A method of X-ray image generation of security contraband based on generative confrontation network is presented. It includes classifying the X-ray image of the original security contraband according to the attitude difference of the original security contraband X-ray image; constructing the generative confrontation network and adjusting the network parameters; inputting the classified original security contraband X-ray image into the above generative confrontation network, classifying and generating the new security contraband X-ray image; constructing the CNN image classification model; Image classification model is used to classify and verify the X-ray images of new security contraband. The method of generating X-ray image of security contraband based on generative countermeasure network provided by the invention can generate a large number of new images with vivid visual effect and multiple postures on the basis of a small number of image samples, and can effectively expand the X-ray image data set of security contraband.
【技术实现步骤摘要】
一种基于生成式对抗网络的安检违禁品X光图像生成方法
本专利技术属于数据增强
,特别是涉及一种基于生成式对抗网络的安检违禁品X光图像生成方法。
技术介绍
行李安检对于民航安全有着至关重要的作用,然而,随着选择民航出行的旅客人数逐年上涨,行李安检员面临着越来越大的工作压力,这既降低了行李安检的效率和准确性,同时也不利于安检员的身心健康。近年来,随着卷积神经网络等深度学习算法的快速发展,使用计算机辅助安检员进行行李违禁品识别不再遥不可及。使用深度学习方法进行图像识别首先需要有足够大的训练数据集,然而在实际中难以获取到大量的行李物品X光图像。此外,物品被随机放置在行李包裹中,在X光下呈现出的姿态也是多种多样的。与人脑不同的是,计算机算法在学习图像特征时,对物品姿态的变化十分敏感,所以行李安检员培训用的安检物品X光图像库并不能满足训练神经网络的需求。如何获取到大量的具有多种姿态的物品X光图像一直是一个难点问题。传统的解决方法是通过平移旋转尺度变换等操作来丰富图像,但这种方法所能获取到的额外信息量有限。使用预先训练好的网络模型虽然也能在一定程度上提升算法性能,但是并不是所有的网络模型都有预先训练好的模型可供使用。2014年提出的生成式对抗网络(GAN)被广泛用于生成新的数据,并且在图像生成方面取得重大突破。例如,PGGAN可以生成逼真的高分辨率人脸图像,SNGAN能够有效生成多类别的图像。相较于传统方法,使用生成式对抗网络生成新的安检违禁品X光图像可以更加有效地扩充数据集,从而有助于进一步提升违禁品检测算法的性能。但目前并没有完善的基于生成式对抗网络的图像数据集 ...
【技术保护点】
1.一种基于生成式对抗网络的安检违禁品X光图像生成方法,其特征在于:所述的方法包括按顺序进行的下列步骤:1)根据原始安检违禁品X光图像中安检违禁品的姿态差异对原始安检违禁品X光图像进行分类;2)构建生成式对抗网络并调整网络参数;3)将步骤1)中已分类的原始安检违禁品X光图像输入上述生成式对抗网络中,分类别生成新安检违禁品X光图像;4)构建用于评价生成的新安检违禁品X光图像是否可用的CNN图像分类模型;5)基于上述构建的CNN图像分类模型对生成的新安检违禁品X光图像进行分类验证。
【技术特征摘要】
1.一种基于生成式对抗网络的安检违禁品X光图像生成方法,其特征在于:所述的方法包括按顺序进行的下列步骤:1)根据原始安检违禁品X光图像中安检违禁品的姿态差异对原始安检违禁品X光图像进行分类;2)构建生成式对抗网络并调整网络参数;3)将步骤1)中已分类的原始安检违禁品X光图像输入上述生成式对抗网络中,分类别生成新安检违禁品X光图像;4)构建用于评价生成的新安检违禁品X光图像是否可用的CNN图像分类模型;5)基于上述构建的CNN图像分类模型对生成的新安检违禁品X光图像进行分类验证。2.根据权利要求1所述的基于生成式对抗网络的安检违禁品X光图像生成方法,其特征在于:在步骤1)中,所述的根据原始安检违禁品X光图像中安检违禁品的姿态差异对原始安检违禁品X光图像进行分类的方法是:首先以原始安检违禁品X光图像中的安检违禁品几何中心为原点构建一个空间直角坐标系,则安检违禁品姿态的差异可以转换为其绕三个坐标轴旋转角度的差异;然后根据原始安检违禁品X光图像中违禁品绕三个坐标轴旋转角度的差异进行分类,将原始安检违禁品X光图像分为8个姿态类别。3.根据权利要求1所述的基于生成式对抗网络的安检违禁品X光图像生成方法,其特征在于:在步骤2)中,所述的构建生成式对抗网络并调整网络参数的方法是:首先构建一个由判别器和生成器组成的生成式对抗网络,并选取合适的损失函数,然后设置不同的网络参数进行实验,根据实验结果选取最优的参数设置。4.根据权利要求1所述的基于生成式对抗网...
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。