CN110210368B - 一种基于安检图像的危险品图像注入方法 - Google Patents
一种基于安检图像的危险品图像注入方法 Download PDFInfo
- Publication number
- CN110210368B CN110210368B CN201910450960.0A CN201910450960A CN110210368B CN 110210368 B CN110210368 B CN 110210368B CN 201910450960 A CN201910450960 A CN 201910450960A CN 110210368 B CN110210368 B CN 110210368B
- Authority
- CN
- China
- Prior art keywords
- image
- matrix
- value
- dangerous goods
- package
- 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.)
- Active
Links
- 238000002347 injection Methods 0.000 title claims abstract description 34
- 239000007924 injection Substances 0.000 title claims abstract description 34
- 238000007689 inspection Methods 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 title claims abstract description 25
- 239000011159 matrix material Substances 0.000 claims abstract description 57
- 230000004927 fusion Effects 0.000 claims abstract description 4
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000005070 sampling Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 abstract 2
- 238000001514 detection method Methods 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000383 hazardous chemical Substances 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
Abstract
本发明提供一种基于安检图像的危险品图像注入方法,涉及安检图像处理技术领域。该方法对预注入危险品图像进行图像预处理,通过安检设备得到待处理的包裹X光图像矩阵,判断是否出现包裹,并获得包裹轮廓在矩阵中的位置,根据包裹图像中空位大小判断是否可以注入危险品图像,如果可以进行注入,则对危险品图像和包裹图像进行融合后归一化,生成图片进行输出,如果无位置可注入,则对原始包裹图像矩阵进行归一化,生成图片进行输出。本发明提供的方法为一种安检中危险品图像自动化检测可注入位置并融合图像的方法,能够在短时间内对实时安检图像进行危险品图像注入,从而提升注入的准确率和效率,并具有更好的易用性和鲁棒性。
Description
技术领域
本发明涉及安检图像处理技术领域,尤其涉及一种基于安检图像的危险品图像注入方法。
背景技术
X射线安检机作为应用最为广泛的安全检查设备大量使用在各个重要的安全公共场所。然而,仅仅依靠安检机来探测危险品是远远不够的,安检工作人员对危险品的识别能力也是提高安检设备工作效率重要的一环。
但是常规的安检环节遇到真正携带危险品的包裹图像少之又少,而安检工作人员的识别能力又需要大量图像的识别训练才能得到提升,故危险品图像注入技术应运而生。危险品图像注入(TIP)是安检机软件中的一个功能模块,在现实包裹图像中随机注入危险品图像,来训练安检工作人员,是提高安检工作人员危险品识别能力最有效的途径。提高危险品图像的注入效果将直接影响危险品图像注入功能模块的培训效率,具有重要意义和价值。传统方法中对包裹使用的外接矩形不能很好的取代不规则形状包裹的外边框,直接对整张图片进行的二值化又相对耗时。
发明内容
本发明要解决的技术问题是针对上述现有技术的不足,提供一种基于安检图像的危险品图像注入方法,能够在短时间内对实时安检图像进行危险品图像注入,从而提升注入的准确率和效率,并具有更好的易用性和鲁棒性。
为解决上述技术问题,本发明所采取的技术方案是:
一种基于安检图像的危险品图像注入方法,包括以下步骤:
步骤1:对预注入危险品图像进行图像预处理,得到预处理后的危险品图像矩阵It;
对危险品图像进行裁剪,得到最小外接矩形,保存其宽W、高H,并得到其图像的灰度直方图,保存灰度直方图中峰值点对应的灰度值G;
步骤2:通过安检设备得到待处理的包裹X光图像矩阵,该矩阵内值为X射线能量强度;
步骤3:判断是否出现包裹,并获得包裹轮廓在矩阵中的位置,根据包裹图像中空位大小判断是否可以注入危险品图像;
步骤3.1:依次遍历包裹X光图像矩阵的每一行数据,计算当前点的X射线能量强度值和其前一点的X射线能量强度值的差值,当该差值大于第一预设阈值时,标记当前点为包裹的头轮廓,即包裹的边界像素点,并将当前点在图像矩阵中的位置坐标信息保存在键值对集合S中;
步骤3.2:依次遍历集合S中的坐标信息,将该坐标信息对应包裹X光图像矩阵中的点作为对应行的起始点,对其后的点做图像二值化处理,二值化中的阈值为步骤1中保存的灰度值G,大于灰度值G的点设置为1,小于灰度值G的点设置为0;
步骤3.3:再次遍历集合S中的坐标信息,将该坐标信息对应包裹X光图像矩阵中的点作为预注入的位置的起始点,再结合步骤1中的宽W和高H,在包裹图像中框选出一个和预处理的危险品图像一样大小的矩形区域,该矩形区域为感兴趣区域矩阵Ib;
步骤3.4:结合步骤3.3中的矩形区域和步骤3.2中相同位置二值化后区域中的值为“1”的个数,当该个数大于第二预设阈值时,则判断为有足够大的空间可以进行注入,保存可注入起始点S(x),执行步骤4进行注入;否则判断为无位置可注入,则跳过步骤4,直接执行步骤5;
步骤4:以S(x)为起始点,对危险品图像和包裹图像进行融合,得到融合后的图像矩阵,具体方法如下:
将预处理后的危险品图像矩阵It和包裹图像中的感兴趣区域矩阵Ib中的值按如下公式计算:
其中,Pixelt是危险品图像矩阵It中某一位置的值;Pixelb是包裹图像中感兴趣区域矩阵Ib中某一位置的值,其位置信息与Pixelt的位置信息一一对应;T为该安检设备的X射线源能量的平均值,该值为通过前期采样计算得到后设置好的常量;Pixelresult是融合后矩阵中对应位置的结果值;
步骤5:当进行注入时,则对融合后的图像矩阵进行归一化,生成图片进行输出;如果没有注入时,则对原始包裹图像矩阵进行归一化,生成图片进行输出。
采用上述技术方案所产生的有益效果在于:本发明提供的基于安检图像的危险品图像注入方法,是一种安检中危险品图像自动化检测可注入位置并融合图像的方法,利用包裹边缘轮廓作为遍历起始点代替规则的外接矩形,可以更好的表示多边形包裹的轮廓;并利用局部二值化减少了对整体图像的遍历,从整体上缩短了图像处理时间。
附图说明
图1为本发明实施例提供的基于安检图像的危险品图像注入方法的流程图;
图2为本发明实施例提供的包裹空位检测的流程图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
如图1所示,本实施例的方法如下所述。
步骤1:对预注入危险品图像进行图像预处理,得到预处理后的危险品图像矩阵It;
对危险品图像进行裁剪,得到最小外接矩形,保存其宽W、高H,并得到其图像的灰度直方图,保存灰度直方图中峰值点对应的灰度值G。
步骤2:通过安检设备得到待处理的包裹X光图像矩阵,该矩阵内值为X射线能量强度。
步骤3:判断是否出现包裹,并获得包裹轮廓在矩阵中的位置,根据包裹图像中空位大小判断是否可以注入危险品图像,如图2所示,其具体方法如下所述:
步骤3.1:依次遍历包裹X光图像矩阵的每一行数据,计算当前点的X射线能量强度值和其前一点的X射线能量强度值的差值,当该差值大于第一预设阈值时,标记当前点为包裹的头轮廓,即包裹的边界像素点,并将当前点在图像矩阵中的位置坐标信息保存在键值对集合S中;本实施例中,第一预设阈值为10;
步骤3.2:依次遍历集合S中的坐标信息,将该坐标信息对应包裹X光图像矩阵中的点作为对应行的起始点,对其后的点做图像二值化处理,二值化中的阈值为步骤1中保存的灰度值G,大于灰度值G的点设置为1,小于灰度值G的点设置为0;
步骤3.3:再次遍历集合S中的坐标信息,将该坐标信息对应包裹X光图像矩阵中的点作为预注入的位置的起始点,再结合步骤1中的宽W和高H,在包裹图像中框选出一个和预处理的危险品图像一样大小的矩形区域,该矩形区域为感兴趣区域矩阵Ib;
步骤3.4:结合步骤3.3中的矩形和步骤3.2中相同位置二值化后区域中的值为“1”的个数,当该个数大于第二预设阈值时,则判断为有足够大的空间可以进行注入,保存可注入起始点S(x),执行步骤4进行注入;否则判断为无位置可注入,跳过该包裹,等待下个包裹。本实施例中,第二预设阈值设置为0。
具体实施中,根据具体安检设备的硬件条件具体设置第一预设阈值和第二预设阈值。例如,经常在没有包裹经过时就进行注入,就将第一预设阈值设高;在注入包裹时,危险品总是出界(大小比实际包裹要大,但是还是判断可以注入),就调高第二预设阈值。
步骤4:以S(x)为起始点,对危险品图像和包裹图像进行融合,得到融合后的图像矩阵,具体方法如下:
将预处理后的危险品图像矩阵It和包裹图像中的感兴趣区域矩阵Ib中的值按如下公式计算:
其中,Pixelt是危险品图像矩阵It中某一位置的值;Pixelb是包裹图像中感兴趣区域矩阵Ib中某一位置的值,其位置信息与Pixelt的位置信息一一对应;T为该安检设备的X射线源能量的平均值,该值为通过前期采样计算得到后设置好的常量;Pixelresult是融合后矩阵中对应位置的结果值。
步骤5:将上述过程产生的图像矩阵进行归一化,生成图片进行输出。当进行注入时,则对融合后的图像矩阵进行归一化,如果没有注入时,则对原始包裹图像矩阵进行归一化。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明权利要求所限定的范围。
Claims (2)
1.一种基于安检图像的危险品图像注入方法,其特征在于:该方法包括以下步骤:
步骤1:对预注入危险品图像进行图像预处理,得到预处理后的危险品图像矩阵It;
对危险品图像进行裁剪,得到最小外接矩形,保存其宽W、高H,并得到其图像的灰度直方图,保存灰度直方图中峰值点对应的灰度值G;
步骤2:通过安检设备得到待处理的包裹X光图像矩阵,该矩阵内值为X射线能量强度;
步骤3:判断是否出现包裹,并获得包裹轮廓在矩阵中的位置,根据包裹图像中空位大小判断是否可以注入危险品图像;若判断为可以进行注入,则保存可注入起始点S(x),执行步骤4进行注入;否则判断为无位置可注入,则跳过步骤4,直接执行步骤5;具体方法为:
步骤3.1:依次遍历包裹X光图像矩阵的每一行数据,计算当前点的X射线能量强度值和其前一点的X射线能量强度值的差值,当该差值大于第一预设阈值时,标记当前点为包裹的头轮廓,即包裹的边界像素点,并将当前点在图像矩阵中的位置坐标信息保存在键值对集合S中;
步骤3.2:依次遍历集合S中的坐标信息,将该坐标信息对应包裹X光图像矩阵中的点作为对应行的起始点,对其后的点做图像二值化处理,二值化中的阈值为步骤1中保存的灰度值G,大于灰度值G的点设置为1,小于灰度值G的点设置为0;
步骤3.3:再次遍历集合S中的坐标信息,将该坐标信息对应包裹X光图像矩阵中的点作为预注入的位置的起始点,再结合步骤1中的宽W和高H,在包裹图像中框选出一个和预处理的危险品图像一样大小的矩形区域,该矩形区域为感兴趣区域矩阵Ib;
步骤3.4:结合步骤3.3中的矩形区域和步骤3.2中相同位置二值化后区域中的值为“1”的个数,当该个数大于第二预设阈值时,则判断为有足够大的空间可以进行注入,保存可注入起始点S(x),执行步骤4进行注入;否则判断为无位置可注入,则跳过步骤4,直接执行步骤5;
步骤4:以S(x)为起始点,对危险品图像和包裹图像进行融合,得到融合后的图像矩阵;
步骤5:当进行注入时,则对融合后的图像矩阵进行归一化,生成图片进行输出;如果没有注入时,则对原始包裹图像矩阵进行归一化,生成图片进行输出。
2.根据权利要求1所述的基于安检图像的危险品图像注入方法,其特征在于:所述步骤4的具体方法为:
将预处理后的危险品图像矩阵It和包裹图像中的感兴趣区域矩阵Ib中的值按如下公式计算:
其中,Pixelt是危险品图像矩阵It中某一位置的值;Pixelb是包裹图像中感兴趣区域矩阵Ib中某一位置的值,其位置信息与Pixelt的位置信息一一对应;T为该安检设备的X射线源能量的平均值,该值为通过前期采样计算得到后设置好的常量;Pixelresult是融合后矩阵中对应位置的结果值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910450960.0A CN110210368B (zh) | 2019-05-28 | 2019-05-28 | 一种基于安检图像的危险品图像注入方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910450960.0A CN110210368B (zh) | 2019-05-28 | 2019-05-28 | 一种基于安检图像的危险品图像注入方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110210368A CN110210368A (zh) | 2019-09-06 |
CN110210368B true CN110210368B (zh) | 2023-07-18 |
Family
ID=67789030
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910450960.0A Active CN110210368B (zh) | 2019-05-28 | 2019-05-28 | 一种基于安检图像的危险品图像注入方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110210368B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110648300A (zh) * | 2019-09-09 | 2020-01-03 | 深圳码隆科技有限公司 | 图像数据合成方法、装置、计算机设备和存储介质 |
CN111667600A (zh) * | 2020-06-17 | 2020-09-15 | 科大讯飞(苏州)科技有限公司 | 一种安检巡检方法、装置、巡检终端、存储介质及系统 |
CN112330656B (zh) * | 2020-11-20 | 2024-04-05 | 北京航星机器制造有限公司 | 一种安检ct图像危险品植入方法和系统 |
CN112837206B (zh) * | 2021-01-27 | 2023-10-20 | 厦门树冠科技有限公司 | 一种任意形状roi信息压缩处理方法、系统、介质及设备 |
CN113506283A (zh) * | 2021-07-26 | 2021-10-15 | 浙江大华技术股份有限公司 | 图像处理方法及装置、存储介质、电子装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105223212A (zh) * | 2014-06-25 | 2016-01-06 | 同方威视技术股份有限公司 | 安检ct系统及其方法 |
CN106770166A (zh) * | 2016-12-23 | 2017-05-31 | 同方威视技术股份有限公司 | 安全检查装置和方法 |
CN108898132A (zh) * | 2018-05-25 | 2018-11-27 | 广东工业大学 | 一种基于形状上下文描述的太赫兹图像危险品识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102014109214A1 (de) * | 2014-07-01 | 2016-01-07 | Smiths Heimann Gmbh | Projektion gefährlicher Gegenstände in Röntgenbilder von Inspektionsobjekten |
-
2019
- 2019-05-28 CN CN201910450960.0A patent/CN110210368B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105223212A (zh) * | 2014-06-25 | 2016-01-06 | 同方威视技术股份有限公司 | 安检ct系统及其方法 |
CN106770166A (zh) * | 2016-12-23 | 2017-05-31 | 同方威视技术股份有限公司 | 安全检查装置和方法 |
CN108898132A (zh) * | 2018-05-25 | 2018-11-27 | 广东工业大学 | 一种基于形状上下文描述的太赫兹图像危险品识别方法 |
Non-Patent Citations (2)
Title |
---|
"Threat Image Projection (TIP) into X-ray images of cargo containers for training humans and machines";Rogers, T. W.;《2016 IEEE International Carnahan Conference on Security Technology》;20161231;第1-7页 * |
"安检机中危险品图像注入问题的研究";毛宇;《万方》;20170401;第1-52页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110210368A (zh) | 2019-09-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110210368B (zh) | 一种基于安检图像的危险品图像注入方法 | |
CN1111818C (zh) | 二维代码识别的器件和方法 | |
WO2021051885A1 (zh) | 目标标注的方法及装置 | |
CN108830133A (zh) | 合同影像图片的识别方法、电子装置及可读存储介质 | |
US10430687B2 (en) | Trademark graph element identification method, apparatus and system, and computer storage medium | |
JP2006067585A (ja) | デジタル画像におけるキャプションを位置特定及び抽出する方法及び装置 | |
CN111582294A (zh) | 一种构建用于表面缺陷检测的卷积神经网络模型的方法及其利用 | |
CN109344820B (zh) | 基于计算机视觉和深度学习的数字式电表读数识别方法 | |
CN108427959A (zh) | 基于图像识别的机台状态采集方法及系统 | |
CN111126266B (zh) | 文本处理方法、文本处理系统、设备及介质 | |
CN107832757B (zh) | 一种发票图像的识别方法 | |
CN114004984A (zh) | 一种高压电缆附件工艺库图纸比对方法和系统 | |
CN114119535A (zh) | 基于视觉检测的激光清洗效果在线监测方法 | |
CN110378862A (zh) | 一种提高输电线路外破目标识别准确度的数据增强方法 | |
CN1228733C (zh) | 在图像中探测对象的方法 | |
CN113362296B (zh) | 一种隧道裂缝提取方法及系统 | |
CN112256906A (zh) | 在显示屏上标记批注的方法、装置和存储介质 | |
CN112232390A (zh) | 一种高像素大图像的识别方法和系统 | |
CN110263894B (zh) | 一种图像码的生成方法 | |
CN116453063B (zh) | 基于dr图像与投影图融合的目标检测识别方法及系统 | |
KR101437286B1 (ko) | 디지털 컨텐츠 식별 방법 및 장치 | |
CN114627114B (zh) | 产品缺陷严重程度测量方法及系统及装置及介质 | |
JP5157963B2 (ja) | 対象物検出装置 | |
CN113780087A (zh) | 一种基于深度学习的邮政包裹文本检测方法及设备 | |
CN117710951A (zh) | 货物品规信息的识别方法、装置、设备及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |