CN112347822B - 嫌疑物识别方法、装置和系统 - Google Patents

嫌疑物识别方法、装置和系统 Download PDF

Info

Publication number
CN112347822B
CN112347822B CN201910733193.4A CN201910733193A CN112347822B CN 112347822 B CN112347822 B CN 112347822B CN 201910733193 A CN201910733193 A CN 201910733193A CN 112347822 B CN112347822 B CN 112347822B
Authority
CN
China
Prior art keywords
perspective
map
suspect
library
determining
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
Application number
CN201910733193.4A
Other languages
English (en)
Other versions
CN112347822A (zh
Inventor
陈志强
李元景
吴万龙
桑斌
曹硕
程大卫
沈宗俊
丁先利
赵加江
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tsinghua University
Nuctech Co Ltd
Original Assignee
Tsinghua University
Nuctech Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tsinghua University, Nuctech Co Ltd filed Critical Tsinghua University
Priority to CN201910733193.4A priority Critical patent/CN112347822B/zh
Priority to PCT/CN2020/090973 priority patent/WO2021022865A1/zh
Publication of CN112347822A publication Critical patent/CN112347822A/zh
Application granted granted Critical
Publication of CN112347822B publication Critical patent/CN112347822B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06V10/24—Aligning, centring, orientation detection or correction of the image
    • 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
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour

Abstract

本公开的实施例公开了一种嫌疑物识别方法、装置和系统。该嫌疑物识别方法包括：对人体进行扫描以获得扫描透视图；对所述扫描透视图进行分区以获得不同的区域，并且用不同的颜色对所述不同的区域进行标记，以获得分区图；对所述扫描透视图进行识别以获得识别图，所述识别图中显示了嫌疑物的信息；对所述扫描透视图与人体透视图库进行匹配，以在所述人体透视图库中找到与所述扫描透视图相似的匹配图；以及在显示器上显示所述分区图、所述识别图和所述匹配图。

Description

嫌疑物识别方法、装置和系统
技术领域
本公开涉及图像识别领域，具体地，涉及嫌疑物识别方法、装置和系统。
背景技术
人体安全检查技术广泛应用于机场、监狱及各种重要的公共场所。毫米波、背散射等检查方法具有无辐射或辐射剂量低的技术优势，但是只能检查人体外携带的违禁品。透视安全检查技术通过X射线经过人体的衰减形成图像，可以检查包括人体内及人体外携带的违禁品，特别对体内藏毒可以进行有效的检查。
然而，人体躯干内器官结构较为复杂，各种器官及骨骼结构等在透视图像上也会有重叠。当安检人员查看图像时，安检人员需要区分正常的人体结构及体内或体外携带的违禁物品，因而对安检人员对人体结构的了解和熟悉提出了较高的要求。目前的透视安检设备部分具有典型扫描图像参考的功能，但是不同体型、性别、年龄的人体扫描图像有较大差异，个别固定的典型图像参考意义有限。
公开内容
根据本公开的实施例的一个方面，提供了一种嫌疑物识别方法，包括：
对人体进行扫描以获得扫描透视图；
对所述扫描透视图进行分区以获得不同的区域，并且用不同的颜色对所述不同的区域进行标记，以获得分区图；
对所述扫描透视图进行识别以获得识别图，所述识别图中显示了嫌疑物的信息；
对所述扫描透视图与人体透视图库进行匹配，以在所述人体透视图库中找到与所述扫描透视图相似的匹配图；以及
在显示器上显示所述分区图、所述识别图和所述匹配图。
在一个实施例中，所述嫌疑物识别方法还包括：
确定所述嫌疑物所在的区域；
在所述匹配图中每一个中确定违禁品所在的区域；
确定所述匹配图中违禁品所在的区域与所述嫌疑物所在的区域相同的候选匹配图；以及
根据所述候选匹配图来确定所述嫌疑物。
在一个实施例中，确定所述嫌疑物所在的区域包括：
分别提取所述分区图和所述识别图中的特征点；以及
根据所提取的特征点将所述分区图和所述识别图进行对准，以确定所述嫌疑物所在的区域。
在一个实施例中，根据所述候选匹配图来确定所述嫌疑物包括：
如果存在仅一个候选匹配图，则将所述候选匹配图中的违禁品确定为所述嫌疑物；
如果存在多于一个候选匹配图，则确定所述候选匹配图中是否存在出现频率最高的仅一种违禁品；
如果确定所述候选匹配图中存在出现频率最高的仅一种违禁品，则将所述违禁品确定为所述嫌疑物；以及
如果确定所述候选匹配图中不存在出现频率最高的仅一种违禁品，则确定重新执行扫描过程。
在一个实施例中，对所述扫描透视图进行分区以获得不同的区域，并且用不同的颜色对所述不同的区域进行标记，以获得分区图包括：
将所述扫描透视图输入到第一机器学习模型中以获得所述分区图，其中，所述第一机器学习模型是使用所述人体透视图库作为输入并且使用分区透视图库作为输出训练得到的，所述分区透视图库是通过按照区域对所述人体透视图库中的每一个人体透视图进行分区和用颜色加标记得到的。
在一个实施例中，对所述扫描透视图进行识别以获得识别图包括：
将所述扫描透视图输入到第二机器学习模型以获得所述识别图，其中，所述第二机器学习模型是使用所述人体透视图作为输入并且使用识别透视图库作为输出训练得到的，所述识别透视图库是按照嫌疑物的位置、形状和大小对所述人体透视图库中的每一个人体透视图加标记得到的。
在一个实施例中，所述区域是所述人体的器官所在的区域，并且所述信息包括所述嫌疑物的位置、形状和大小。
根据本公开的实施例的另一个方面，提供了一种嫌疑物识别装置，包括：
扫描模块，被配置为对人体进行扫描以获得扫描透视图；
分区模块，被配置为对所述扫描透视图进行分区以获得不同的区域，并且用不同的颜色对所述不同的区域进行标记，以获得分区图；
识别模块，被配置为对所述扫描透视图进行识别以获得识别图，所述识别图中显示了嫌疑物的信息；
匹配模块，被配置为对所述扫描透视图与人体透视图库进行匹配，以在所述人体透视图库中找到与所述扫描透视图相似的匹配图；以及
显示模块，被配置为在显示器上显示所述分区图、所述识别图和所述匹配图。
在一个实施例中，所述嫌疑物识别装置还包括：确定模块，被配置为：
确定所述嫌疑物所在的区域；
在所述匹配图中每一个中确定违禁品所在的区域；
确定所述匹配图中违禁品所在的区域与所述嫌疑物所在的区域相同的候选匹配图；以及
根据所述候选匹配图来确定所述嫌疑物。
在一个实施例中，所述确定模块还被配置为：
分别提取所述分区图和所述识别图中的特征点；以及
根据所提取的特征点将所述分区图和所述识别图进行对准，以确定所述嫌疑物所在的区域。
在一个实施例中，所述确定模块还被配置为：
如果存在仅一个候选匹配图，则将所述候选匹配图中的违禁品确定为所述嫌疑物；
如果存在多于一个候选匹配图，则确定所述候选匹配图中是否存在出现频率最高的仅一种违禁品；
如果确定所述候选匹配图中存在出现频率最高的仅一种违禁品，则将所述违禁品确定为所述嫌疑物；以及
如果确定所述候选匹配图中不存在出现频率最高的仅一种违禁品，则确定重新执行扫描过程。
在一个实施例中，所述分区模块还被配置为：
将所述扫描透视图输入到第一机器学习模型中以获得所述分区图，其中，所述第一机器学习模型是使用所述人体透视图库作为输入并且使用分区透视图库作为输出训练得到的，所述分区透视图库是通过按照区域对所述人体透视图库中的每一个人体透视图进行分区和用颜色加标记得到的。
在一个实施例中，所述识别模块还被配置为：
将所述扫描透视图输入到第二机器学习模型以获得所述识别图，其中，所述第二机器学习模型是使用所述人体透视图作为输入并且使用识别透视图库作为输出训练得到的，所述识别透视图库是按照嫌疑物的位置、形状和大小对所述人体透视图库中的每一个人体透视图加标记得到的。
在一个实施例中，所述区域是所述人体的器官所在的区域，并且所述信息包括所述嫌疑物的位置、形状和大小。
附图说明
通过以下参照附图对本公开实施例的描述，本公开的上述以及其他目的、特征和优点将更为清楚，在附图中：
图1示出了根据本公开的实施例的嫌疑物识别方法的流程图；
图2a至图2d示出了根据本公开的实施例的用于识别嫌疑物的显示界面的示意图；
图3示出了根据本公开的另一实施例的嫌疑物识别方法的流程图；
图4示出了根据本公开的实施例的嫌疑物识别装置的框图；以及
图5示出了根据本公开的实施例的嫌疑物识别系统的示意图。
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
以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。
在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。这里使用的词语“一”、“一个(种)”和“该”等也应包括“多个”、“多种”的意思，除非上下文另外明确指出。此外，在此使用的术语“包括”、“包含”等表明了特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。
图1示出了根据本公开的实施例的嫌疑物识别方法100的流程图。
在步骤S110，可以对人体进行扫描以获得扫描透视图。
在步骤S120，可以对扫描透视图进行分区以获得不同的区域，并且用不同的颜色对不同的区域进行标记，以获得分区图。所述区域可以是所述人体的器官所在的区域。
步骤S120可以包括：将扫描透视图输入到第一机器学习模型(例如，deeplab语义分割模型)中以获得分区图，其中，第一机器学习模型是使用人体透视图库作为输入并且使用分区透视图库作为输出训练得到的，所述分区透视图库是通过按照区域对人体透视图库中的每一个人体透视图进行分区和用颜色加标记得到的。人体透视图库包括人体处于不同状态下的人体透视图，该状态包括：体型、性别、年龄、身体情况(例如，肠道胀气情况、食物消化情况等)、是否携带嫌疑物、携带不同种类的嫌疑物等等。
在步骤S130，可以对扫描透视图进行识别以获得识别图，识别图中显示了嫌疑物的信息，例如嫌疑物的位置、形状和大小等。
步骤S130可以包括：将扫描透视图输入到第二机器学习模型(例如，SiameseNetwork(孪生网络)模型)以获得识别图，其中，第二机器学习模型是使用人体透视图作为输入并且使用识别透视图库作为输出训练得到的，所述识别透视图库是按照嫌疑物的信息(例如，位置、形状和大小等)对人体透视图库中的每一个人体透视图加标记得到的。
在步骤S140，可以对扫描透视图与人体透视图库进行匹配，以在人体透视图库中找到与扫描透视图相似的匹配图。
在步骤S150，可以在显示器上显示分区图、识别图和匹配图，以供安检人员进行嫌疑物识别。当找到多于一个匹配图时，可以在显示器上轮流显示这些匹配图。
在步骤S150之后，当安检人员在识别图中确定出感兴趣区域(例如，某一器官)时，可以对该感兴趣区域进行图像处理(例如，对比度增强、放大、灰度拉伸等)，以获得更清晰的感兴趣区域图像，从而进行更准确的嫌疑物识别。
图2a至图2d示出了根据本公开的实施例的用于识别嫌疑物的显示界面的示意图。用于识别嫌疑物的显示界面上显示了分别在上述步骤S120、S130和S140中获得的分区图、识别图和匹配图，其可以根据显示器的尺寸或者安检人员的偏好被适当地布置在显示器上。例如，图2a和图2b是竖屏显示界面，其中在图2a中，上部从左至右分别显示了分区图和匹配图，并且下部显示了识别图；在图2b中，上部从左至右分别显示了匹配图和分区图，并且下部显示了识别图。图2c和图 2d是横屏显示界面，其中在图2c中，左侧从上至下分别显示了匹配图和分区图，并且右侧显示了识别图；在图2d中，左侧从上至下分别显示了分区图和匹配图，并且右侧显示了识别图。当然，分区图、识别图和匹配图的布置方式不限于图2a至图2d中所示的布置方式，本领域技术人员能够视情况对布置方式进行设置。
安检人员在查看用于识别嫌疑物的显示界面时通过参考分区图和匹配图对识别图中的嫌疑物进行识别，从而能够容易地确定是否存在嫌疑物以及在存在嫌疑物的情况下嫌疑物所在的区域位置以及嫌疑物的种类。当然，本公开不限于仅由安检人员通过人眼识别的方式来确定嫌疑物，而是还可以通过对分区图、识别图和匹配图进行处理以自动地给出嫌疑物的识别结果。下面，将参照图3描述根据本公开的另一实施例的嫌疑物识别方法。
图3示出了根据本公开的另一实施例的嫌疑物识别方法300的流程图。
嫌疑物识别方法300的步骤S310至S350与上述嫌疑物识别方法 100的步骤S110至S150相同，因此在此不再赘述。
在步骤S360，确定嫌疑物所在的区域。
步骤S360可以包括：分别提取分区图和识别图中的特征点，并且根据所提取的特征点将分区图和识别图进行对准，以确定嫌疑物所在的区域。
在步骤S370，在匹配图中每一个中确定违禁品所在的区域。
在步骤S380，确定匹配图中违禁品所在的区域与嫌疑物所在的区域相同的候选匹配图。
在步骤S390，根据候选匹配图来确定嫌疑物。
步骤S390可以包括：如果存在仅一个候选匹配图，则将所述候选匹配图中的违禁品确定为所述嫌疑物；如果存在多于一个候选匹配图，则确定所述候选匹配图中是否存在出现频率最高的仅一种违禁品；如果确定所述候选匹配图中存在出现频率最高的仅一种违禁品，则将所述违禁品确定为所述嫌疑物；以及如果确定所述候选匹配图中不存在出现频率最高的仅一种违禁品(例如，有至少两种违禁品在候选匹配图中出现的频率相同)，则确定重新执行扫描过程。
在步骤S390之后，嫌疑物识别方法还可以包括：如果识别出嫌疑物，则用特殊的颜色对嫌疑物进行标记并且发出警告。
图4示出了根据本公开的实施例的嫌疑物识别装置400的框图。嫌疑物识别装置400可以包括扫描模块410、分区模块420、识别模块 430、匹配模块440和显示模块450。
扫描模块410可以被配置为对人体进行扫描以获得扫描透视图。
分区模块420可以被配置为对扫描透视图进行分区以获得不同的区域，并且用不同的颜色对不同的区域进行标记，以获得分区图。所述区域可以是所述人体的器官所在的区域。分区模块420还可以被配置为：将扫描透视图输入到第一机器学习模型中以获得分区图，其中，第一机器学习模型是使用人体透视图库作为输入并且使用分区透视图库作为输出训练得到的，所述分区透视图库是通过按照区域对人体透视图库中的每一个人体透视图进行分区和用颜色加标记得到的。人体透视图库包括人体处于不同状态下的人体透视图，该状态包括：体型、性别、年龄、身体情况(例如，肠道胀气情况、食物消化情况等)、是否携带嫌疑物、携带不同种类的嫌疑物等等。
识别模块430可以被配置为对扫描透视图进行识别以获得识别图，识别图中显示了嫌疑物的信息(例如，位置、形状和大小等)。识别模块430还可以被配置为：将扫描透视图输入到第二机器学习模型以获得识别图，其中，第二机器学习模型是使用人体透视图作为输入并且使用识别透视图库作为输出训练得到的，所述识别透视图库是按照嫌疑物的信息(例如，位置、形状和大小等)对人体透视图库中的每一个人体透视图加标记得到的。
匹配模块440可以被配置为对扫描透视图与人体透视图库进行匹配，以在人体透视图库中找到与扫描透视图相似的匹配图。
显示模块450可以被配置为在显示器上显示分区图、识别图和匹配图。
嫌疑物识别装置400还可以包括确定模块，被配置为：确定嫌疑物所在的区域；在匹配图中每一个中确定违禁品所在的区域；确定匹配图中违禁品所在的区域与嫌疑物所在的区域相同的候选匹配图；以及根据候选匹配图来确定嫌疑物。
确定模块还可以被配置为：分别提取分区图和识别图中的特征点；以及根据所提取的特征点将分区图和识别图进行对准，以确定嫌疑物所在的区域。
确定模块还可以被配置为：如果存在仅一个候选匹配图，则将所述候选匹配图中的违禁品确定为所述嫌疑物；如果存在多于一个候选匹配图，则确定所述候选匹配图中是否存在出现频率最高的仅一种违禁品；如果确定所述候选匹配图中存在出现频率最高的仅一种违禁品，则将所述违禁品确定为所述嫌疑物；以及如果确定所述候选匹配图中不存在出现频率最高的仅一种违禁品，则确定重新执行扫描过程。
在本辅助识别方法中，对扫描的人体图像进行分区和颜色标注，同时在人体透视图库中查找与扫描的人体图像相似的图像作为匹配图以用于对比显示，由安检人员或者自动地对人体图像中的嫌疑物进行识别，从而有效地协助安检人员确定是否存在嫌疑物以及在存在嫌疑物的情况下关于嫌疑物的信息。
图5示意性地示出了根据本公开的实施例的嫌疑物识别系统500 的示意图。系统500可以包括处理器510，例如，数字信号处理器(DSP)。处理器510可以是用于执行本文所描述的过程的不同动作的单个装置或多个装置。系统500还可以包括输入/输出(I/O)装置530，用于从其他实体接收信号或者向其他实体发送信号。
此外，系统500可以包括存储器520，该存储器520可以具有以下形式：非易失性或易失性存储器，例如，电可擦除可编程只读存储器(EEPROM)、闪存等。存储器520可以存储计算机可读指令，当处理器510执行该计算机可读指令时，该计算机可读指令可以使处理器执行本文所述的动作。
附图中示出了一些方框图和/或流程图。应理解，方框图和/或流程图中的一些方框或其组合可以由计算机程序指令来实现。这些计算机程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，从而这些指令在由该处理器执行时可以创建用于实现这些方框图和/或流程图中所说明的功能/操作的装置。
因此，本公开的技术可以硬件和/或软件(包括固件、微代码等) 的形式来实现。另外，本公开的技术可以采取存储有指令的计算机可读介质上的计算机程序产品的形式，该计算机程序产品可供指令执行系统(例如，一个或多个处理器)使用或者结合指令执行系统使用。在本公开的上下文中，计算机可读介质可以是能够包含、存储、传送、传播或传输指令的任意介质。例如，计算机可读介质可以包括但不限于电、磁、光、电磁、红外或半导体系统、装置、器件或传播介质。计算机可读介质的具体示例包括：磁存储装置，如磁带或硬盘(HDD)；光存储装置，如光盘(CD-ROM)；存储器，如随机存取存储器(RAM) 或闪存；和/或有线/无线通信链路。
以上的详细描述通过使用示意图、流程图和/或示例，已经阐述了嫌疑物识别方法、装置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)。

Claims (2)

1.一种嫌疑物识别方法，包括：
对人体进行扫描以获得扫描透视图；
对所述扫描透视图分别进行以下操作：
分区操作，对所述扫描透视图进行分区以获得不同的区域，并且用不同的颜色对所述不同的区域进行标记，以获得分区图；
识别操作，对所述扫描透视图进行识别以获得识别图，所述识别图中显示了嫌疑物的信息；
匹配操作，对所述扫描透视图与人体透视图库进行匹配，以在所述人体透视图库中找到与所述扫描透视图相似的匹配图；以及
在显示器上显示所述分区图、所述识别图和所述匹配图；
确定所述嫌疑物所在的区域；
在所述匹配图中每一个中确定违禁品所在的区域；
确定所述匹配图中违禁品所在的区域与所述嫌疑物所在的区域相同的候选匹配图；以及
根据所述候选匹配图来确定所述嫌疑物,
其中，确定所述嫌疑物所在的区域包括：
分别提取所述分区图和所述识别图中的特征点；以及
根据所提取的特征点将所述分区图和所述识别图进行对准，以确定所述嫌疑物所在的区域,
其中，根据所述候选匹配图来确定所述嫌疑物包括：
如果存在仅一个候选匹配图，则将所述候选匹配图中的违禁品确定为所述嫌疑物；
如果存在多于一个候选匹配图，则确定所述候选匹配图中是否存在出现频率最高的仅一种违禁品；
如果确定所述候选匹配图中存在出现频率最高的仅一种违禁品，则将所述违禁品确定为所述嫌疑物；以及
如果确定所述候选匹配图中不存在出现频率最高的仅一种违禁品，则确定重新执行扫描过程,
其中，所述分区操作包括：
将所述扫描透视图输入到第一机器学习模型中以获得所述分区图，其中，所述第一机器学习模型是使用所述人体透视图库作为输入并且使用分区透视图库作为输出训练得到的，所述分区透视图库是通过按照区域对所述人体透视图库中的每一个人体透视图进行分区和用颜色加标记得到的,
其中，所述识别操作包括：
将所述扫描透视图输入到第二机器学习模型以获得所述识别图，其中，所述第二机器学习模型是使用所述人体透视图作为输入并且使用识别透视图库作为输出训练得到的，所述识别透视图库是按照嫌疑物的位置、形状和大小对所述人体透视图库中的每一个人体透视图加标记得到的，
以及其中，所述区域是所述人体的器官所在的区域，并且所述信息包括所述嫌疑物的位置、形状和大小。
2.一种嫌疑物识别装置，包括：
扫描模块，被配置为对人体进行扫描以获得扫描透视图；
分区模块，被配置为对所述扫描透视图进行分区以获得不同的区域，并且用不同的颜色对所述不同的区域进行标记，以获得分区图；
识别模块，被配置为对所述扫描透视图进行识别以获得识别图，所述识别图中显示了嫌疑物的信息；
匹配模块，被配置为对所述扫描透视图与人体透视图库进行匹配，以在所述人体透视图库中找到与所述扫描透视图相似的匹配图；以及
显示模块，被配置为在显示器上显示所述分区图、所述识别图和所述匹配图，
以及确定模块，被配置为：
确定所述嫌疑物所在的区域；
在所述匹配图中每一个中确定违禁品所在的区域；
确定所述匹配图中违禁品所在的区域与所述嫌疑物所在的区域相同的候选匹配图；以及
根据所述候选匹配图来确定所述嫌疑物，
其中，所述确定模块还被配置为：
分别提取所述分区图和所述识别图中的特征点；以及
根据所提取的特征点将所述分区图和所述识别图进行对准，以确定所述嫌疑物所在的区域，
其中，所述确定模块还被配置为：
如果存在仅一个候选匹配图，则将所述候选匹配图中的违禁品确定为所述嫌疑物；
如果存在多于一个候选匹配图，则确定所述候选匹配图中是否存在出现频率最高的仅一种违禁品；
如果确定所述候选匹配图中存在出现频率最高的仅一种违禁品，则将所述违禁品确定为所述嫌疑物；以及
如果确定所述候选匹配图中不存在出现频率最高的仅一种违禁品，则确定重新执行扫描过程，
其中，所述分区模块还被配置为：
将所述扫描透视图输入到第一机器学习模型中以获得所述分区图，其中，所述第一机器学习模型是使用所述人体透视图库作为输入并且使用分区透视图库作为输出训练得到的，所述分区透视图库是通过按照区域对所述人体透视图库中的每一个人体透视图进行分区和用颜色加标记得到的，
其中，所述识别模块还被配置为：
将所述扫描透视图输入到第二机器学习模型以获得所述识别图，其中，所述第二机器学习模型是使用所述人体透视图作为输入并且使用识别透视图库作为输出训练得到的，所述识别透视图库是按照嫌疑物的位置、形状和大小对所述人体透视图库中的每一个人体透视图加标记得到的，
以及其中，所述区域是所述人体的器官所在的区域，并且所述信息包括所述嫌疑物的位置、形状和大小。
CN201910733193.4A 2019-08-08 2019-08-08 嫌疑物识别方法、装置和系统 Active CN112347822B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201910733193.4A CN112347822B (zh) 2019-08-08 2019-08-08 嫌疑物识别方法、装置和系统
PCT/CN2020/090973 WO2021022865A1 (zh) 2019-08-08 2020-05-19 嫌疑物识别方法、装置和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910733193.4A CN112347822B (zh) 2019-08-08 2019-08-08 嫌疑物识别方法、装置和系统

Publications (2)

Publication Number Publication Date
CN112347822A CN112347822A (zh) 2021-02-09
CN112347822B true CN112347822B (zh) 2022-07-19

Family

ID=74367529

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910733193.4A Active CN112347822B (zh) 2019-08-08 2019-08-08 嫌疑物识别方法、装置和系统

Country Status (2)

Country Link
CN (1) CN112347822B (zh)
WO (1) WO2021022865A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2021175126A (ja) * 2020-04-28 2021-11-01 キヤノン株式会社 分割パターン決定装置、分割パターン決定方法、学習装置、学習方法およびプログラム

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN202693812U (zh) * 2011-12-30 2013-01-23 北京华航无线电测量研究所 一种基于人体轮廓显示的隐藏危险物品微波安检系统
CN108549898A (zh) * 2018-03-20 2018-09-18 特斯联（北京）科技有限公司 一种用于安检透视的特定目标识别与增强的方法和系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10733736B2 (en) * 2016-05-17 2020-08-04 Tek84 Inc. Body scanner with automated target recognition

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN202693812U (zh) * 2011-12-30 2013-01-23 北京华航无线电测量研究所 一种基于人体轮廓显示的隐藏危险物品微波安检系统
CN108549898A (zh) * 2018-03-20 2018-09-18 特斯联（北京）科技有限公司 一种用于安检透视的特定目标识别与增强的方法和系统

Also Published As

Publication number Publication date
WO2021022865A1 (zh) 2021-02-11
CN112347822A (zh) 2021-02-09

Similar Documents

Publication Publication Date Title
Echegaray et al. Core samples for radiomics features that are insensitive to tumor segmentation: method and pilot study using CT images of hepatocellular carcinoma
US9383347B2 (en) Pathological diagnosis results assessment system, pathological diagnosis results assessment method, and pathological diagnosis results assessment device
Ruan et al. MB-FSGAN: Joint segmentation and quantification of kidney tumor on CT by the multi-branch feature sharing generative adversarial network
US9208405B2 (en) Systems and methods for digital image analysis
US20090097728A1 (en) System and Method for Detecting Tagged Material Using Alpha Matting
CN111242083B (zh) 基于人工智能的文本处理方法、装置、设备、介质
CN108053407B (zh) 数据处理方法及数据处理系统
CN111476290A (zh) 检测模型训练方法、淋巴结检测方法、装置、设备及介质
CN110490882B (zh) 细胞膜染色图像分析方法、装置及系统
Kronman et al. A geometric method for the detection and correction of segmentation leaks of anatomical structures in volumetric medical images
Yang et al. Intelligent crack extraction based on terrestrial laser scanning measurement
CN112347822B (zh) 嫌疑物识别方法、装置和系统
Yang et al. Cascading yolo: automated malaria parasite detection for plasmodium vivax in thin blood smears
Lee et al. Image analysis using machine learning for automated detection of hemoglobin H inclusions in blood smears-a method for morphologic detection of rare cells
CN203535244U (zh) 人体安全检查设备
Torkzadeh et al. Automatic visual inspection system for quality control of the sandwich panel and detecting the dipping and buckling of the surfaces
Karargyros et al. Saliency U-Net: A regional saliency map-driven hybrid deep learning network for anomaly segmentation
US11430116B2 (en) Systems and methods for processing electronic images to provide localized semantic analysis of whole slide images
CN113792740B (zh) 眼底彩照的动静脉分割方法、系统、设备及介质
US20230108267A1 (en) Source localization of eeg signals
Adiga et al. Automated analysis and classification of infected macrophages using bright-field amplitude contrast data
Patsanis et al. CROPro: a tool for automated cropping of prostate magnetic resonance images
Shi et al. Weakly supervised identification of microscopic human breast cancer-related optical signatures from normal-appearing breast tissue
Cardoen et al. SPECHT: S elf-tuning P lausibility based object detection E nables quantification of C onflict in H et erogeneous multi-scale microscopy
Karlsson et al. Machine learning algorithm for classification of breast ultrasound images

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