Franzel, Thorsten (2012)
Object Detection in Multi-View X-Ray Images.
Technische Universität Darmstadt
Masterarbeit, Bibliographie

Kurzbeschreibung (Abstract)

Die Inspektion von Gepäckstücken an Flughäfen ist ein Routineverfahren, um die Sicherheit der Passagiere und des Personals zu erhöhen. Einen Teil der Sicherheitsüberprüfung stellt die Inspektion des Handgepäcks der Passagiere dar. Üblicherweise werden Röntgenbilder vom Handgepäck aufgenommen, welche vom Sicherheitspersonal auf verbotene Gegenstände überprüft werden. Sicherheitspersonal, das gezieltes Training erhalten hat, ist in den meisten Fällen dazu in der Lage verbotene Gegenstände zu identifizieren. Jedoch sind Ermüdung und Ablenkungen Faktoren, die die Trefferrate negativ beeinflussen können. Darüber hinaus sind Mitarbeiter unterschiedlich gut im Erkennen von verschiedenen Objektklassen, wie zum Beispiel Messer oder Sprengsätze. Automatisierte Objekterkennung ist daher ein vielversprechender Ansatz, welcher nicht unter den Einschränkungen von menschlichem Sicherheitspersonal leidet. Die Erkennung von Sprengstoffen, basierend auf Materialeigenschaften, befindet sich bereits im aktiven Einsatz, wobei Objekterkennung in Röntgenbildern, auf Basis von Aussehen, noch nicht üblich ist. Im Rahmen dieser Arbeit verwenden wir die neusten Ansätze zur aussehenbasierten Objekterkennung, die üblicherweise auf normale Photoaufnahmen angewendet werden. Darüber hinaus passen wir die verwendeten Ansätze an die spezifischen Eigenschaften der vom Röntgensystem gelieferten Daten an. Wir behandeln unter anderem die projektiven Verzerrungen, die durch die spezielle Geometrie des Röntgensystems erzeugt werden. Unser Ansatz zur Reduzierung der projektiven Verzerrungen minimiert den Einfluss, den die Projektion auf das Aussehen von Objekten besitzt. Wir veranschaulichen, dass diese "Entzerrung" der Bilddaten ein wichtiger Zwischenschritt ist, um eine hohe Detektionsperformanz zu erhalten. Des Weiteren greifen wir die Problematik auf, dass Objekte aus ungünstigen Perspektiven nur schwer zu identifizieren sind. Das verwendete Röntgensystem bietet jedoch mehrere Ansichten auf ein Gepäckstück, was eine umfassendere und genauere Untersuchung ermöglicht. Der primäre Beitrag dieser Arbeit ist ein multi-view Objekterkennungsansatz, der unabhängige Detektionen aus mehreren Ansichten zu einer kombinierten Detektion verbindet. Wir führen unsere Evaluation auf einem selbst erstellten Datensatz durch. Dieser enthält Röntgenaufnahmen von Handgepäckstücken, welche mit einer Vielzahl von verschiedenen Handfeuerwaffen versehen sind. Der vorgeschlagenen multi-view Detektionsansatz ist jedoch nicht begrenzt auf den verwendeten Datensatz oder das verwendete Röntgensystem. Inspection of passenger luggage for dangerous objects is commonplace to increase security in public transportation, especially at airports all around the world. Part of the security checks is the screening of carry-on luggage, which is taken into the airplane by the passenger. This task is usually carried out by human operators, who search for forbidden objects in X-ray images of the luggage. Although trained operators are mostly very good at detecting forbidden objects, their performance varies substantially as they get tired or distracted. Additionally, they are not equally good at finding different types of forbidden objects, e.g., some operators are better at identifying knives than explosive devices. Therefore, computer-based automated object detection is a promising approach, since it does not suffer from these human limitations. Even though detection of explosives based on material properties is already used in practice, appearance-based detection of objects in X-ray images is not yet common. In this work, we employ state-of-the-art appearance-based object detection approaches that were developed for photographic images, and adapt them to the specific properties of the image data that we obtain from modern X-ray luggage inspection systems. In particular, we first address projective distortions that arise during the X-ray image capturing process. We show that our approach of decreasing object appearance variations significantly increases detection performance. Secondly, we address the problem that objects are difficult to detect from unfavourable viewpoints. The X-ray inspection system we use offers multiple views on the luggage, thus allowing for a more thorough inspection of the contents. Our main contribution is a multi-view detection approach that combines independent detections from all available views. We demonstrate that these multi-view detections significantly improve detection performance in comparison to single-view detection. We conduct our evaluation on a self-recorded dataset, which contains a multitude of different handguns concealed in carry-on luggage. However, our multi-view detection approach is not limited to handguns or the specific X-ray inspection system we employed.

Frage zum Eintrag

Redaktionelle Details anzeigen