[发明专利]基于风格特征通道注意力的X光安检图像违禁品检测方法

说明书

本发明涉及基于风格特征通道注意力的X光安检图像违禁品检测方法，属于目标检测技术领域。包括：1对数据集进行预处理获取训练集和测试集；2对训练集进行数据增强和打乱处理；3构建SCIA模块，并构建特征金字塔网络SCIA‑FPN；4将训练集的X光安检图像输入SCIA‑FPN获取特征图；5将特征图输入RPN网络获取预测框；6将预测框和特征图输入ROI池化层，输出池化后的特征图；7将池化后的特征图输入分类回归网络；8重复2至7进行多次训练获取违禁品检测模型；9将测试集输入违禁品检测模型输出违禁品检测结果。所述方法能有效检测出X光安检图像中被遮挡的多尺度违禁品，给出违禁品类别分数并精确标出违禁品位置。

技术领域

本发明涉及基于风格特征通道注意力的X光安检图像违禁品检测方法，属于深度学习、目标检测以及X光安检图像处理技术领域。

背景技术

违禁品检测是目标检测的一个重要分支，旨在自动检测X光安检图像中是否存在一个或多个违禁的物品，并且给出每个违禁品的边界框及相应的违禁品类别。X光安检图像违禁品检测在维护公共场所秩序，交通枢纽安全保障，快递寄送等领域有着广泛的应用前景。当前，安检仍需安检人员通过肉眼识别X光安检图像中的违禁品，人工安检容易受视觉疲劳影响而出现漏判和错判现象。因此，X光安检图像违禁品检测近年来受到了研究人员的广泛关注。

现有X光安检图像违禁品检测方法分为两类。一类是基于机器学习的传统方法，一类是基于深度学习的方法。

基于机器学习的传统方法首先提取特征，然后进行分类识别。常用的特征描述方法包括加速稳健特征、快速加速稳健特征及尺度不变特征变换等，分类识别方法包括支持向量机、随机森林、最邻近算法等。传统方法存在的问题是：提取特征依赖于人工选定，并且仅局限于小样本数据集或某一类违禁品，性能较差，不能满足实际应用。

近年来，深度学习不断发展，由于深度卷积神经网络可以自动提取特征，基于深度卷积神经网络的目标检测算法层出不穷，这一方法也被应用到X光安检图像违禁品检测领域。如：Hassan等人利用结构张量提取违禁品的轮廓，但这种方法需要参数微调；Miao等人制作了一个安全检查X光图像数据集(security Inspection X-ray，SIXray)，并提出了一个类别平衡多层次框架检测该数据集中的违禁品；Wei等人制作了一个遮挡违禁品X光图像数据集(Occluded Prohibited Items X-ray，OPIXray)，提出一个结合边缘检测和注意力模型的抗遮挡注意力模块，检测数据集中不同遮挡水平的违禁品，但检测精度有待提高。尽管深度学习极大地促进了X光安检图像中违禁品检测的发展，但目前的违禁品检测仍存在两大难题：(1)多尺度问题：X光安检图像中违禁品尺寸各异，很难在检测过程中兼顾各种尺寸的违禁品，尤其小尺寸违禁品易漏检；(2)遮挡问题：X光安检图像中物品繁多，背景复杂，违禁品大多被严重遮挡，只有局部特征已知，不易检测。

基于现有方法的不足，本文提出了基于风格特征通道注意力的X光安检图像违禁品检测方法，利用X光安检图像中不同材质显示不同颜色这一风格特征，结合特征金字塔网络，解决违禁品的遮挡与多尺度问题。

发明内容

本发明的目的在于利用X光安检图像的风格特征，结合特征金字塔网络，解决违禁品的遮挡与多尺度问题，提出了基于风格特征通道注意力的X光安检图像违禁品检测方法。

为了达到上述目的，本发明采取如下技术方案。

所述X光安检图像违禁品检测方法，包括如下步骤：

步骤1：对X光安检图像数据集进行预处理，设置成与VOC2007数据集格式相同的X光安检图像数据集；

步骤1具体为：从公开网站中下载X光安检图像数据集，将数据集中的所有X光安检图像放入一个文件夹，将所有的标记文件放入另一个文件夹，并将数据集以K：(10-K)的比例划分为训练集和测试集；