CN106295668A - 一种鲁棒的枪支检测方法 - Google Patents
一种鲁棒的枪支检测方法 Download PDFInfo
- Publication number
- CN106295668A CN106295668A CN201510285393.XA CN201510285393A CN106295668A CN 106295668 A CN106295668 A CN 106295668A CN 201510285393 A CN201510285393 A CN 201510285393A CN 106295668 A CN106295668 A CN 106295668A
- Authority
- CN
- China
- Prior art keywords
- gun
- view
- feature
- guns
- field
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
- G06F18/2155—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the incorporation of unlabelled data, e.g. multiple instance learning [MIL], semi-supervised techniques using expectation-maximisation [EM] or naïve labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明提出一种鲁棒的枪支检测方法，该方法进行了有效的预处理和目标显著性检测，通过颜色分割和特有尺寸特征的筛选，来寻找目标检测物的候选区；该方法是基于枪支和非枪支的分类错误风险来设计枪支分类器；然后把多个多层深度学习神经网络级联起来，最后通过候选区统计枪支可能性进行判别，最终形成一个完整的枪支检测器。本发明的枪支检测方法的抗干扰性好，实时性强，识别精度高。
Description
技术领域
本发明属于计算机视觉、图像处理和模式识别技术领域，具体说涉及一种鲁棒的枪支检测方法。
背景技术
随着全世界范围内恐怖袭击、贩毒、走私等犯罪活动的日益猖獗，各国政府已不断加强对各种公共场所（如在机场、车站、航运码头、会展中心、政府机关、大型运动场及边检口岸等）的安全检查。现有技术中的安检系统通过产生X射线穿透行李以获得行李的X光图像，并将X光图像显示在屏幕上，然后由工作人员根据经验判别行李中是否包含危险物品。这种方式要求工作人员具有一定的判图经验，工作强度大，一定判错对于一些危害性较强的物品如枪支，一定漏检其危害性不可估量。随着计算机视觉、图像处理和模式识别技术的成熟发展，现有技术的安检系统开始采用图像自动识别技术来自动判别行李中是否包含危险物品。
发明内容
针对现有技术存在的问题，本发明的目的在于提出一种漏检率和误报率低的枪支检测方法。
为实现上述目的，本发明提出一种鲁棒的枪支检测方法，该方法进行了有效的预处理和目标显著性检测，通过颜色分割和特有尺寸特征的筛选，来寻找目标检测物的候选区；该方法是基于枪支和非枪支的分类错误风险来设计枪支分类器；然后把多个多层深度学习神经网络级联起来，最后通过候选区统计枪支可能性进行判别，最终形成一个完整的枪支检测器；
在由X光机图像采集设备和计算机组成的系统中，所述的检测方法包括训练阶段和检测阶段；
1、训练阶段包括以下步骤：
1.1、样本的采集；
利用X光机过行李包裹，并将采集的图片中的枪支用人工标定切割出来，从不含有枪支的X光图片中随机切割非枪支图片；建立枪支样本数据库；
1.2、归一化处理；
包含样本光照和大小的线性归一化，即把步骤1.1得到的枪支和非枪支图像归一化为指定尺寸，然后将尺寸归一化后的图像灰度化；
1.3、样本特征库的提取；
1.3.1、计算每个样本的积分图
1.3.2、微结构特征库的提取
使用harr特征的三种微结构特征：上下类型、左右类型、斜对称类型，加上一个边缘描述值作为微结构特征，再加上一个均值作为微结构特征，一共五种微结构特征模板来提取枪支样本的高维微结构特征，对于所述五种类型微结构特征向量，分别表示如下：
上下型Harr特征，是在N*N的视野中，将视野中的上半部分的灰度总值与下半部分的灰度总值相减，然后再除以视野中的像素个数N
，得到一个微结构特征，设上半部分和下半部分上下对称且面积相等，用w表示其中各部分的宽，h表示其中各部分的高，N为大于零自然数；
左右型Harr特征，是在N*N的视野中，将视野中的左半部分的灰度总值与右半部分的灰度总值相减，然后再除以视野中的像素个数N，得到一个微结构特征，设左半部分和右半部分左右对称且面积相等，w、h的定义与上下型Harr特征相同；
斜对称型Harr特征，是在N*N的视野中，将视野中的左上半部分的灰度总值与右下半部分的灰度总值相加得到斜方向的灰度总值，将视野中的右上部分的灰度总值与左下部分的灰度总值相加得到反斜方向的灰度总值，接着将斜方向的灰度总值与反斜方向的灰度总值相减，然后再除以视野中的像素个数N，得到一个微结构特征，设左上半部分、左下半部分和右上半部分、右下半部分的面积相等，w、h的定义与上下型Harr特征相同；
将以上三种微结构特征的的绝对数的最大值作为边缘描述值，这个值也作为一个微结构特征；
均值特征，是在N*N的视野中，将所有视野中的灰度值相加，然后再除以视野中的像素个数N，得到一个微结构特征；
1.3.3、微结构特征的提取方式
对于一个72*72像素的样本图，横向每隔4个像素读取一个8*8分辨率的视野，横向可有17个视野，同理纵向也取17个视野，因此分辨率为72*72的样本，一共有289个视野，每个视野分别计算了5种微结构特征，由此构成1445个特征来描述一个样本；
1.4、分类器设计
用以上设计的特征以及深度学习中的DBN算法，训练多个枪支分类器，并将这多个分类器分层级联组合成一个完整的枪支检测器，包括以下步骤：
1.4.1、初始化i=1；初始化定义每一层分类器的训练目标，该目标是分别训练出一个在枪支训练集上的漏检率小于1%，并且在非枪支训练集上误报率小于20%的分类器，再训练出一个在枪支训练集上漏检率小于20%，并且在非枪支训练集上误报率小于1%的分类器，然后将这两个分类器合并成一个分类器作为该层的分类器；定义整个枪支检测器的目标，在枪支训练集上的漏报率小于5%，在非枪支训练集上的误报率小于1%；每个DBN分类器，采用两个隐层，输入层为1445个神经元，第一个隐层为578个神经元，第二个隐层为300个神经元，输出层为2分类，整个分类器各层均采用全链接；
1.4.2、训练第i层分类器；
1.4.3、用训练得到的前i层分类器对样本集进行检测，并计算漏检率、误报率；
其中，漏检率=被判别为枪支的非枪支样本个数/非枪支样本总数*100%，
误报率=被判别为非枪支的枪支样本个数/枪支样本总数*100%；
1.4.4、如果漏检率、误报率未达到步骤1.4.1设定的预定值，则，返回步骤1.4.2继续进行训练，否则停止训练；
在检测阶段，采用以下步骤来判断输入图片是否含有枪支：
2.1、载入已训练的参数，并初始化分类器；
2.2、将待检测图片输入到步骤1.4所得到的枪支检测器中；
2.3、对待检测图片进行图像预处理，使用白平衡和颜色均衡化；
2.4、输入图像的缩放；
2.5、枪支目标性检测，使用颜色分割、以及连通域尺寸范围限定，进行候选区筛选；
2.6、积分图像的计算；
2.7、通过积分图，提取候选区特征，
在候选区使用72*72的窗口滑动，在窗口内使用积分图来计算滑动窗口的特征，一个窗口的特征作为一个待预测样本的特征，候选区的窗口个数由目标显著性检测决定；
2.8、通过训练后的分类器来预测候选区有枪支的可能性，
具体是在每一个候选区中，使用分类器计算每一个滑动窗口是否包含枪支等目标；
2.9、累计候选区域有枪支的可能性，
在每一个候选区中，如果判定含有枪支的窗口个数超过了一定阈值则判定为有枪，这个阈值是候选区的窗口个数乘以一个系数，该系数范围是大于0.3小于0.9。
本发明的鲁棒的枪支检测方法也可以用于检测图像中是否含有电池的检测。
附图说明
图1为本发明一个具体实施例中的枪支检测方法中的训练阶段的流程图；
图2为本发明一个具体实施例中的枪支检测方法中的检测阶段的流程图。
具体实施方式
下面结合附图和实施例对本发明提出的鲁棒的枪支检测方法做进一步描述。以下实施例仅用于说明本发明，但不用来限制本发明的范围。
如图1和图2所示，本发明提出的鲁棒的枪支检测方法，该方法进行了有效的预处理和目标显著性检测，通过颜色分割和特有尺寸特征的筛选，来寻找目标检测物的候选区；该方法是基于枪支和非枪支的分类错误风险来设计枪支分类器；然后把多个多层深度学习神经网络级联起来，最后通过候选区统计枪支可能性进行判别，最终形成一个完整的枪支检测器；
在由X光机图像采集设备和计算机组成的系统中，所述的检测方法包括训练阶段和检测阶段；
1、训练阶段包括以下步骤：
1.1、样本的采集；
利用X光机过行李包裹，并将采集的图片中的枪支用人工标定切割出来，建立枪支样本数据库；从不含有枪支的X光图片中随机切割非枪支图片；经筛选后，共得到17800张枪支样本和90000张非枪支样本作为训练样本集；
1.2、归一化处理；
包含样本光照和大小的线性归一化，即把步骤1得到的枪支和非枪支图像归一化为指定尺寸，然后将尺寸归一化后的图像灰度化；
样本库中，原始的目标宽为180像素，高为180像素，缩放后目标宽为72像素，高为72像素，缩放完后将其灰度化；
1.3、样本特征库的提取；
1.3.1、计算每个样本的积分图
根据定义使用 计算每个样本对应的积分图，并且有，；
1.3.2、微结构特征库的提取
使用harr特征的三种微结构特征：上下类型、左右类型、斜对称类型，加上一个边缘描述值作为微结构特征，再加上一个均值作为微结构特征，一共五种微结构特征模板来提取枪支样本的高维微结构特征，所述微结构特征用表述，对于所述五种类型微结构特征向量，分别表示如下：
上下型Harr特征，是在N*N的视野中，将视野中的上半部分的灰度总值与下半部分的灰度总值相减，然后再除以视野中的像素个数N，得到一个微结构特征，设上半部分和下半部分上下对称且面积相等，用w表示其中各部分的宽，h表示其中各部分的高，N为大于零自然数；
=
左右型Harr特征，是在N*N的视野中，将视野中的左半部分的灰度总值与右半部分的灰度总值相减，然后再除以视野中的像素个数N，得到一个微结构特征，设左半部分和右半部分左右对称且面积相等，w、h的定义与上下型Harr特征相同；
=
斜对称型Harr特征，是在N*N的视野中，将视野中的左上半部分的灰度总值与右下半部分的灰度总值相加得到斜方向的灰度总值，将视野中的右上部分的灰度总值与左下部分的灰度总值相加得到反斜方向的灰度总值，接着将斜方向的灰度总值与反斜方向的灰度总值相减，然后再除以视野中的像素个数N，得到一个微结构特征，设左上半部分、左下半部分和右上半部分、右下半部分的面积相等，w、h的定义与上下型Harr特征相同；
=
将以上三种微结构特征的的绝对数的最大值作为边缘描述值，这个值也作为一个微结构特征；
均值特征，是在N*N的视野中，将所有视野中的灰度值相加，然后再除以视野中的像素个数N，得到一个微结构特征；
=
1.3.3、微结构特征的提取方式
对于一个72*72像素的样本图，横向每隔4个像素读取一个8*8分辨率的视野，横向可有17个视野，同理纵向也取17个视野，因此分辨率为72*72的样本，一共有289个视野，每个视野分别计算了5种微结构特征，由此构成1445个特征来描述一个样本；
1.4、分类器设计
用以上设计的特征以及深度学习中的DBN算法，训练多个枪支分类器，并将这多个分类器分层级联组合成一个完整的枪支检测器，包括以下步骤：
1.4.1、初始化i=1；初始化定义每一层分类器的训练目标，该目标是分别训练出一个在枪支训练集上的漏检率小于1%，并且在非枪支训练集上误报率小于20%的分类器，再训练出一个在枪支训练集上漏检率小于20%，并且在非枪支训练集上误报率小于1%的分类器，然后将这两个分类器合并成一个分类器作为该层的分类器；定义整个枪支检测器的目标，在枪支训练集上的漏报率小于5%，在非枪支训练集上的误报率小于1%；每个DBN分类器，采用两个隐层，输入层为1445个神经元，第一个隐层为578个神经元，第二个隐层为300个神经元，输出层为2分类，整个分类器各层均采用全链接。
1.4.2、训练第i层分类器；
1.4.3、用训练得到的前i层分类器对样本集进行检测，并计算漏检率、误报率；
其中，漏检率=被判别为枪支的非枪支样本个数/非枪支样本总数*100%，
误报率=被判别为非枪支的枪支样本个数/枪支样本总数*100%；
1.4.4、如果漏检率、误报率未达到步骤1.4.1设定的预定值，则，返回步骤1.4.2继续进行训练，否则停止训练；
在检测阶段，采用以下步骤来判断输入图片是否含有枪支：
2.1、载入已训练的参数，并初始化分类器；
2.2、将待检测图片输入到步骤1.4所得到的枪支检测器中；
2.3、对待检测图片进行图像预处理，主要包括白平衡和颜色均衡化；
2.4、对输入图像的缩放操作，
缩放后目标宽为72像素，高为72像素，缩放完后将其灰度化；
2.5、枪支目标性检测，
具体步骤如下：
步骤1：颜色转换
将RGB颜色空间的图像转化为HSV颜色空间的图像；
步骤2：颜色分析
根据目标物出现的颜色类型进行分割，当指定目标物为无机物时，呈现蓝色和绿色情况下，那么根据HSV中的H通道进行分割，即将保留H值>140并且<281的图像部分，其余部分用纯白色替代；当指定目标物为有机物时，呈现黄色和绿色情况，那么根据HSV中的H通道进行分割，即将保留H值>0并且<180的图像部分，其余部分用纯白色替代；
步骤3：亮度分析
步骤3.1：直方图统计分割
对已经进行颜色分析后的图像的亮度进行直方图统计，选择亮度在0至10%的区域部分为黑色掩膜区域，其余为白色区域；
步骤3.2：密度分析
在已经进行直方图统计分割的图像，计算该图的积分图，利用积分图保留分辨率为25*25中黑色像素数超过70%的区域，其余区域再次使用白色替代；
步骤4：饱和度分析
步骤4.1：直方图统计分割
对已经进行颜色分析后的图像的饱和度进行直方图统计，选择亮度在0至10%的区域部分为黑色掩膜区域，其余为白色区域；
步骤4.2：密度分析
在已经进行直方图统计分割的图像，计算该图的积分图，利用积分图保留分辨率为25*25中黑色像素数超过70%的区域，其余区域再次使用白色替代；
步骤5：颜色密度分析
步骤5.1：有色分割
将已经进行颜色分析后的图像中的非纯白色区域全设置为黑色；
步骤5.2：密度分析
对有色分割后的图像，进行积分图计算，利用积分图保留含有密度超过40%的有色区域，其余区域使用白色替代；
步骤6：获取掩膜区域
合并亮度分析、饱和度分析和颜色密度分析的结果，得到颜色较深的区域；
步骤7：连通域分析
针对经过颜色密度分析后的图像，进行连通域分析，选择合适面积的部分，将面积大于两倍目标物尺寸和小于半倍目标物尺寸的连通域替换为背景白色；
步骤8：获取最终结果
合并步骤6和步骤7的结果。
2.6、计算输入图像的积分图，
使用 计算每个样本对应的积分图，并且有，；
一般经过该预处理，可以得到1到30个候选区，其中大部分为3-5个候选区。
2.7、通过积分图，提取候选区特征，
在候选区使用72*72的窗口滑动，在窗口内使用积分图来计算滑动窗口的特征，一个窗口的特征作为一个待预测样本的特征，候选区的窗口个数由目标显著性检测决定；
2.8、通过训练后的分类器来预测候选区有枪支的可能性，
具体是在每一个候选区中，使用分类器计算每一个滑动窗口是否包含枪支等目标；
2.9、累计候选区域有枪支的可能性，
在每一个候选区中，如果判定含有枪支的窗口个数超过了一定阈值则判定为有枪，这个阈值是候选区的窗口个数乘以一个系数，该系数范围是大于0.3小于0.9。
本发明的枪支检测方法也可以用于检测图像中是否含有电池的检测。
以上使用方式仅用于说明本发明，而并非对发明的限制，有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型，因此所有等同的技术方案也属于本发明的保护范畴。
Claims (3)
1.一种鲁棒的枪支检测方法，其特征在于，该方法进行了有效的预处理和目标显著性检测，通过颜色分割和特有尺寸特征的筛选，来寻找目标检测物的候选区；该方法是基于枪支和非枪支的分类错误风险来设计枪支分类器；然后把多个多层深度学习神经网络级联起来，最后通过候选区统计枪支可能性进行判别，最终形成一个完整的枪支检测器；
在由X光机图像采集设备和计算机组成的系统中，所述的检测方法包括训练阶段和检测阶段；
1、训练阶段包括以下步骤：
1.1、样本的采集；
利用X光机过行李包裹，并将采集的图像中的枪支用人工标定切割出来，从不含有枪支的X光图像中随机切割非枪支图像；建立枪支样本数据库；
1.2、归一化处理；
包含样本光照和大小的线性归一化，即把步骤1.1得到的枪支和非枪支图像归一化为指定尺寸，然后将尺寸归一化后的图像灰度化；
1.3、样本特征库的提取；
1.3.1、计算每个样本的积分图
1.3.2、微结构特征库的提取
使用harr特征的三种微结构特征：上下类型、左右类型、斜对称类型，加上一个边缘描述值作为微结构特征，再加上一个均值作为微结构特征，采用五种微结构特征模板来提取枪支样本的高维微结构特征，对于所述的五种类型微结构特征向量，分别表示如下：
上下型Harr特征，是在N*N的视野中，将视野中的上半部分的灰度总值与下半部分的灰度总值相减，然后再除以视野中的像素个数N
，得到第一微结构特征；
左右型Harr特征，是在N*N的视野中，将视野中的左半部分的灰度总值与右半部分的灰度总值相减，然后再除以视野中的像素个数N，得到第二微结构特征；
斜对称型Harr特征，是在N*N的视野中，将视野中的左上半部分的灰度总值与右下半部分的灰度总值相加得到斜方向的灰度总值，将视野中的右上部分的灰度总值与左下部分的灰度总值相加得到反斜方向的灰度总值，接着将斜方向的灰度总值与反斜方向的灰度总值相减，然后再除以视野中的像素个数N，得到第三微结构特征；
将第一微结构特征、第二微结构特征和第三微结构特征的绝对数的最大值作为边缘描述值，这个值作为第四微结构特征；
均值特征，是在N*N的视野中，将所有视野中的灰度值相加，然后再除以视野中的像素个数N，得到第五微结构特征；
1.3.3、微结构特征的提取方式
对于一个72*72像素的样本图，横向每隔4个像素读取一个8*8分辨率的视野，横向可有17个视野，同理纵向也取17个视野，因此分辨率为72*72的样本，一共有289个视野，每个视野分别计算步骤1.3.2中所述的五种微结构特征，由此构成1445个特征来描述一个样本；
1.4、分类器设计
用以上设计的微结构特征以及深度学习中的DBN算法，训练多个枪支分类器，并将这多个分类器分层级联组合成一个完整的枪支检测器，包括以下步骤：
1.4.1、初始化i=1；初始化定义每一层分类器的训练目标，该目标是分别训练出一个在枪支训练集上的漏检率小于1%，并且在非枪支训练集上误报率小于20%的分类器，再训练出一个在枪支训练集上漏检率小于20%，并且在非枪支训练集上误报率小于1%的分类器，然后将这两个分类器合并成一个分类器作为该层的分类器；定义整个枪支检测器的目标，在枪支训练集上的漏报率小于5%，在非枪支训练集上的误报率小于1%；
1.4.2、训练第i层分类器；
1.4.3、用训练得到的前i层分类器对样本集进行检测，并计算漏检率、误报率；
其中，漏检率=被判别为枪支的非枪支样本个数/非枪支样本总数*100%，
误报率=被判别为非枪支的枪支样本个数/枪支样本总数*100%；
1.4.4、如果漏检率、误报率未达到步骤1.4.1设定的预定值，则，返回步骤1.4.2继续进行训练，否则停止训练；
在检测阶段，采用以下步骤来判断输入图像是否含有枪支：
2.1、载入已训练的参数，并初始化分类器；
2.2、将待检测图像输入到步骤1.4所得到的枪支检测器中；
2.3、对待检测图像进行归一化处理，包括对待检测图像进行预处理和将待检测图像归一化为指定尺寸，然后将尺寸归一化后的图像灰度化；
2.5、枪支目标性检测，使用颜色分割、以及连通域尺寸范围限定，进行候选区筛选；
2.6、计算待检测图像的积分图；
2.7、通过积分图，提取候选区特征，
在候选区使用72*72的窗口滑动，在窗口内使用积分图来计算滑动窗口的特征，一个窗口的特征作为一个待预测样本的特征，候选区的窗口个数由目标显著性检测决定；
2.8、通过训练后的分类器来预测候选区有枪支的可能性，
具体是在每一个候选区中，使用分类器计算每一个滑动窗口是否包含枪支等目标；
2.9、累计候选区域有枪支的可能性，
在每一个候选区中，如果判定含有枪支的窗口个数超过了一定阈值则判定为有枪，这个阈值是候选区的窗口个数乘以一个系数，该系数范围是大于0.3小于0.9。
2.如权利要求1所述的鲁棒的枪支检测方法，其特征在于，所述步骤1.4.1中，每个DBN分类器，采用两个隐层，输入层为1445个神经元，第一个隐层为578个神经元，第二个隐层为300个神经元，输出层为2分类，整个分类器各层均采用全链接。
3.如权利要求1至2所述的鲁棒的枪支检测方法，其特征在于，所述方法也可以用于检测图像中是否含有电池的检测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510285393.XA CN106295668A (zh) | 2015-05-29 | 2015-05-29 | 一种鲁棒的枪支检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510285393.XA CN106295668A (zh) | 2015-05-29 | 2015-05-29 | 一种鲁棒的枪支检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN106295668A true CN106295668A (zh) | 2017-01-04 |
Family
ID=57635913
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510285393.XA Pending CN106295668A (zh) | 2015-05-29 | 2015-05-29 | 一种鲁棒的枪支检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106295668A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108303747A (zh) * | 2017-01-12 | 2018-07-20 | 清华大学 | 检查设备和检测枪支的方法 |
| CN108303748A (zh) * | 2017-01-12 | 2018-07-20 | 同方威视技术股份有限公司 | 检查设备和检测行李物品中的枪支的方法 |
| CN109001833A (zh) * | 2018-06-22 | 2018-12-14 | 天和防务技术（北京）有限公司 | 一种基于深度学习的太赫兹危险品检测方法 |
| CN109784125A (zh) * | 2017-11-10 | 2019-05-21 | 福州瑞芯微电子股份有限公司 | 深度学习网络处理装置、方法及图像处理单元 |
| CN109829542A (zh) * | 2019-01-29 | 2019-05-31 | 武汉星巡智能科技有限公司 | 基于多核处理器的多元深度网络模型重构方法及装置 |
| CN109977877A (zh) * | 2019-03-28 | 2019-07-05 | 北京邮电大学 | 一种安检智能辅助判图方法、系统以及系统控制方法 |
| CN110472544A (zh) * | 2019-08-05 | 2019-11-19 | 上海英迈吉东影图像设备有限公司 | 一种物品识别模型的训练方法及系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1731417A (zh) * | 2005-08-19 | 2006-02-08 | 清华大学 | 复杂背景图像中的鲁棒人脸检测方法 |
| CN1731418A (zh) * | 2005-08-19 | 2006-02-08 | 清华大学 | 复杂背景图像中鲁棒的眼睛精确定位方法 |
| CN101398893A (zh) * | 2008-10-10 | 2009-04-01 | 北京科技大学 | 一种改进AdaBoost算法的鲁棒人耳检测方法 |
| CN102449661A (zh) * | 2009-06-01 | 2012-05-09 | 惠普发展公司，有限责任合伙企业 | 确定级联分类器的检测确定性 |
| US8437556B1 (en) * | 2008-02-26 | 2013-05-07 | Hrl Laboratories, Llc | Shape-based object detection and localization system |
| CN103366190A (zh) * | 2013-07-26 | 2013-10-23 | 中国科学院自动化研究所 | 一种识别交通标志的方法 |
| CN103744120A (zh) * | 2013-12-30 | 2014-04-23 | 中云智慧（北京）科技有限公司 | 一种违禁品辅助鉴别方法及装置 |
-
2015
- 2015-05-29 CN CN201510285393.XA patent/CN106295668A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1731417A (zh) * | 2005-08-19 | 2006-02-08 | 清华大学 | 复杂背景图像中的鲁棒人脸检测方法 |
| CN1731418A (zh) * | 2005-08-19 | 2006-02-08 | 清华大学 | 复杂背景图像中鲁棒的眼睛精确定位方法 |
| US8437556B1 (en) * | 2008-02-26 | 2013-05-07 | Hrl Laboratories, Llc | Shape-based object detection and localization system |
| CN101398893A (zh) * | 2008-10-10 | 2009-04-01 | 北京科技大学 | 一种改进AdaBoost算法的鲁棒人耳检测方法 |
| CN102449661A (zh) * | 2009-06-01 | 2012-05-09 | 惠普发展公司，有限责任合伙企业 | 确定级联分类器的检测确定性 |
| CN103366190A (zh) * | 2013-07-26 | 2013-10-23 | 中国科学院自动化研究所 | 一种识别交通标志的方法 |
| CN103744120A (zh) * | 2013-12-30 | 2014-04-23 | 中云智慧（北京）科技有限公司 | 一种违禁品辅助鉴别方法及装置 |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108303747A (zh) * | 2017-01-12 | 2018-07-20 | 清华大学 | 检查设备和检测枪支的方法 |
| CN108303748A (zh) * | 2017-01-12 | 2018-07-20 | 同方威视技术股份有限公司 | 检查设备和检测行李物品中的枪支的方法 |
| CN108303747B (zh) * | 2017-01-12 | 2023-03-07 | 清华大学 | 检查设备和检测枪支的方法 |
| CN109784125A (zh) * | 2017-11-10 | 2019-05-21 | 福州瑞芯微电子股份有限公司 | 深度学习网络处理装置、方法及图像处理单元 |
| CN109001833A (zh) * | 2018-06-22 | 2018-12-14 | 天和防务技术（北京）有限公司 | 一种基于深度学习的太赫兹危险品检测方法 |
| CN109829542A (zh) * | 2019-01-29 | 2019-05-31 | 武汉星巡智能科技有限公司 | 基于多核处理器的多元深度网络模型重构方法及装置 |
| CN109829542B (zh) * | 2019-01-29 | 2021-04-16 | 武汉星巡智能科技有限公司 | 基于多核处理器的多元深度网络模型重构方法及装置 |
| CN109977877A (zh) * | 2019-03-28 | 2019-07-05 | 北京邮电大学 | 一种安检智能辅助判图方法、系统以及系统控制方法 |
| CN110472544A (zh) * | 2019-08-05 | 2019-11-19 | 上海英迈吉东影图像设备有限公司 | 一种物品识别模型的训练方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106295668A (zh) | 一种鲁棒的枪支检测方法 | |
| CN109165577B (zh) | 一种基于视频图像的早期森林火灾检测方法 | |
| CN105868689B (zh) | 一种基于级联卷积神经网络的人脸遮挡检测方法 | |
| Frizzi et al. | Convolutional neural network for video fire and smoke detection | |
| CN102982313B (zh) | 烟雾检测的方法 | |
| WO2019140767A1 (zh) | 安检识别系统及其控制方法 | |
| CN107944359B (zh) | 基于视频的火焰检测方法 | |
| CN107316036B (zh) | 一种基于级联分类器的害虫识别方法 | |
| WO2017190574A1 (zh) | 一种基于聚合通道特征的快速行人检测方法 | |
| CN106446926A (zh) | 一种基于视频分析的变电站工人安全帽佩戴检测方法 | |
| CN103761529B (zh) | 一种基于多色彩模型和矩形特征的明火检测方法和系统 | |
| CN109918971B (zh) | 监控视频中人数检测方法及装置 | |
| CN104732220B (zh) | 一种面向监控视频的特定颜色人体检测方法 | |
| CN106934386B (zh) | 一种基于自启发式策略的自然场景文字检测方法及系统 | |
| CN113963301B (zh) | 一种时空特征融合的视频火灾烟雾探测方法及系统 | |
| CN106228137A (zh) | 一种基于关键点定位的atm机异常人脸检测方法 | |
| CN102831618A (zh) | 基于霍夫森林的视频目标跟踪方法 | |
| CN110298297A (zh) | 火焰识别方法和装置 | |
| TWI715457B (zh) | 非監督式惡意流量偵測系統及方法 | |
| CN104766338A (zh) | 一种复杂x光伪彩图的显著性检测方法 | |
| CN108229524A (zh) | 一种基于遥感图像的烟囱和冷凝塔检测方法 | |
| CN108288279A (zh) | 一种基于x光图像前景目标提取的物品甄别方法 | |
| CN111046827A (zh) | 一种基于卷积神经网络的视频烟雾检测方法 | |
| CN111951250A (zh) | 一种基于图像的火灾检测方法 | |
| CN109255326A (zh) | 一种基于多维信息特征融合的交通场景烟雾智能检测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170104 |