、特征提取
首先，对图像有类别标注的区域进行特征提取，一般的，使用密集的图像描述子(ImageDescriptor)表示特征。图像描述子可采用多种算法，如方向梯度直方图(HOG-Histogramof Oriented Gradients)特征、最大响应集(Maximum Response Sets,或称MR8)、尺度不变特征转换(SIFT- Scale-1nvariant feature transform)等。优选的，本专利米用三种特征进行决策融合(Decis1n Fus1n)，因此在提取特征时，分别提取密集的HOG、MR8、SIFT特征(此处所述密集，是指采用较小的均匀间隔在图像上设置特征提取点的位置)。算法实现可采用开源软件如opencv、vlfeat等开源库。
[0057]使用图像分割算法对图像进行分割。不失一般性，采用统计区域合并(Statistical Reg1n Merging)方法进行分割,分割得到的区域称之为超像素。对超像素区域内抽取的三种特征进行平均，即可得到此超像素的特征描述。对同一张图像上的、属于同一类别且类别而且相邻或联通的小区域将融合成大区域，称之为簇。簇中至少包含一个超像素。事实上，一个簇一般包含数十至数百个超像素。优选的，采用词袋法(BOW-Bagof Words)来描述簇的特征。将HOG意义下生成的BOW特征称为H0G-B0W，MR8意义下生成的BOW特征为MR8-B0W，SIFT意义下生成的特征为SIFT-B0W。为充分使用样本，根据簇的面积，将簇均匀分块，使得每个簇包含不少于20个的BOW特征。此时，每个BOW特征由{HOG-BOff, MR8-B0W, SIFT-B0W}三个高维矢量组成。
[0058]4、分类器训练
用第3步中得到的特征训练分类器。根据上文描述，针对三种特征，构建三种分类器:HOG分类器、MR8分类器与SIFT分类器。由于每类约有100幅图像，每幅图像至少有20个BOW特征，则每个分类器均为22类分类器，每类至少有2000个特征样本。分类器可采用各类线性、非线性、集成分类器、神经网络，如Fisher分类器、支持向量机(SVM)、自助法(Boosting)、随机森林、多层感知机等。不失一般性，本实施例采用SVM分类器。该分类器有多种开源软件实现方案，如LibSVM等。
[0059]另外，也可以将三种特征进行特征融合(Feature Fus1n),但由于三种特征的维数都较高，因此此处优选的使用决策融合策略。
[0060]在得到分类器后，即可进行分类计算。
[0061]分类识别阶段(如图3所示)
1、图像分割
对未知图像进行分割，其方法与训练阶段的第3步中的图像分割相同，分割所得到的区域均为超像素。
[0062]2、特征提取
特征提取基本方法与训练阶段的第3步中的特征提取方法类似，不同之处在于此处没有类别信息，无法准确得到簇的特征。因此，对于每个超像素，将其周围一定面积内(参考生成簇时区域划分面积)生成的特征形成一个虚拟的局部簇，计算这个簇的BOW特征。此时超像素中的多个特征不再求平均，而是直接生成BOW特征。
[0063]不同于训练时每个簇包含至少20个BOW特征，此时局部簇只包含一个BOW特征，而这个特征由{H0G-B0W，MR8-B0W, SIFT-B0W}三个高维矢量组成。
[0064]3、分类
将H0G-B0W，MR8-B0W, SIFT-BOff三个高维矢量分别通过训练好的三个分类器，则可得到三个矢量属于22个类别的三维置信度矢量。矢量中每个值表示该特征属于某一类的置信度。
[0065]对三维置信度矢量求和、求平均、求最大均可得到决策融合结果。优选的，此处对三维置信度矢量求均值，得到一维置信度矢量。其中每个值，即为超像素属于某个类别的置信度。这个矢量中的最大值，即表示超像素的类别以及置信度。
[0066]优选的，可以在得到每个超像素的置信度后，对置信度图进行后处理。不失一般性，可采用条件随机场(CRF-Condit1nal Random Field)得到更为准确的结果。
[0067]货物重暈估算
在射线成像系统中，每种物质在单位厚度(如Icm)下成像灰度值是可计算的，或者说是确定的。因此，构造一张22类货物在各个厚度下可能的最大灰度和最小灰度表。
[0068]在识别阶段的第3步中，已经得到了货物的种类，再参照图像灰度与上述灰度表，易得货物的最小可能重量与最大可能重量。
[0069]人机夺互方式
本发明涉及的分类与识别方法，可采用多种人机交互方法，辅助设备操作人员更有效的分析图像。其方法可以但不限于:
1、作为人机交互的一种方法，可以在分类识别后，根据货物种类，对不同的货物进行不同颜色的显示，提示设备操作人员图像中包含几种货物，每种货物属于22类中的哪一类。
[0070]2、作为人机交互的一种方法，可以在分类识别后，根据操作人员的点击操作，在某区域(如鼠标附近)显示点击位置的货物种类与该类货物的最小可能重量与最大可能重量。
[0071]3、作为人机交互的一种方法，设备操作人员可以人工输入货物种类(属于哪一大类)。在分类识别后，如果结果与人工输入的类别号有所不同，则在图像上将不同处以明显的颜色标出。
[0072]4、作为人机交互的一种方法，系统通过自动分析报关单(电子报关单或通过字符识别的、数字化的报关单)，得到货物种类与相应的重量信息。在分类识别后，如果结果与自动分析结果有所不同，则在图像上将不同处以明显的颜色标出。
[0073]根据本发明的实施例，还提出了一种对货物进行自动分类识别的透视检查方法，其包括: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。
[0074]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。
[0075]优选地，所述方法包括训练阶段和识别阶段。
[0076]优选地，在所述训练阶段中，获取集装箱货物扫描图像后首先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，并对这些小区域进行特征提取；然后根据每幅图像对应的报关单对其进行标注，类别相同而且相邻或联通的小区域将融合成大区域；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。
[0077]优选地，在所述训练阶段中，采用SIFT、MR8算子获得多个特征，然后采用特征融合或者决策融合的方法对所述多个特征进行融合，以提取特征；并且，采用字典方法来组织所提取的特征。
[0078]优选地，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。
[0079]优选地，在所述识别阶段中，首先对集装箱货物进行扫描，对扫描图像进行预分害I]，生成若干灰度与纹理比较一致的小区域；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。