X 光安检图像的容器检测方法

李 纯，张洪斌，李嘉毅，谢启胜（通信作者）

（北京首都国际机场股份有限公司 北京 101317）

0 引言

在轨道交通、民航航空等领域中，液体危险品是一类直接威胁着公共交通安全的重要危险品。 对液体危险品的查验一直都是地铁站、高铁站、机场等安检场所的查验重点。 对液体容器的查验是对液体危险品的一种实际使用中的重要查验手段。 通常，对于X 光安检机图像中危险品的分辨，需要安检值机员人为判定。 由于判图疲劳等问题，需要设计一套基于X 光安检图像的容器物品的自动检测算法，辅助安检员进行图像判别，提升判别效率。

本文利用液体容器普遍具备的轴对称物理特性及其在X 光安检图像上的成像特点，提出一种基于边缘点的对称性值的计算方式，并结合预定扫描线的方式，降低了计算运算量，并且基于后续一些简单有效的判定规则即可实现X 光图像中容器的检测。 该容器检测方法与基于神经网络的目标检测算法相比，不需要标注图像，不依赖耗时的模型训练过程，算法运行时也不需要额外的协处理器，如人工智能企业NVIDIA Corporation 的图形处理器（graphics processing unit， GPU） 等，仅需中央处理器（central processing unit， CPU）即可实现。

1 相关工作

2012 年Alex 在ImageNet 大规模图像分类竞赛中提出了AlexNet［1］基于神经网络的图像分类算法，该算法显著提升了图像分类的准确率，并较大幅度地超越了以往的传统算法，因此开启了神经网络时代。 后续视觉几何组（visual geometry group， VGG）［2］、深度残差神经网络（deep residual network， ResNet）［3］的出现，逐渐形成并完善了卷积神经网络，特别是ResNet 的出现，使得深层卷积神经网络的训练成为可能，并开始在计算机视觉的多个领域展现出突出的性能结果。 在目标检测领域，以卷积神经网络为基础，很快提出了基于深度学习的YOLO（you only look once）［4］、FasterRCNN［5］等目标检测算法，并分别以此为基础形成了1 阶段目标检测算法和基于候选区域提取的2阶段目标检测算法。

深度学习算法通常需要较多的数据，例如coco 数据集含有约28 万个标注数据，也需要比较长的模型训练时间。以运行速度著称的YOLOv5［6］为例，small 尺度的模型需要在单块v100 上花费天时间才能完成300 个批次的训练。

目前在X 光安检图像违禁品检测方面，诸多算法均是以YOLO、SSD、FasterRCNN 为基础进行些许改进，或引入分类模块改善误报［7-8］，或增强浅层特性和深层语义信息的融合，用来改善对小目标检测的性能［9］。

本文在X 光安检图像上利用容器物品的对称性特性，提出对称性值的计算方式，并采用了线扫描的方式提高计算效率，实现了一种轻便快捷的容器检测算法，不需要进行图像标注和模型训练，检测过程也相对高效简洁。

2 算法原理

地铁、机场等安检场所经常采用X 光技术完成包裹的非侵入式检测，提高安全检查效率。 常见的安全检查图像如图1 所示。 根据算法需求，确定了一种检测行李包裹中可疑容器区域的算法，通过检测可疑容器区域来表示可能存在的液体区域，算法主要依据的是如图2 所示的Canny 边缘图像，可以看出容器区域，容器两个侧壁的边缘在某个旋转角度下呈现出了很强的纵向轴对称性。

图1 原始图像

图2 Canny 边缘图像

2.1 对称性值

为了提高检测速度，避免采用逐个像素地滑动窗口的检测方法，本算法在原始图像的Canny 边缘图像上采用了基于扫描线的检测方式，对于扫描线上的每个扫描点，按照如下的方式计算对称性值。 如图3 所示。

图3 基于扫描线的对称值计算

计算公式为式（1）所示：

其中，函数1｛条件｝表示如果条件为真，则该函数的值为1；x，y是需要计算扫描线上的点的像素坐标值（x、y分别为列坐标和行坐标）。 Edgemap 表示边缘图像，边缘点的值为255，背景值为0。 如图4 所示，windowInnerWidth是扫描窗口内窗口的像素宽度；windowOuterWidth是扫描窗口外窗口的像素宽度；windowHeight是扫描窗口的像素高度。

图4 对称值计算示意图

2.2 算法实现流程

算法的整体运行流程大体分为如下3 个阶段，如图5所示。

图5 算法整体流程示意

第一个阶段为图像预处理阶段。 在获取输入的灰度图像后，本文会进行如下3 个子操作。 第一个操作为缩小图像，该操作的目的在于缩小图像尺寸，以加快算法的运行速度，将原始图像进行缩小操作，长宽均缩小为原来的一半；第二个操作为获取方形图像，由于输入图像的长宽比不同，为了方便旋转图像（防止有效图像区域被裁剪），需要将图像放置在旋转中心，获取一个方形的图像；第三个操作为Canny 边缘检测，在该操作中，选择了2 个阈值连接边缘，算法中选择的低阈值和高阈值分别为40 和140；另外在边缘检测前，首先使用了3×3 的均值模糊。

第二个阶段为边缘对称性检测阶段。 该阶段包括7个子操作。 第1 个操作为获取某个角度下的边缘图。 由于容器在图像中的朝向可以是0°～359°中的任意角度，根据对称性，只需要在0°～179°共180 个角度下选取旋转图像。 第2 个操作为对称性值计算。 本算法是基于扫描线的对称性检测方法，需要对扫描线上的点计算对称性值及对称窗口，计算方法依据图4 和式（1）进行。 对于计算出来的对称性值，依据在配置文件中设定的阈值（默认为10），如果对称性值小于该阈值就将点处的对称性值设置为0。 第3 个操作为检测候选容器区域。 根据配置文件的设置，如果纵向连续5 个（默认为5，可以在配置文件中更改）及以上扫描线上点的对称性值均大于0，而且对称窗口的最大值与最小值的差值在一定的阈值内（默认为3）。 第4 个操作为基于纵向中心线的拣选规则。 如果候选容器区域纵向中心线穿过的边缘数过多（默认为1 个）则认为该区域是属于一个杂乱的区域，将其剔除。 第5 个操作为基于纵向中心线拉伸候选容器区域。 由于遮挡或者容器本身边缘的对称窗口的宽度并不一致，因此检测到的区域可能只是容器的一部分区域，需要对该区域进行纵向拉伸，拉伸的方式为：沿着该区域的纵向中心线分别向瓶顶和瓶底两个方向进行拉伸，遇到边缘点即停止。 第6个操作为基于瓶顶或者瓶底横向边缘的拣选规则。 观察到的容器区域基本是上下两端横向封闭的，容器顶部和底部一定宽度（默认为8×2）的边缘间断点数超过一定的阈值（默认为4）则认为该区域并不是一个容器区域，将其剔除。 第7 个操作为基于高宽比的拣选规则。 此阶段的基于高宽比的拣选规则比较简单，剔除高宽比大于高阈值（默认为4）和小于低阈值（默认为1）的候选容器区域。

第三阶段为后处理阶段。 该阶段包括7 个子操作。第1 个操作为获取各个角度旋转图像上检测到的容器区域。 该模块综合各个角度下检测到的候选容器区域，对各个角度下检测到的矩形表示框进行坐标变换，以综合显示在初始角度的灰度图像坐标下。 第2 个操作为基于容器中心坐标及容器宽度的拣选规则。 同一个容器区域可能会存在多个矩形标识框，因此该模块根据矩形框中心的坐标位置和矩形框的宽度来对候选容器区域进行拣选。 规则为比较两个矩形框的中心距离和矩形框宽度差值，如果中心距离小于阈值（默认为10）并且宽度差值也小于阈值（默认为20），则保留这两个矩形框中宽度较小的那个矩形框。 第3 个操作为基于重叠区域的拣选规则。 从示例图像中可以看出，仍然会有很多相互重叠的矩形标识框，需要基于重叠区域对矩形框进行进一步拣选。 第4 个操作为基于中心线灰度均值的拣选规则。 该规则基于区域内的灰度值对矩形标识进行进一步拣选。 考虑矩形标识框中的纵向中心线的灰度均值，如果灰度均值大于阈值（默认为185），则剔除该区域。 第5 个操作为基于容器位置的拣选规则。 由于图像边界的原因，如果容器区域超过了有效的图像区域，可剔除该区域。 第6 个操作为计算容器在原始图像上的坐标。 需要将缩小图像上检测到的容器区域的坐标变换到原始图像的坐标系下。 第7 个操作为基于区域大小和不同容器宽度的高宽比的拣选规则。该模块对于最终检测到的容器区域进行进一步拣选。

3 实验结果

3.1 在托盘上的液体瓶检测

首先考虑最简单的情形，将液体容器放置于托盘这一简单背景上进行了检测实验，其检测结果如图6 所示。

图6 托盘上容器检测结果

从图6 可以看出，当液体容器放置在托盘上时，本文提出的容器算法都能对其进行有效的定位。

3.2 箱包中的液体瓶检测

为了模拟实际过机场景，本文针对放置于行李包裹中的液体容器进行检测实验。 检测结果如图7 所示。

图7 包裹中的容器检测结果

从图7 可以看出，当液体容器放置于盛放有复杂日常物品的行李包裹中时，本文提出的容器算法都能对其进行有效的定位，并且能够有效标记液体容器的主方向。

4 结语

本文围绕各类安检场景对液体容器的自动查验的实际需求，基于普通容器存在轴对称性这一重要特点，提出一种从X 光安检图像中自动检测液体容器的检测方法。该方法能有效地对X 光图像中的液体容器进行检测定位，从而提高了X 光安检机安检人员的查验效率。 然而，本文提出的方法还存在一定的局限性。 第一，该方法还只能针对塑料液体容器开展检测，因此在容器种类的覆盖方面还有待提高；第二，本文仅针对随身携带行李包裹安全检查场景进行了实验，因此还需针对货物安检等更加复杂的场景开展进一步的适配工作。