器和放射性散布装置。这样可以减轻人工判图的工作量，提高工作效率，减少可疑物体区域的漏报，减少误报。

附图说明

为了更好的理解本公开，将根据以下附图对本公开的实施例进行描述：

图1A和图1B示出了根据本公开实施例的货物检查系统的结构示意图；

图2是描述根据本公开实施例的货物检查方法的示意性流程图；

图3是描述根据本公开实施例的方案中创建分类模型的过程的示意性流程图；

图4是描述根据本公开实施例的双能模式中使用创建的模型进行检查的方法的示意性流程图；

图5是描述根据本公开实施例的单能模式中的示意性流程图；

图6是描述根据本公开实施例的方案中使用的高原子序数物质的模型的示意图；以及

图7A、图7B、图7C、图7D、图7E、图7F、图7G、图7H和图7I是描述根据本公开实施例的方案中使用高原子序数物质模型的(θ,ρ)特征曲线的示意图。

附图没有对实施例的所有电路或结构进行显示。贯穿所有附图相同的附图标记表示相同或相似的部件或特征。

具体实施方式

下面将详细描述本公开的具体实施例，应当注意，这里描述的实施例只用于举例说明，并不用于限制本公开。在以下描述中，为了提供对本公开的透彻理解，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公开。在其他实例中，为了避免混淆本公开，未具体描述公知的电路、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公开至少一个实施例中。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，在此提供的附图都是为了说明的目的，并且附图不一定是按比例绘制的。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。

针对现有技术中无法准确快速判断货物中的高原子序数物质的问题，本公开提出了基于被检查货物中可疑区域的局部纹理特征和/或轮廓线形状特征来判断可疑区域是否包含高原子序数物质。例如，通过(θ,ρ)特征描述可疑物体的形状特征，用LBP(LocalBinary Pattern)特征描述可疑物体的纹理特征。在其他实施例(例如双能系统)中可以进一步使用有效原子序数信息来进一步判断。这样能够利用图像的纹理特征、可疑物体的边缘信息和/或材料信息，简化高原子序数物质检测过程，缩短计算时间，减少误报。

图1A和图1B是根据本公开一个实施方式的检查系统的结构示意图。图1A示出了检查系统的俯视示意图，图1B示出了检查系统的正视示意图。如图1A和图1B所示，射线源110产生X射线，经过准直器120准直后，对移动的集装箱卡车140进行安全检查，由探测器150接收穿透卡车的射线，在诸如计算机之类的数据处理装置160得到透射图像，并且对透射图像进行处理得到判断结果。

图2是描述根据本公开实施例的货物检查方法的示意性流程图。如图2所示，根据本公开的实施例，在步骤S21通过扫描得到集装箱卡车140的透射图像，然后在步骤S22通过数据处理装置160对透射图像进行处理，得到可疑区域。

在步骤S23，提取可疑区域的局部纹理特征，利用事先创建的模型对可疑区域的局部纹理特征进行分类，得到分类结果。然后在步骤S24，数据处理装置160提取可疑区域的轮廓线形状特征，并将轮廓线形状特征与事先创建的标准模板进行比较，得到比较结果。最后在步骤S25，综合分类结果和比较结果，确定可疑区域中包含高原子序数物质。

图3是描述根据本公开实施例的方案中创建分类模型的过程的示意性流程图。在步骤S31，输入高原子序数物质图像，然后在步骤S32，提取图像的局部纹理特征，例如LBP特征。该LBP特征是一种用来描述图像局部纹理的算子，它具有旋转不变性和灰度不变性等优点。鉴于核材料、核武器、放射性散布装置及其屏蔽装置都具有规则的外形如立方体、球体或圆柱体等。在图像二值化求连通区域过程中可以获得大量的可疑区域，基本上所有高原子序数模拟物质都包含在其中的一小部分区域中。如图6所示，其中都是含有高原子序数物质的图像区域。将这些区域保存并进行标记分类，不含有高原子序数物质的区域作为一类，再将包含的按物体轮廓线型更细致地分为圆类、椭圆类、矩形类、平行四边形类、水平半圆类和竖直半圆类，共计7大类，然后提取LBP特征。在步骤S33基于提取的LBP特征进行训练，接下来在步骤S34获得分类模型。虽然在上述实施例中是将高原子序数物质分成7类，但是本领域的技术人员也可以相当将高原子序数物质的形状分成其他数目的种类。

图4是描述根据本公开实施例的双能模式中使用创建的模型进行检查的方法的示意性流程图。图5是描述根据本公开实施例的单能模式中的示意性流程图。高原子序数自动检测的输入的既可以是透视图像也可以是透视图像和材料图(等效原子序数图)。当输入透视图像和材料图时，高原子序数检测按照图4所示流程进行。当仅输入透视图像时，则按照图5所示流程进行检测。图4和图5都包括输入图像(S401，S411；S501)、预处理(S402，S403；S502，S503)、生成可疑区域(S404，S405；S504，S505)、特征生成及判断(S407，S408，S409，S410；S507，S508，S509，S510)和输出(S414；S512)这些过程。下面分别结合图4和图5进行详细的描述。

在双能模式下，通过高能和低能图像能够得到被检查货物的等效原子序数信息，该信息可以与形状信息一起用来判断图像中是否包含高原子序数物质。在步骤S401，输入透视图像。

然后对输入的图像进行预处理。在步骤S402，检测图像中的集装箱区域，使得后续仅仅针对集装箱图像进行处理，减少了数据量，然后在步骤S403对图像进行对比度增强。例如，为了提高检测效率，可以在预处理阶段经过集装箱体检测算法后得到货物区域，用于后续高原子序数物质检测。为了提高对比度，可以对图像经过对数变换或对数变换加上开平方运算后再进行灰度拉伸到256级，即可得到处理后图像。本领域的技术人员可以认识到，在其他的实施例中，可以不进行上述的预处理操作。

在步骤S404，初始图像对比度增强后就进行一系列的二值化操作。设二值化步长为h，第i次二值化操作中将图像中像素值p满足0≤p≤ih(1≤i≤N)的像素点赋值为255，剩余的赋值为0。然后在步骤S405求出这些二值图像中符合规定的尺寸大小的连通区域并记录下这些连通区域的上下左右边界，这样就得到很多潜在的可疑区域。

接下来进行特征生成及判断过程，该过程中特征信息包括LBP特征、形状特征和/或材料特征。例如，在步骤S407，在高原子序数物质检测过程中提取可疑区域的局部纹理特征，例如LBP特征。在步骤S408，将生成的局部纹理特征送入分类模型得到类别概率分布。在步骤S410根据概率分布判断使用LBP特征指标的输出结果是嫌疑还是无嫌疑。

在步骤S406，遍历所有可疑区域并提取轮廓线形状特征。对于每个可疑区域，使用例如Canny之类的边缘提特征提取算法获得可疑区域中嫌疑物体的轮廓线，再由轮廓线计算出轮廓线所围成区域的质心，并以质心为坐标原点，求出轮廓线与坐标原点间的(θ,ρ)曲线。图7A、图7B、图7C、图7D、图7E、图7F、图7G、图7H和图7I是描述根据本公开实施例的方案中使用高原子序数物质模型的(θ,ρ)特征曲线的示意图，其中横轴表示角度θ，纵轴表示幅值ρ。

由于轮廓线是一些离散点构成的集合，再加之可疑区域的多样性，使得求得的(θ,ρ)曲线具有一定的间断性，故用θ_jump记录(θ,ρ)曲线中最大的θ跳变值。记轮廓线S＝{x₁,x₂,…,x_N}且点是顺时针排列的，相邻两点相对于坐标原点的θ夹角为Δθ＝{θ₁,θ₂,…,θ_N}。其中，θ_max用于衡量轮廓线的平滑性能和间断程度的，当其值大于给定的阈值θ_thresh(本实施例中该阈值设置为π/6)，说明可疑区域存在规则物体的可能性很低。而且不同的轮廓线上点的数量不尽相同，所得到的(θ,ρ)特征长度也就不同，需要将特征长度统一调整为200维，以便进行特征相似性对比。此外，物体轮廓线有简单与复杂之别，可以计算边界曲线的分维值。一般来说，曲线越复杂分维数就越大，因此分维数可以也作为判断曲线形状特征和复杂程度的一项特征指标。

为简化计算，在步骤S409，本实施例中可以从欧氏距离、幅值一致性和θ跳变值这三个方面来衡量可疑区域中隐藏物体形状和标准形状之间的相似度。例如，设某轮廓线S₀特征化后是200维向量V₀，而标准轮廓向量是V_st，记二者的欧氏距离为L＝|V_st-V₀|；幅值一致性定义为对应分量处于同一取值范围的百分比P。在本实施例中，当L≤4,P≥0.9且θ_max≤π/6时，说明该轮廓线S₀与标准轮廓是相似的。

在步骤S411，输入材料图像数据，在步骤S412统计出可疑区域中高原子序数像素点所占的比例，根据给定阈值就能更加准确地判断当前区域是否含有高原子序数物质。如果高原子序数检测过程只接收到透视图像数据时，模块仍能给出判断。使用提前训练好的分类模型再计算出可疑区域的形状特征，就可以判断出透视图像中是否含有高原子序数物质。

在步骤S413，综合判断是指对两个或两个以上的判定结果进行综合考虑的步骤。一般地，可采用决策融合等方法实现综合判断。本公开中使用的方法是利用投票方法实现判断，即若两个或两个以上的输入判定结果为有嫌疑，则给出警告并输出可疑区域坐标，否则输出无嫌疑。在一些实施例中，针对高原子序数物质检测结果，用红色矩形框标记出来，或者其他方式突出显示出来。

图5是描述根据本公开实施例的单能模式中的示意性流程图。图5的实施例相比于图4的实施例减少了材料图像的输入，也就是在单能模式下仅仅依赖于透射图像来判断被检查货物中是否包含高原子序数物质。因此，图5中的各个步骤S501-S510分别与图4所示的步骤S401-S410相同，在步骤S511综合判断形状特征的判断结果和LBP特征的判断结果，在步骤S512输出结果，例如该货物是安全还是提出警告。

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，本公开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公开，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。由于本公开能够以多种形式具体实施而不脱离公开的精神或实质，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)

1.一种检查货物的方法，包括步骤：

获得被检查货物的透射图像；

通过二值化操作对所述透射图像进行处理得到可疑区域；

提取所述可疑区域的局部纹理特征，并利用事先创建的模型对所述可疑区域的局部纹理特征进行分类，得到分类结果；

提取所述可疑区域的轮廓线形状特征，并将所述轮廓线形状特征与事先创建的标准模板进行比较，得到比较结果；以及

综合所述分类结果和所述比较结果，确定所述可疑区域中包含高原子序数物质。

2.如权利要求1所述的方法，还包括步骤：

获取所述可疑区域的等效原子序数信息；

其中所述综合步骤中综合所述分类结果、所述比较结果和等效原子序数信息，确定所述可疑区域中包含高原子序数物质。

3.如权利要求1所述的方法，其中对所述透射图像进行处理得到可疑区域的步骤包括：

对所述透射图像进行对比度增强；

对增强了对比度的透射图像进行多次二值化操作；

求出二值化后的透射图像的连通区域并确定连通区域的边界。

4.如权利要求1所述的方法，其中提取所述可疑区域的轮廓线形状特征的步骤包括：

使用边缘提取算法求得所述可疑区域的轮廓线，进而求出所述轮廓线的(θ，ρ)特征曲线，其中θ表示角度，ρ表示幅值。

5.如权利要求4所述的方法，其中将所述轮廓线形状特征与事先创建的标准模板进行比较的步骤包括：

计算所述轮廓线的(θ，ρ)特征曲线与标准模板之间的欧式距离和幅值一致性以及所述轮廓线的(θ，ρ)特征曲线的θ跳变值；

将所述欧式距离、所述幅值一致性和所述θ跳变值分别与阈值进行比较。

6.如权利要求5所述的方法，其中使用边缘特征提取算法获得所述可疑区域中嫌疑物体的轮廓线，再计算出轮廓线所围成区域的质心，然后以计算的质心为坐标原点，求出轮廓线与坐标原点间的(θ，ρ)特征曲线。

7.如权利要求1所述的方法，还包括步骤：

在所述透射图像中突出显示被认为是高原子序数物质的区域。

8.一种检查货物的系统，包括：

X射线扫描设备，获得被检查货物的透射图像；

数据处理装置，通过二值化操作对所述透射图像进行处理得到可疑区域，提取所述可疑区域的局部纹理特征，并利用事先创建的模型对所述可疑区域的局部纹理特征进行分类，得到分类结果，提取所述可疑区域的轮廓线形状特征，并将所述轮廓线形状特征与事先创建的标准模板进行比较，得到比较结果，以及综合所述分类结果和所述比较结果，确定所述可疑区域中包含高原子序数物质。

9.如权利要求8所述的系统，其中使用边缘提取算法求得所述可疑区域的轮廓线，进而求出所述轮廓线的(θ，ρ)特征曲线，其中θ表示角度，ρ表示幅值。

10.一种检查货物的装置，包括：

通过二值化操作对被检查货物的透射图像进行处理得到可疑区域的装置；

提取所述可疑区域的局部纹理特征，并利用事先创建的模型对所述可疑区域的局部纹理特征进行分类，得到分类结果的装置；

提取所述可疑区域的轮廓线形状特征，并将所述轮廓线形状特征与事先创建的标准模板进行比较，得到比较结果的装置；以及

综合所述分类结果和所述比较结果，确定所述可疑区域中包含高原子序数物质的装置。