基于同类目标融合数据增广的鲁棒X光图像目标检测方法技术

本发明专利技术公开了基于同类目标融合数据增广的鲁棒X光图像目标检测方法，本方案方法主要基于工作的数据集在标签含有噪声的情况，其可以有效地消除标签噪声对X光安检图像目标检测器训练产生的影响，并且通过图像融合很好的模拟了X光图像中重叠遮挡的情况，让模型可以更好的学习到X光图片的固有特征。该方案不仅在多个公开地数据集上都取得了良好的性能，同时相比于传统的噪声标签学习方法，本方案是一种更加灵活，且贴近实际需求地解决噪声标签情况下X光安检图像目标检测的方案。除此之外，通过实验结果发现，本方案方法不仅在X光数据集中有效，在一些通用目标检测数据集中也有较好的效果。

【技术实现步骤摘要】

本专利技术涉及计算机视觉，尤其涉及基于同类目标融合数据增广的鲁棒x光图像目标检测方法。

技术介绍

1、目标检测是计算机视觉中的一个重要问题，指的是在一张图像中识别出哪些区域是目标对象，并且给出这些目标对象的位置和大小及类别。目标检测在计算机视觉应用中非常广泛，如自动驾驶汽车、无人机、安防监控等。在安防监控的应用场景中，有一类场景的图像是以x光成像的，如机场、车站、地铁站的安检仪器输出的图像，这就需要x光图像的目标检测，用于解决安检过程中危险品的自动检测任务。

2、近年来随着深度学习的发展，越来越多的计算机视觉方面的应用开始使用基于深度学习的方法，x光安检图像检测同样也进入了深度学习的时代。早期的x光图像目标检测使用的是基于手工特征的方法，这些方法的效果并不理想。由于基于统计的深度学习需要有大量数据用作训练，但是当时并没专门用于x光安检大型数据集，这就使得卷积神经网络在最开始不能很好地应用于该领域，但随后迁移学习方法的出现，使得这一情况发生了改变。2016年，akcay等人(s,kundegorski m e,devereux m,et al.t本文档来自技高网...

【技术保护点】

1.一种基于同类目标融合数据增广的鲁棒X光图像目标检测方法，其特征在于，其包括如下步骤：

2.如权利要求1所述的基于同类目标融合数据增广的鲁棒X光图像目标检测方法，其特征在于，步骤A中，所准备的X光安检图像的数据集包括OPIXray、PIDray和MS-COCO。

3.如权利要求1或2所述的基于同类目标融合数据增广的鲁棒X光图像目标检测方法，其特征在于，步骤B中，在训练集的图片数据中加入标签噪声，以模拟噪声情况包括：对目标对象的类别标签和目标边界框标签分别加上标签噪声；

4.如权利要求3所述的基于同类目标融合数据增广的鲁棒X光图像目标检测方法，其特征在...

【技术特征摘要】

1.一种基于同类目标融合数据增广的鲁棒x光图像目标检测方法，其特征在于，其包括如下步骤：

2.如权利要求1所述的基于同类目标融合数据增广的鲁棒x光图像目标检测方法，其特征在于，步骤a中，所准备的x光安检图像的数据集包括opixray、pidray和ms-coco。

3.如权利要求1或2所述的基于同类目标融合数据增广的鲁棒x光图像目标检测方法，其特征在于，步骤b中，在训练集的图片数据中加入标签噪声，以模拟噪声情况包括：对目标对象的类别标签和目标边界框标签分别加上标签噪声；

4.如权利要求3所述的基于同类目标融合数据增广的鲁棒x光图像目标检测方法，其特征在于，步骤c包括：对于训练集中每份图片数据中的每个目标对象t，该目标对象t对应的标签中含有指向目标对象位置信息的目标边界框标签和目标对象类别信息的类别标签；根据标签提供的类别信息，从原始的数据集中找k-1个具有相同类别信息的目标对象的图片，并根据其对应的目标边界框标签将图片数据中的目标对象裁剪出来，放入结果集中；

5.如权利要求4所述的基于同类目标融合数据增广的鲁棒x光图像目标检测方法，其特征在于，步骤d包括：

6.如权利要求5所述的基于同类目标融合数据增广的鲁棒x光图像目标检测方法，其特征在于，步骤e中，所述基于深度学习的目标检测器以faster rcnn作为基础目标检测网络，...

【专利技术属性】
技术研发人员：严严，陈睿康，王菡子，
申请(专利权)人：厦门大学，
类型：发明
国别省市：