论文部分内容阅读
近年来,行李安检X光图像中违禁品自动检测任务受到了广泛的关注,这对维护公共交通安全,提升安检效率具有重要意义。随着深度学习的快速发展,基于卷积神经网络(Convolutional Neural Network,CNN)的安检X光违禁品自动检测的研究取得了不小的进展。然而带有违禁品的行李安检X光图像不易获得,这使得目前存在的安检X光图像数据集中的正样本很难训练出一个可靠的CNN模型。为解决安检X光图像数据集较小的问题,提出了一种基于生成式对抗网络(Generative Adversarial Network,GAN)模型的X光违禁品图像生成的方法。主要研究内容如下:1)构建了两个安检数据集:X光违禁品图像数据集和行李安检X光图像数据集,并对这两个安检数据集进行了预处理以及对其特点进行分析。2)构建了基于改进GAN模型的X光违禁品图像生成网络。通过改进GAN模型的网络结构以及损失函数,使得改进GAN模型能够适用于生成X光违禁品图像。结合真实安检数据集定性和定量分析,判断不同GAN模型的性能优劣。基于该模型生成了大量质量高多样性丰富的无背景X光违禁品图像,有背景X光违禁品图像和高分辨率行李安检X光图像。3)构建了实物图像与X光安检图像的映射变换模型。基于改进Cycle GAN框架,实现实物图像从自然成像空间至X光安检空间转换。利用该方法生成了外形轮廓种类丰富的X光违禁品图像以及姿态连续性变换的X光违禁品图像。4)提出了两种评价生成图像的方法。(1)通过GAN-train和GAN-test评价指标对生成图像的真实性、多样性以及图像中所包含的特征信息进行评价,从而判断生成图像能否用于扩充数据集。(2)基于目标检测网络的评价方法,以扩充数据集和提高检测精度为指标,判断生成数据是否具有数据增强功能。