[发明专利]自动检测香烟的方法

说明书

技术领域

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

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”。

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。

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。

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。

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

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。

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。

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。

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。

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5mm/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。