(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210044078.8 (22)申请日 2022.01.14 (71)申请人 中国建设银行股份有限公司 地址 100033 北京市西城区金融大街25号 (72)发明人 吴松霖　吴昀蓁　熊博颖　郑邦东　 李睿之　李虎　 (74)专利代理 机构 北京润平知识产权代理有限 公司 11283 代理人 李红 (51)Int.Cl. G06V 20/52(2022.01) G06V 10/44(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01) G06T 7/00(2017.01)G06T 7/187(2017.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 违规箱包的检测方法、 系统及电子设备 (57)摘要 本发明提供一种违规箱包的检测方法、 系统 及电子设备， 属于安全检测技术领域。 所述方法 包括： 对获取到的监控图像进行预处理， 得到包 括至少一个移动目标的第一图像； 通过目标检 测， 从第一图像中提取包括箱包图像的第二图 像； 将第二图像输入深度学习网络模型， 得到第 二图像对应的特征向量； 计算第二图像对应的特 征向量与超球面体的关系， 判断第二图像中的箱 包图像是否包括违规箱包图像； 超球面体是包含 违规箱包图像的样本所对应的特征向量所构成 的。 通过目标检测从监控图像中截 取出箱包的第 二图像， 训练好的深度学习网络对第二图像进行 检测， 判断第二图像中的箱包是否是违规箱包， 及时在检测到违规箱包时进行报警， 减少管理员 或者安保人员的工作量。 权利要求书5页 说明书15页 附图5页 CN 114419550 A 2022.04.29 CN 114419550 A 1.一种违规箱包的检测方法， 其特 征在于， 所述方法包括： 对获取到的监控图像进行 预处理， 得到包括至少一个移动目标的第一图像； 通过目标检测， 从所述第一图像中提取包括箱包图像的第二图像； 将所述第二图像输入深度学习网络模型， 得到所述第二图像对应的特 征向量； 计算所述第 二图像对应的特征向量与超球面体的关系， 判断所述第 二图像中的箱包图 像是否包括违规箱包图像； 其中， 所述超球面体是包 含违规箱包图像的样本所对应的特 征向量所构成的。 2.根据权利要求1所述的检测方法， 其特征在于， 所述深度 学习网络模型通过如下步骤 进行训练： 获取训练样本数据， 所述训练样本数据包括 正样本和负 样本； 将所述正样本输入到前一轮迭代后的深度 学习网络模型， 计算得到所述正样本对应的 特征向量； 根据所述 正样本对应的特 征向量及正样本损失函数 更新深度学习网络模型的参数； 将所述负样本与正样本输入更新后的深度 学习网络模型， 计算得到所述负样本对应的 特征向量及所述 正样本对应的特 征向量； 根据所述负样本对应的特征向量及所述正样本对应的特征向量、 所述修正中心点及负 样本损失函数， 更新深度学习网络模型的参数； 重复以上步骤预设次数， 或待负样本损失函数变化满足预设条件， 结束迭代， 得到训练 好的深度学习网络模型。 3.根据权利要求2所述的检测方法， 其特征在于， 所述根据 所述正样本对应的特征向量 及正样本损失函数 更新深度学习网络模型的参数， 包括： 根据所述 正样本对应的特 征向量计算 正样本的中心点； 根据所述 正样本的中心点 位置计算 修正中心点； 根据所述正样本对应的特征向量、 所述修正中心点及正样本损 失函数， 更新深度学习 网络模型的参数。 4.根据权利要求2所述的检测方法， 其特 征在于， 所述超球面体包括球心和半径； 所述超球面体的球心为深度学习网络模型训练过程中最后一次修 正中心点的位置； 所述超球面体的半径根据正样本和负 样本各自与所述超球面体的球心之间距离确定 。 5.根据权利要求3所述的检测方法， 其特征在于， 所述正样本的中心点的计算公式如 下： 其中， l为迭代次数， 初次迭代中心点记为c1， fi为正样本对应的特 征向量； 所述修正中心点 通过如下公式计算： cb＝β cl‑1+(1‑β )cl； 其中， cb为修正中心点， β 取值 为0.98。 6.根据权利要求3所述的检测方法， 其特征在于， 所述根据所述正样本对应的特征向 量、 所述修正中心点的位置及正样本损失函数， 更新深度学习网络模型的参数， 包括：权　利　要　求　书 1/5 页 2 CN 114419550 A 2计算各正样本对应的特 征向量到所述 修正中心点的欧式距离， 记为disi； 采用梯度下降法， 根据所述欧式距离及正样本损 失函数， 计算并更新深度学习 网络模 型的参数； 所述正样本损失函数记为： 其中， disi为正样本到所述修正 中心点的欧式距离， e为 正样本到修正中心点的距离的最大值。 7.根据权利要求2所述的检测方法， 其特征在于， 所述根据 所述负样本对应的特征向量 及所述正样本对应的特征向量、 所述修正中心点及负样本损失函数， 更新深度学习网络模 型的参数， 包括： 计算各负样本对应的特征向量到所述修正中心点的欧式距离 以及各正样本对应 的特征向量到所述 修正中心点的欧式距离 采用梯度下降法， 根据上述欧式距离及负样本损 失函数， 计算并更新深度学习 网络模 型的参数； 所述负样本损失函数记为： 其中， 为距离修正中 心点最近的负样本到修正中心点的距离， g为正样本到修正中心点的距离与距离修正中心 点最近的负 样本到修正中心点的距离之间的间隔。 8.根据权利要求2所述的检测方法， 其特征在于， 所述正样本为合规箱包图像， 所述负 样本为违规箱包图像； 所述获取训练样本数据， 包括： 获取合规箱包图像和违规箱包图像； 采用遮挡、 旋转、 尺寸归一化和亮度变化中的一种或多种方式对合规箱包图像和违规 箱包图像进行增强， 使得合 规箱包图像数量与违规箱包图像数量相均衡。 9.根据权利要求2所述的检测方法， 其特征在于， 所述对获取到的图像进行预处理， 得 到包括至少一个移动目标的第一图像， 包括： 获取监控图像中任一通道的像素构成的连续的第一帧图像、 第二帧图像和第三帧图 像； 对第一帧图像和第二帧图像作差， 得到第一差值图像， 对第二帧图像和第三帧图像作 差， 得到第二差值图像； 将第一差值图像和第二差值图像二 值化， 得到第一 二值化图像和第二 二值化图像； 将第一二值化图像和第二 二值化图像进行按位与运 算， 得到移动目标的掩码图； 计算所述掩码图的连通 域； 过滤掩码图中小于预设大小的连通 域， 得到移动目标的连通 域； 计算所述移动目标的连通 域的外接四边形； 将所述外接四边形放大预设比例， 获取放大后的外接四边形对应的监控图像区域作为 移动目标的第一图像。 10.根据权利要求1所述的检测方法， 其特征在于， 在判断所述第二图像中的箱包图像权　利　要　求　书 2/5 页 3 CN 114419550 A 3