自动检测香烟的方法
【技术领域】
[0001] 本发明涉及辐射图像中的嫌疑物自动检测，具体而言涉及大型集装箱扫描系统 中，自动检测香烟的方法以及相应的安全检测设备。
【背景技术】
[0002] 打击香烟走私有着重要的意义。香烟走私被认为是世界上仅次于毒品的第二大走 私活动。十几年来，虽然各国都积极参与打击香烟走私，但走私香烟的数量还是呈增长趋 势。1996年，走私的香烟占香烟总销量的6.5%。而2009年，这一数字增长到了 11.6%，达 到6750亿支，给各国政府造成4千亿美元的损失。另外，香烟走私的危害不仅体现在威胁 人体健康、造成政府税收损失，而且还成为犯罪组织、恐怖组织的资金来源，甚至给毒品走 私提供经费。欧盟甚至宣称："所有的国际犯罪组织都涉嫌参与香烟走私"。
[0003] 香烟走私危害日益加剧，反映了相关检测手段不到位，给犯罪分子可乘之机。
[0004] 目前国际上缺乏检测香烟走私的有效手段。虽然各种类型的条码、水印已经在香 烟上大量使用，但这种手段难于在香烟过境时得到有效查验，因此收效甚微。据研究，香烟 走私主要是通过集装箱大量运送。辐射成像通过对货物、行李等透视成像，达到无侵犯性检 查的目的，目前已经在机场、海关、车站、大型集会等场所广泛应用，是违禁品安检领域最为 重要的手段。在集装箱检查的过程中，虽然已经得到了集装箱货物图像，但由于货物种类千 差万别，判图员的经验参差不齐，走私品出现概率又比较低，使得人工判断效果差强人意。
[0005] 近年来，随着模式识别、图像处理等相关学科的快速发展，违禁品的自动检测成为 业界和学界关注焦点。但目前来看，大型集装箱数字射线成像（DR-Digital Radiography) 图像中的自动检测相关文献仍然很少。限于成像手段、应用领域、数据来源等多方面因 素影响，研究多见于小型行李安检设备，比如双能DR、计算机断层扫描（CT-Computed Tomography)中。其中特别是爆炸物与枪支的自动检测，由于直接关系到航空安全，受到了 更多研究者的关注。对于走私香烟这个特定领域，目前还没有针对性的公开文献。
[0006] 物体检测（Object Detection)是当前计算机视觉、模式识别领域的热点问题，随 着图像检索的发展出现许多可借鉴的研究成果。特别是方向梯度直方图（HOG-Histogram of Oriented Gradients)特征、基于可变部件模型（DPM-Deformable Part-based Model) 算法、深度学习 （Deep Learning)方法的出现，使得物体检测效果大幅提升。本发明借鉴相 关研究，对辐射图像中的香烟模型展开针对性研究，并得到较好效果。
【发明内容】
[0007] 针对上述问题，基于市场需求，本发明在使用集装箱DR图像的基础上，借鉴自动 物体检测相关研究，提出一种新的香烟走私自动检测方法。其目的在于：在集装箱查私过程 中，使用射线扫描成像手段，通过算法自动检测图像中是否有香烟。如果存在香烟，则给出 香烟在图像中的位置，以此辅助人工判断是否存在走私案情。
[0008] 为达到辅助人工的目的，算法的性能也是必须考虑的任务。检测算法必须有较低 的误报率和漏报率，另外必须满足实时检测的要求。本发明通过对香烟模式的针对性研究， 得到了较好的效果。算法误报率小于0. 5%，漏报率小于10%，且在1秒内完成计算，满足上 述应用需求。
[0009] 另外，为使得算法能够满足特定场合的应用，算法还可以优选地具备自学习功能。 算法对确认为香烟但又检测不出的图像可以自学习，满足香烟包装变化时香烟模式变化的 检测需求。其中，确认机制包括人工输入香烟图像和通过报关单等自动获取香烟图像等。 [0010] 根据本发明的实施例，提供了一种集装箱安检透视图像中自动检测香烟的方法， 所述方法包括以下步骤：获取透视图像；获取所述透视图像的感兴趣区域；以及利用香烟 模型进行自动检测，包括：对所述感兴趣区域进行特征提取、对所述透视图像的感兴趣区域 是否属于香烟进行判决、以及对嫌疑区域标记。
[0011] 由于集装箱箱体较大，为了在实时条件下实现检测，图像分辨率无需太高。以5_/ 像素的图像为例，大量香烟在图像中呈条纹状纹理，这个特性反映的其实是香烟的包装而 不是香烟本身。产生这个特点的根源在于：为降低吸烟的危害，防止个性化包装对青少年产 生吸引力，世界各国的香烟包装趋于同一化，这恰恰为有效的检测提供了条件。本发明正是 利用了上述特点，并通过图像获取、感兴趣区域获取、香烟模型建立以及自动检测等步骤， 以准确、迅速地识别集装箱安检透视图像中的香烟。
[0012] 优选地，在所述利用香烟模型进行自动检测的步骤之前，还包括建立香烟模型的 步骤；所述建立香烟模型的步骤包括香烟图像库获取、获取所述香烟图像库中图像的感兴 趣区域、对所述香烟图像库中图像的感兴趣区域进行特征提取、分类器训练、以及香烟模型 生成。
[0013] 优选地，在所述建立香烟模型的步骤中，香烟图像库获取包括：扫 描在集装箱中各个摆放形式、不同数量下的香烟图像，获取香烟图像库{ X };以及采集类似物体和随机物体，形成负样本库PO , PO中每幅图像均不包含香烟。
[0014] 优选地，在所述建立香烟模型的步骤中，香烟的各种规则堆叠的扫描图像被划分 为宽度不同的三种模式，由所述三种模式生成所述香烟模型的正样本库。
[0015] 优选地，所述建立香烟模型的步骤中，对所述香烟图像库中图像的感兴趣区域进 行特征提取包括：正样本特征提取：以箱为单位，人工标注香烟位置，形成三种模式下的正 样本库；以及随机负样本特征提取：在{打中随机抽取足够的样本，进行特征提取，形成负 样本特征集(奶。
[0016] 优选地，在所述建立香烟模型的步骤中，分类器训练包括：在给定正、负样本集的 条件下，训练分类器；用分类器对正、负样本分类；根据结果置信度，将易分的负样本去掉， 重新加入足够的随机负样本；重复上述训练，直到分类器变化足够小，或达到足够迭代次数 为止。
[0017] 优选地，所述方法还包括自学习步骤：对于算法未检测到的香烟图像，通过人工标 注或报关单自动分析，得到新的香烟图像并更新香烟模型。
[0018] 在实际检测中，在不同的检测环境(例如但不限于：扫描方式、集装箱状况等)、扫 描设备和摆放模式下，香烟图像可能相对于已建立的模型而呈现出较大的差异。为使本发 明的方法适用于更加具体的检测环境、扫描设备和摆放模式，根据本发明的实施例，所述方 法还包括自学习功能。通过不断更新香烟模型，使得所述方法能够适应不同的检测环境、扫 描设备和更多包装形式的香烟。
[0019] 优选地，在所述获取透视图像的步骤中，将图像尺寸缩放到均一的分辨率下，并进 行灰度拉伸，使图像值域充满整个可能的取值范围，完成归一化操作。
[0020] 可选地，在所述获取所述透视图像的感兴趣区域的步骤中，把所述透视图像中空 气部分排除掉，以避免空气噪声产生检测结果。
[0021] 优选地，在所述获取所述透视图像的感兴趣区域的步骤中，采用空气亮度阈值的 方法，用空气值对所述透视图像进行二值化，只对阈值之下的图像部分进行香烟检测。
[0022] 优选地，在所述利用香烟模型进行自动检测的步骤中，给定要检测的图像，经过归 一化和获取感兴趣区域，生成感兴趣区域的HOG特征H ;用滑动窗口遍历H，求它在三种 模式下，每个窗口中的最大置信度；置信度大于特定阈值处即为香烟位置。
[0023] 优选地，在多个尺度上检测香烟。
[0024] 本发明还提供了一种自动检测香烟的设备，所述设备由数字放射摄影装置和图像 处理装置构成，所述图像处理装置能够执行根据本发明实施例所述的自动检测香烟的方 法。
[0025] 优选地，所述设备用于自动检测香烟走私。
[0026] 本发明对货物特别是集装箱扫描图像进行香烟检测，可以避免传统方式的检测漏 洞与人工判图效果较差的问题，对于打击香烟走私有重要意义。本发明在本领域中首次提 出通过检测算法自动判断香烟走私的技术方案，且已经过实际验证，具有优良的性能，具有 很强的实用性。
【附图说明】
[0027] 通过参考以下描述的实施例，本发明的这些和其他方面将是清楚的并得到阐述。 在附图中 图1示出了根据本发明的实施例的自动检测香烟方法的流程图； 图2示出了根据本发明的实施例的建立香烟模型的流程图； 图3示出了香烟的六种摆放形式； 图4示出了对集装箱中的香烟进行扫描的示意图； 图5示出了香烟图像的三种模式； 图6示出了根据本发明的实施例的自动检测的流程图； 图7示出了根据本发明的实施例的香烟检测结果的示意图；以及 图8示出了根据本发明的实施例的自学习过程的流程图。
【具体实施方式】
[0028]