对货物进行自动分类识别的透视检查系统和方法
【技术领域】
[0001]本发明涉及辐射透视成像集装箱安全检查系统，具体地，涉及集装箱大宗货物自动分析与智能查验方法、集装箱大宗货物的自动分类与识别方法、大宗货物扫描图像的语义分割与归类，并且涉及集装箱违规夹带货物分析、货物数量估计、税额计算等智能查验方法。
【背景技术】
[0002]智能查验是集装箱安检领域发展必然趋势，而货物自动分类识别是智能查验的一项重要核心内容。基于能谱分析的材料识别技术目前有X射线双能材料识别与中子-X射线技术。双能技术只能识别有机物、无机物、混合物与重金属四个类别，分辨的类别比较少，中子-X射线技术能分辨较多类别，但中子发生装置昂贵，中子射线防护困难，对有机物穿透力差，这些缺陷使其在集装箱货物安检方面应用困难。
[0003]基于图像分析的扫描图像货物自动分类识别技术多年来研究进展缓慢，算法功能还不能满足客户实际需求。造成这个问题的原因，一方面是货物纷繁复杂，难以找到有效的特征与规律进行有效分类；另一方面扫描设备分散，各海关对扫描图像保密，难以获得比较全面的图像数据用于训练分类器；再另一方面就是基于海量数据分析的图像分类识别对算法与计算硬件的要求都比较高，给研究工作造成一定的难度。
[0004]现在，对货物的分类识别进行研究是必要且可行的。一方面，业界和学界也认识到了智能查验面对的问题，比如欧盟FP7计划中立项的XtRayner项目，是一个跨厂商智能查验平台。它主要的目的在于搜集并标注数据，并规划了基础算法方面的研究。另一方面，图像理解与模式识别近年来的飞速发展，比较高端的适合于海量数据分类识别的算法如条件随机场、深度学习理论逐渐成熟，使得集装箱扫描图像的自动分类与识别变为可行。
【发明内容】
[0005]因此，希望提供一种能够对货物进行自动分类识别的透视检查系统和方法。
[0006]根据本发明的一个方面，提供了一种对货物进行自动分类识别的透视检查系统，所述系统包括:图像数据获取单元，用于使用X射线扫描装置对集装箱进行扫描成像，以获取扫描图像；图像分割单元，用于将所述扫描图像分割成灰度与纹理特征都相似的小区域；特征提取单元，用于对所述小区域进行特征提取；训练单元，用于根据标注图像生成分类器；以及分类识别单元，用于根据所提取的特征利用分类器对各个小区域进行识别，得到各个小区域属于各类货物的概率，并对小区域进行融合，得到大区域及其类别。
[0007]本发明提出的对货物进行自动分类识别的透视检查系统，能够对集装箱扫描图像进行分析，根据特征相似性将图像划分成几个部分，并分析每个部分对应的货物属于哪一类货物。其中，利用所提取的特征来判断扫描图像中各个小区域属于各类货物的概率，然后对小区域进行融合，获得大区域的类别，这种策略提高了货物整体识别的效率和准确性；并且利用本发明实施例所述的配置，随着货物识别量的累积，能够进一步提高货物识别的效率和准确性。本发明根据类别信息可与报关单进行对比，从中发现违规夹带；根据货物类别及图像中的面积，可以估算货物数量；可以用估算的货物数量与报关单进行对比，从而发现隐瞒货物数量的瞒带情况；还可以进一步根据货物数量自动根据税率进行税额估算。
[0008]优选地，所述分类识别单元还用于对小区域进行融合，得到大区域及其类别。
[0009]优选地，所述系统还包括查验终端；所述分类识别单元还用于估算每个类别货物的数量，以及将结果提交给查验终端。由此，查验员可以根据所述结果对图像做进一步分析，并可以与报关单进行对比，核查货物种类、数量、税额是否正确。
[0010]优选地，对货物的分类识别包括训练阶段和识别阶段。
[0011]训练阶段需要大量集装箱货物扫描图像，量级为10万幅以上。优选地，在训练阶段中，获取集装箱货物扫描图像后首先需要对每幅图像进行预分割，将图像分割成灰度与纹理特征都相似的小区域，把这些小区域叫做超像素(Superpixel),并对这些小区域进行特征提取；然后需要根据每幅图像对应的报关单对其进行标注，即明确地标注出每个小区域属于哪一类货物，类别相同而且相邻或联通的小区域将直接融合成大区域，称之为簇(Cluster);最后把这些大区域中各小区域的特征构成为特征簇，根据这些已知类别的特征簇训练分类器，用于后续识别。其中，标注阶段将货物分为多少个类别，识别阶段就能够分出多少个类别。由于扫描图像的透射性与投影性，实物的表面轮廓特征损失殆尽，给识别造成很大困难。如果分的类别太多反而会降低准确率。为使得分类结果更具实用价值，发明人根据《中华人民共和国海关进出口商品规范申报目录》等相关规定，将货物分为22类。
[0012]特征提取的方法，可以米用SIFT (Scale-1nvariant feature transform)、MR8 (Maximum Response Sets)等算子获得多个特征,然后采用特征融合(Feature Fus1n)或者决策融合(Decis1n Fus1n)的方法对多个特征进行融合,获取关键特征。
[0013]训练阶段，每幅图像中每个小区域(超像素)都会包含比较多的特征，这样训练图像库就会生成一个海量特征库。可以采用字典方法(Dict1nary Learning)来有效地组织这些特征。具体来说就是把相似的特征聚类成词汇，众多词汇最终构成字典。这样，每个小区域的特征就会转换为一个字典中词汇的直方图，这个直方图被认为是该小区域的最终特征。类别相同而且相邻或联通的小区域将融合成大区域(簇)后，一个大区域包含一簇直方图特征，这一簇直方图属于同一类。其中，字典的形成有两大类方法:可以是Kmeans，然后用 B0W(bag of words)描述区域；也可以用 K-SVD(K Singular Value Decomposit1n),用 sparse representat1n 描述区域。
[0014]可选地，在所述训练阶段中，通过对采集的图像进行人工标注而获得子类图像数据库。
[0015]优选地，在识别阶段中，首先对集装箱货物进行扫描，对扫描图像进行预分割，生成若干灰度与纹理比较一致的小区域(超像素)；然后对所述小区域进行特征提取，并根据所提取的特征利用训练所生成的分类器对各个区域进行识别，得到各小区域属于各类货物的概率；最后利用所述概率及相邻小区域之间的关联性构建概率图模型，对小区域进行融合，得到大区域及其类别，完成货物分类。其中，概率图模型可以用隐马尔可夫模型(HMM，Hide Markov Mode)、条件随机场模型(CRF, Condit1nal Random Field)或结构输出预测模型(SOP, Structure Output Predict1n),也可以不用构建这些复杂模型，而直接根据相似性进行融合，然后输出一个综合类别作为融合区域的类别。
[0016]根据本发明的另一方面，提供了一种对货物进行自动分类识别的透视检查方法，所述方法包括:使用X光扫描装置对集装箱进行扫描成像，以获取扫描图像；将所述扫描图像分割成灰度与纹理特征都相似的小区域；对所述小区域进行特征提取；根据标注图像生成分类器；以及根据所提取的特征利用分类器对各个小区域进行识别，得到各个小区域属于各类货物的概率，并对小区域进行融合，得到大区域及其类别。
[0017]优选地，所述方法还包括估算每个类别货物的数量，以及将结果提交给查验终端。
[0018]优选地，所述方法包括训练阶段和识别阶段。
[0019]优选地，