发明做进一步说明。
[0046] 实施例所涉及的专用检查盒的示意图如图1所示，底部尺寸36cm*40cm的塑料检 查盒，检查盒底部安装一个泡沫垫，泡沫垫上制作镂空鞋印位置，两只鞋印中间有间隔。将 两只鞋并排放置于检查盒的镂空鞋印中，采用X射线多视角安全检查设备获得鞋的多视角 图像。
[0047] -种采用X射线多视角图像探测鞋中藏匿危险品的方法，如图2所示，包括以下步 骤：
[0048] S1、根据鞋的多视角图像确定待检查鞋的类型
[0049] 本发明根据鞋的结构和模拟不法分子藏匿危险品的手段，将鞋分为4类，分别是： 无跟无帮鞋，无跟有帮鞋，无帮有跟鞋，有帮有跟鞋。从鞋内侧底到鞋帮边缘高度不超过 70mm的鞋为无帮鞋，大于70mm的为有帮鞋；跟结构高度不超过20mm的鞋为无跟鞋，大于 20mm的鞋为有跟鞋。
[0050] 根据每类中藏匿空间和隐蔽性，本发明模拟不法分子设计了藏匿手段，其中：无跟 无帮鞋将危险品做成鞋垫藏匿在脚掌位置，无跟有帮鞋将危险品做成扁片藏匿在鞋帮夹层 位置，无帮有跟鞋将鞋跟内层挖空备洞将危险品藏匿进去，有跟有帮鞋将危险品藏匿在鞋 跟备洞和鞋帮夹层中。分类的主要手段是将多视角图像的灰度图像进行灰度形态学、阈值 分割，二值形态学处理，得到鞋跟部分和整个鞋的分割区域。依据鞋结构调研，以预定义尺 寸来判断待检查鞋是否存在有效鞋跟和有效鞋帮，从而完成分类。图1中步骤S2~S5都 是在上述鞋分类的基础上进行的，步骤S2~S5在不同的分类中具体调用的方式、顺序及参 数不同。
[0051] S2、根据颜色分量密度检测模型寻找疑似危险品区域。
[0052] 各种危险品都是材料相对固定的物质，将材料空间映射到颜色空间，各种危险品 在颜色空间上有自己的特征区域。颜色分量密度模型采用高斯联合概率密度函数计算像素 在颜色空间中是某类危险品的可能性，再利用空间信息联合邻域像素计算区域是某类危险 品的可能性，然后根据该区域是某类危险品可能性大的像素数与该区域总像素数的比值， 查看这种可能性的密集程度，最终判断该区域是否为疑似危险区域。设某类危险品为Dan， 其在颜色空间的期望区间是D y，区间中有N个像素，那么遍历图像像素Xli,是该类危险品 的可能性值P (Xii/Dan)为：
[0053]
[0054] 式中，Con是协方差矩阵。
[0055] 公式（1)也体现了马氏距离的概念，距离大小也表现了该像素与该类危险品的相 近程度。如果像素颜色与该类危险品颜色相差较远，那么可能性值P(X 1^zDan)就很低；相 反，P(X1^zDan)值就会高。根据大量训练设置先验阈值，如果p(X^/Dan)大于阈值，将该像 素标为疑似危险区域内像素。然后，对被标为疑似危险区域的像素利用空间邻域信息再次 进行确认。如果邻域内没有其他被标为疑似危险区域像素的，视为危险密度低，排除审查， 去掉疑似危险区域像素标签；如果邻域内有其他疑似危险区域像素，按下式计算邻域R内 像素颜色向量的相似性Com(R):
[0057] 其中，XCli j为邻域中心元素，YC u为邻域其他元素，h是图像复杂程度的评价，复 杂程度越高h值越大，Com(R)值越高，表明该邻域像素相似度越高，是危险品的可能性就越 高。根据大量训练设置先验阈值，如果Com(R)大于阈值，该邻域为疑似危险品区域；如果小 于阈值，那么该邻域危险品像素密度低，去掉疑似危险区域标签。将疑似危险区域用二值表 示，进行二值形态学处理后供下面其他特征判断。
[0058] S3、建立疑似危险区域的几何形状特征集合，根据疑似危险区域的几何形状特征、 图像灰度及材料特征综合判断步骤S2得到的疑似危险品区域的属性。
[0059] 所述属性包括安全和危险：鞋本身结构的属性为安全，替换了鞋本身结构真正藏 匿的危险品的属性为危险。
[0060] 所述几何形状特征集合是图像中连通区的几何统计信息的集合，包括：面积，几何 中心，连通区上下左右边界，边缘粗糙程度，水平轴夹角。因为根据鞋分类，不同藏匿位置可 以藏匿的危险品的量大致是固定的，可以用透射图像连通区的面积来反映这个特征，几何 中心，连通区上下左右边界特征同理。危险品因为材料上与鞋本身结构的区别，一般与鞋本 身结构都会有相对明显的边界，连通区边缘会比较光滑，用边缘粗糙程度来判断待定连通 区是危险区域还是鞋本身结构。有一类危险品会做成鞋垫状态藏匿于鞋掌上，这类危险品 图像连通区与水平轴夹角在一定范围内，用这个特征来判断这类危险品的存在与否。同样 是根据鞋分类，藏匿在不同位置的危险品呈现的灰度动态范围也基本固定，检查连通区的 灰度范围和计算连通区的材料值，来判断该区域是否为疑似危险区域的属性。其中，藏匿在 鞋帮夹层的疑似危险品通过步骤S3的判断就可以给出最终危险属性，不需要进一步判断； 如果藏匿在鞋跟或者做成鞋垫的疑似危险区域不能用步骤S3的规则排除其危险属性，还 需要按照步骤S4、S5的方法进一步判断。
[0061] S4、根据纹理特征分类模型，对经步骤S3初步判断后属性不确定的疑似危险品区 域进行属性判断。
[0062] -般鞋跟或者鞋底都有加强筋，或者为了防滑做的凹凸结构，或者鞋跟中空添加 其他鞋跟材质结构，这些结构都会在图像纹理特征中有所表现。相反，危险品一般比较均 匀，纹理特征极不明显，或者叫粗纹理。本发明采用纹理统计分析法得到灰度共生矩阵。灰 度共生矩阵通过空间相关特性来描述纹理特征，其相关性函数P (gl，g2)为：
[0063]
[0064] 式中，[(X1,Y1)，（x2,y2)]表示由像素（X1,Y1)、（x2,y2)组成的像素对，f(X1,Y1)、 f(x2,y2)分别表示像素（Xl，yi)、(x2,y2)的灰度，S表示像素对集合，S'表示集合S中像素对 的个数，等号右边的分子表示灰度值分别为^和g2的像素对的个数。
[0065] 基于共生矩阵可计算一些特征，结合本发明中鞋底纹理的特点及特征之间线性不 相关特性，选取以下4个作为分类的特征：
[0070] 其中，Wp表示能量；Cor表示相关性，其中y x、〇 x分别是p(gl，g2)中水平轴方向的 期望和均方差，y y、O y分别是P (g U g2)中垂直轴方向的期望和均方差；W。表示逆差距；1￡表 示熵。用研究算法时构建的样本计算上述4个特征，每一个特征都不可能完全正确地对所 有样本分类，既每个特征都能训练出一个弱分类器。借用Adaboost分类算法思想，根据这 4个特征在训练样本集中的正确分类和错误分类表现，将能量作为第一弱分类器，然后依次 是熵、相关性和逆差距，将4个弱分类器联合起来形成一个强分类器。用训练出来的强分类 器对步骤S3得到疑似危险区域分类。分类结果有三种，一是确定为危险区域，结束等待显 示画框报警；二是确定为鞋本身结构，结束等待显示图像；三是不确定疑似危险区域的属 性，等待下面的步骤S5继续判断。
[0071] S5、采用正交视角电子密度估计方法对步骤S4中属性不确定的疑似危险区域继 续进行属性判断，给出最终的属性判断结果。
[0072]用图像中一像素点的灰度与形成该点灰度射线穿过的空间距离的比值表示被测 物质在该点像素对应的实际位置的电子密度。危险品与鞋本身在这一特征上是不同的，所 以可以采用这种方式来判断疑似危险区域的属性。这种方式比较适合被检查物质在X射线 设备高度方向有一定高度的物质，就是说比较适合估计高跟鞋鞋跟中藏