摘要
虽然以深度学习为主要方向的人工智能技术最近几年得到飞速发展，各种应用层出不穷，但是目前的违禁品检测还很大程度上依赖于人工检测。原因在于公共场所违禁物品检测事关人民群众生命财产安全，责任重大，不能有半点闪失。再加上旅客包裹内的物品放置角度和物品之间相互叠加、遮挡等原因，现有的基于计算机视觉的检测方法很难达到人工方法检查的水平，还需要进一步改进自动化检测方法。针对以上问题，本文针对机场安检刀具检测，提出基于卷积网络特征提取和统计学习的机场安检刀具检测方法，包括以下几个方面内容: (1)针对安检X光图像分类正确与否在很大程度依赖于特征对于局部区域的描述能力，提出基于物体部件的统计特征的精细化分类方法。首先使用预训练的目标检测网络得到物体组成部件所在区域，并将这些区域位置映射到卷积特征图位置，进而将区域内累加值大于一定阈值的卷积描述子选取出来，然后将这些卷积描述子汇集在一起并提取统计特征。通过实验证明该方法在细粒度安检图像分类上的有效性。 (2)提出一个基于半监督物体部件检测的精细化分类方法。方法是使用卷积特征显著性计算方法来发现和划分物体部件，首先将卷积特征图进行累加以得到累加图，然后使用累加图中元素的值进行聚类，将累加图划分为不同区域。对于每个区域的卷积描述子，使用均值向量作为此区域的特征，然后计算区域特征和每一个类别图像特征的相关性，最大的相关性值就是这一区域的权重。使用权重值对累加图上这一区域上的元素进行加权，最后根据加权后的累加图选取卷积描述子用于生成图像特征。本文方法的优点是可以得到物体的组成部件信息而不需要进行人工标注，不但可以提高分类准确性，而且具有较快速度。 (3)提出基于卷积描述子主成分投影的物体定位方法与局部卷积描述子的特征特征提取方法。首先分析描述子的相关性，然后设置一组阈值，得到一些同类物品候选区域，然后从这些区域提取特征用于目标检测。该方法用于解决在安检工作中弱监督图像目标检测问题。
NETL