CN112967289A - 安检包裹匹配方法、系统、设备及存储介质 - Google Patents

安检包裹匹配方法、系统、设备及存储介质 Download PDF

Info

Publication number
CN112967289A
CN112967289A CN202110169856.1A CN202110169856A CN112967289A CN 112967289 A CN112967289 A CN 112967289A CN 202110169856 A CN202110169856 A CN 202110169856A CN 112967289 A CN112967289 A CN 112967289A
Authority
CN
China
Prior art keywords
image
package
security
matching
images
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.)
Pending
Application number
CN202110169856.1A
Other languages
English (en)
Inventor
谭黎敏
蔡文扬
郭震
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.)
Shanghai Westwell Information Technology Co Ltd
Original Assignee
Shanghai Westwell Information Technology 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 Shanghai Westwell Information Technology Co Ltd filed Critical Shanghai Westwell Information Technology Co Ltd
Priority to CN202110169856.1A priority Critical patent/CN112967289A/zh
Publication of CN112967289A publication Critical patent/CN112967289A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/254—Analysis of motion involving subtraction of images
    • 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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Alarm Systems (AREA)

Abstract

本发明提供了一种安检包裹匹配方法、系统、设备及存储介质，该方法包括：获取安检图像，所述安检图像包括安检入口图像和安检出口图像；检测所述安检图像中的运动目标；基于检测到的运动目标从所述安检图像中提取运动目标图像；将所述运动目标图像输入目标检测网络，提取所述运动目标图像中的包裹图像，所述包裹图像包括安检入口图像所对应的第一包裹图像和安检出口图像所对应的第二包裹图像；将第一包裹图像和所对应的第二包裹图像输入一图像匹配网络，得到所述第一包裹图像和所述第二包裹图像的匹配度。本发明实现了对安检包裹的自动检测和匹配，无需安检人员人工观察，节省了人力，提高了检测匹配效率，并且提高了包裹检测和匹配的准确率。

Description

安检包裹匹配方法、系统、设备及存储介质
技术领域
本发明涉及数据处理技术领域，尤其涉及一种安检包裹匹配方法、系统、设备及存储介质。
背景技术
在实际的地铁安检场景中，包裹的安检往往依赖于工作人员的人眼观测，安检包裹由安检机入口进入，工作人员操作安检机器，通过安检机工作界面查看安检机内包裹是否存在危险物品，工作人员检查完毕后，会操作安检机器将内部的包裹传送至安检机出口位置。
在实际应用中，在包裹从安检机出口出来时，往往还需要安检人员肉眼观察安检机入口的包裹和安检机出口的包裹是否匹配，这种观察方式需要投入大量的人力，造成了工作人员的冗余，并且对于包裹的安检记录无法有效地保留。
发明内容
针对现有技术中的问题，本发明的目的在于提供一种安检包裹匹配方法、系统、设备及存储介质，自动对安检入口和出口的目标进行匹配，提高目标检测和匹配效率，节省人力。
本发明实施例提供一种安检包裹匹配方法，包括如下步骤：
获取安检图像，所述安检图像包括安检入口图像和安检出口图像；
检测所述安检图像中的运动目标；
基于检测到的运动目标从所述安检图像中提取运动目标图像；
将所述安检入口图像和安检出口图像对应的运动目标图像分别输入目标检测网络，提取所述运动目标图像中的包裹图像，所述包裹图像包括安检入口图像所对应的第一包裹图像和安检出口图像所对应的第二包裹图像；
将第一包裹图像和所对应的第二包裹图像输入一图像匹配网络，得到所述第一包裹图像和所述第二包裹图像的匹配度。
在一些实施例中，所述检测所述安检图像中的运动目标，包括如下步骤：
获取同一位置的连续两帧安检图像；
将获取的连续两帧安检图像进行差分运算，得到差分图像；
基于预设像素值阈值对所述差分图像进行二值化处理，得到二值化图像；
在所述二值化图像中确定运动目标的位置。
在一些实施例中，所述目标检测网络为基于深度学习的目标检测网络；
将所述运动目标图像输入目标检测网络，提取所述运动目标图像中的包裹图像，包括如下步骤：
将所述运动目标图像输入目标检测网络，得到所述目标检测网络输出的预测框位置和预测框中含有包裹的概率；
基于所述目标检测网络的输出确定包裹位置，从所述运动目标图像中提取包裹图像。
在一些实施例中，所述目标检测网络为YoLov4网络，所述目标检测网络采用CSPDarknet53骨干网络，采用空间金字塔池化，并基于最大池化方式对特征进行多尺度融合，所述目标检测网络采用Mish激活函数。
在一些实施例中，训练所述目标检测网络时，基于CIOU损失函数优化所述目标检测网络。
在一些实施例中，所述图像匹配网络为基于深度学习的图像匹配网络，所述将第一包裹图像和所对应的第二包裹图像输入一图像匹配网络之后，所述图像匹配网络配置为分别提取所述第一包裹图像的第一图像特征和所述第二包裹图像的第二图像特征，并计算所述第一图像特征和所述第二图像特征的匹配度。
在一些实施例中，所述图像匹配网络为孪生神经网络。
在一些实施例中，计算所述第一图像特征和所述第二图像特征的匹配度，包括如下步骤：
采用Centerloss损失函数计算所述图像匹配网络的损失值；
根据计算得到的损失值确定所述第一图像特征和所述第二图像特征的匹配度。
在一些实施例中，所述安检图像还包括安检机内图像，所述方法还包括如下步骤：
将所述安检机内图像对应的运动目标图像输入目标检测网络，根据所述目标检测网络的输出确定是否存在指定违禁物品；
将所述安检入口图像、所对应的安检机内图像、所对应的安检出口图像、违禁物品的检测结果以及第一包裹图像和第二包裹图像的匹配度保存为一条安检记录。
本发明实施例还提供一种安检包裹匹配系统，用于实现所述的安检包裹匹配方法，所述系统包括：
安检图像采集模块，用于获取安检图像，所述安检图像包括安检入口图像和安检出口图像；
运动目标提取模块，用于检测所述安检图像中的运动目标，并基于检测到的运动目标从所述安检图像中提取运动目标图像；
包裹图像提取模块，用于将所述安检入口图像和安检出口图像对应的运动目标图像分别输入目标检测网络，提取所述运动目标图像中的包裹图像，所述包裹图像包括安检入口图像所对应的第一包裹图像和安检出口图像所对应的第二包裹图像；
包裹图像匹配模块，用于将第一包裹图像和所对应的第二包裹图像输入一图像匹配网络，得到所述第一包裹图像和所述第二包裹图像的匹配度。
在一些实施例中，所述系统应用于一边缘计算单元，所述边缘计算单元用于与安检入口摄像头和安检出口摄像头通信，并实现所述安检图像采集模块、所述运动目标提取模块、所述包裹图像提取模块和所述包裹图像匹配模块的功能。
在一些实施例中，所述目标检测网络为基于深度学习的目标检测网络，所述图像匹配网络为基于深度学习的图像匹配网络，所述边缘计算单元中以容器形式封装有训练好的目标检测网络和图像匹配网络。
在一些实施例中，所述安检图像还包括安检机内图像，所述安检图像采集模块还用于与安检机内摄像头通信，获取所述安检机内图像；
所述系统还包括：
违禁物品检测模块，用于将所述安检机内图像对应的运动目标图像输入目标检测网络，根据所述目标检测网络的输出确定是否存在指定违禁物品；
安检记录输出模块，用于将所述安检入口图像、所对应的安检机内图像、所对应的安检出口图像、违禁物品的检测结果以及第一包裹图像和第二包裹图像的匹配度输出至记录端，所述记录端配置为将接收到的数据保存为一条安检记录。
本发明实施例还提供一种安检包裹匹配设备，包括：
处理器；
存储器，其中存储有所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令来执行所述的安检包裹匹配方法的步骤。
本发明实施例还提供一种计算机可读存储介质，用于存储程序，所述程序被处理器执行时实现所述的安检包裹匹配方法的步骤。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
本发明的安检包裹匹配方法、系统、设备及存储介质具有如下有益效果：
本发明首先对安检入口图像和安检出口图像进行运动目标检测，如果检测到运动目标，则触发后续的检测流程，即对运动目标图像进行包裹检测和入口与出口的包裹匹配，从而实现了对安检包裹的自动检测和匹配，无需安检人员人工观察，一方面节省了人力，提高了安检包裹检测匹配效率，另一方面提高了安检包裹检测和匹配的准确率。本发明的安检包裹匹配方法不仅可以应用于地铁安检场景，也可以应用于其他场景中，例如火车站安检场景、机场安检场景、商场安检场景、图书馆安检场景等等。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显。
图1是本发明一实施例的安检包裹匹配方法的流程图；
图2是本发明一实施例的检测所述安检图像中的运动目标的流程图；
图3是本发明一具体应用实例中安检包裹匹配的流程图；
图4是本发明一具体应用实例中安检图像匹配并记录的流程图；
图5是本发明一实施例的安检包裹匹配系统的结构示意图；
图6是本发明一实施例的安检包裹匹配系统具体应用的示意图；
图7是本发明一实施例的安检包裹匹配设备的结构示意图；
图8是本发明一实施例的计算机可读存储介质的结构示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。
此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明，不是必须包括所有的步骤。例如，有的步骤还可以分解，而有的步骤可以合并或部分合并，因此，实际执行的顺序有可能根据实际情况改变。
如图1所示，本发明实施例提供一种安检包裹匹配方法，包括如下步骤：
S100：获取安检图像，所述安检图像包括安检入口图像和安检出口图像，此处安检入口图像即为进入安检机之前的入口处图像，安检出口图像即为从安检机中出来之后的出口处图像；
S200：检测所述安检图像中的运动目标；
即对所述安检图像进行运动目标检测，相当于设置一个运动触发器，在安检图像中没有检测到运动目标时，无需对该安检图像进行包裹检测和匹配分析，只有当检测到运动目标时，才获取对应的安检图像来进行包裹检测和匹配分析；
S300：基于检测到的运动目标从所述安检图像中提取运动目标图像；
即图S200中为检测运动目标在安检图像中的位置，然后基于该位置在原图中提取运动目标图像；
S400：将所述安检入口图像和安检出口图像对应的运动目标图像分别输入目标检测网络，提取所述运动目标图像中的包裹图像，所述包裹图像包括安检入口图像所对应的第一包裹图像和安检出口图像所对应的第二包裹图像；
S500：将第一包裹图像和所对应的第二包裹图像输入一图像匹配网络，得到所述第一包裹图像和所述第二包裹图像的匹配度，根据该匹配度确定所述第一包裹图像和所述第二包裹图像是否匹配，即确定所述安检入口图像中的包裹与所述安检出口图像中的包裹是否为同一包裹。
本发明首先通过步骤S100分别获取安检入口图像和安检出口图像，并且通过步骤S200对安检入口图像和安检出口图像进行运动目标检测，如果未检测到运动目标，则不进行后续步骤S300～S400的步骤，如果检测到运动目标，则触发后续的检测流程，即通过步骤S300和步骤S400对运动目标图像进行包裹检测，然后通过步骤S500进行入口与出口的包裹匹配，从而实现了对安检包裹的自动检测和匹配，无需安检人员人工观察，一方面节省了人力，提高了安检包裹检测匹配效率，另一方面提高了安检包裹检测和匹配的准确率。
在该实施例中，可以预先分别在安检入口和安检出口处设置两个摄像头，所述步骤S100中获取安检图像，即从安检入口处的摄像头采集安检入口图像，从安检出口处的摄像头采集安检出口图像。
如图2所示，在该实施例中，所述步骤S200：检测所述安检图像中的运动目标，为采用帧差检测方法检测所述安检图像中的运动目标。帧差检测方法的检测原理为：摄像机采集的视频序列具有连续性的特点。如果场景内没有运动目标，则连续帧的变化很微弱，如果存在运动目标，则连续的帧和帧之间会有明显地变化。
具体地，所述步骤S200包括如下步骤：
S210：获取同一位置的连续两帧安检图像，即对安检入口图像中运动目标检测时，获取安检入口处摄像头的连续两帧安检入口图像，对安检出口图像中运动目标检测时，获取安检出口处摄像头的连续两帧安检出口图像；
S220：将获取的连续两帧安检图像进行差分运算，即将连续两帧安检图像中对应像素点的灰度值相减，获取灰度差的绝对值，得到差分图像，所述差分图像中每个像素点的像素值为对应像素点的灰度差的绝对值；
具体地，获取差分图像的过程可表示为：
Dn＝|fn(x,y)-fn-1(x,y)|
其中，Dn为所述差分图像中第n个像素点的像素值，即连续两帧安检图像中第n个像素点的灰度差的绝对值。
S230：基于预设像素值阈值对所述差分图像进行二值化处理，得到二值化图像；
具体地，获取二值化图像的过程可表示为：
Figure BDA0002938655080000071
其中，Rn(x,y)为将所述差值图像中各个像素点的像素值二值化后的值，即所述二值化图像中各个像素点的像素值，像素值大于预设像素值阈值T，将该像素值置为255，小于预设像素值阈值T，则置为0。
S240：在所述二值化图像中确定运动目标的位置。
具体地，可以在所述二值化图像中寻找像素值为255的连通区域，将连通区域的位置作为运动目标的位置。在所述二值化图像中有多个连通区域时，可以根据连通区域的位置和尺寸对连通区域进行合并或者筛选，最终确定运动目标的位置。
在该实施例中，所述目标检测网络为基于深度学习的目标检测网络。所述目标检测网络用于检测输入图像中是否有包裹。在本发明中，包裹指的是人们在进入到需要安检的场所中时携带的物品，包括但不限于包袋、行李箱、文件袋、储物箱、衣帽等等。在对所述目标检测网络进行训练时，可以采用包含多种不同类型的包裹的图像来作为训练样本，输入到所述目标检测网络中，结合训练样本的检测结果和标签来计算损失函数，并迭代优化所述目标检测网络。
进一步地，在获取所述训练样本时，如果获取到的图像数量较少，则可以对训练样本进行数据增强，例如，通过对训练样本图像进行明暗、角度、清晰度等属性的调整，获取新的训练样本图像，或者采用基于深度学习的图像生成网络基于输入图像生成不同的训练样本图像，补充到训练样本中，以更好地训练所述目标检测网络。
所述运动目标图像即为所述安检图像中的ROI(Region of Interest，感兴趣区域)图像，所述目标检测网络对所述ROI图像进行批推理。具体地，所述步骤S400：将所述运动目标图像输入目标检测网络，提取所述运动目标图像中的包裹图像，包括如下步骤：
将所述运动目标图像缩放至所述目标检测网络的输入指定尺寸；
将缩放后的运动目标图像输入目标检测网络，得到所述目标检测网络输出的预测框位置和预测框中含有包裹的概率；
基于所述目标检测网络的输出确定包裹位置，从所述运动目标图像中提取包裹图像。具体地，可以预先设定含有包裹的概率阈值，只有当一个预测框中含有包裹的概率大于该预设的概率阈值，才将该预测框作为包裹候选框。得到一个或多个包裹候选框后，可以将相邻近或存在重叠的包裹候选框进行合并处理，得到最终的包裹检测框，该包裹检测框的位置即对应于从运动目标图像中检测到的包裹位置。
在该实施例中，所述目标检测网络为YoLov4网络。在所述YoLov4网络中，采用CSPDarknet53骨干网络，采用空间金字塔池化(Spatial Pyramid Pooling，SPP)作为Neck的附加模块，并基于最大池化方式对特征进行多尺度融合。
在该实施例中，所述目标检测网络采用Mish激活函数，即采用Mish激活函数代替原始的Leaky Relu损失函数。
在该实施例中，训练所述目标检测网络时，基于CIOU损失函数优化所述目标检测网络。具体地，所述CIOU损失函数的公式如下：
Figure BDA0002938655080000091
Figure BDA0002938655080000092
Figure BDA0002938655080000093
其中，LCOIU为CIOU损失函数值，b和bgt分别代表了预测框与真实框的中心点位置，ρ代表的是计算两个中心点间的欧式距离。c代表的是能够同时包含预测框和真实框的最小闭包区域的对角线距离，α为权重函数，v为用来度量长宽比的相似性。w,h分别为真实框的宽度和高度，wgt和hgt分别为预测框的宽度和高度。
在该实施例中，所述图像匹配网络为基于深度学习的图像匹配网络。所述图像匹配网络用于依据度量学习中形似行对比的方式对所述第一包裹图像和所述第二包裹图像进行匹配。具体地，所述步骤S500中将第一包裹图像和所对应的第二包裹图像输入一图像匹配网络之后，所述图像匹配网络配置为分别提取所述第一包裹图像的第一图像特征和所述第二包裹图像的第二图像特征，并计算所述第一图像特征和所述第二图像特征的匹配度。
在该实施例中，所述图像匹配网络为孪生神经网络SiameseNetwork。所述孪生神经网络将所述第一包裹图像和第二包裹图像映射到其特征空间，然后基于损失函数计算所述第一包裹图像的特征和所述第二包裹图像的特征之间的相似度。
进一步地，所述步骤S500中，计算所述第一图像特征和所述第二图像特征的匹配度，包括如下步骤：
采用Centerloss损失函数计算所述图像匹配网络的损失值，Centerloss损失函数的公式如下：
Figure BDA0002938655080000094
其中，cyi表示第yi个类别的特征中心，xi表示全连接层之前的特征。m表示mini-batch的大小。
根据计算得到的损失值确定所述第一图像特征和所述第二图像特征的匹配度。具体地，所述损失值越大，说明所述第一图像特征和所述第二图像特征之间的相似度越小，即所述第一图像特征和所述第二图像特征之间的匹配度越小。
如图3所示，为一具体应用实例中安检包裹匹配的流程图。首先对应于上述步骤S100，获取安检入口图像，然后对应于上述步骤S200，基于帧差检测方法判断安检入口图像中是否存在运动目标，如果所述二值化图像中不存在像素值为255的连通区域或者连通区域特别小，则认为所述安检入口图像中没有运动目标，则再获取下一时刻的安检入口图像。如果在所述安检入口图像中检测到运动目标，则对应于上述步骤S100，继续获取安检出口图像，并对应于上述步骤S200，在安检出口图像中基于帧差检测方法判断安检出口图像中是否存在运动目标。
在安检出口图像中检测到运动目标时，需要建立安检入口图像中运动目标图像和安检出口图像中运动目标图像的对应关系。例如，在安检机流水式对多个包裹进行安检时，可以建立安检入口图像中检测到的运动目标的第一运动目标序列和安检出口图像中检测到的运动目标的第二运动目标序列，将第一运动目标序列和第二运动目标序列中具有相同序号的第一运动目标和第二运动目标进行关联，即建立了入口处运动目标和出口处运动目标的对应关系。此外，也可以根据安检入口图像和安检出口图像的采集时间来将两者进行关联。例如，将t时刻采集到的安检入口图像中的运动目标与t时刻到t+m时刻之间采集到的安检出口图像中的运动目标相关联。此处m为预设的物品通过安检机的耗时，例如可以根据安检机的传送带运动速度和安检机的尺寸来计算m的值。
然后对应于步骤S300，提取安检入口图像中的运动目标图像和安检出口图像中的运动目标图像，对应于步骤S400，将安检入口图像中的运动目标图像和安检出口图像中的运动目标图像输入到目标检测网络，得到第一包裹图像和第二包裹图像。在有多个第一包裹图像和多个第二包裹图像时，可以根据入口处运动目标图像和出口处运动目标图像之间的映射关系，建立第一包裹图像和第二包裹图像之间的映射关系。
然后对应于步骤S500，将安检入口处的第一包裹图像和所对应的安检出口处的第二包裹图像输入到图像匹配网络中，图像匹配网络对输入图像提取特征，根据图像匹配网络的损失函数确定第一包裹图像和第二包裹图像的匹配度，即确定安检入口处包裹和安检出口处包裹是否为同一个包裹。
在该实施例中，所述安检图像还包括安检机内图像。即所述步骤S100中还包括从安检机内的摄像头获取到安检机内图像。安检机内图像不同于安检入口图像和安检出口图像，安检入口图像和安检出口图像为摄像头采集的RGB图像，而安检机内图像采集的X光图像。
进一步地，所述安检包裹匹配方法中，还可以包括对所述安检机内图像中是否有违禁物品的检测，从而更好地辅助于安检工作，而无需人工观看安检机的X光图像来查找违禁物品。一方面可以提高违禁物品检测的效率，节省人力，另一方面可以提高违禁物品检测的准确率。
所述安检包裹匹配方法还包括如下步骤：
判断安检机内图像中是否检测到运动目标；
如果检测到，将所述安检机内图像对应的运动目标图像输入目标检测网络，根据所述目标检测网络的输出确定是否存在指定违禁物品；
此处所采用的对违禁物品进行检测的目标检测网络与所述步骤S400中目标检测网络可以为同一个，在目标检测网络中设定不同的检测分支，采用不同类别的锚点框实现不同类别的目标物的检测，在训练所述目标检测网络时，也需要采用包括有不同类别的目标物(包括各种类型包裹、各种违禁物品等)的训练样本图像来进行训练，在其他可替代的实施方式中，此处所采用的目标检测网络也可以为一个单独的目标检测网络，也属于本发明的保护范围之内。
如图4所示，为一具体应用实例中安检包裹匹配和安检记录的流程图。在完成违禁物品的检测以及完成入口包裹和出口包裹的匹配计算之后，还包括如下步骤：
将所述安检入口图像、所对应的安检机内图像、所对应的安检出口图像、违禁物品的检测结果以及第一包裹图像和第二包裹图像的匹配度保存为一条安检记录。
因此，本发明的安检包裹匹配方法在保证快速、准确地进行包裹匹配的基础上，能够完整地保存每一条包裹的记录，以便后续查看，实现全面的安检自动化和智能化。并在安检记录保持后，可以将安检记录展示在前端网页，方便工作人员查看。
进一步地，在计算得到第一包裹图像和第二包裹图像的匹配度之后，如果匹配度小于等于预设匹配度阈值，可能是因为检测故障，或因为有障碍物遮挡等原因导致检测无法正常进行，则可以进行告警处理，例如发送通知信息给相应工作人员，或者发出声光报警信息等。
如图5所示，本发明实施例还提供一种安检包裹匹配系统，用于实现所述的安检包裹匹配方法，所述系统包括：
安检图像采集模块M100，用于获取安检图像，所述安检图像包括安检入口图像和安检出口图像；
运动目标提取模块M200，用于检测所述安检图像中的运动目标，并基于检测到的运动目标从所述安检图像中提取运动目标图像；
包裹图像提取模块M300，用于将所述安检入口图像和安检出口图像对应的运动目标图像分别输入目标检测网络，提取所述运动目标图像中的包裹图像，所述包裹图像包括安检入口图像所对应的第一包裹图像和安检出口图像所对应的第二包裹图像；
包裹图像匹配模块M400，用于将第一包裹图像和所对应的第二包裹图像输入一图像匹配网络，得到所述第一包裹图像和所述第二包裹图像的匹配度。
本发明首先通过安检图像采集模块M100分别获取安检入口图像和安检出口图像，并且通过运动目标提取模块M200对安检入口图像和安检出口图像进行运动目标检测，如果未检测到运动目标，则不启动包裹图像提取模块M300和包裹图像匹配模块M400工作，如果检测到运动目标，则触发后续的检测流程，即通过包裹图像提取模块M300对运动目标图像进行包裹检测，然后通过包裹图像匹配模块M400进行入口与出口的包裹匹配，从而实现了对安检包裹的自动检测和匹配，无需安检人员人工观察，一方面节省了人力，提高了安检包裹检测匹配效率，另一方面提高了安检包裹检测和匹配的准确率。
如图6所示，在该实施例中，所述系统应用于一边缘计算单元，而不是应用于服务器，例如可以采用NVIDIA边缘计算单元JESON AGX XAVIER，充分利用其内部硬件计算能力完成实验与部署。JESON AGX XAVIER集成了8颗定制CPU核心以及512核心Volta架构GPU，计算性能可以达到30TOPS，但是功耗只有30W，性能完全满足实际工业应用。但本发明不限于此，在其他可替代的实施方式中，所述安检包裹匹配系统也可以部署于其他类型的边缘计算单元中，均属于本发明的保护范围之内。所述边缘计算单元用于与安检入口摄像头和安检出口摄像头通过一千兆交换机通信，并实现所述安检图像采集模块M100、所述运动目标提取模块M200、所述包裹图像提取模块M300和所述包裹图像匹配模块M400的功能。
在该实施例中，所述运动目标提取模块M200采用帧差检测方法检测运动目标，具体地，包括如下步骤：
获取同一位置的连续两帧安检图像，即对安检入口图像中运动目标检测时，获取安检入口处摄像头的连续两帧安检入口图像，对安检出口图像中运动目标检测时，获取安检出口处摄像头的连续两帧安检出口图像；
将获取的连续两帧安检图像进行差分运算，即将连续两帧安检图像中对应像素点的灰度值相减，获取灰度差的绝对值，得到差分图像，所述差分图像中每个像素点的像素值为对应像素点的灰度差的绝对值；
基于预设像素值阈值对所述差分图像进行二值化处理，得到二值化图像；
在所述二值化图像中确定运动目标的位置。
然后，所述运动目标提取模块M200基于所述运动目标的位置从原安检图像中提取运动目标图像。
在该实施例中，所述目标检测网络为基于深度学习的目标检测网络，所述图像匹配网络为基于深度学习的图像匹配网络，所述边缘计算单元中以Docker容器形式封装有训练好的目标检测网络和图像匹配网络，实现环境隔离，方便算法以及软件的功能的部署。所述目标检测网络和所述图像匹配网络可以采用上述安检包裹匹配方法中的目标检测网络和图像匹配网络的网络架构。
在该实施例中，所述包裹图像提取模块M300采用如下步骤提取包裹图像：
将所述运动目标图像缩放至所述目标检测网络的输入指定尺寸；
将缩放后的运动目标图像输入目标检测网络，得到所述目标检测网络输出的预测框位置和预测框中含有包裹的概率；
基于所述目标检测网络的输出确定包裹位置，从所述运动目标图像中提取包裹图像。
在该实施例中，所述包裹图像匹配模块M400采用如下步骤进行第一包裹图像和第二包裹图像的匹配：
采用Centerloss损失函数计算所述图像匹配网络的损失；
根据计算得到的损失值确定所述第一图像特征和所述第二图像特征的匹配度。具体地，所述损失值越大，说明所述第一图像特征和所述第二图像特征之间的相似度越小，即所述第一图像特征和所述第二图像特征之间的匹配度越小。
在该实施例中，所述安检图像还包括安检机内图像，所述安检图像采集模块还用于与安检机内摄像头通信，获取所述安检机内图像。
所述安检包裹匹配系统还包括：
违禁物品检测模块，用于将所述安检机内图像对应的运动目标图像输入目标检测网络，根据所述目标检测网络的输出确定是否存在指定违禁物品，此处采用的目标检测网络可以与所述包裹图像提取模块M300采用的目标检测网络相同，也可以为单独的目标检测网络；
安检记录输出模块，用于将所述安检入口图像、所对应的安检机内图像、所对应的安检出口图像、违禁物品的检测结果以及第一包裹图像和第二包裹图像的匹配度输出至记录端，所述记录端配置为将接收到的数据保存为一条安检记录。所述记录端可以是一个配置有数据库的存储设备。所述记录端还可以通过有线连接方式或网络连接方式连接于一显示设备，该显示设备可以对安检记录进行显示，方便工作人员查看和使用。
因此，本发明的安检包裹匹配系统在保证快速、准确地进行包裹匹配的基础上，能够完整地保存每一条包裹的记录，以便后续查看，实现全面的安检自动化和智能化。并在安检记录保持后，可以将安检记录展示在前端网页，方便工作人员查看。
本发明实施例还提供一种安检包裹匹配设备，包括处理器；存储器，其中存储有所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行所述的安检包裹匹配方法的步骤。
所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“平台”。
下面参照图7来描述根据本发明的这种实施方式的电子设备600。图7显示的电子设备600仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图7所示，电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于：至少一个处理单元610、至少一个存储单元620、连接不同系统组件(包括存储单元620和处理单元610)的总线630、显示单元640等。
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元610执行，使得所述处理单元610执行本说明书上述安检包裹匹配方法部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元610可以执行如图1中所示的步骤。
所述存储单元620可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)6201和/或高速缓存存储单元6202，还可以进一步包括只读存储单元(ROM)6203。
所述存储单元620还可以包括具有一组(至少一个)程序模块6205的程序/实用工具6204，这样的程序模块6205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线630可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备600也可以与一个或多个外部设备700(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备600交互的设备通信，和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口650进行。并且，电子设备600还可以通过网络适配器660与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。网络适配器660可以通过总线630与电子设备600的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备600使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
所述安检包裹匹配设备中，所述存储器中的程序被处理器执行时实现所述的安检包裹匹配方法的步骤，因此，所述计算机存储介质也可以获得上述安检包裹匹配方法的技术效果。
本发明实施例还提供一种计算机可读存储介质，用于存储程序，所述程序被处理器执行时实现所述的安检包裹匹配方法的步骤。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上执行时，所述程序代码用于使所述终端设备执行本说明书上述安检包裹匹配方法部分中描述的根据本发明各种示例性实施方式的步骤。
参考图8所示，描述了根据本发明的实施方式的用于实现上述方法的程序产品800，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上执行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
所述计算机存储介质中的程序被处理器执行时实现所述的安检包裹匹配方法的步骤，因此，所述计算机存储介质也可以获得上述安检包裹匹配方法的技术效果。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (15)

1.一种安检包裹匹配方法，其特征在于，包括如下步骤：
获取安检图像，所述安检图像包括安检入口图像和安检出口图像；
检测所述安检图像中的运动目标；
基于检测到的运动目标从所述安检图像中提取运动目标图像；
将所述安检入口图像和安检出口图像对应的运动目标图像分别输入目标检测网络，提取所述运动目标图像中的包裹图像，所述包裹图像包括安检入口图像所对应的第一包裹图像和安检出口图像所对应的第二包裹图像；
将第一包裹图像和所对应的第二包裹图像输入一图像匹配网络，得到所述第一包裹图像和所述第二包裹图像的匹配度。
2.根据权利要求1所述的安检包裹匹配方法，其特征在于，所述检测所述安检图像中的运动目标，包括如下步骤：
获取同一位置的连续两帧安检图像；
将获取的连续两帧安检图像进行差分运算，得到差分图像；
基于预设像素值阈值对所述差分图像进行二值化处理，得到二值化图像；
在所述二值化图像中确定运动目标的位置。
3.根据权利要求1所述的安检包裹匹配方法，其特征在于，所述目标检测网络为基于深度学习的目标检测网络；
将所述运动目标图像输入目标检测网络，提取所述运动目标图像中的包裹图像，包括如下步骤：
将所述运动目标图像输入目标检测网络，得到所述目标检测网络输出的预测框位置和预测框中含有包裹的概率；
基于所述目标检测网络的输出确定包裹位置，从所述运动目标图像中提取包裹图像。
4.根据权利要求3所述的安检包裹匹配方法，其特征在于，所述目标检测网络为YoLov4网络，所述目标检测网络采用CSPDarknet53骨干网络，采用空间金字塔池化，并基于最大池化方式对特征进行多尺度融合，所述目标检测网络采用Mish激活函数。
5.根据权利要求4所述的安检包裹匹配方法，其特征在于，训练所述目标检测网络时，基于CIOU损失函数优化所述目标检测网络。
6.根据权利要求1所述的安检包裹匹配方法，其特征在于，所述图像匹配网络为基于深度学习的图像匹配网络，所述将第一包裹图像和所对应的第二包裹图像输入一图像匹配网络之后，所述图像匹配网络配置为分别提取所述第一包裹图像的第一图像特征和所述第二包裹图像的第二图像特征，并计算所述第一图像特征和所述第二图像特征的匹配度。
7.根据权利要求6所述的安检包裹匹配方法，其特征在于，所述图像匹配网络为孪生神经网络。
8.根据权利要求7所述的安检包裹匹配方法，其特征在于，计算所述第一图像特征和所述第二图像特征的匹配度，包括如下步骤：
采用Centerloss损失函数计算所述图像匹配网络的损失值；
根据计算得到的损失值确定所述第一图像特征和所述第二图像特征的匹配度。
9.根据权利要求1所述的安检包裹匹配方法，其特征在于，所述安检图像还包括安检机内图像，所述方法还包括如下步骤：
将所述安检机内图像对应的运动目标图像输入目标检测网络，根据所述目标检测网络的输出确定是否存在指定违禁物品；
将所述安检入口图像、所对应的安检机内图像、所对应的安检出口图像、违禁物品的检测结果以及第一包裹图像和第二包裹图像的匹配度保存为一条安检记录。
10.一种安检包裹匹配系统，用于实现权利要求1至9中任一项所述的安检包裹匹配方法，其特征在于，所述系统包括：
安检图像采集模块，用于获取安检图像，所述安检图像包括安检入口图像和安检出口图像；
运动目标提取模块，用于检测所述安检图像中的运动目标，并基于检测到的运动目标从所述安检图像中提取运动目标图像；
包裹图像提取模块，用于将所述安检入口图像和安检出口图像对应的运动目标图像分别输入目标检测网络，提取所述运动目标图像中的包裹图像，所述包裹图像包括安检入口图像所对应的第一包裹图像和安检出口图像所对应的第二包裹图像；
包裹图像匹配模块，用于将第一包裹图像和所对应的第二包裹图像输入一图像匹配网络，得到所述第一包裹图像和所述第二包裹图像的匹配度。
11.根据权利要求10所述的安检包裹匹配系统，其特征在于，所述系统应用于一边缘计算单元，所述边缘计算单元用于与安检入口摄像头和安检出口摄像头通信，并实现所述安检图像采集模块、所述运动目标提取模块、所述包裹图像提取模块和所述包裹图像匹配模块的功能。
12.根据权利要求11所述的安检包裹匹配系统，其特征在于，所述目标检测网络为基于深度学习的目标检测网络，所述图像匹配网络为基于深度学习的图像匹配网络，所述边缘计算单元中以容器形式封装有训练好的目标检测网络和图像匹配网络。
13.根据权利要求10所述的安检包裹匹配系统，其特征在于，所述安检图像还包括安检机内图像，所述安检图像采集模块还用于与安检机内摄像头通信，获取所述安检机内图像；
所述系统还包括：
违禁物品检测模块，用于将所述安检机内图像对应的运动目标图像输入目标检测网络，根据所述目标检测网络的输出确定是否存在指定违禁物品；
安检记录输出模块，用于将所述安检入口图像、所对应的安检机内图像、所对应的安检出口图像、违禁物品的检测结果以及第一包裹图像和第二包裹图像的匹配度输出至记录端，所述记录端配置为将接收到的数据保存为一条安检记录。
14.一种安检包裹匹配设备，其特征在于，包括：
处理器；
存储器，其中存储有所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1至9中任一项所述的安检包裹匹配方法的步骤。
15.一种计算机可读存储介质，用于存储程序，其特征在于，所述程序被处理器执行时实现权利要求1至9中任一项所述的安检包裹匹配方法的步骤。
CN202110169856.1A 2021-02-08 2021-02-08 安检包裹匹配方法、系统、设备及存储介质 Pending CN112967289A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110169856.1A CN112967289A (zh) 2021-02-08 2021-02-08 安检包裹匹配方法、系统、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110169856.1A CN112967289A (zh) 2021-02-08 2021-02-08 安检包裹匹配方法、系统、设备及存储介质

Publications (1)

Publication Number Publication Date
CN112967289A true CN112967289A (zh) 2021-06-15

Family

ID=76275241

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110169856.1A Pending CN112967289A (zh) 2021-02-08 2021-02-08 安检包裹匹配方法、系统、设备及存储介质

Country Status (1)

Country Link
CN (1) CN112967289A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113724478A (zh) * 2021-08-31 2021-11-30 上海中通吉网络技术有限公司 基于边缘计算的智能安检系统
CN113759433A (zh) * 2021-08-12 2021-12-07 浙江啄云智能科技有限公司 一种违禁品筛选方法、装置和安检设备
CN114882446A (zh) * 2022-07-08 2022-08-09 安徽启新明智科技有限公司 图像关联方法、装置、设备和介质
CN115494556A (zh) * 2022-08-18 2022-12-20 成都智元汇信息技术股份有限公司 一种基于段落法模糊匹配的包包关联方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106934326A (zh) * 2015-12-29 2017-07-07 同方威视技术股份有限公司 用于安全检查的方法、系统和设备
CN108307116A (zh) * 2018-02-07 2018-07-20 腾讯科技（深圳）有限公司 图像拍摄方法、装置、计算机设备和存储介质
CN110738691A (zh) * 2018-07-19 2020-01-31 大连因特视智能传感科技有限公司 基于在线智能视觉网络的行李跟踪系统
CN110765990A (zh) * 2019-12-30 2020-02-07 浙江啄云智能科技有限公司 一种物品智能检测方法及系统、一种计算设备及存储介质
CN110930434A (zh) * 2019-11-21 2020-03-27 腾讯科技（深圳）有限公司 目标对象跟踪方法、装置、存储介质和计算机设备
CN111161311A (zh) * 2019-12-09 2020-05-15 中车工业研究院有限公司 一种基于深度学习的视觉多目标跟踪方法及装置
CN112257527A (zh) * 2020-10-10 2021-01-22 西南交通大学 基于多目标融合与时空视频序列的手机检测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106934326A (zh) * 2015-12-29 2017-07-07 同方威视技术股份有限公司 用于安全检查的方法、系统和设备
CN108307116A (zh) * 2018-02-07 2018-07-20 腾讯科技（深圳）有限公司 图像拍摄方法、装置、计算机设备和存储介质
CN110738691A (zh) * 2018-07-19 2020-01-31 大连因特视智能传感科技有限公司 基于在线智能视觉网络的行李跟踪系统
CN110930434A (zh) * 2019-11-21 2020-03-27 腾讯科技（深圳）有限公司 目标对象跟踪方法、装置、存储介质和计算机设备
CN111161311A (zh) * 2019-12-09 2020-05-15 中车工业研究院有限公司 一种基于深度学习的视觉多目标跟踪方法及装置
CN110765990A (zh) * 2019-12-30 2020-02-07 浙江啄云智能科技有限公司 一种物品智能检测方法及系统、一种计算设备及存储介质
CN112257527A (zh) * 2020-10-10 2021-01-22 西南交通大学 基于多目标融合与时空视频序列的手机检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王延江: "PYTHON深度学习", 石油大学出版社, pages: 135 - 136 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113759433A (zh) * 2021-08-12 2021-12-07 浙江啄云智能科技有限公司 一种违禁品筛选方法、装置和安检设备
CN113759433B (zh) * 2021-08-12 2024-02-27 浙江啄云智能科技有限公司 一种违禁品筛选方法、装置和安检设备
CN113724478A (zh) * 2021-08-31 2021-11-30 上海中通吉网络技术有限公司 基于边缘计算的智能安检系统
CN114882446A (zh) * 2022-07-08 2022-08-09 安徽启新明智科技有限公司 图像关联方法、装置、设备和介质
CN114882446B (zh) * 2022-07-08 2022-10-04 安徽启新明智科技有限公司 图像关联方法、装置、设备和介质
CN115494556A (zh) * 2022-08-18 2022-12-20 成都智元汇信息技术股份有限公司 一种基于段落法模糊匹配的包包关联方法
CN115494556B (zh) * 2022-08-18 2023-09-12 成都智元汇信息技术股份有限公司 一种基于段落法模糊匹配的包包关联方法

Similar Documents

Publication Publication Date Title
Chaudhary et al. Flood-water level estimation from social media images
CN112967289A (zh) 安检包裹匹配方法、系统、设备及存储介质
EP3349050B1 (en) Inspection devices and methods for detecting a firearm
CN112488073A (zh) 目标检测方法、系统、设备及存储介质
US7596241B2 (en) System and method for automatic person counting and detection of specific events
US8478048B2 (en) Optimization of human activity determination from video
EP3067823A1 (en) Detection method and device
US20120183212A1 (en) Identifying descriptor for person or object in an image
CN109522913B (zh) 检查方法和检查设备以及计算机可读介质
JP2018113038A (ja) 検査機器および荷物における銃器を検出する方法
WO2020173021A1 (zh) 一种基于人工智能的违禁物识别方法、装置、设备和存储介质
US9299229B2 (en) Detecting primitive events at checkout
CN110751079A (zh) 物品检测方法、装置、系统和计算机可读存储介质
US20220391796A1 (en) System and Method for Mapping Risks in a Warehouse Environment
CN113159120A (zh) 一种基于多尺度跨图像弱监督学习的违禁物检测方法
CN110569843B (zh) 一种矿井目标智能检测与识别方法
US20130108102A1 (en) Abandoned Object Recognition Using Pedestrian Detection
US10599946B2 (en) System and method for detecting change using ontology based saliency
Gal Automatic obstacle detection for USV’s navigation using vision sensors
EP3349049B1 (en) Inspection devices and methods for inspecting a container
KR20230060605A (ko) 폐기물 정보 분석 시스템 및 방법
CN113192057A (zh) 目标检测方法、系统、设备及存储介质
CN112907575A (zh) 人脸质量评估方法、装置及电子设备
CN113792569A (zh) 对象识别方法、装置、电子设备及可读介质
Vasu et al. Vehicle tracking using a human-vision-based model of visual similarity

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: Room 503-3, 398 Jiangsu Road, Changning District, Shanghai 200050

Applicant after: Shanghai Xijing Technology Co.,Ltd.

Address before: Room 503-3, 398 Jiangsu Road, Changning District, Shanghai 200050

Applicant before: SHANGHAI WESTWELL INFORMATION AND TECHNOLOGY Co.,Ltd.

RJ01 Rejection of invention patent application after publication

Application publication date: 20210615