杨子固， 李海芳， 刘剑超， 王飞龙， 李 钢

(1.太原理工大学信息与计算机学院， 晋中 030600； 2.太原理工大学大数据学院， 晋中 030600； 3. 太原理工大学软件学院， 晋中 030600)

安检是保护社会公共安全的一道重要防线，由于行业的特殊性，其不仅具有较高的准确性要求，同时也具有严苛的实时性需求。在安检领域，一般使用X射线安检机对包裹进行扫描，生成伪彩色透视图像[1]，并通过人工对该图像的观察，识别包裹中是否存在危险品。然而，人工检查受各种不确定因素的影响较大,安检质量难以得到保证，容易发生漏检和误检[2]，进而影响公共安全。

近几年随着深度学习技术的发展，其在计算机视觉领域的应用[3-4]越来越广泛，利用深度学习方法对X射线安检图像进行分类和危险品检测逐渐成为该领域的研究热点和难点。深度学习中的目标检测方法不仅能自动识别出X射线安检图像中的危险品类别，还可以定位危险品在图像中的位置。当其从图像中检测到一个或多个危险品时，即可认为该图像属于异常图像；反之，则为正常图像。因此，将目标检测方法用于X射线安检图像的自动识别，对于提高安检水平具有重要研究价值和社会意义。

目标检测方法可分为两种，一种是传统的基于滑动窗口的方法，一种是基于区域选择的检测方法[5]。传统的基于滑动窗口的检测方法是一种密集采样法，其主要思路是使用一个检测框从图像中裁剪出不同大小的图像块，使用方向梯度直方图(histogram of oriented gradient，HOG)等算子[6]或卷积神经网络[7]对裁剪出的图像块提取特征，再通过支持向量机等分类器进行分类。……