基于改进Cascade RCNN网络的X光安检违禁品检测

针对X光安检违禁品检出率低下的问题, 提出了一种基于改进Cascade RCNN网络的X光安检违禁品检测算法. 该算法在网络结构上引入批特征擦除(batch feature erasing, BFE)模块. BFE模块通过随机擦除相同区域来增强局部特征学习, 进而强化网络对剩余特征的学习表达. 此外, 针对检出率低下问题, 在该算法中提出加权SD loss损失函数, 该损失函数使用权重融合的方式将Smooth L1 loss与DIoU loss进行加权融合, 通过改变权重比例系数, 能够使目标检测结果更加准确, 一定程度上提高了检出率. 实验结果表明: 在公开的X光安检违禁品数据集上, 测试性能与原算法相比, 改进Cascade RCNN网络对X光安检违禁品检出率增长了3.11%, 改进算法的识别精度有一定的提高.     

基于三级图像融合与CLAHE的机场安检X光图像增强算法

针对CLAHE增强机场安检X光图像出现的颜色失真及背景噪声放大问题, 提出一种基于三级图像融合与CLAHE的X光图像增强算法. 首先将X光图像分别转换成RGB、HSV图像并分别进行CLAHE增强, 将增强后的图像通过欧几里得范数实现第1级融合. 然后将融合后的图像进行USM锐化, 锐化过程中根据掩膜进行图像第2级融合. 最后将锐化后的图像与原图像按系数进行合并, 完成第3级融合. 仿真实验结果表明, 本文提出的算法能够有效提高安检X光图像的对比度, PSNR平均值提高了7 dB, 同时可以抑制增强图像颜色失真及背景噪声. 该算法有助于提高X光图像中违禁物品的识别准确率, 对平安机场的构建具有积极意义.     

多通道区域建议的多尺度X光安检图像检测

针对安检X光图像检测中的违禁品尺度差异问题,对Faster RCNN网络进行改进,提出一种基于多通道区域建议网络（muiti-channel region proposal network,MCRPN）。考虑到不同层卷积特征在视觉语义上的互补性,进行多层特征提取,融合VGG16高层较丰富的语义特征和低层较浅的边缘特征;修改多通道RPN中的锚框参数,将生成的多尺度候选目标区域分别映射到对应的特征图上,构建多尺度违禁品检测网络;在多通道上引入膨胀卷积,设计一种多分支膨胀卷积模块（dilated convolutions module,DCM）,增大感受野,增强不同尺度的特征。将改进的算法在自制数据集SIXray_OD上进行实验,检测的平均精度达到84.69%,测性能较原网络提高了6.28%。实验结果表明,改进算法的识别精度有一定提高。     

违禁品X光图像检测技术应用研究进展综述

X光图像在安检中应用十分广泛,目前大部分安检工作还要依靠人工完成,但X光安检巨大的工作量和工作强度使自动安检成为必然趋势。如何根据X光图像自动检测其中物体成为研究热点。随着基于深度学习技术的目标检测取得巨大进展,在X光图像违禁品检测中也大量应用深度学习模型进行研究并获得大量成果。为全面、详细总结现有研究,首先介绍X光成像特点、X光图像检测的传统方法以及基于深度学习的方法,然后对比传统方法与深度学习方法的检测效果并分析现有自动安检研究进展,最后指出未来值得关注的研究方向,以期给X光图像违禁品检测的研究提供参考。     

基于智能识别技术的铁路安检辅助分析装置研究

针对铁路安检X光图像判图高度依赖人工,时有发生漏检的问题,提出一种基于智能识别技术的铁路安检辅助分析装置。通过采用视频图像接口的硬件设计,解决与安检仪的适配问题。通过采用跟踪进程、分析进程、推送进程的多进程思路设计,解决60Hz刷新率下的高精度分析显示问题。跟踪进程采用关键点差分算法实现安检X光图像跟踪,分析进程采用改进的残差网络(ResNet)实现特征提取,采用CenterNet算法实现禁限物品检测,推送进程通过检测键盘中断实现报警图像推送。经实验测试,该装置禁限物品识别准确率达92%,显示帧率达60帧/秒,可适配主流品牌安检仪,满足铁路车站安检辅助分析需求。     

双能X射线安检图像的包裹特征剔除

针对目前X射线行李包裹安检过程中行李箱本身的走轮及拉杆对违禁物品自动探测的干扰问题,本文提出了一种双能X光安检图像的包裹特征剔除方法,该方法在去掉包裹特征自身属性的同时又不破坏被其遮挡物品的属性,这样在自动报警系统中既不会把包裹特征作为危险物品而造成误报警也不会由于遮挡了危险物品而造成漏报警,从而提高了双能X射线安检机的安检准确性。     

机场行李分拣及X光安检联动控制研究

针对机场行李分拣系统在集成X光集中安检系统时存在行李处理效率低及系统可靠性不足等问题,提出了一种行李分拣及X光安检联动控制方案.组态化设计了可靠性高的行李分拣及X光安检联动控制系统的硬件结构.深入研究了行李到位检测、集中安检控制时序关键问题.详细设计了具有较高处理效率的X光安检联动控制程序的整体流程,并在西门子SIMA...     

基于全卷积网络的X光图像违禁物品检测方法

针对安检通道中人工检测违禁物品导致效率低的问题,提出一种基于全卷积网络改进的X光图像违禁物品检测方法.采用单阶段检测算法提高计算速度和简化模型,实现无锚框情况下的逐像素检测;构建双向特征金字塔进行多尺度融合,一定程度上解决物品重叠的问题并降低漏检率;改进损失函数实现高效的模型训练,减少内存占用和低质量的计算.实验结果表明,所提算法能够在民航安检应用中实现准确、高效的智能X光图像中违禁物品的检测.     

自适应与多尺度特征融合的X光违禁品检测

针对X光安检违禁品图像空间多尺度变化、背景干扰及模型复杂等问题,提出了空间自适应与多尺度特征融合的YOLOv5轻量模型。以YOLOv5为基本框架,引入自适应空间特征融合机制抑制特征尺度差异的影响,结合双向特征金字塔网络集成了特征双向加权融合;采用轻量化通道注意力机制获得编码的位置信息,增强有效特征的表达;同时利用GhostConv替换部分Conv降低网络计算复杂度。此模型在OPIXray、SIXray、HiXray等3个公开数据集上mAP分别达到94.2%、92.8%、83.3%,比基线模型分别提高了5.4、0.5、1.7个百分点,且未明显改变推理效率,较好兼顾了模型检测精度与速度,优于当前诸多先进算法。     

基于双流对称特征融合网络模型的海洋船舶目标识别

海洋船舶目标识别在民用和军事领域有着重要的战略意义, 本文针对可见光图像和红外图像提出了一种 基于注意力机制的双流对称特征融合网络模型, 以提升复杂感知环境下船舶目标综合识别性能. 该模型利用双流对 称网络并行提取可见光和红外图像特征, 通过构建基于级联平均融合的多级融合层, 有效地利用可见光和红外两种 模态的互补信息获取更加全面的船舶特征描述. 同时将空间注意力机制引入特征融合模块, 增强融合特征图中关 键区域的响应, 进一步提升模型整体识别性能. 在VAIS实际数据集上进行系列实验证明了该模型的有效性, 其识别 精确度能达到87.24%, 综合性能显著优于现有方法.     

一种基于CLMF的深度卷积神经网络模型

针对传统人工特征提取模型难以满足复杂场景下目标识别的需求, 提出了一种基于CLMF的深度卷积神经网络(Convolutional neural networks with candidate location and multi-feature fusion, CLMF-CNN).该模型结合视觉显著性、多特征融合和CNN模型实现目标对象的识别. 首先, 利用加权Itti模型获取目标候选区; 然后, 利用CNN模型从颜色、亮度多特征角度提取目标对象的特征, 经过加权融合供目标识别; 最后, 与单一特征以及目前的流行算法进行对比实验, 结果表明本文模型不仅在同等条件下正确识别率得到了提高, 同时, 达到实时性要求.     

融合多尺度特征与全局上下文信息的X光违禁物品检测

目的 X光图像违禁物品检测一直是安检领域的一个基础问题,安检违禁物品形式各异,尺度变化大,以及透视性导致大量物体堆放时出现重叠遮挡现象,传统图像处理模型很容易出现漏检误检,召回率低。针对以上问题,提出一种融合多尺度特征与全局上下文信息的特征增强融合网络（feature enhancement fusion network,FEFNet）用于X光违禁物品检测。方法 首先针对特征主干网络darknet53,加入空间坐标的注意力机制,将位置信息嵌入到通道注意力中,分别沿两个空间方向聚合特征,增强特征提取器对违禁目标的特征提取能力,抑制背景噪声干扰。然后,将特征提取主干网络输出的特征编码为1维向量,利用自监督二阶融合获取特征空间像素相关性矩阵,进而获取完整的全局上下文信息,为视觉遮挡区域提供全局信息指导。针对违禁物品尺度不一的问题,提出多尺度特征金字塔融合模块,增加一层小感受野预测特征用于提高对小尺度违禁目标的检测能力。最后,通过融合全局上下文特征信息和局部多尺度细节特征解决违禁物品之间的视觉遮挡问题。结果 在SIXRay-Lite （security inspection X-ray）数据集上进行训练和验证,并与SSD （single shot detection）、Faster R-CNN、RetinaNet、YOLOv5（you only look once）和ACMNet （asymmetrical convolution multi-view neural network）模型进行了对比实验。结果表明,本文模型在SIXray-Lite数据集上的mAP （mean average precision）达到85.64%,特征增强融合模块和多尺度特征金字塔融合模块较原有模型分别提升了6.73%和5.93%,总体检测精度较原有检测网络提升了11.24%。结论 提出的特征增强融合检测模型能够更好地提取显著差异特征,降低背景噪声干扰,提高对多尺度以及小型违禁物品的检测能力。同时利用全局上下文特征信息和多尺度局部特征相结合,有效地缓解了违禁物品之间的视觉遮挡现象,在保证实时性的同时有效地提高了模型的整体检测精度。     

多特征融合的复杂环境海洋涡旋识别

目的 海洋涡旋识别研究已成为物理海洋领域的研究热点之一。传统的海洋涡旋识别算法多是基于物理参数法、流场几何特征法以及两种方法的混合,通过设置统一的阈值对海洋涡旋进行识别。在特定环境的海域中,传统算法的识别效果较好。但引起海洋涡旋生成的环境复杂多变且具有快速运动的特性,导致其具有快速连续变化的特点,依赖专家经验进行单一阈值设置的方法存在显著的主观性和不确定性,通常会导致海洋涡旋的漏判和错判,缺乏通用性。针对以上问题,为构建具有泛化能力的海洋涡旋自动识别方法,兼顾考虑海洋涡旋的全局和局部特征,提出一种复杂环境下海洋涡旋多特征融合识别方法。方法 首先通过数据预处理对数据集进行扩充;其次提取海洋涡旋的纹理特征（GLCM）、傅里叶描述子（FD）和Harris角点特征;接着将提取的GLCM特征进行均值化,并通过主成分分析法（PCA）对FD描述子和Harris角点特征进行降维;然后将处理后的特征向量进行串行融合;最后通过分类器完成对海洋涡旋的识别。结果 实验结果表明,提出的多特征融合方法的识别率高于单一特征方法的识别率,采用DT分类算法的识别精度最高,达86.904 5%;本文方法中采用PCA降维能有效提高识别精度,FD特征经PCA降维后,识别精度从83.906 0%提高到86.904 5%,Harris特征经PCA降维后,识别精度从84.009 7%提高到85.354 7%;且对于形态多样的海洋涡旋具有良好的鲁棒性。结论 本文融合了基于SAR影像海洋涡旋的3种特征信息,包括GLCM、FD和Harris角点特征,有效克服了阈值选取以及单一特征的不足,提高了基于SAR影像海洋涡旋的识别率,本文方法适用于复杂环境下的海洋涡旋识别。     

RGBD人体行为识别中的自适应特征选择方法

目前在RGBD视频的行为识别中,为了提高识别准确率,许多方法采用多特征融合的方式。通过实验分析发现,行为在特定特征上的分类效果好,但是多特征融合并不能体现个别特征的分类优势,同时融合后的特征维度很高,时空开销大。为了解决这个问题,提出了RGBD人体行为识别中的自适应特征选择方法,通过随机森林和信息熵分析人体关节点判别力,以高判别力的人体关节点的数量作为特征选择的标准。通过该数量阈值的筛选,选择关节点特征或者关节点相对位置作为行为识别特征。实验结果表明,该方法相比于特征融合的算法,行为识别的准确率有了较大提高,超过了大部分算法的识别结果。     

Increasing X-ray image interpretation competency of cargo security screeners

X-ray screening of containers and unit load devices in the area of cargo shipping is becoming an essential and common feature at ports and airports all over the world. The detection of prohibited items in X-ray images is a challenging task for screening officers as they need to know which items are prohibited and what they look like in X-ray images. The main aim of this study was to investigate whether X-ray image interpretation competency of cargo security screeners can be increased by computer-based training. More specifically, effects of training were investigated by conducting tests before training started and after approximately three months of training. Moreover, it was examined whether viewing X-ray images in pseudo color would lead to a better detection performance compared to when X-ray images are shown in greyscale. Recurrent computer-based training resulted in large performance increases after three months. No significant difference in detection performance could be found for tests when using X-ray images in greyscale vs. pseudo color.     

多特征融合的图像自动变形

目的 图像变形算法中特征基元提取和匹配方式大部分都是采用人机交互的方式进行,并且在遮挡区域变形时出现较多的鬼影和模糊现象,使得针对同一场景图像变形实现繁琐且效果不佳,针对这些问题提出一种基于多特征融合的自动图像变形算法。方法 该算法提取多种图像特征信息（如Surf特征算子、Harris算子、Canny算子等）并进行多特征融合匹配,得到一个分布适当且对应关系正确的三角网格,再结合图像变形,实现自动图像插值。结果 实验结果显示,自动的提取特征基元有效地减少了人工操作,而多特征融合匹配有效地抑制了图像变形时边缘或遮挡区域鬼影的产生。结论 提出的融合匹配方法,将不同的特征信息有效地融合匹配从而改善了图像变形算法。通过对多组实验结果进行问卷调查,91%的参与者认为该算法有效地改进图像变形结果。     

结合深度学习与支持向量机的金属零件识别

目的 在视觉引导的工业机器人自动拾取研究中，关键技术难点之一是机器人抓取目标区域的识别问题。特别是金属零件，其表面的反光、随意摆放时相互遮挡等非结构化因素都给抓取区域的识别带来巨大的挑战。因此，本文提出一种结合深度学习和支持向量机的抓取区域识别方法。方法 分别提取抓取区域的方向梯度直方图（HOG）和局部二进制模式（LBP）特征，利用主成分分析法（PCA）对融合后的特征进行降维，以此来训练支持向量机（SVM）分类器。通过训练Mask R-CNN（regions with convolutional neural network）神经网络完成抓取区域的初步分割。然后利用SVM对Mask R-CNN识别的抓取区域进行二次分类，完成对干扰区域的剔除。最后计算掩码完成实例分割，以此达到对抓取区域的精确识别。结果 对于随机摆放的铜质金属零件，本文算法与单一的Mask R-CNN及多特征融合的SVM算法就识别准确率、错检率、漏检率3个指标进行了比较，结果表明本文算法在识别准确率上较Mask R-CNN和SVM算法分别提高了7%和25%，同时有效降低了错检率与漏检率。结论 本文算法结合了Mask R-CNN与SVM两种方法，对于反光和遮挡情况具有一定的鲁棒性，同时有效地提升了目标识别的准确率。     

多特征融合的瓷砖表面缺陷检测算法研究

鉴于单一特征在瓷砖种类较多的情况下,存在对瓷砖表面缺陷内容表达不明显,导致复杂瓷砖识别率较低。针对这个问题,在词袋模型（BoF）框架的基础上,提出一种有效的多特征融合算法用于瓷砖缺陷检测。该算法采用改进后的SIFT和颜色矩融合特征作为瓷砖图像的区域特征描述;根据每种特征对瓷砖被分类的准确率大小,给提取到的两种区域特征分配各自的权重系数实现特征的加权融合;形成综合特征向量送入SVM分类器达到瓷砖缺陷分类的目的。通过不同类型的瓷砖样本进行实验表明,该算法识别率高,对复杂瓷砖能实现较好的分类。     

视频监控领域基于多特征融合与自适应模型更新的目标跟踪

随着视频处理技术和网络技术的发展,视频监控应用逐渐渗透到了人们日常活动中的方方面面,如何设计实现精度高、鲁棒性好的目标跟踪技术仍然是当今研究的热点及难点。本文在工程应用实践的基础上,提出一多特征融合与自适应模型更新的空时上下文目标跟踪算法,通过将丰富多样的多特征信息整合到空时上下文模型中。由于多特征具有互补特性,可以克服单一特征对目标区域描述不足的缺陷,提升算法的抗干扰能力。同时,本文也提出了一种自适应学习因子策略,增强了模型的泛化能力。大量的仿真实验结果表明本文所提算法的跟踪性能超过传统的空时上下文文目标跟踪算法,对复杂的跟踪场景具有更强的鲁棒性与抗干扰能力。