本發(fā)明涉及安檢圖像的應(yīng)用技術(shù)領(lǐng)域，特別是一種用于安檢圖像復(fù)雜度的分析方法。

背景技術(shù)：

安全形勢日益嚴(yán)峻的今天，各國對公共場所得安全提出了更高的要求，尤其是在機場、車站、碼頭、海關(guān)等公共場所，都采取措施對旅客行李物品、貨物集裝箱等進行嚴(yán)格檢查，其中，安檢系統(tǒng)提供的安全檢查技術(shù)多為輻射成像技術(shù)。地鐵，機場和車站人流量大，安檢設(shè)備運轉(zhuǎn)速度快，旅客攜帶物品多而且放置的方式各種各樣，在通過安檢機時形成的安檢圖像復(fù)雜，這都給安檢員的識別工作造成了很大的困難，安檢員的疲勞程度、注意力狀態(tài)、情緒等因素會嚴(yán)重影響其判斷力，從而會增加檢測結(jié)果的不確定性，極易導(dǎo)致安檢系統(tǒng)起不到應(yīng)有的安全檢查作用。

目前，輻射成像技術(shù)是各國廣泛使用的安檢系統(tǒng)中的主流技術(shù)，該技術(shù)以射線(如X射線)照射被檢測物體，根據(jù)探測器接收到的信號，再經(jīng)過計算機的處理得到被檢測物體的射線圖像，安檢員根據(jù)對射線圖像的判斷而檢測被測物體是否是違禁物品或者是否包含違禁物品。安檢圖像中物體的外觀會受到物體重疊和遮擋等外界因素的影響，而且由于X光安檢設(shè)備成像原理的差異和觀察角度的限制，也會造成安檢圖像的復(fù)雜多樣化，這些都給安檢員的識別工作提高了難度。

圖像的復(fù)雜程度是有多個因素決定的，運用簡單的方法很難能夠快速而又準(zhǔn)確的分析圖像的復(fù)雜度。智能分析方法得到快速發(fā)展，出現(xiàn)了一些著名的算法，比如模糊決策、神經(jīng)網(wǎng)絡(luò)、蟻群算法等，他們都能夠很好的進行復(fù)雜的運算，例如在專利公開號為105631532A一文中，作者提出了一種基于模糊決策的神經(jīng)網(wǎng)絡(luò)模型電力系統(tǒng)負(fù)荷預(yù)測方法，主要是對歷史負(fù)荷樣本進行剔除，得到大數(shù)據(jù)樣本，之后在電力負(fù)荷的歷史數(shù)據(jù)基礎(chǔ)上找出其中的變化規(guī)律，建立電力負(fù)荷神經(jīng)網(wǎng)絡(luò)預(yù)測模型。在專利公開號為105760997A一文中，作者提出了基于模糊評價的配電網(wǎng)異常電壓評估方法，通過對有功負(fù)荷、無功負(fù)荷和電壓賦值建立模糊因素集，之后計算模糊因素集的權(quán)重，最后建立模糊評價體系，進行模糊綜合評價，主要解決了對電壓異常的嚴(yán)重程度和影響范圍進行客觀評價。

技術(shù)實現(xiàn)要素：

本發(fā)明解決的技術(shù)問題是：克服現(xiàn)有技術(shù)的不足，提供了一種用于安檢圖像復(fù)雜度的分析方法，通過智能分析方法分析安檢圖像的復(fù)雜程度，根據(jù)圖像復(fù)雜程度的高低進而快速地在被測物體通過安檢機時提醒安檢員對該被測物體提高警惕，甚至提示安檢員對該被測物體進行開包檢查。

本發(fā)明的技術(shù)解決方案是：一種用于安檢圖像復(fù)雜度的分析方法，包括如下步驟：

(1)獲取被檢測物體的X射線圖像；

(2)根據(jù)X射線圖像獲取得到被檢物體的尺寸、被檢物體在X射線圖像中的像素密度分布、被檢物體中各個物體的輪廓線條數(shù)量、被檢物體中各個物體的輪廓線條長度、被檢物體中各個物體的最大疊壓層數(shù)、X射線穿透被檢物體后的能量、被檢物體有效原子序數(shù)與違禁物品的近似程度；

(3)根據(jù)步驟(2)得到的被檢物體的尺寸、被檢物體在X射線圖像中的像素密度分布、被檢物體中各個物體的輪廓線條數(shù)量、被檢物體中各個物體的輪廓線條長度、被檢物體中各個物體的最大疊壓層數(shù)、X射線穿透被檢物體后的能量、被檢物體有效原子序數(shù)與違禁物品的近似程度生成得到被檢物體的復(fù)雜度；

(4)提醒安檢員對復(fù)雜度最大的被檢物體進行檢查。

所述的根據(jù)步驟(2)得到的被檢物體的尺寸、被檢物體在X射線圖像中的像素密度分布、被檢物體中各個物體的輪廓線條數(shù)量、被檢物體中各個物體的輪廓線條長度、被檢物體中各個物體的最大疊壓層數(shù)、X射線穿透被檢物體后的能量、被檢物體有效原子序數(shù)與違禁物品的近似程度生成得到被檢物體的復(fù)雜度的方法包括模糊集決策方法、神經(jīng)網(wǎng)絡(luò)算法。

所述的模糊集決策方法包括如下步驟：

(1)對步驟(2)得到的被檢物體的尺寸、被檢物體在X射線圖像中的像素密度分布、被檢物體中各個物體的輪廓線條數(shù)量、被檢物體中各個物體的輪廓線條長度、被檢物體中各個物體的最大疊壓層數(shù)、X射線穿透被檢物體后的能量、被檢物體有效原子序數(shù)與違禁物品的近似程度創(chuàng)建模糊因素集；

(2)根據(jù)圖像特征信息對被檢物體復(fù)雜度的影響建立模糊評價集，進而得到模糊因素集相對模糊評價集的多因素模糊綜合評判變換矩陣；所述的圖像特征信息包括被檢物體的尺寸、被檢物體在X射線圖像中的像素密度分布、被檢物體中各個物體的輪廓線條數(shù)量、被檢物體中各個物體的輪廓線條長度、被檢物體中各個物體的最大疊壓層數(shù)、X射線穿透被檢物體后的能量、被檢物體有效原子序數(shù)與違禁物品的近似程度；

(3)建立模糊因素集中每個因素的權(quán)重集，然后利用權(quán)重集和模糊綜合評判變換矩陣計算得到被檢物體的復(fù)雜度。

所述的神經(jīng)網(wǎng)絡(luò)算法包括如下步驟：

(1)將步驟(2)得到的被檢物體的尺寸、被檢物體在X射線圖像中的像素密度分布、被檢物體中各個物體的輪廓線條數(shù)量、被檢物體中各個物體的輪廓線條長度、被檢物體中各個物體的最大疊壓層數(shù)、X射線穿透被檢物體后的能量、被檢物體有效原子序數(shù)與違禁物品的近似程度作為網(wǎng)絡(luò)輸入層；

(2)確定網(wǎng)絡(luò)隱含層、隱含層神經(jīng)元節(jié)點個數(shù)；

(3)計算得到網(wǎng)絡(luò)輸出層，并作為圖像復(fù)雜度。

本發(fā)明與現(xiàn)有技術(shù)相比的優(yōu)點在于：

本發(fā)明通過對被檢行包的特征信息進行提取，并運用智能分析方法分析這些因素得到關(guān)于圖像復(fù)雜度的信息，預(yù)先幫助安檢員識別出復(fù)雜的行包，減少安檢員的篩檢時間，幫助安檢員更好的去處理復(fù)雜的行包，同時也減少了安檢員的工作量，減輕了安檢員的工作強度，提高了安檢員的工作效率和檢測的針對性和有效性。

附圖說明

圖1為本發(fā)明安檢圖像復(fù)雜度分析的流程圖；

圖2為本發(fā)明有關(guān)于圖像復(fù)雜度的特征信息；

圖3為本發(fā)明模糊群決策理論體系的流程圖。

具體實施方式

本發(fā)明針對現(xiàn)有技術(shù)的不足，提出一種分析安檢圖像復(fù)雜度的智能方法，通過智能分析安檢圖像的復(fù)雜程度，然后根據(jù)圖像復(fù)雜程度的高低進而快速地在被測物體通過安檢機時提醒安檢員對該被測物體提高警惕，甚至提示安檢員對該被測物體進行開包檢查。本發(fā)明一種用于安檢圖像復(fù)雜度分析的智能方法，包括如下步驟：

(1)獲取被檢測物體的X射線圖像；

(2)根據(jù)X射線圖像分析出被檢測行包的尺寸；

(3)根據(jù)X射線圖像分析出被檢測行包在X射線圖像中的像素密度分布，像素密度分布是反映被測物體的密度在空間分布信息的一種表示形式，其通過康普頓散射近似正比于散射物質(zhì)密度這一原理求得；

(4)根據(jù)X射線圖像分析出被檢測行包的輪廓線條數(shù)量，即在被檢行包中組成每個物體的輪廓線條數(shù)量，其主要通過微分邊緣檢測、模糊增強邊緣檢測和多尺度邊緣檢測等方法求得；

(5)根據(jù)X射線圖像分析出被檢測行包的輪廓線條長度，即在被檢行包中每個物體的輪廓線條長度，其檢測方法同上；

(6)根據(jù)X射線圖像分析出被檢測行包的物品最大疊壓層數(shù)，即在被檢行包中物體的疊壓層數(shù)，其主要是通過雙視角射線檢測儀器進行檢測；

(7)根據(jù)X射線圖像分析出被檢測行包的穿透程度，即指射線穿透行包中物體的能力，其主要是通過分析射線圖像的灰度得到，即穿透物體后的能量；

(8)根據(jù)X射線圖像分析出被檢測行包的有效原子序數(shù)與違禁物品的近似程度，即指一個物體的有限原子序數(shù)和違禁物品的原子序數(shù)的接近程度，其主要是通過圖像分析出行包的有效原子序數(shù)，并與已知的違禁物品的原子序數(shù)進行比較，得到近似程度；

本發(fā)明所采用到的智能分析方法有模糊集決策，人工神經(jīng)網(wǎng)絡(luò)，蟻群算法和決策樹以及其他相關(guān)的智能方法。在這里由于篇幅限制，列舉兩種算法來說明對安檢圖像復(fù)雜度的分析，一是模糊集決策方法，其是指在模糊環(huán)境下進行決策的數(shù)學(xué)理論和方法。模糊集決策方法首先根據(jù)模糊集決策理論的知識，分別對上述得到的關(guān)于圖像的特征信息創(chuàng)建模糊因素集；之后針對圖像特征信息對圖像復(fù)雜度的影響不同，建立模糊評價集；在此基礎(chǔ)上，建立模糊因素集相對于評價集的多因素模糊綜合評判變換矩陣；建立模糊因素集中每個因素的權(quán)重集；根據(jù)模糊群決策理論，利用權(quán)重集和模糊綜合評判變換矩陣分析出圖像的復(fù)雜度；通過安檢機的顯示器向安檢員做出提示，對圖像復(fù)雜度高的被測物體提高警惕甚至開包檢查。

二是神經(jīng)網(wǎng)絡(luò)算法用于安檢圖像復(fù)雜度分析的過程，首先將射線圖像的特征信息作為網(wǎng)絡(luò)輸入層，特征信息包括而不限于被檢行包的密度分布均勻程度、輪廓線條數(shù)量、輪廓線條長度、行包中物體疊放層數(shù)、穿透程度和被檢行包中物體的有效原子序數(shù)與違禁品的原子序數(shù)的接近程度以及其他特征信息；其次，根據(jù)樣本數(shù)量確定網(wǎng)絡(luò)的隱含層和隱含層的神經(jīng)元節(jié)點個數(shù)；最后，確定網(wǎng)絡(luò)輸出層，將圖像復(fù)雜度作為網(wǎng)絡(luò)輸出層。

在網(wǎng)絡(luò)模型確定后，即可對其進行訓(xùn)練，訓(xùn)練結(jié)果關(guān)于圖像復(fù)雜度的信息可以通過某種方式反饋給安檢員，提示安檢員注意該行包，必要時甚至可以開包檢查。下面通過附圖以及具體實施例對本發(fā)明技術(shù)方案做詳細(xì)的說明。

本發(fā)明實施例中提供了一種用于安檢圖像復(fù)雜度智能分析的方法，該方法基于模糊集決策理論，主要步驟包括：首先獲取被檢物體的x射線圖像；根據(jù)射線圖像分析出被測物體“包含而不限于”的尺寸、密度分布均勻程度、輪廓線條數(shù)量、輪廓線條長度、物品的疊壓層數(shù)、穿透程度和有效原子序數(shù)與違禁物品的近似程度等信息；再之對這些信息建立因素集；之后建立模糊評價集；在因素集和評價集的基礎(chǔ)上，構(gòu)建多因素模糊評價變換矩陣；通過層次分析法創(chuàng)建權(quán)重集；最后就是利用模糊群決策知識，分析出圖像的復(fù)雜度，根據(jù)圖像的復(fù)雜度情況對安檢員進行提示。

如圖1所示為本發(fā)明實施例中一種用于安檢圖像復(fù)雜度判斷的智能分析方法的流程圖，該方法包括：

101獲取被測物體的安檢圖像；

102根據(jù)安檢圖像，獲取圖像的多個特征，包括而不限于被測物體的尺寸、度分布均勻程度、輪廓線條數(shù)量、輪廓線條長度、物品疊壓層數(shù)、穿透程度和有效原子序數(shù)與違禁品的近似程度；

103根據(jù)模糊群決策理論知識，通過模糊綜合評判方法確定被測物體的模糊集，再根據(jù)最大隸屬度原則，決定圖像復(fù)雜度的高低。

104根據(jù)模糊決策評判的結(jié)果，通過安檢機的顯示器對安檢員進行提示，提示方式包括而不限于文字、語音和圖像放大等方式。

具體來講，在本發(fā)明實施例中，針對步驟101中的獲取被測物體的安檢圖像可以通過市場上通用的X射線對行包進行檢測，得到行包的射線圖像。

進一步，在本發(fā)明實施例中，通過圖2對步驟102進行解釋說明。如圖2所示為根據(jù)安檢圖像，獲取到的有關(guān)圖像的具體特征信息，選用梯形分布來構(gòu)造各個因素的隸屬度，分別將各個因素的指標(biāo)表達(dá)成介于[0,1]的無因次參數(shù)，并對其建立模糊因素集U，U＝{尺寸，密度分布均勻程度，輪廓線條數(shù)量，輪廓線條長度，物品的疊壓層數(shù)，穿透程度，有效原子序數(shù)和違禁物品的近似程度},。根據(jù)各個特征信息對圖像復(fù)雜度的影響，建立模糊評判集V。

進一步，在本發(fā)明實施例中，通過圖3對步驟103進行解釋說明。如圖3所示為模糊綜合評判的流程圖。首先，針對單因素的情況做考慮，建立每個單因素相對于模糊評價集的隸屬度，然后再把所有的因素相對于評價集的隸屬度構(gòu)造成綜合評判變換矩陣；利用層次分析法構(gòu)造各個因素的權(quán)重集，在得到權(quán)重集和綜合評判變換矩陣后，通過計算得到關(guān)于每一個被測物體的安檢圖像最終的模糊集，并對其進行歸一化處理，根據(jù)最大隸屬度原則，得到最終的圖像復(fù)雜度的信息。

進一步，在本發(fā)明實施例中，步驟104主要是根據(jù)模糊群決策的結(jié)果，通過某種方式告訴安檢員關(guān)于某個行包的復(fù)雜度情況，在該實施例中，采用動態(tài)放大縮小復(fù)雜圖像的方式提示安檢員應(yīng)該特別警惕該行包，甚至可以開包檢查。

本發(fā)明說明書中未作詳細(xì)描述的內(nèi)容屬本領(lǐng)域技術(shù)人員的公知技術(shù)。