CN105809655B - 车辆检查方法和*** - Google Patents
车辆检查方法和*** Download PDFInfo
- Publication number
- CN105809655B CN105809655B CN201410840660.0A CN201410840660A CN105809655B CN 105809655 B CN105809655 B CN 105809655B CN 201410840660 A CN201410840660 A CN 201410840660A CN 105809655 B CN105809655 B CN 105809655B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- image
- transmission image
- template
- transmission
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000007689 inspection Methods 0.000 title claims abstract description 36
- 230000005540 biological transmission Effects 0.000 claims abstract description 104
- 238000012545 processing Methods 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 13
- 230000005855 radiation Effects 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 10
- 230000009466 transformation Effects 0.000 claims description 7
- 238000003384 imaging method Methods 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 239000000284 extract Substances 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 12
- 230000000694 effects Effects 0.000 abstract description 5
- 238000004422 calculation algorithm Methods 0.000 description 18
- 238000010586 diagram Methods 0.000 description 7
- 238000000605 extraction Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 3
- 238000005520 cutting process Methods 0.000 description 3
- 238000006073 displacement reaction Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 230000035515 penetration Effects 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002574 poison Substances 0.000 description 1
- 231100000614 poison Toxicity 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000002187 spin decoupling employing ultra-broadband-inversion sequences generated via simulated annealing Methods 0.000 description 1
- 238000010626 work up procedure Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
- G06F16/5838—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using colour
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
- G01N23/02—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material
- G01N23/04—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and forming images of the material
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V5/00—Prospecting or detecting by the use of ionising radiation, e.g. of natural or induced radioactivity
- G01V5/20—Detecting prohibited goods, e.g. weapons, explosives, hazardous substances, contraband or smuggled objects
- G01V5/22—Active interrogation, i.e. by irradiating objects or goods using external radiation sources, e.g. using gamma rays or cosmic rays
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/54—Browsing; Visualisation therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
- G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2223/00—Investigating materials by wave or particle radiation
- G01N2223/40—Imaging
- G01N2223/401—Imaging image processing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2223/00—Investigating materials by wave or particle radiation
- G01N2223/60—Specific applications or type of materials
- G01N2223/631—Specific applications or type of materials large structures, walls
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10116—X-ray image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30268—Vehicle interior
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/05—Recognition of patterns representing particular kinds of hidden objects, e.g. weapons, explosives, drugs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Library & Information Science (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- High Energy & Nuclear Physics (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geophysics (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
公开了一种车辆检查方法。该方法包括:获取被检查车辆的透射图像;从数据库中获取与车辆相同车型的透射图像模板;对被检查车辆的透射图像和透射图像模板进行配准;对配准后的透射图像和配准后的透射图像模板求差,得到车辆的透射图像相对于透射图像模板的变动区域;对变动区域进行处理来确定车辆是否携带了嫌疑物。上述方案可以避免传统方式的检测漏洞与人工判图效果较差的问题,对于辅助小车安检有重要意义。
Description
技术领域
本发明的实施例涉及辐射图像中的嫌疑物自动检测,具体而言涉及车辆扫描***中,查验违禁、危险品等嫌疑物的相应安检方法和设备。
背景技术
当前世界,暴力恐怖袭击日趋严重,安防检查的重要性愈发突出。由于小汽车具有实施简单、作案成本低、案后容易逃脱等特点,通过小汽车为载体实施违法犯罪,如***、走私、汽车炸弹的事件时有发生,提高小型车辆安检的可靠性已经迫在眉睫。
目前针对车辆的智能安检主要是通过X射线探测和车底盘探测来进行。车底安检***主要是使用数字相机对车辆底盘进行拍摄,通过观察底盘可见光图像,判断是否在底盘各个位置藏有夹带物,而对车内的安检需要通过人工手持探测器完成,其操作复杂,效率较低,不能满足小型车辆安检快速、准确的要求。X射线探测是通过对整车进行X射线穿透形成全车的辐射图像,通过不同物质的X射线穿透程度不同的性质来辅助查验人员发现嫌疑物。
在形成辐射图像后,由于小型车辆内货物堆放杂乱,品种不一,且车辆本身内部构造就较为复杂,对安检人员通过直接观察图像发现嫌疑物造成了很大的难度。
发明内容
鉴于现有技术中的一个或多个问题,本发明提出了一种车辆检查方法和***,能够提高车辆检查的效率和准确度。
在本发明的一个方面,提出了一种车辆检查方法,包括步骤:获取被检查车辆的透射图像;从数据库中获取与所述车辆相同车型的透射图像模板;对所述被检查车辆的透射图像和所述透射图像模板进行配准;对配准后的透射图像和配准后的透射图像模板求差,得到所述车辆的透射图像相对于透射图像模板的变动区域;对所述变动区域进行处理来确定车辆是否携带了嫌疑物。
优选地,从数据库中获取与所述车辆相同车型的透射图像模板的步骤包括:根据被检查车辆的唯一标识符从数据库中检索该车型的透射图像模板。
优选地,从数据库中获取与所述车辆相同车型的透射图像模板的步骤包括:从所述透射图像中提取该车辆的内部结构信息,综合该车辆的外部特征信息,从数据库中检索该车型的透射图像模板。
优选地,对所述被检查车辆的透射图像和所述透射图像模板进行配准的步骤包括:对所述被检查车辆的透射图像和所述透射图像模板进行刚性配准,以便对图像进行全局变换对齐;对所述被检查车辆的透射图像和所述透射图像模板进行弹性配准,以便消除局部变形。
优选地,刚性配准的步骤包括:对两幅图像进行特征提取得到特征点;通过进行相似性度量找到匹配的特征点对;通过匹配的特征点对得到图像空间坐标变换参数;由坐标变换参数进行图像配准。
优选地,所述的方法还包括:在弹性配准之前,对刚性配准后的两幅图像的灰度进行归一化处理。
优选地,所述的方法还包括步骤:在配准之前去除所述透射图像中除车辆图像之外的部分。
优选地,所述的方法还包括步骤:在变动区域中标注嫌疑物。
在本发明的另一方面,提出了一种车辆检查***,包括:辐射成像***,获取被检查车辆的透射图像;图像处理单元,从数据库中获取与所述车辆相同车型的透射图像模板,对所述被检查车辆的透射图像和所述透射图像模板进行配准,对配准后的透射图像和配准后的透射图像模板求差,得到所述车辆的透射图像相对于透射图像模板的变动区域,对所述变动区域进行处理来确定车辆是否携带了嫌疑物。
优选地,图像处理单元从所述透射图像中提取该车辆的内部结构信息,综合该车辆的外部特征信息,从数据库中检索该车型的透射图像模板。
上述实施例的方案能够基于车辆扫描图像进行嫌疑物检测,避免了传统方式的检测漏洞与人工判图效果较差的问题,对于辅助小车安检有重要意义。
附图说明
为了更好地理解本发明,将根据以下附图对本发明进行详细描述:
图1示出了根据本发明实施例的车辆检查***的示意图:
图2示出了根据本发明实施例的车辆检查方法的流程图;
图3是描述在根据本发明实施例的车辆检查方法中对车辆图像进行裁剪的过程的示意图;
图4是描述在根据本发明实施例的车辆检查方法中对车辆图像进行配准的过程的示意图;
图5是描述在根据本发明实施例的车辆检查方法中对差值图像进行处理的过程的示意图。
具体实施方式
下面将详细描述本发明的具体实施例,应当注意,这里描述的实施例只用于举例说明,并不用于限制本发明。在以下描述中,为了提供对本发明的透彻理解,阐述了大量特定细节。然而,对于本领域普通技术人员显而易见的是:不必采用这些特定细节来实行本发明。在其他实例中,为了避免混淆本发明,未具体描述公知的结构、材料或方法。
在整个说明书中,对“一个实施例”、“实施例”、“一个示例”或“示例”的提及意味着:结合该实施例或示例描述的特定特征、结构或特性被包含在本发明至少一个实施例中。因此,在整个说明书的各个地方出现的短语“在一个实施例中”、“在实施例中”、“一个示例”或“示例”不一定都指同一实施例或示例。此外,可以以任何适当的组合和/或子组合将特定的特征、结构或特性组合在一个或多个实施例或示例中。此外,本领域普通技术人员应当理解,这里使用的术语“和/或”包括一个或多个相关列出的项目的任何和所有组合。
针对现有技术的检查效率和准确率低的问题,本发明的实施例提出了一种车辆检查方法。在获取被检查车辆的透射图像后,从数据库中获取与所述车辆相同车型的透射图像模板。然后,对所述被检查车辆的透射图像和所述透射图像模板进行配准,并且对配准后的透射图像和配准后的透射图像模板求差,得到所述车辆的透射图像相对于透射图像模板的变动区域。最后,对所述变动区域进行处理来确定车辆是否携带了嫌疑物。上述的方案能够消除因为成像环境造成的误检。
此外,在其他的实施例中,不但进行刚性配准,而且进行弹性配准,这样消除了立体形变问题,使得模板图像和待检图像的配准更准确。类似地,在一些实施例中,针对差值图像进行特别的处理,解了决在求差过程中出现的由于嫌疑物与货物、立体变形、扫描噪声等造成的误检问题。
在一些实施例中,限定待测图像和模板图像的生成设备能量/剂量尽量相同,图像噪声较低,图像形变较小等,这个条件越严格,减影的效果也就越好。此外,将噪声限定在一定范围之内,将经过预处理的两幅待测图像使用刚性配准对齐,并进一步使用弹性配准减小立体变形影响,之后对差图进行后处理,将夹带物与货物、立体变形、扫描噪声等造成的误检物分类,最后在结果中表示夹带物。
图1示出了根据本发明实施例的车辆检查***的示意图。如图1所示,根据本发明实施例的检查***涉及利用透射图像对车辆进行自动安全检查。
如图1所示的***包括传感设备110、辐射成像***150,存储设备120,图像处理单元140和显示设备130。
在一些实施例中,传感设备110包括一个或者多个传感器,例如CCD装置等,用来获得车辆的前脸信息和外部尺寸信息等等。在其他的实施例中,传感设备可以包括摄像机,用来捕获所述被检查车辆的车牌图像;和识别单元,用来从车牌图像识别所述被检查车辆的车牌号。在另外的实施例中,传感设备110包括读取器,从所述被检查车辆所携带的射频标签读取所述被检查车辆的ID。
辐射成像***150对被检查车辆进行X射线扫描,得到被检查车辆的X射线图像。存储设备120存储所述X射线图像以及车型模板数据库,其中存储有透射图像模板等。
图像处理单元140从车型模板数据库中检索与该车辆相对应的车型模板,确定得到的透射图像与透射模板图像之间的变动区域。显示设备130向用户呈现所述变动区域。
例如,当有小型车辆需要检入时,传感设备110获得车辆的标牌图像。通过传感设备110也可以对相应小型车辆进行识别,生成软件***与该小型车辆的唯一标识ID,如车牌号。该车辆唯一标识ID在该软件***中是对该小型车辆过关的唯一标识。该标识ID可以软件***针对该小型车辆生成的数据,也可以通过识别该车辆的车牌号,目前软件***通过车牌号来标识。
例如,数据处理单元140利用车牌标识对模板库进行检索,得到和待检小型车辆相对应的模板图像。确定得到的透射图像和模板图像之间的变动区域。显示设备130向用户呈现所述变动区域。
下面结合图2进一步说明根据本发明实施例的检查方法的流程图。图2示出了根据本发明实施例的车辆检查方法的流程图。
在步骤S21,获取被检查车辆的透射图像。在步骤S22,从数据库中获取与所述车辆相同车型的透射图像模板。
不同的扫描设备由于射线源的能量/剂量不同,探测器尺寸不同,所以对同一车辆不同设备下扫描得到的辐射图像不尽相同。鉴于这种情况,本发明实施例中采用的两幅输入图像(包括被检查车辆的待测图像和检索得到的空车模板图像)尽量选择同一设备的辐射图像。其中,待测图像为设备现场实时生成,模板图像的获取有多种方式,可以是人工也可以是自动完成。相关方法可以但不限于:(1)车牌匹配,在历史车型图像库中找最近期的该车图像作为模板。(2)车辆信息手动查找,在标准车型图像库中通过待测图像的车辆信息如型号、购车年限、高低配等,找匹配的模板并手动输入。(3)自动车型识别,算法根据待测车辆图像特征自动检索标准车型图像库,自动获取模板。
例如,从扫描的得到的透射图像中提取该车辆的内部结构信息,综合该车辆的外部特征信息,从数据库中检索该车型的透射图像模板。
在得到透射图像后,可以选择性地对图像进行预处理。由于辐射图像的分辨率由扫描设备决定,由于小型车辆的长宽各异,在扫描图像中车辆四周往往存在大小不一的空气区域。这些空气区域不但影响了算法的效率,其噪声还可能对算法的效果造成影响。本发明实施例中分裁车和降采样两步对图像进行预处理。
裁车过程中以边缘信息作为主要依据,通过一些必要的去噪及增强手段,判断图像中车辆的位置,将车辆所在最小矩形作为子图像进行后续处理。
裁车过程示意图如图3所示。为得到鲁棒的结果,处理方式分三步:先去条纹,得到背景变化平缓的图像;对图像求梯度,并量化梯度图,去掉小梯度波动影响;在二值量化梯度图中,求水平、垂直投影的最大连续区域,即其中的最大车辆位置。去条纹方法为:在水平、竖直方向分别去条纹。以水平为例,先求图像在垂直方向的投影序列Proj。对于Proj进行中值滤波,滤波前后差值大的即判断为条纹,将这一行的值代替为最近一行非条纹图像行的值。求梯度方法为:对图像进行量化。程序中,量化级别约为8。量化后求梯度即得图3的c所示图像。求取车辆位置:对梯度图求水平、竖直方向投影,分别减掉最小值(即去掉可能还存在的条纹影响),获取最大连续区域。这个区域就是车辆位置。裁得的结果如图3的d所示。
降采样过程是指在裁车完成后图像仍然过大则可考虑通过降采样来进一步缩小图像尺寸。本发明实施例中统一将图像大小缩放到长为1024个像素,宽度随长度的缩放比例按同样比例缩放。本实例对该大小图像的算法时间在2s以内,基本实现实时性。
在步骤S23,对所述被检查车辆的透射图像和所述透射图像模板进行配准。由于待测图像和模板图像存在一定程度的旋转、位移、几何形变等差异,显然在两幅图像作差前需要将其对齐。本发明的实施例中在自动配准过程中,首先在使用刚性配准将图像在尺寸、位移上基本对齐的基础上,通过进行灰度幅值归一化将图像的灰度调整到统一的范围,然后进一步使用弹性配准将两幅图像进行更为精细的非线性配准,以消除立体形变等噪声的影响。
刚性配准是为了对图像进行全局变换对齐,其流程如下:首先对两幅图像进行特征提取得到特征点;通过进行相似性度量找到匹配的特征点对;然后通过匹配的特征点对得到图像空间坐标变换参数;最后由坐标变换参数进行图像配准。特征提取是配准技术中的关键,准确的特征提取为特征匹配的成功进行提供了保障。寻求具有良好不变性和准确性的特征提取方法,对于匹配精度至关重要。特征提取的方法很多,本专业人员易于理解,也可以联想到特征提取方法的若干替代算法。比如经典的尺度不变特征变换匹配算法(Scale Invariant Feature Transform,SIFT),最小核值相似区算子(Smallest UnivalueSegment Assimilating Nucleus,SUSAN),Harris角点检测算子,Surf算法(Speed UpRobust Feature)等等。优选的,本发明实施例中选择sift算法进行特征提取。
本步骤将待测图像对模板图像做相应参数的变形,使两幅图像在位移、旋转上基本对齐。首先采用sift算法提取图像的特征,然后使用随机抽样一致(Random SampleConsensus,RANSAC)算法求取变形参数。图4给出了算法的效果。左图是待测图像和模板图像的sift特征点对应关系,右图中,sift变换后的图像基本与左下模板图像对齐,以便进一步使用弹性配准算法。
由于两幅图像有可能的灰度范围不一,对配准结果造成影响,可以先对图像灰度作归一化处理,拉伸到0-255,过程中可以通过一定程度的增强以加大图像对比度。
图像的弹性配准主要是为了对图像进行精确配准以消除局部形变。弹性配准方法主要分为两大类:基于像素的方法和基于特征的方法。经过计算量、有效性等多方面对比,优选的,本发明的实施例中选择Demons弹性配准算法完成这一步骤。
在步骤S24,对配准后的透射图像和配准后的透射图像模板求差,得到所述车辆的透射图像相对于透射图像模板的变动区域。
对待测图像和模板图像配准后的图像求差,即得差图。受到噪声影响,此时差图大于0的部分可能由四种情况引起:夹带物、货物、车辆变形与变动、其它噪声。后处理的目的,就是在这四种情况中,将夹带物分离出来,得出最后结果。本专业人员易于联想到,差图后处理有多种方法,比如联通区域大小、幅度、涉及双能检测装置的多差图融合、结合用户交互性的感兴趣区域划分、根据物质的原子序数辅助进行成分判断等等;参数可以人为限定,也可以通过机器学习方式获取。
在步骤S25,对所述变动区域进行处理来确定车辆是否携带了嫌疑物。
图5示出了对对差值图像进行处理的过程。在步骤S51,输入差值图像,然后在步骤S52,灰度调整。由于输入图像与模板图像的整体灰度值(除去可能的夹带物外)可能存在较大的差异,算法中利用两幅图像的空气灰度信息来消除这种差异带来的不利影响,以便于正确地进行二值化。
在步骤S53,自适应迭代二值化。根据插值图像的直方图确定二值化阈值的最小可能值,在二值化的过程中排除掉货物的影响采用迭代的方法来逐次进行二值化;这样做能保证夹带物区域不会被漏检或误检。
在步骤S54,判断是否存储可能的货物区域,以便消除可能存在的货物区域。如果存在,则在步骤S55删除货物区域。这样,对初次给出的二值化图像进行货物判断,将是货物的这部分区域先排除,便于对真实的夹带物进行检测。
在步骤S56,消除虚假的二值化区域。由于实际采集到的图像可能存在着空间旋转扭曲等因素,此时的二值化区域可能是由于旋转扭曲所造成的虚假区域,本算法利用虚假区域存在着成对出现的明暗区域这一先验知识,对这部分区域采取了删除处理,以降低误检。
在步骤S57,消除空气区域中被二值化的图像区域。由于探测器等方面的原因,采集到的图像可能存在逐行变亮/变暗、逐列变亮/变暗以及行列不规则的明暗变化,这样检测图像与模板图像在空气区域中的灰度值可能存在明显的不规则变化差异,导致二值化的图像中空气区域出现可能的检测物信息;本算法利用二值化区域的邻域信息以及相关的空气阈值经验知识,对这部分明显的伪信息进行了消除处理。在步骤S58,输出二值化图像。
此外,在其他实施例中可以将算法检测到的嫌疑物位置在待测图像中标示出来,方便查验人员观察。再如可以将嫌疑物边界用特定颜色的曲线标注或是直接将嫌疑物区域的所有像素上色等等。
虽然通过上述步骤实现了本发明的一些实施例,从而能够检查车辆。但是本领域的技术人员易于理解,每个步骤均可使用多种算法实现,而不局限于上述的具体步骤。
以上的详细描述通过使用示意图、流程图和/或示例,已经阐述了车辆检查方法和***的众多实施例。在这种示意图、流程图和/或示例包含一个或多个功能和/或操作的情况下,本领域技术人员应理解,这种示意图、流程图或示例中的每一功能和/或操作可以通过各种结构、硬件、软件、固件或实质上它们的任意组合来单独和/或共同实现。在一个实施例中,本发明的实施例所述主题的若干部分可以通过专用集成电路(ASIC)、现场可编程门阵列(FPGA)、数字信号处理器(DSP)、或其他集成格式来实现。然而,本领域技术人员应认识到,这里所公开的实施例的一些方面在整体上或部分地可以等同地实现在集成电路中,实现为在一台或多台计算机上运行的一个或多个计算机程序(例如,实现为在一台或多台计算机***上运行的一个或多个程序),实现为在一个或多个处理器上运行的一个或多个程序(例如,实现为在一个或多个微处理器上运行的一个或多个程序),实现为固件,或者实质上实现为上述方式的任意组合,并且本领域技术人员根据本公开,将具备设计电路和/或写入软件和/或固件代码的能力。此外,本领域技术人员将认识到,本公开所述主题的机制能够作为多种形式的程序产品进行分发,并且无论实际用来执行分发的信号承载介质的具体类型如何,本公开所述主题的示例性实施例均适用。信号承载介质的示例包括但不限于:可记录型介质,如软盘、硬盘驱动器、紧致盘(CD)、数字通用盘(DVD)、数字磁带、计算机存储器等;以及传输型介质,如数字和/或模拟通信介质(例如,光纤光缆、波导、有线通信链路、无线通信链路等)。
虽然已参照几个典型实施例描述了本发明,但应当理解,所用的术语是说明和示例性、而非限制性的术语。由于本发明能够以多种形式具体实施而不脱离发明的精神或实质,所以应当理解,上述实施例不限于任何前述的细节,而应在随附权利要求所限定的精神和范围内广泛地解释,因此落入权利要求或其等效范围内的全部变化和改型都应为随附权利要求所涵盖。
Claims (9)
1.一种车辆检查方法,包括步骤:
获取被检查车辆的透射图像;
从数据库中获取与所述车辆相同车型的透射图像模板,包括:从所述透射图像中提取所述被检查车辆的内部结构信息,综合所述被检查车辆的外部特征信息,从所述数据库中检索所述被检查车辆相同车型的透射图像模板;
去除所述被检查车辆的透射图像中除车辆图像之外的部分以获取车辆透视图像;
对所述车辆透射图像和所述透射图像模板进行配准;
对配准后的车辆透射图像和所述透射图像模板求差,得到所述车辆透射图像相对于透射图像模板的变动区域;以及
对所述变动区域进行处理来确定车辆是否携带了嫌疑物,包括:对差值图像进行灰度调整;根据所述差值图像的直方图确定二值化阈值的最小可能值,在二值化的过程中采用迭代的方法来逐次进行二值化;对初次给出的二值化图像进行货物判断,将是货物的这部分区域先排除,便于对真实的夹带物进行检测;去除二值化区域中成对出现的明暗区域;消除空气区域中被二值化的图像区域;输出二值化图像;
其中,所述去除所述透射图像中除车辆图像之外的部分以获取车辆透视图像包括:
去除所述被检查车辆的透射图像中的条纹以获得背景变化平滑的图像;
获取所述背景变化平滑的图像的梯度图并对所述梯度图进行量化以获取二值量化梯度图;和
获取所述二值量化梯度图中的水平投影和垂直投影的最大连续区域并从所述被检查车辆的透射图像中去除所述最大连续区域以外的图像。
2.如权利要求1所述的方法,其中从数据库中获取与所述车辆相同车型的透射图像模板的步骤包括:
根据被检查车辆的唯一标识符从数据库中检索该车型的透射图像模板。
3.如权利要求1所述的方法,其中从数据库中获取与所述车辆相同车型的透射图像模板的步骤包括:
从所述透射图像中提取该车辆的内部结构信息,综合该车辆的外部特征信息,从数据库中检索该车型的透射图像模板。
4.如权利要求1所述的方法,其中刚性配准的步骤包括:
对两幅图像进行特征提取得到特征点;
通过进行相似性度量找到匹配的特征点对;
通过匹配的特征点对得到图像空间坐标变换参数;
由坐标变换参数进行图像配准。
5.如权利要求1所述的方法,还包括步骤:
在变动区域中标注嫌疑物。
6.如权利要求1所述的方法,其中对所述被检查车辆的透射图像和所述透射图像模板进行配准的步骤包括:
对所述被检查车辆的透射图像和所述透射图像模板进行刚性配准,以便对图像进行全局变换对齐;
对所述被检查车辆的透射图像和所述透射图像模板进行弹性配准,以便消除局部变形。
7.如权利要求1所述的方法,还包括:
在弹性配准之前,对刚性配准后的两幅图像的灰度进行归一化处理。
8.一种车辆检查***,包括:
辐射成像***,获取被检查车辆的透射图像;
图像处理单元,配置为从数据库中获取与所述车辆相同车型的透射图像模板,去除所述被检查车辆的透射图像中除车辆图像之外的部分以获取车辆透视图像,对所述车辆透射图像和所述透射图像模板进行配准,对配准后的车辆透射图像和配准后的透射图像模板求差,得到所述车辆透射图像相对于透射图像模板的变动区域,以及对所述变动区域进行处理来确定车辆是否携带了嫌疑物;
其中,所述从数据库中获取与所述车辆相同车型的透射图像模板包括:从所述透射图像中提取所述被检查车辆的内部结构信息,综合所述被检查车辆的外部特征信息,从所述数据库中检索所述被检查车辆相同车型的透射图像模板;
所述对所述变动区域进行处理来确定车辆是否携带了嫌疑物,包括:对差值图像进行灰度调整;根据所述差值图像的直方图确定二值化阈值的最小可能值,在二值化的过程中采用迭代的方法来逐次进行二值化;对初次给出的二值化图像进行货物判断,将是货物的这部分区域先排除,便于对真实的夹带物进行检测;去除二值化区域中成对出现的明暗区域;消除空气区域中被二值化的图像区域;输出二值化图像;
其中,所述图像处理单元还配置为:
去除所述被检查车辆的透射图像中的条纹以获得背景变化平滑的图像;
获取所述背景变化平滑的图像的梯度图并对所述梯度图进行量化以获取二值量化梯度图;和
获取所述二值量化梯度图中的水平投影和垂直投影的最大连续区域并从所述被检查车辆的透射图像中去除所述最大连续区域以外的图像。
9.如权利要求8所述的车辆检查***,其中图像处理单元从所述透射图像中提取该车辆的内部结构信息,综合该车辆的外部特征信息,从数据库中检索该车型的透射图像模板。
Priority Applications (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410840660.0A CN105809655B (zh) | 2014-12-30 | 2014-12-30 | 车辆检查方法和*** |
MYPI2016703579A MY190242A (en) | 2014-12-30 | 2015-12-23 | Vehicle inspection methods and systems |
PCT/CN2015/098438 WO2016107474A1 (zh) | 2014-12-30 | 2015-12-23 | 车辆检查方法和*** |
EP15875152.9A EP3115772B1 (en) | 2014-12-30 | 2015-12-23 | Vehicle inspection method and system |
US15/282,134 US10289699B2 (en) | 2014-12-30 | 2016-09-30 | Vehicle inspection methods and systems |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410840660.0A CN105809655B (zh) | 2014-12-30 | 2014-12-30 | 车辆检查方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105809655A CN105809655A (zh) | 2016-07-27 |
CN105809655B true CN105809655B (zh) | 2021-06-29 |
Family
ID=56284251
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410840660.0A Active CN105809655B (zh) | 2014-12-30 | 2014-12-30 | 车辆检查方法和*** |
Country Status (5)
Country | Link |
---|---|
US (1) | US10289699B2 (zh) |
EP (1) | EP3115772B1 (zh) |
CN (1) | CN105809655B (zh) |
MY (1) | MY190242A (zh) |
WO (1) | WO2016107474A1 (zh) |
Families Citing this family (42)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3764281A1 (en) * | 2016-02-22 | 2021-01-13 | Rapiscan Systems, Inc. | Methods of identifying firearms in radiographic images |
US10546385B2 (en) | 2016-02-25 | 2020-01-28 | Technion Research & Development Foundation Limited | System and method for image capture device pose estimation |
US10591277B2 (en) * | 2016-07-28 | 2020-03-17 | Liberty Reach Inc. | Method and system for measuring outermost dimension of a vehicle positioned at an inspection station |
US10809415B2 (en) | 2016-08-25 | 2020-10-20 | Beijing Haulixing Technology Development Co., Ltd. | Imaging device for use in vehicle security check and method therefor |
CN106373124B (zh) * | 2016-09-21 | 2019-01-08 | 哈尔滨工业大学 | 基于灰度共生矩阵与ransac的工业产品表面缺陷视觉检测方法 |
WO2018080425A1 (en) * | 2016-10-24 | 2018-05-03 | Ford Global Technologies, Llc | Using unmanned aerial vehicles to inspect autonomous vehicles |
GB2556941B (en) | 2016-11-28 | 2021-10-20 | Smiths Heimann Sas | Detection of irregularities using registration |
US10678244B2 (en) | 2017-03-23 | 2020-06-09 | Tesla, Inc. | Data synthesis for autonomous control systems |
US11157441B2 (en) | 2017-07-24 | 2021-10-26 | Tesla, Inc. | Computational array microprocessor system using non-consecutive data formatting |
US11893393B2 (en) | 2017-07-24 | 2024-02-06 | Tesla, Inc. | Computational array microprocessor system with hardware arbiter managing memory requests |
US11409692B2 (en) | 2017-07-24 | 2022-08-09 | Tesla, Inc. | Vector computational unit |
US10671349B2 (en) | 2017-07-24 | 2020-06-02 | Tesla, Inc. | Accelerated mathematical engine |
CN108152051A (zh) * | 2017-12-25 | 2018-06-12 | 北京华力兴科技发展有限责任公司 | 移动式车辆底盘检查*** |
CN109959969B (zh) * | 2017-12-26 | 2021-03-12 | 同方威视技术股份有限公司 | 辅助安检方法、装置和*** |
US11561791B2 (en) | 2018-02-01 | 2023-01-24 | Tesla, Inc. | Vector computational unit receiving data elements in parallel from a last row of a computational array |
US11215999B2 (en) | 2018-06-20 | 2022-01-04 | Tesla, Inc. | Data pipeline and deep learning system for autonomous driving |
US11361457B2 (en) | 2018-07-20 | 2022-06-14 | Tesla, Inc. | Annotation cross-labeling for autonomous control systems |
US11636333B2 (en) | 2018-07-26 | 2023-04-25 | Tesla, Inc. | Optimizing neural network structures for embedded systems |
CN110163056B (zh) * | 2018-08-26 | 2020-09-29 | 国网江苏省电力有限公司物资分公司 | 智能视觉识别车板线缆盘中心坐标*** |
US11562231B2 (en) | 2018-09-03 | 2023-01-24 | Tesla, Inc. | Neural networks for embedded devices |
CN109446913B (zh) * | 2018-09-28 | 2021-11-05 | 桂林电子科技大学 | 一种判断车底是否改装的检测方法 |
SG11202103493QA (en) | 2018-10-11 | 2021-05-28 | Tesla Inc | Systems and methods for training machine models with augmented data |
US11196678B2 (en) | 2018-10-25 | 2021-12-07 | Tesla, Inc. | QOS manager for system on a chip communications |
US11816585B2 (en) | 2018-12-03 | 2023-11-14 | Tesla, Inc. | Machine learning models operating at different frequencies for autonomous vehicles |
US11537811B2 (en) | 2018-12-04 | 2022-12-27 | Tesla, Inc. | Enhanced object detection for autonomous vehicles based on field view |
US11610117B2 (en) | 2018-12-27 | 2023-03-21 | Tesla, Inc. | System and method for adapting a neural network model on a hardware platform |
US11150664B2 (en) | 2019-02-01 | 2021-10-19 | Tesla, Inc. | Predicting three-dimensional features for autonomous driving |
US10997461B2 (en) | 2019-02-01 | 2021-05-04 | Tesla, Inc. | Generating ground truth for machine learning from time series elements |
US11567514B2 (en) | 2019-02-11 | 2023-01-31 | Tesla, Inc. | Autonomous and user controlled vehicle summon to a target |
US10956755B2 (en) | 2019-02-19 | 2021-03-23 | Tesla, Inc. | Estimating object properties using visual image data |
DE102019107952B4 (de) * | 2019-03-27 | 2023-08-10 | Volume Graphics Gmbh | Computer-implementiertes Verfahren zur Analyse von Messdaten eines Objekts |
JP7151634B2 (ja) * | 2019-06-13 | 2022-10-12 | いすゞ自動車株式会社 | 点検支援プログラム及び点検支援システム |
US11587315B2 (en) | 2019-06-19 | 2023-02-21 | Deere & Company | Apparatus and methods for augmented reality measuring of equipment |
US11580628B2 (en) * | 2019-06-19 | 2023-02-14 | Deere & Company | Apparatus and methods for augmented reality vehicle condition inspection |
US11631283B2 (en) * | 2019-06-27 | 2023-04-18 | Toyota Motor North America, Inc. | Utilizing mobile video to provide support for vehicle manual, repairs, and usage |
CN110285870A (zh) * | 2019-07-22 | 2019-09-27 | 深圳市卓城科技有限公司 | 车辆轴型与车轮数检测分析方法及其*** |
CN110930724A (zh) * | 2019-12-09 | 2020-03-27 | 公安部交通管理科学研究所 | 基于深度学习的交通非现场违法记录筛选审核方法及*** |
CN111539260B (zh) * | 2020-04-01 | 2023-08-22 | 石化盈科信息技术有限责任公司 | 车辆安检管理方法、装置、存储介质以及*** |
CN117092713A (zh) * | 2020-05-28 | 2023-11-21 | 同方威视技术股份有限公司 | 建立车辆模板库的方法和*** |
CN112633115B (zh) * | 2020-12-17 | 2024-04-05 | 杭州海康机器人股份有限公司 | 一种车底携带物检测方法、装置及存储介质 |
CN114764072A (zh) * | 2020-12-31 | 2022-07-19 | 同方威视科技(北京)有限公司 | 车辆检查*** |
CA3235422A1 (en) * | 2021-10-18 | 2023-04-27 | Paolozzi Investments, Inc. | Systems and methods for controlled cleaning of vehicles |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6047041A (en) * | 1997-09-08 | 2000-04-04 | Scientific Measurement System | Apparatus and method for comparison |
CN101162204A (zh) * | 2006-10-10 | 2008-04-16 | 同方威视技术股份有限公司 | 基于辐射图像变动检测的小型车辆夹带物自动检测方法 |
CN103338325A (zh) * | 2013-06-14 | 2013-10-02 | 杭州普维光电技术有限公司 | 基于全景摄像机的车底盘图像采集方法 |
CN103984961A (zh) * | 2014-05-30 | 2014-08-13 | 成都西物信安智能***有限公司 | 一种用于检测车底异物的图像检测方法 |
Family Cites Families (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5031228A (en) * | 1988-09-14 | 1991-07-09 | A. C. Nielsen Company | Image recognition system and method |
US5987159A (en) * | 1996-09-24 | 1999-11-16 | Cognex Corporation | System or method for detecting defect within a semi-opaque enclosure |
US9412142B2 (en) * | 2002-08-23 | 2016-08-09 | Federal Law Enforcement Development Services, Inc. | Intelligent observation and identification database system |
US20050267657A1 (en) * | 2004-05-04 | 2005-12-01 | Devdhar Prashant P | Method for vehicle classification |
SG121906A1 (en) * | 2004-10-11 | 2006-05-26 | Stratech Systems Ltd | Intelligent vehicle access control system |
CA2608119A1 (en) * | 2005-05-11 | 2006-11-16 | Optosecurity Inc. | Method and system for screening luggage items, cargo containers or persons |
JP5121506B2 (ja) * | 2008-02-29 | 2013-01-16 | キヤノン株式会社 | 画像処理装置、画像処理方法、プログラム及び記憶媒体 |
US8150105B2 (en) * | 2008-05-22 | 2012-04-03 | International Electronic Machines Corporation | Inspection using three-dimensional profile information |
US8615067B2 (en) * | 2009-07-14 | 2013-12-24 | John Hayes | Method and apparatus for scanning objects in transit |
CA2849398C (en) * | 2011-09-07 | 2020-12-29 | Rapiscan Systems, Inc. | X-ray inspection system that integrates manifest data with imaging/detection processing |
US20150143913A1 (en) * | 2012-01-19 | 2015-05-28 | Purdue Research Foundation | Multi-modal sensing for vehicle |
CN104567758B (zh) * | 2013-10-29 | 2017-11-17 | 同方威视技术股份有限公司 | 立体成像***及其方法 |
US20150324885A1 (en) * | 2014-05-07 | 2015-11-12 | John Griffin | Presenting Service Options Using a Model of a Vehicle |
US10324223B2 (en) * | 2014-06-24 | 2019-06-18 | Mohammed Al-Hoshani | Method, an apparatus, and a system for automated inspection of motorized vehicles |
CN105787495A (zh) * | 2014-12-17 | 2016-07-20 | 同方威视技术股份有限公司 | 具有车辆参考图像检索及比对功能的车辆检查***和方法 |
US10223609B2 (en) * | 2015-10-02 | 2019-03-05 | The Regents Of The University Of California | Passenger vehicle make and model recognition system |
US9824453B1 (en) * | 2015-10-14 | 2017-11-21 | Allstate Insurance Company | Three dimensional image scan for vehicle |
-
2014
- 2014-12-30 CN CN201410840660.0A patent/CN105809655B/zh active Active
-
2015
- 2015-12-23 MY MYPI2016703579A patent/MY190242A/en unknown
- 2015-12-23 EP EP15875152.9A patent/EP3115772B1/en active Active
- 2015-12-23 WO PCT/CN2015/098438 patent/WO2016107474A1/zh active Application Filing
-
2016
- 2016-09-30 US US15/282,134 patent/US10289699B2/en active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6047041A (en) * | 1997-09-08 | 2000-04-04 | Scientific Measurement System | Apparatus and method for comparison |
CN101162204A (zh) * | 2006-10-10 | 2008-04-16 | 同方威视技术股份有限公司 | 基于辐射图像变动检测的小型车辆夹带物自动检测方法 |
CN103338325A (zh) * | 2013-06-14 | 2013-10-02 | 杭州普维光电技术有限公司 | 基于全景摄像机的车底盘图像采集方法 |
CN103984961A (zh) * | 2014-05-30 | 2014-08-13 | 成都西物信安智能***有限公司 | 一种用于检测车底异物的图像检测方法 |
Also Published As
Publication number | Publication date |
---|---|
MY190242A (en) | 2022-04-07 |
EP3115772A1 (en) | 2017-01-11 |
US20170017667A1 (en) | 2017-01-19 |
CN105809655A (zh) | 2016-07-27 |
EP3115772A4 (en) | 2017-11-08 |
EP3115772B1 (en) | 2023-08-16 |
US10289699B2 (en) | 2019-05-14 |
WO2016107474A1 (zh) | 2016-07-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105809655B (zh) | 车辆检查方法和*** | |
CN109743879B (zh) | 一种基于动态红外热像图处理的地下管廊渗漏检测方法 | |
Wang et al. | Asphalt pavement pothole detection and segmentation based on wavelet energy field | |
US10607483B2 (en) | Vehicle identification methods and systems | |
Ouma et al. | Wavelet-morphology based detection of incipient linear cracks in asphalt pavements from RGB camera imagery and classification using circular Radon transform | |
US9767371B2 (en) | Systems and methods for identifying traffic control devices and testing the retroreflectivity of the same | |
Sharma | Performance analysis of vehicle number plate recognition system using template matching techniques | |
WO2016107478A1 (zh) | 车辆底盘检查方法和*** | |
Jung | Detecting building changes from multitemporal aerial stereopairs | |
Choi et al. | Vehicle detection from aerial images using local shape information | |
EP3190434B1 (en) | Vehicle inspection method and system | |
US10032077B1 (en) | Vehicle track identification in synthetic aperture radar images | |
Zhou et al. | Robust image-based surface crack detection using range data | |
EP3311333B1 (fr) | Appariement d'images d'articles postaux avec des descripteurs de singularites du champ de gradient | |
Shi et al. | A method to detect earthquake-collapsed buildings from high-resolution satellite images | |
Sun et al. | Vehicle change detection from aerial imagery using detection response maps | |
Ryu et al. | Feature-based pothole detection in two-dimensional images | |
CN108303435B (zh) | 检查设备和对集装箱进行检查的方法 | |
Costianes et al. | Gray-level co-occurrence matrices as features in edge enhanced images | |
Grönwall et al. | Spatial filtering for detection of partly occluded targets | |
CN113805240B (zh) | 车辆检查方法和*** | |
Patruno et al. | An effective approach for 3D point cloud registration in railway contexts | |
MAARIR et al. | Building detection from satellite images based on curvature scale space method | |
Poulain et al. | High resolution remote sensing image analysis with exogenous data: A generic framework | |
Vura et al. | A Study On Various Object Detection Methods In Satellite Imagery |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |