用于减少检测系统中的假报警的系统和方法
专利名称：用于减少检测系统中的假报警的系统和方法
技术领域：
一般来说，本文描述的系统和方法涉及检测后分类系统，更具体来说，涉及利用统 计和概率将假报警(false alarm)与真报警(true alarm)分开。
背景技术：
自从2001年9月11日的事件以来，美国国土安全部已经在美国机场大大加强了 安全防护。这些安全措施包括对乘客和手提包及行李进行包括爆炸性物品在内的违禁品审查。至少一些已知的安全扫描系统采用X-射线透射技术。尽管这些系统使得能够检 测例如武器和刀片，但它们缺少在低的假报警率的情况下检测爆炸物的能力。例如，计算机断层扫描(CT)提供对物品特性的定量测量，而与物体的位置或叠合 无关；它还具有优于常规的和基于多视图X-射线透射和放射线同位素的成像系统的实质 性优点。在CT扫描仪中，在多个角度获得大量精确的X-射线“视图”。然后，利用这些视图 来重构平面或体积图像。该图像是成像体积内的每个体积元素(或体素)的X-射线质量 衰减值的映射。世界各地的机场普遍对被检查行李使用采用例如CT扫描仪的系统来检测对飞行 安全造成威胁的爆炸物。这些系统采用X-射线源和对面的检测器，当容器沿水平轴平移 时，对面的检测器检测通过诸如手提箱的物体的X-射线辐射。至少一些已知的扫描系统能够检测大多数爆炸物和其它违禁品。但是，由于爆炸 物和其它违禁品与无危险的物品之间有共同的相似点，所以偶尔会引发假报警。需要可区 分假报警与真报警的系统。
发明内容
—方面，提供一种用于解析由成像系统引发的报警的方法，该成像系统包括用于 检测容器内的违禁品的组件。该方法包括从成像系统接收多个图像；计算引起报警的至 少一个物体的至少一个特征；将这至少一个特征输入到至少一个分类器中；基于这至少一 个分类器的投票给出对这至少一个物体的判定；以及给出对容器的最终判定。另一方面，提供一种与成像系统一起使用的检测后处理系统，其中成像系统包括 配置成在所扫描的容器内检测到可疑违禁品时发出报警的检测组件。检测后处理系统配 置成从实际检测中分离假报警。检测后处理系统包括电连接到系统总线的存储器和电耦 合到系统总线并经由系统总线以通信方式耦合到存储器的至少一个处理器。检测后处理系 统配置成从成像系统接收多个图像，其中所述多个图像中的每个图像包括多个图像元素； 将所接收的图像存储在存储器中；根据所述多个图像元素的每个图像元素子集计算多个特 征，其中每个图像元素子集对应于触发成像系统报警的至少一个物体；将所述多个特征输 入到多个分类器；以及基于所述多个分类器中的每个分类器的投票确定由这至少一个物体 触发的每个报警的报警状态。
另一方面，提供一种用于将成像系统的假报警和真报警分开的检测后分类系统， 其中成像系统在对容器进行扫描期间引发报警。检测后分类系统包括至少一个分类器，这 至少一个分类器配置成基于从成像系统接收的多个图像内的多个图像元素的至少一个计 算的特征确定并发出对报警的状态的投票。这至少一个分类器通过以下方式构造而成采 集包括真报警子集和假报警子集的测试集；利用测试集计算这至少一个分类器的第一性 能；为每个测试子集的多个特征确定范围和标准偏差的至少其中之一；增大微扰因子；对 于每个子集，修改所述多个特征中的至少一个特征的值；以及利用修改后的测试集值计算 这至少一个分类器的第二性能。
图1-3示出本文描述的系统和方法的示范性实施例。图1-3中示出并参照图1-3 描述的实施例只是示范性的。图1是示范性检测后分类系统的框图；图2示出用于创建可与如图1所示的检测后分类系统一起使用的分类器的示范性 方法的流程图；以及图3示出利用如图1所示的检测后分类系统来处理报警的示范性方法的流程图。
具体实施例方式本文描述的实施例提供用于有效处理包括检测和/或报警组件的成像系统的输 出并将由该组件引发的假报警与由该组件引发的真报警分开的系统和方法。在一个实施例 中，检测后分类系统从成像系统接收图像，每个图像由多个图像元素(如像素或体素)组 成。利用构成图像的图像元素，检测后分类系统计算引起报警的物体的一个或多个特征。将 这一个或多个特征输入到一个或多个分类器中，这一个或多个分类器基于投票给出对物体 的判定。然后，检测后分类系统给出对容器的最终判定。这些系统和方法的技术效果是通过利用一组图像特征和知识发现技术来在概率 基础上将假报警与真报警分开而减少假报警的发生。图像特征包括但不限于统计特征、信 息理论值和/或纹理特征。然后，利用这些图像特征作为经训练以对报警的性质进行投票 的一系列归纳学习系统的输入。将接收足够多票数的报警识别为假报警。下文参照与用于检查货物的系统的操作有关的本发明的应用来描述本发明的至 少一个实施例。但是，本领域技术人员在本文提供的教导的指导下应明白，本发明同样适用 于任何适于扫描货物容器的系统，货物容器包括但不限于通过水路、陆路和/或空中运输 的箱子、桶和行李、以及其它容器和/或物体。此外，尽管下文参照与包括用于检查货物的X-射线计算机断层扫描(CT)扫描系 统的系统的操作有关的本发明的应用来描述本发明的实施例，但本领域技术人员在本文提 供的教导的指导下应明白，可在备选实施例中使用包括但不限于中子或伽玛射线的任何合 适的辐射源。此外，本领域技术人员在本文提供的教导的指导下应明白，可使用产生足够数 量的像素以启用本文描述的检测后分类系统的功能性的任何扫描系统。图1是检测后分类系统100的示范性实施例的框图。在一个实施例中，系统100 与X-射线计算机断层扫描(CT)扫描系统200 —起使用，其中扫描系统200用于扫描容器202 (例如，货物容器、箱子或包裹)以识别内容物和/或确定包含在容器202内的物品的类 型。本文所用的术语“内容物”是指包含在容器202内的任何物体和/或物品，它们可包括
违禁品。在一个实施例中，扫描系统200包括配置成使至少一个辐射束透射穿过容器202 的至少一个X-射线源204。在一个备选实施例中，扫描系统200包括配置成发射不同能量 分布的辐射的多个X-射线源204。或者，每个X-射线源204配置成发射可在不同时间发射 的选择性能量分布的辐射。在一个特定实施例中，扫描系统200利用多能量扫描来获得容 器202的衰减图。除了产生CT图像之外，多能量扫描还使得能够产生物体内容物的密度图 和原子序数。在一个实施例中，容器202的双能量扫描包括通过先以低能量扫描容器202、 然后以高能量扫描容器202来检查容器202。采集低能量扫描和高能量扫描的数据以重构 容器202的CT、密度和/或原子序数图像，从而便于基于容器202的物品内容(material content)来识别容器202内的物品或违禁品的类型，这将在下文更详细地加以描述。在一个实施例中，扫描系统200还包括配置成检测从X-射线源204发射并透射穿 过容器202的辐射的至少一个X-射线检测器206。X-射线检测器206配置成覆盖整个视 场或只覆盖一部分视场。在检测到透射辐射之后，X-射线检测器206生成表示所检测的透 射辐射的信号。将该信号传送到如下所述的数据采集系统和/或处理器。在检测到透射辐 射之后，每个X-射线检测器元件生成表示所检测的透射辐射的信号。将该信号传送到如下 所述的数据采集系统和/或处理器。利用扫描系统200来实时、或非实时或延时地重构容 器202的CT图像。 在扫描系统200的一个实施例中，数据采集系统208在操作上耦合到X-射线检测 器206并与其进行信号通信。数据采集系统208配置成接收由X-射线检测器206生成和 传送的信号。处理器210在操作上耦合到数据采集系统208。处理器210配置成产生或生 成容器202及其内容物的图像，并处理所产生的图像以便于确定容器202的物品内容。更 具体地说，在一个实施例中，数据采集系统208和/或处理器210基于从X-射线检测器206 接收的信号产生至少一个衰减图。利用这个(或这些)衰减图，重构内容物的至少一个图 像，并从重构的图像推断内容物的CT值、密度和/或原子序数。基于这些CT图像，可产生 货物的密度和/或原子图。对CT图像、密度和/或原子序数图像进行分析以推断诸如但不 限于爆炸物的违禁品的存在。在扫描系统200的备选实施例中，可使用一个处理器210或多于一个处理器210 来生成和/或处理容器图像。扫描系统200的一个实施例还包括在操作上耦合到数据采集 系统208和/或处理器210的显示装置212、存储器装置214和/或输入装置216。本文所 用的术语“处理器”不只限于在本领域中称为处理器的集成电路，而是广义地指计算机、微 型控制器、微型计算机、可编程逻辑控制器、专用集成电路和任何其它可编程电路。处理器 还可包括存储装置和/或输入装置，例如鼠标和/或键盘。在扫描系统200的一个实施例的操作期间，X-射线源204发射能量范围内的X-射 线，这取决于电源施加在X-射线源204上的电压。生成初级射束，初级射束穿过容器202， 并且位于容器202的另一侧上的X-射线检测器206测量初级射束的强度。然后，检测后分类系统100通过利用一组图像元素特征和知识发现技术来便于在 概率基础上将假报警与真报警分开而处理扫描系统200对可疑违禁品引发的报警。在一个实施例中，利用二维图像像素来计算图像特征。在备选实施例中，利用三维图像体素来计算 图像特征。在该示范性实施例中，图像特征包括但不限于统计特征、信息理论值和/或纹理 特征。统计特征的实例包括但不限于均值、中值、标准偏差、偏斜和/或峭度。信息理论值 的实例是熵。纹理特征的实例是子波。检测后分类系统100的备选实施例利用不同于这些 实例的特征和/或除了这些实例以外的特征。在一个备选实施例中，图像特征包括在扫描 系统200中引发报警的一个或多个物体218的性质。然后，利用这些图像特征作为到多个 归纳学习系统或分类器的输入，这些归纳学习系统或分类器经训练以对报警的性质进行投 票，从而将接收分类器的足够多票数的报警识别为假报警。在该示范性实施例中，检测后分类系统100包括电耦合到系统总线(未示出)的 一个或多个处理器102。系统100还包括存储器104，存储器104电耦合到系统总线以便将 存储器104以通信方式耦合到处理器102。本文所用的术语“处理器”不只限于在本领域中 称为处理器的集成电路，而是广义地指计算机、微型控制器、微型计算机、可编程逻辑控制 器、专用集成电路和任何其它可编程电路。处理器还可包括存储装置和/或输入装置，例如 鼠标和/或键盘。此外，系统100包括一个或多个分类器106。在该示范性实施例中，系统 100包括利用不同学习系统的多个分类器。一个这样的学习系统是递归二进制数据分区形 式的分类树。分类树的每个节点指定有一个值，并且分成两个子节点。为了利用分类树来 预测诸如物品密度的目标变量的类别，利用变量值来移动通过分类树，直到到达终端节点 为止。可用于构建分类器的另一学习系统是费希尔判别，它寻找将两种或两种以上类别的 物体最佳分离的特征的线性组合。可用于构建分类器的学习系统的又一实例是神经网络。 在一个实施例中，利用诸如上述学习系统的学习系统来构建在系统100中所用的上述多个 分类器。在一个备选实施例中，利用除了上述学习系统以外的学习系统。在另一备选实施 例中，系统100中所用的上述多个分类器中包括上述学习系统(包括上述学习系统的多个 版本)以及除了上述学习系统以外的学习系统。图2示出说明用于创建可与检测后分类系统100(如图1所示)一起使用的分类 器106(如图1所示)的方法300的流程图。在该示范性实施例中，采集302测试集。该测 试集可从多个源采集302或手动创建。数据集包括例如只具有非违禁品的容器的X-射线 图像、具有违禁品和非违禁品的容器的X-射线图像、以及只具有违禁品的容器的X-射线图 像。另外，可从自例如诸如机场和/或火车站的旅游枢纽采集的真实世界的X-射线图像采 集302数据。在该示范性实施例中，测试集包括两个子集。一个子集包括真报警和相关联 的一系列计算的特征，即“特征向量”。第二子集包括假报警和相关联的特征向量。此外，在该示范性实施例中，计算304每个分类器106的性能。在性能测试期间， 将每个测试子集输入到每个分类器106，并且对于每个分类器106，生成两个值。一个值是 保留的真报警的百分比PD。另一个值是保留的假报警的百分比PFA。分类器106的第一性 能测试用于生成基线以与稍后的测试结果进行比较。在该示范性实施例中，在计算304每 个分类器106的性能之后，为每个特征计算306范围和标准偏差。在该示范性实施例中，然后将微扰因子增大308预定量。本文所用的微扰因子是 对测试集数据施加的已知变化度量值。在该示范性实施例中，在增大308微扰因子之后，修 改310两个测试子集的每个报警的特征值。在一个实施例中，将这些值修改310随机量。在 一个备选实施例中，将每个特征的值修改310介于零和第二值之间的随机量，其中第二值等于在步骤308中设定的微扰因子乘以每个特征的所计算306的标准偏差。在另一备选实 施例中，不对所有特征修改310特征值。在又一备选实施例中，将每个特征的值修改310不 同的量。在再一备选实施例中，对每个特征的值设置边界以使得产生越界值的修改310产 生等于边界值或刚好在边界值内的值。在该示范性实施例中，在修改310特征值之后，重新 计算312每个分类器106的性能，并将其与之前计算的性能进行比较。重复步骤308、310、 312和314以确定分类器106的鲁棒性。图3示出说明利用检测后分类系统100(如图1所示)来将容器202(如图1所 示)内的物体218 (如图1所示)分类为真报警或假报警的方法400的流程图。在该示范 性实施例中，检测后分类系统100从扫描系统200(如图1所示)接收402多个图像。在一 个实施例中，当触发报警时，系统100自动接收402所述多个图像。在一个备选实施例中， 系统200的用户请求对所触发的报警做出判定，并且系统200为系统100提供所述多个图 像。对于每个图像，系统100根据构成每个图像的多个图像元素(如像素或体素)计算404 特征的向量。更具体地说，系统100利用与触发系统200报警的每个物体218相关联的图 像元素来计算404 —系列特征，例如如上所述的特征。在该示范性实施例中，将特征向量输入406到分类器106(如图1所示)。每个分 类器106利用特征向量中的一个或多个特征来确定408对报警的投票。更具体地说，每个 分类器106利用学习系统，使用该学习系统来构建分类器106以确定408分类器106将报 警投票为真报警还是假报警。在一个实施例中，由分类器106提供的投票是“是-否”或 “真-假”投票。在一个备选实施例中，由分类器106提供的投票是加权值。在另一备选实 施例中，由分类器106提供的投票是概率。在该示范性实施例中，组合410从每个分类器106提供的投票以对报警做出最终 判定。具体来说，将每个分类器106的投票制成表以确定系统100将报警断言为真报警还 是假报警。在一个实施例中，分类器投票的组合410是用户可调的。在此情况下，只有当所 有分类器投票一致同意时系统100才将报警识别为假报警，或者只有当所有分类器投票一 致同意时系统100才将报警识别为真报警。在一个备选实施例中，系统100基于少至一个 分类器投票将报警识别为假报警或识别为真报警。在该示范性实施例中，对容器202内触 发系统200报警的每个物体218重复步骤404、406、408和410。在该示范性实施例中，在确定所有报警都是真报警或假报警之后，系统100给出 412对容器202的判定。如果确定所有报警都是假报警，则清除(clear)容器202。另一方 面，如果确定任何报警都是真报警，则对容器202进行进一步检查，例如手动检查。在一个 备选实施例中，清除容器202不需要确定所有报警都是假报警。总的来说，在一个实施例中，提供一种用于解析由成像系统引发的报警的方法，该 成像系统包括用于检测容器内的违禁品的组件。该方法包括从成像系统接收多个图像； 以及计算引起报警的至少一个物体的至少一个特征。在一个备选实施例中，计算该物体的 特征是利用与该物体相关联的多个图像元素实现的。此外，该方法包括将特征输入到至少一个分类器中；以及基于分类器的投票给 出对物体的判定。在一个备选实施例中，给出对物体的判定基于最少数量的分类器投票。 因此，该方法还包括通过分类器利用所计算的特征确定关于物体是真报警还是假报警的投 票。投票是真-假选择、加权值和概率之一。在另一备选实施例中，当投票是加权值时，给出对物体的判定还包括处理该加权值。此外，该方法还包括在通过成像系统对容器进行扫描期间，基于引发报警的最少 数量的清除物体给出对容器的最终判定。上述系统和方法便于有效且可靠地检查货物容器。更具体地说，这些系统和方法 便于有效地处理包括检测和/或报警组件的成像系统的输出并将由该组件引发的假报警 与由该组件引发的真报警分开。利用多个分类器来确定报警的真实性利于增加每个物体的 分类的确定性。此外，利用不同的分类方法利于进一步增加每个物体和每个目标的分类的 确定性。确定报警的真实性利于减少必须完成的手动检查的数量，从而减少检查人员的需 要和/或减少乘客在安全线所花费的时间。上文详细描述了用于检查货物的系统和方法的示范性实施例。该系统和方法不限 于本文描述的特定实施例，而是该系统的组件和/或该方法的步骤可与本文描述的其它组 件和/或步骤分开来独立地使用。此外，所描述的系统组件和/或方法步骤也可定义在其 它系统和/或方法中、或与其它系统和/或方法组合使用，并且不限于只用本文描述的系统 和方法来实现。尽管就各种特定实施例描述了本发明，但本领域技术人员将意识到，本发明可在 具有权利要求的精神和范围内的修改的情况下实现。
权利要求
一种用于解析由成像系统引发的报警的方法，所述成像系统包括用于检测容器内的违禁品的组件，所述方法包括从所述成像系统接收多个图像；计算引起报警的至少一个物体的至少一个特征；将所述至少一个特征输入到至少一个分类器中；基于所述至少一个分类器的投票给出对所述至少一个物体的判定；以及给出对所述容器的最终判定。
2.如权利要求1所述的方法，其中计算至少一个特征还包括利用与所述至少一个物体 相关联的多个图像元素来计算所述至少一个物体的至少一个特征。
3.如权利要求1所述的方法，还包括通过所述至少一个分类器利用所述至少一个计算 的特征来确定关于所述至少一个物体是真报警还是假报警的投票，其中所述投票是真_假 选择、加权值和概率之一。
4.如权利要求3所述的方法，其中所述投票是加权值，给出对所述至少一个物体的判 定还包括处理所述加权值。
5.如权利要求1所述的方法，其中给出对所述至少一个物体的判定还包括基于最少数 量的分类器投票给出对所述至少一个物体的判定。
6.如权利要求1所述的方法，其中给出对所述容器的最终判定还包括基于在通过所述 成像系统对所述容器进行扫描期间引发报警的最少数量的清除物体给出对所述容器的最 终判定。
7.一种与成像系统一起使用的检测后处理系统，所述成像系统包括配置成在所扫描的 容器内检测到可疑违禁品时发出报警的检测组件，所述检测后处理系统配置成从实际检测 中分离假报警，所述检测后处理系统包括电连接到系统总线的存储器；以及电耦合到所述系统总线的至少一个处理器，所述至少一个处理器经由所述系统总线以 通信方式耦合到所述存储器，所述检测后处理系统配置成从所述成像系统接收多个图像，其中所述多个图像中的每个图像包括多个图像元素； 将所接收的图像存储在所述存储器中；根据所述多个图像元素的每个图像元素子集计算多个特征，其中每个图像元素子集对 应于触发所述成像系统报警的至少一个物体； 将所述多个特征输入到多个分类器中；以及基于所述多个分类器中的每个分类器的投票确定由所述至少一个物体触发的每个报 警的报警状态。
8.如权利要求7所述的检测后处理系统，其中每个分类器配置成利用所述多个特征中 的至少一个特征来对每个报警的报警状态提供投票，每个投票包括真_假选择、加权值和概率之一。
9.如权利要求7所述的检测后处理系统，其中所述检测后处理系统还配置成组合由所 述多个分类器提供的投票以确定每个报警的报警状态。
10.如权利要求8所述的检测后处理系统，其中所述检测后处理系统还配置成组合由 所述多个分类器确定的加权值投票。
11.如权利要求7所述的检测后处理系统，其中所述检测后处理系统还配置成基于由 所述多个分类器提供的最少数量的投票将报警作为是假报警清除。
12.如权利要求11所述的检测后处理系统，其中由所述多个分类器提供以将报警清除 的所需投票数是可调整的。
13.如权利要求7所述的检测后处理系统，其中所述检测后处理系统还配置成基于最 少数量的清除报警来将所述容器从进一步检查中清除。
14.一种用于将成像系统的假报警与真报警分开的检测后分类系统，其中所述成像系 统在对容器进行扫描期间引发报警，所述检测后分类系统包括至少一个分类器，所述至少 一个分类器配置成基于从所述成像系统接收的多个图像内的多个图像元素的至少一个计 算的特征确定并发出对所述报警的状态的投票，所述至少一个分类器通过以下方式构造而 成采集包括真报警子集和假报警子集的测试集；利用所述测试集计算所述至少一个分类器的第一性能；为每个测试子集的多个特征确定范围和标准偏差的至少其中之一；增大微扰因子；对于每个子集，修改所述多个特征中的至少一个特征的值；以及利用修改后的测试集值计算所述至少一个分类器的第二性能。
15.如权利要求14所述的检测后分类系统，其中计算所述至少一个分类器的第一性能 还包括对每个子集确定所保留的真报警的百分比以及所保留的假报警的百分比。
16.如权利要求14所述的检测后分类系统，其中修改至少一个特征的值还包括将至少 一个特征的值修改随机量。
17.如权利要求14所述的检测后分类系统，其中修改至少一个特征的值还包括将至少 一个特征的值修改一定量，所述量介于0与通过将所述微扰因子乘以所述至少一个特征的 标准偏差确定的量之间。
18.如权利要求14所述的检测后分类系统，其中修改至少一个特征的值还包括修改所 述多个特征的一部分的值。
19.如权利要求14所述的检测后分类系统，其中修改至少一个特征的值还包括将每个 特征的值修改不同的量。
20.如权利要求14所述的检测后分类系统，其中修改至少一个特征的值还包括将修改 后的值限制在预定范围。
全文摘要
提供用于将容器内的目标进行分类的系统和方法。一方面，提供一种用于解析由成像系统引发的报警的方法，该成像系统包括用于检测容器内的违禁品的组件。该方法包括从成像系统接收多个图像；计算引起报警的至少一个物体的至少一个特征；将这至少一个特征输入到至少一个分类器中；基于这至少一个分类器的投票给出对这至少一个物体的判定；以及给出对容器的最终判定。
文档编号G01V5/00GK101878435SQ200880118898
公开日2010年11月3日 申请日期2008年7月29日 优先权日2007年9月28日
发明者G·L·奥尔, M·A·默茨巴赫, T·加布尔 申请人:莫弗探测公司
技术领域：
一般来说，本文描述的系统和方法涉及检测后分类系统，更具体来说，涉及利用统 计和概率将假报警(false alarm)与真报警(true alarm)分开。
背景技术：
自从2001年9月11日的事件以来，美国国土安全部已经在美国机场大大加强了 安全防护。这些安全措施包括对乘客和手提包及行李进行包括爆炸性物品在内的违禁品审查。至少一些已知的安全扫描系统采用X-射线透射技术。尽管这些系统使得能够检 测例如武器和刀片，但它们缺少在低的假报警率的情况下检测爆炸物的能力。例如，计算机断层扫描(CT)提供对物品特性的定量测量，而与物体的位置或叠合 无关；它还具有优于常规的和基于多视图X-射线透射和放射线同位素的成像系统的实质 性优点。在CT扫描仪中，在多个角度获得大量精确的X-射线“视图”。然后，利用这些视图 来重构平面或体积图像。该图像是成像体积内的每个体积元素(或体素)的X-射线质量 衰减值的映射。世界各地的机场普遍对被检查行李使用采用例如CT扫描仪的系统来检测对飞行 安全造成威胁的爆炸物。这些系统采用X-射线源和对面的检测器，当容器沿水平轴平移 时，对面的检测器检测通过诸如手提箱的物体的X-射线辐射。至少一些已知的扫描系统能够检测大多数爆炸物和其它违禁品。但是，由于爆炸 物和其它违禁品与无危险的物品之间有共同的相似点，所以偶尔会引发假报警。需要可区 分假报警与真报警的系统。
发明内容
—方面，提供一种用于解析由成像系统引发的报警的方法，该成像系统包括用于 检测容器内的违禁品的组件。该方法包括从成像系统接收多个图像；计算引起报警的至 少一个物体的至少一个特征；将这至少一个特征输入到至少一个分类器中；基于这至少一 个分类器的投票给出对这至少一个物体的判定；以及给出对容器的最终判定。另一方面，提供一种与成像系统一起使用的检测后处理系统，其中成像系统包括 配置成在所扫描的容器内检测到可疑违禁品时发出报警的检测组件。检测后处理系统配 置成从实际检测中分离假报警。检测后处理系统包括电连接到系统总线的存储器和电耦 合到系统总线并经由系统总线以通信方式耦合到存储器的至少一个处理器。检测后处理系 统配置成从成像系统接收多个图像，其中所述多个图像中的每个图像包括多个图像元素； 将所接收的图像存储在存储器中；根据所述多个图像元素的每个图像元素子集计算多个特 征，其中每个图像元素子集对应于触发成像系统报警的至少一个物体；将所述多个特征输 入到多个分类器；以及基于所述多个分类器中的每个分类器的投票确定由这至少一个物体 触发的每个报警的报警状态。
另一方面，提供一种用于将成像系统的假报警和真报警分开的检测后分类系统， 其中成像系统在对容器进行扫描期间引发报警。检测后分类系统包括至少一个分类器，这 至少一个分类器配置成基于从成像系统接收的多个图像内的多个图像元素的至少一个计 算的特征确定并发出对报警的状态的投票。这至少一个分类器通过以下方式构造而成采 集包括真报警子集和假报警子集的测试集；利用测试集计算这至少一个分类器的第一性 能；为每个测试子集的多个特征确定范围和标准偏差的至少其中之一；增大微扰因子；对 于每个子集，修改所述多个特征中的至少一个特征的值；以及利用修改后的测试集值计算 这至少一个分类器的第二性能。
图1-3示出本文描述的系统和方法的示范性实施例。图1-3中示出并参照图1-3 描述的实施例只是示范性的。图1是示范性检测后分类系统的框图；图2示出用于创建可与如图1所示的检测后分类系统一起使用的分类器的示范性 方法的流程图；以及图3示出利用如图1所示的检测后分类系统来处理报警的示范性方法的流程图。
具体实施例方式本文描述的实施例提供用于有效处理包括检测和/或报警组件的成像系统的输 出并将由该组件引发的假报警与由该组件引发的真报警分开的系统和方法。在一个实施例 中，检测后分类系统从成像系统接收图像，每个图像由多个图像元素(如像素或体素)组 成。利用构成图像的图像元素，检测后分类系统计算引起报警的物体的一个或多个特征。将 这一个或多个特征输入到一个或多个分类器中，这一个或多个分类器基于投票给出对物体 的判定。然后，检测后分类系统给出对容器的最终判定。这些系统和方法的技术效果是通过利用一组图像特征和知识发现技术来在概率 基础上将假报警与真报警分开而减少假报警的发生。图像特征包括但不限于统计特征、信 息理论值和/或纹理特征。然后，利用这些图像特征作为经训练以对报警的性质进行投票 的一系列归纳学习系统的输入。将接收足够多票数的报警识别为假报警。下文参照与用于检查货物的系统的操作有关的本发明的应用来描述本发明的至 少一个实施例。但是，本领域技术人员在本文提供的教导的指导下应明白，本发明同样适用 于任何适于扫描货物容器的系统，货物容器包括但不限于通过水路、陆路和/或空中运输 的箱子、桶和行李、以及其它容器和/或物体。此外，尽管下文参照与包括用于检查货物的X-射线计算机断层扫描(CT)扫描系 统的系统的操作有关的本发明的应用来描述本发明的实施例，但本领域技术人员在本文提 供的教导的指导下应明白，可在备选实施例中使用包括但不限于中子或伽玛射线的任何合 适的辐射源。此外，本领域技术人员在本文提供的教导的指导下应明白，可使用产生足够数 量的像素以启用本文描述的检测后分类系统的功能性的任何扫描系统。图1是检测后分类系统100的示范性实施例的框图。在一个实施例中，系统100 与X-射线计算机断层扫描(CT)扫描系统200 —起使用，其中扫描系统200用于扫描容器202 (例如，货物容器、箱子或包裹)以识别内容物和/或确定包含在容器202内的物品的类 型。本文所用的术语“内容物”是指包含在容器202内的任何物体和/或物品，它们可包括
违禁品。在一个实施例中，扫描系统200包括配置成使至少一个辐射束透射穿过容器202 的至少一个X-射线源204。在一个备选实施例中，扫描系统200包括配置成发射不同能量 分布的辐射的多个X-射线源204。或者，每个X-射线源204配置成发射可在不同时间发射 的选择性能量分布的辐射。在一个特定实施例中，扫描系统200利用多能量扫描来获得容 器202的衰减图。除了产生CT图像之外，多能量扫描还使得能够产生物体内容物的密度图 和原子序数。在一个实施例中，容器202的双能量扫描包括通过先以低能量扫描容器202、 然后以高能量扫描容器202来检查容器202。采集低能量扫描和高能量扫描的数据以重构 容器202的CT、密度和/或原子序数图像，从而便于基于容器202的物品内容(material content)来识别容器202内的物品或违禁品的类型，这将在下文更详细地加以描述。在一个实施例中，扫描系统200还包括配置成检测从X-射线源204发射并透射穿 过容器202的辐射的至少一个X-射线检测器206。X-射线检测器206配置成覆盖整个视 场或只覆盖一部分视场。在检测到透射辐射之后，X-射线检测器206生成表示所检测的透 射辐射的信号。将该信号传送到如下所述的数据采集系统和/或处理器。在检测到透射辐 射之后，每个X-射线检测器元件生成表示所检测的透射辐射的信号。将该信号传送到如下 所述的数据采集系统和/或处理器。利用扫描系统200来实时、或非实时或延时地重构容 器202的CT图像。 在扫描系统200的一个实施例中，数据采集系统208在操作上耦合到X-射线检测 器206并与其进行信号通信。数据采集系统208配置成接收由X-射线检测器206生成和 传送的信号。处理器210在操作上耦合到数据采集系统208。处理器210配置成产生或生 成容器202及其内容物的图像，并处理所产生的图像以便于确定容器202的物品内容。更 具体地说，在一个实施例中，数据采集系统208和/或处理器210基于从X-射线检测器206 接收的信号产生至少一个衰减图。利用这个(或这些)衰减图，重构内容物的至少一个图 像，并从重构的图像推断内容物的CT值、密度和/或原子序数。基于这些CT图像，可产生 货物的密度和/或原子图。对CT图像、密度和/或原子序数图像进行分析以推断诸如但不 限于爆炸物的违禁品的存在。在扫描系统200的备选实施例中，可使用一个处理器210或多于一个处理器210 来生成和/或处理容器图像。扫描系统200的一个实施例还包括在操作上耦合到数据采集 系统208和/或处理器210的显示装置212、存储器装置214和/或输入装置216。本文所 用的术语“处理器”不只限于在本领域中称为处理器的集成电路，而是广义地指计算机、微 型控制器、微型计算机、可编程逻辑控制器、专用集成电路和任何其它可编程电路。处理器 还可包括存储装置和/或输入装置，例如鼠标和/或键盘。在扫描系统200的一个实施例的操作期间，X-射线源204发射能量范围内的X-射 线，这取决于电源施加在X-射线源204上的电压。生成初级射束，初级射束穿过容器202， 并且位于容器202的另一侧上的X-射线检测器206测量初级射束的强度。然后，检测后分类系统100通过利用一组图像元素特征和知识发现技术来便于在 概率基础上将假报警与真报警分开而处理扫描系统200对可疑违禁品引发的报警。在一个实施例中，利用二维图像像素来计算图像特征。在备选实施例中，利用三维图像体素来计算 图像特征。在该示范性实施例中，图像特征包括但不限于统计特征、信息理论值和/或纹理 特征。统计特征的实例包括但不限于均值、中值、标准偏差、偏斜和/或峭度。信息理论值 的实例是熵。纹理特征的实例是子波。检测后分类系统100的备选实施例利用不同于这些 实例的特征和/或除了这些实例以外的特征。在一个备选实施例中，图像特征包括在扫描 系统200中引发报警的一个或多个物体218的性质。然后，利用这些图像特征作为到多个 归纳学习系统或分类器的输入，这些归纳学习系统或分类器经训练以对报警的性质进行投 票，从而将接收分类器的足够多票数的报警识别为假报警。在该示范性实施例中，检测后分类系统100包括电耦合到系统总线(未示出)的 一个或多个处理器102。系统100还包括存储器104，存储器104电耦合到系统总线以便将 存储器104以通信方式耦合到处理器102。本文所用的术语“处理器”不只限于在本领域中 称为处理器的集成电路，而是广义地指计算机、微型控制器、微型计算机、可编程逻辑控制 器、专用集成电路和任何其它可编程电路。处理器还可包括存储装置和/或输入装置，例如 鼠标和/或键盘。此外，系统100包括一个或多个分类器106。在该示范性实施例中，系统 100包括利用不同学习系统的多个分类器。一个这样的学习系统是递归二进制数据分区形 式的分类树。分类树的每个节点指定有一个值，并且分成两个子节点。为了利用分类树来 预测诸如物品密度的目标变量的类别，利用变量值来移动通过分类树，直到到达终端节点 为止。可用于构建分类器的另一学习系统是费希尔判别，它寻找将两种或两种以上类别的 物体最佳分离的特征的线性组合。可用于构建分类器的学习系统的又一实例是神经网络。 在一个实施例中，利用诸如上述学习系统的学习系统来构建在系统100中所用的上述多个 分类器。在一个备选实施例中，利用除了上述学习系统以外的学习系统。在另一备选实施 例中，系统100中所用的上述多个分类器中包括上述学习系统(包括上述学习系统的多个 版本)以及除了上述学习系统以外的学习系统。图2示出说明用于创建可与检测后分类系统100(如图1所示)一起使用的分类 器106(如图1所示)的方法300的流程图。在该示范性实施例中，采集302测试集。该测 试集可从多个源采集302或手动创建。数据集包括例如只具有非违禁品的容器的X-射线 图像、具有违禁品和非违禁品的容器的X-射线图像、以及只具有违禁品的容器的X-射线图 像。另外，可从自例如诸如机场和/或火车站的旅游枢纽采集的真实世界的X-射线图像采 集302数据。在该示范性实施例中，测试集包括两个子集。一个子集包括真报警和相关联 的一系列计算的特征，即“特征向量”。第二子集包括假报警和相关联的特征向量。此外，在该示范性实施例中，计算304每个分类器106的性能。在性能测试期间， 将每个测试子集输入到每个分类器106，并且对于每个分类器106，生成两个值。一个值是 保留的真报警的百分比PD。另一个值是保留的假报警的百分比PFA。分类器106的第一性 能测试用于生成基线以与稍后的测试结果进行比较。在该示范性实施例中，在计算304每 个分类器106的性能之后，为每个特征计算306范围和标准偏差。在该示范性实施例中，然后将微扰因子增大308预定量。本文所用的微扰因子是 对测试集数据施加的已知变化度量值。在该示范性实施例中，在增大308微扰因子之后，修 改310两个测试子集的每个报警的特征值。在一个实施例中，将这些值修改310随机量。在 一个备选实施例中，将每个特征的值修改310介于零和第二值之间的随机量，其中第二值等于在步骤308中设定的微扰因子乘以每个特征的所计算306的标准偏差。在另一备选实 施例中，不对所有特征修改310特征值。在又一备选实施例中，将每个特征的值修改310不 同的量。在再一备选实施例中，对每个特征的值设置边界以使得产生越界值的修改310产 生等于边界值或刚好在边界值内的值。在该示范性实施例中，在修改310特征值之后，重新 计算312每个分类器106的性能，并将其与之前计算的性能进行比较。重复步骤308、310、 312和314以确定分类器106的鲁棒性。图3示出说明利用检测后分类系统100(如图1所示)来将容器202(如图1所 示)内的物体218 (如图1所示)分类为真报警或假报警的方法400的流程图。在该示范 性实施例中，检测后分类系统100从扫描系统200(如图1所示)接收402多个图像。在一 个实施例中，当触发报警时，系统100自动接收402所述多个图像。在一个备选实施例中， 系统200的用户请求对所触发的报警做出判定，并且系统200为系统100提供所述多个图 像。对于每个图像，系统100根据构成每个图像的多个图像元素(如像素或体素)计算404 特征的向量。更具体地说，系统100利用与触发系统200报警的每个物体218相关联的图 像元素来计算404 —系列特征，例如如上所述的特征。在该示范性实施例中，将特征向量输入406到分类器106(如图1所示)。每个分 类器106利用特征向量中的一个或多个特征来确定408对报警的投票。更具体地说，每个 分类器106利用学习系统，使用该学习系统来构建分类器106以确定408分类器106将报 警投票为真报警还是假报警。在一个实施例中，由分类器106提供的投票是“是-否”或 “真-假”投票。在一个备选实施例中，由分类器106提供的投票是加权值。在另一备选实 施例中，由分类器106提供的投票是概率。在该示范性实施例中，组合410从每个分类器106提供的投票以对报警做出最终 判定。具体来说，将每个分类器106的投票制成表以确定系统100将报警断言为真报警还 是假报警。在一个实施例中，分类器投票的组合410是用户可调的。在此情况下，只有当所 有分类器投票一致同意时系统100才将报警识别为假报警，或者只有当所有分类器投票一 致同意时系统100才将报警识别为真报警。在一个备选实施例中，系统100基于少至一个 分类器投票将报警识别为假报警或识别为真报警。在该示范性实施例中，对容器202内触 发系统200报警的每个物体218重复步骤404、406、408和410。在该示范性实施例中，在确定所有报警都是真报警或假报警之后，系统100给出 412对容器202的判定。如果确定所有报警都是假报警，则清除(clear)容器202。另一方 面，如果确定任何报警都是真报警，则对容器202进行进一步检查，例如手动检查。在一个 备选实施例中，清除容器202不需要确定所有报警都是假报警。总的来说，在一个实施例中，提供一种用于解析由成像系统引发的报警的方法，该 成像系统包括用于检测容器内的违禁品的组件。该方法包括从成像系统接收多个图像； 以及计算引起报警的至少一个物体的至少一个特征。在一个备选实施例中，计算该物体的 特征是利用与该物体相关联的多个图像元素实现的。此外，该方法包括将特征输入到至少一个分类器中；以及基于分类器的投票给 出对物体的判定。在一个备选实施例中，给出对物体的判定基于最少数量的分类器投票。 因此，该方法还包括通过分类器利用所计算的特征确定关于物体是真报警还是假报警的投 票。投票是真-假选择、加权值和概率之一。在另一备选实施例中，当投票是加权值时，给出对物体的判定还包括处理该加权值。此外，该方法还包括在通过成像系统对容器进行扫描期间，基于引发报警的最少 数量的清除物体给出对容器的最终判定。上述系统和方法便于有效且可靠地检查货物容器。更具体地说，这些系统和方法 便于有效地处理包括检测和/或报警组件的成像系统的输出并将由该组件引发的假报警 与由该组件引发的真报警分开。利用多个分类器来确定报警的真实性利于增加每个物体的 分类的确定性。此外，利用不同的分类方法利于进一步增加每个物体和每个目标的分类的 确定性。确定报警的真实性利于减少必须完成的手动检查的数量，从而减少检查人员的需 要和/或减少乘客在安全线所花费的时间。上文详细描述了用于检查货物的系统和方法的示范性实施例。该系统和方法不限 于本文描述的特定实施例，而是该系统的组件和/或该方法的步骤可与本文描述的其它组 件和/或步骤分开来独立地使用。此外，所描述的系统组件和/或方法步骤也可定义在其 它系统和/或方法中、或与其它系统和/或方法组合使用，并且不限于只用本文描述的系统 和方法来实现。尽管就各种特定实施例描述了本发明，但本领域技术人员将意识到，本发明可在 具有权利要求的精神和范围内的修改的情况下实现。
权利要求
一种用于解析由成像系统引发的报警的方法，所述成像系统包括用于检测容器内的违禁品的组件，所述方法包括从所述成像系统接收多个图像；计算引起报警的至少一个物体的至少一个特征；将所述至少一个特征输入到至少一个分类器中；基于所述至少一个分类器的投票给出对所述至少一个物体的判定；以及给出对所述容器的最终判定。
2.如权利要求1所述的方法，其中计算至少一个特征还包括利用与所述至少一个物体 相关联的多个图像元素来计算所述至少一个物体的至少一个特征。
3.如权利要求1所述的方法，还包括通过所述至少一个分类器利用所述至少一个计算 的特征来确定关于所述至少一个物体是真报警还是假报警的投票，其中所述投票是真_假 选择、加权值和概率之一。
4.如权利要求3所述的方法，其中所述投票是加权值，给出对所述至少一个物体的判 定还包括处理所述加权值。
5.如权利要求1所述的方法，其中给出对所述至少一个物体的判定还包括基于最少数 量的分类器投票给出对所述至少一个物体的判定。
6.如权利要求1所述的方法，其中给出对所述容器的最终判定还包括基于在通过所述 成像系统对所述容器进行扫描期间引发报警的最少数量的清除物体给出对所述容器的最 终判定。
7.一种与成像系统一起使用的检测后处理系统，所述成像系统包括配置成在所扫描的 容器内检测到可疑违禁品时发出报警的检测组件，所述检测后处理系统配置成从实际检测 中分离假报警，所述检测后处理系统包括电连接到系统总线的存储器；以及电耦合到所述系统总线的至少一个处理器，所述至少一个处理器经由所述系统总线以 通信方式耦合到所述存储器，所述检测后处理系统配置成从所述成像系统接收多个图像，其中所述多个图像中的每个图像包括多个图像元素； 将所接收的图像存储在所述存储器中；根据所述多个图像元素的每个图像元素子集计算多个特征，其中每个图像元素子集对 应于触发所述成像系统报警的至少一个物体； 将所述多个特征输入到多个分类器中；以及基于所述多个分类器中的每个分类器的投票确定由所述至少一个物体触发的每个报 警的报警状态。
8.如权利要求7所述的检测后处理系统，其中每个分类器配置成利用所述多个特征中 的至少一个特征来对每个报警的报警状态提供投票，每个投票包括真_假选择、加权值和概率之一。
9.如权利要求7所述的检测后处理系统，其中所述检测后处理系统还配置成组合由所 述多个分类器提供的投票以确定每个报警的报警状态。
10.如权利要求8所述的检测后处理系统，其中所述检测后处理系统还配置成组合由 所述多个分类器确定的加权值投票。
11.如权利要求7所述的检测后处理系统，其中所述检测后处理系统还配置成基于由 所述多个分类器提供的最少数量的投票将报警作为是假报警清除。
12.如权利要求11所述的检测后处理系统，其中由所述多个分类器提供以将报警清除 的所需投票数是可调整的。
13.如权利要求7所述的检测后处理系统，其中所述检测后处理系统还配置成基于最 少数量的清除报警来将所述容器从进一步检查中清除。
14.一种用于将成像系统的假报警与真报警分开的检测后分类系统，其中所述成像系 统在对容器进行扫描期间引发报警，所述检测后分类系统包括至少一个分类器，所述至少 一个分类器配置成基于从所述成像系统接收的多个图像内的多个图像元素的至少一个计 算的特征确定并发出对所述报警的状态的投票，所述至少一个分类器通过以下方式构造而 成采集包括真报警子集和假报警子集的测试集；利用所述测试集计算所述至少一个分类器的第一性能；为每个测试子集的多个特征确定范围和标准偏差的至少其中之一；增大微扰因子；对于每个子集，修改所述多个特征中的至少一个特征的值；以及利用修改后的测试集值计算所述至少一个分类器的第二性能。
15.如权利要求14所述的检测后分类系统，其中计算所述至少一个分类器的第一性能 还包括对每个子集确定所保留的真报警的百分比以及所保留的假报警的百分比。
16.如权利要求14所述的检测后分类系统，其中修改至少一个特征的值还包括将至少 一个特征的值修改随机量。
17.如权利要求14所述的检测后分类系统，其中修改至少一个特征的值还包括将至少 一个特征的值修改一定量，所述量介于0与通过将所述微扰因子乘以所述至少一个特征的 标准偏差确定的量之间。
18.如权利要求14所述的检测后分类系统，其中修改至少一个特征的值还包括修改所 述多个特征的一部分的值。
19.如权利要求14所述的检测后分类系统，其中修改至少一个特征的值还包括将每个 特征的值修改不同的量。
20.如权利要求14所述的检测后分类系统，其中修改至少一个特征的值还包括将修改 后的值限制在预定范围。
全文摘要
提供用于将容器内的目标进行分类的系统和方法。一方面，提供一种用于解析由成像系统引发的报警的方法，该成像系统包括用于检测容器内的违禁品的组件。该方法包括从成像系统接收多个图像；计算引起报警的至少一个物体的至少一个特征；将这至少一个特征输入到至少一个分类器中；基于这至少一个分类器的投票给出对这至少一个物体的判定；以及给出对容器的最终判定。
文档编号G01V5/00GK101878435SQ200880118898
公开日2010年11月3日 申请日期2008年7月29日 优先权日2007年9月28日
发明者G·L·奥尔, M·A·默茨巴赫, T·加布尔 申请人:莫弗探测公司
最新回复(0)