【技术实现步骤摘要】
一种用于安检CT三维图像的目标物体检测方法及系统
[0001]本专利技术涉及安检图像
,尤其涉及一种用于安检CT三维图像的目标物体检测方法及系统。
技术介绍
[0002]X射线安检设备在安防系统中的作用至关重要,尤其是在地铁站、火车站、机场等人流密集的交通节点中,安检设备是确保旅客人身财产安全乃至国家、社会稳定的重要安全保障工具。传统的安检设备检测方式是由安检员通过肉眼观察安检机中行李箱包的X射线成像,辨别其中是否有违禁品。但X射线图像与物品外貌无关,而是与物品自身的成分、密度以及成像时的角度、位置等有关,这与物品的自然图像相差较大,并且X射线图像存在更多的透视现象,上述这些因素会导致以肉眼方式观察违禁品难度较大,即便是经过培训上岗的熟练安检员,工作时间过长后也会产生视觉疲劳,同样会导致违禁品的检出率降低。由此,三维X射线计算机断层图像(CT图像)中的自动目标检测,近年来得到了行业广泛的关注。
[0003]目前,在三维目标检测方面卷积神经网络(CNN)取得了重大进展,研究重点有两类,一是将点云数据转换为体数据表示,并将CNN改进为3D CNN来用于目标检测网络,如3D
‑
FCN利用3D全卷积网络直接预测类标签和边界框的位置;二是将三维体素网络利用三维卷积层将输入的三维体数据编码为多通道二维特征图,并将特征提供给后续检测网络,如Vote3Deep利用三维体数据的稀疏性来加速三维卷积。然而,这些基于三维网络的算法在用于检测高分辨率三维图像时计算成本和时间成本较高,不能满足实际场景应用需求。 ...
【技术保护点】
【技术特征摘要】
1.一种用于安检CT三维图像的目标物体检测方法,其特征在于,包括以下步骤:获取安检CT图像的原始三维体数据,将所述原始三维体数据进行切片,得到多个二维切片图像;将多个所述二维切片图像分别输入训练后的改进RetinaNet网络进行目标物体检测,得到带有目标物体检测框标记的各二维预测图像,其中,所述目标物体检测框标记包括目标物体类别和相应的置信分数;基于所述目标物体检测框标记中的目标物体类别和相应的置信分数,将各所述二维预测图像进行融合得到三维融合体数据,进而通过设定的阈值对所述三维融合体数据中目标物体检测框标记进行处理,得到带有目标物体检测标记的三维体数据图像。2.根据权利要求1所述的用于安检CT三维图像的目标物体检测方法,其特征在于,通过执行以下操作得到多个二维切片图像:依据三维笛卡尔坐标系,沿着X、Y和Z方向分别将所述原始三维体数据切割成固定厚度的切片体数据,并依次进行编号;所述编号包括该切片体数据所属的切割方向和切割顺序编号;将各切片体数据分别沿厚度方向进行投影,得到多个二维切片图像,其中,所述二维切片图像的每一像素点的像素值为切片体数据对应位置在厚度方向上各体素的像素值最大值。3.根据权利要求1所述的用于安检CT三维图像的目标物体检测方法,其特征在于,所述改进RetinaNet网络包括主干网络、分类子网络和回归子网络;所述主干网络,用于从输入图像中提取特征图,包括ResNet和FPN,构成7层的特征金字塔结构,其中,将特征金字塔结构的第一层、第二层和第三层的普通卷积更换为空洞卷积,以增大特征感受野;所述分类子网络,用于基于主干网络提取的特征图进行目标物体分类,生成图像中的目标物体类别和相应置信分数;所述回归子网络,用于基于主干网络提取的特征图进行边界框回归,生成图像中目标物体检测框。4.根据权利要求3所述的用于安检CT三维图像的目标物体检测方法,其特征在于,基于焦点损失函数对所述改进RetinaNet网络进行训练,所述焦点损失函数FL表示为:FL(p
t
)=
‑
α
t
(1
‑
p
t
)
γ
log(p
t
),其中,式中,y的值为1或
‑
1,其中,1表示图像前景、
‑
1表示图像背景;p表示检测样本属于图像前景的概率;α
t
表示平衡参数,α
t
∈[0,1];γ表示聚焦参数,γ≥0。5.根据权利要求2所述的用于安检CT三维图像的目标物体检测方法,其特征在于,通过执行以下步骤将各所述二维预测图像进行融合,得到三维融合体数据:对每一切割方向的二维预测图像进行以下处理得到相应的融合体数据:将该切割方向的二维预测图像依照切割顺序编号进行排列,再利用线性插值将各相邻
的二维预测图像填充为固定厚度的体数据,得到该切割方向上的融合体数据;将所述各切割方向上得到的融合体...
【专利技术属性】
技术研发人员:李春阳,何竞择,张文杰,宋诗宇,
申请(专利权)人:北京航星机器制造有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。