一种基于深度学习的安检物品识别方法和系统.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN111539251A(43)申请公布日2020.08.14(21)申请号202010182897.X(22)申请日2020.03.16(71)申请人重庆特斯联智慧科技股份有限公司地址401329重庆市九龙坡区兴谷路39号6幢2-1号(72)发明人不公告发明人(74)专利代理机构北京辰权知识产权代理有限公司11619代理人李小朋(51)Int.Cl.G06K9/00(2006.01)G06K9/34(2006.01)G06K9/38(2006.01)G06K9/62(2006.01)G06Q50/26(2012.01)权利要求书2页说明书8页附图1页(54)发明名称一种基于深度学习的安检物品识别方法和系统(57)摘要本发明提出了一种基于深度学习的安检物品识别方法，包括如下步骤：S1，采集多角度安检图像，并进行分割，获取目标物品区域；S2，采集并统计目标物品区域及其周围环境区域的像素值，生成对应的像素分布特征直方图，并计算对应的像素分布特征直方图的方差；S3，利用方差确定独立物品，并逐一为各幅安检图像中独立物品的目标物品区域设定权重；S4，逐一对各幅安检图像中独立物品的目标物品区域进行特征提取，获取特征，并对特征与权重进行处理，生成融合特征；S5，利用融合特征，进行独立物品的物品类别的识别。有利于获取物品内部结构信息，避免依据物体的外部轮廓进行判断而产生的误差，提高了违禁物品识别的准确度和识别效率。CN111539251ACN111539251A权利要求书1/2页1.一种基于深度学习的安检物品识别方法，其特征在于，包括如下步骤：S1，采集X光透射的多角度安检图像，并逐一对安检图像进行分割，获取目标物品区域；S2，逐一采集并统计各幅安检图像中的目标物品区域以及其周围环境区域的像素值，生成各幅安检图像中的目标物品区域的像素分布特征直方图，同时逐一生成各幅安检图像的目标物品区域与环境区域的像素分布特征直方图，并计算各幅安检图像中的目标物品区域的像素分布特征直方图的方差以及各幅安检图像中目标物品区域与环境区域的像素分布特征直方图的方差；S3，利用方差确定独立物品，并逐一为各幅安检图像中独立物品的目标物品区域设定权重；S4，逐一对各幅安检图像中独立物品的目标物品区域进行特征提取，获取特征，并对特征与权重进行处理，生成融合特征；S5，利用融合特征，进行独立物品的物品类别的识别。2.根据权利要求1所述的基于深度学习的安检物品识别方法，其特征在于，所述确定独立物品的方式为：当各幅安检图像中的目标物品区域的像素分布特征直方图的方差与对应的方差阈值比较时，将小于或者等于对应的方差阈值的目标物品区域中的物品确定为独立物品；当各幅安检图像中的目标物品区域的像素分布特征直方图的方差大于对应的方差阈值时，排除各幅安检图像中目标物品区域与环境区域的像素分布直方图中方差最小的安检图像，重新计算剩余各幅安检图像的目标物品区域的像素分布特征直方图的方差，并将所述方差与对应的方差阈值进行比对，直至满足剩余各幅安检图像的目标物品区域的像素分布特征直方图的方差小于或等于对应的方差阈值的目标物品区域，则确定所述目标物品区域中的物品为独立物品。3.根据权利要求2所述的基于深度学习的安检物品识别方法，其特征在于，设定的独立物品的目标物品区域的权重大小与其目标物品区域与环境区域的像素分布特征直方图的方差成正比。4.根据权利要求1所述的基于深度学习的安检物品识别方法，其特征在于，所述S4利用深度学习模型进行目标物品区域的特征提取；其中，所述深度学习模型为卷积神经网络的特征提取模型。5.根据权利要求1所述的基于深度学习的安检物品识别方法，其特征在于，所述融合特征的具体生成方式为：将各幅安检图像中获取的同一独立物品的目标物品区域的特征与其对应设定的权重逐一进行乘法运算，获得运算结果，再将所述运算结果进行合并，获得融合特征；其中，所述融合特征用于所述独立物品的目标物品类别的识别。6.一种基于深度学习的安检物品识别系统，其特征在于，包括采集模块(1)、分割模块(2)、统计计算模块(3)、独立物品确定模块(4)、融合模块(5)以及识别模块(6)；其中，所述采集模块(1)用于采集X光透射的多角度安检图像；所述分割模块(2)用于对安检图像进行分割，获取目标物品区域；所述统计计算模块(3)用于逐一采集并统计各幅安检图像中的目标物品区域以及其周围环境区域的像素值，生成各幅安检图像中的目标物品区域的像素分布特征直方图，同时逐一生成各幅安检图像的目标物品区域与环境区域的像素分布特征直方图，并计算各幅安检图像中的目标物品区域的像素分布特征直方图的方差以及各幅安检图像中目标物品区2CN111539251A权利要求书2/2页域与环境