安检CT图像目标物识别方法研究进展.docx

安检CT图像目标物识别方法研究进展

摘要：基于先进的安检CT扫描设备，研究三维CT图像中的目标物识别方法，对于提升安检质量的可靠性和稳定性具有十分重要的意义。本文系统评述安检CT图像目标物识别的最新研究进展和发展趋势，不仅对近年来本领域的代表性学术研究成果进行总结回顾，还首次将工业界的相关专利也纳入分析范围；在文献归类环节，除沿用常见的技术路线和任务类型两种归类法，还根据计算空间维度的差异提出一种新的归类法，并对检索到的代表性文献进行多标签归类；通过总结分析本领域研究成果，发现3个重要特点，分析其主要成因，最后对本领域的研究方向提出几点建议。

关键词：安检CT；目标物识别；智能识别

安全检查是货物运输和旅客出行安全保障不可或缺的重要环节，安检技术也在持续的发展进步。目前，能够对货物和行李包裹实施非侵入式查验的X光机已经广泛的应用于各种类型的安检场景，经过培训的工作人员判读X光机生成的二维扫描图像后，给出安全放行或者拦截开检的结论。由于二维图像中可能存在物体之间相互遮挡以及复杂多样的背景物体的干扰，机场、海关等场所正在逐步增加更先进的安检CT扫描设备的部署应用[1]。三维CT图像为安检员准确辨识禁止运输或携带的目标物提供了更多的信息，使得改变不同的视角检查图像成为了现实，并为基于密度和等效原子序数等特征区分不同的材料提供了可能性。研究表明，虽然目前的三维图像质量与二维X光机图像相比视觉感受仍有不足，三维成像能够使安检员更好的辨识威胁[2]。

无论是判读二维X光机图像还是三维CT图像，人类安检员的表现存在主观性，且严重依赖于经验，疲劳、工作单调乏味等因素导致注意力不集中，影响了安检质量的可靠性和稳定性。为了缓解上述问题，实际场景中也采取了基于危险品图像插入（threatimageprojection，TIP）的培训和考核、更短的换班时间等一系列积极的措施，成本也不断增加，却并不能有效消除安检漏洞，毕竟安检员需要在极为有限的时间内从混乱的背景物体中辨识出包裹中存在的可能威胁，保证正常的安检通过率，这是一个难度极大的挑战性任务。因此，任何自动化、半自动化或辅助完成识别任务、减轻安检工作人员压力的尝试都是极有意义的。

由于二维X光机图像模态更接近研究广泛的可见光图像且存在一批公开数据集，对于二维安检图像中目标物自动识别方法的研究较为深入[3-4]。然而对于三维CT图像，简单的将二维方法拓展到三维并不可行，一方面由于维度的变化使得三维数据量增长了2～3个数量级，对于识别效率的要求却并未降低；另一方面由于算力和内存限制，难以利用与二维方法中同样复杂的深度神经网络结构。

此外，与三维图像中目标物识别相关的研究来自于医学和自动驾驶等领域。相比安检CT领域仅有公开数据集ALERT包含188个包裹421个目标物，医学领域已有DeepLesion、NLST、TCIA、LIDC-IDRI、MICCAI、ISBI、BraTS、LiTS、WORD等一批公开三维数据集，其中DeepLesion包含约1万组

CT扫描图像的超过3.2万个病灶标注，NLST收集了超过7.5万组肺部CT扫描图像的超过17万处异常的信息。自动驾驶领域也有KITTI、Waymo、ApolloScape、BLVD、Synthia、OxfordRobotCar、nuScenes、Argoverse、A2D2等10余个公开三维数据集，其中KITTI针对3D目标检测任务提供了1.5万张图像超过8万个标记对象，Waymo含有超过20万帧图像的约1200万个3D标注框。3DCNN模型已被用于医学CT/MRI图像[5-6]、激光雷达点云数据[7-8]、RGBD数据[9-10]的物体分类和检测。

Hu等[5]对基于医学图像的肿瘤检测和诊断研究工作进行了综述，其中多数方法应用了3DCNN的技术；Monkam等[6]回顾了基于3DCNN的CT图像中肺结节检测和分类工作进展。医学CT/MRI图像具有亚毫米级近各向同性的分辨率，自动识别研究一般限定于特定的器官或疾病，可以利用任务有关的先验信息，器官数量和布局是固定已知的，任何偏离将被视为异常。然而在安检场景中由于高通过率的要求，CT图像普遍具有毫米级各项异性的分辨率，图像质量相对较低且包含较多的噪声和金属伪影；扫描对象也是无限制的，包裹中可能