随着社会和经济的不断发展,公共交通和物流已经成为生活生产中至关重要的部分。为了维护公共交通和物流的秩序和安全,利用X光安检机来排查行李中的危险物品,成为了安全检查中必不可少的环节。已经有学者利用计算机视觉的方法来代替低效繁琐的人工X光图像危险物品检查。但X光图像复杂混乱,物体之间重叠严重,这给现有的检测方法带来了很大影响。本文针对现有检测算法对重叠严重的X光图像检测效果不佳的问题,利用前后背景分离和深度学习提出了新的X光图像危险物品检测方法。具体的工作分为以下三部分内容:1.提出了基于单阶段目标检测算法和前后背景分离的X光图像危险物品检测方法针对现有算法在重叠严重的X光图像的场景下检测效果不佳的问题,本文将X光图像中的危险物品作为前景与其他无关物品作为背景相分离,排除无关信息对危险物品检测的干扰,设计了基于单阶段目标检测的前后背景分离方法。具体地,先设计了目标前后背景,利用递归训练使其自适应的向真实前后背景靠近。在目标前后背景和X光成像特性的约束下,利用两个解码器来得到前景和背景。最后利用注意力机制使检测框架关注于没有干扰信息的前景。本文在两个公开数据集和一个合成数据集上进行了实验,实验结果表明所提出算法在X光危险物品检测方面具有的性能优势。此外,将分离的前景可视化并进行分析,讨论了本算法在不同检测框架下的适用性,证明了所设计的目标前景所发挥的作用。2.提出了基于Transformer和前后背景分离的X光图像危险物品检测方法为了提升X光图像的前后背景分离效果进而提升检测精度和改进前后背景分离流程,本文将前后背景分离模块与Transformer检测框架结合,设计了基于Transformer的前后背景分离方法。本方法利用Transformer中的解码器分离前后背景,减少了前后背景分离方法需要添加的额外网络层数量。设计了不同的查询对象分别用于分类定位,分离前景和分离背景,将分类定位和前后背景分离两个任务的参数同时优化。本方法在得到分离出的前景后,利用Dense CRF对分离前景做进一步优化。在实验中,本文在两个公开的数据集上进行了对比试验,获得优于现有检测算法的效果。前景的可视化证明了本方法有效的改进了在危险物品边缘部分的分离效果。最后,利用消融实验证明了本算法所提出模块的有效性。3.提出了基于生成对抗网络和前后背景分离的X光图像危险物品检测方法针对实际X光图像数据缺少真实前后背景监督信号导致分离效果不佳的问题,本文设计了基于生成对抗网络的前后背景分离方法,提升了前后背景分离效果,从而提升了危险物品的检测性能。本方法先利用生成对抗网络得到生成X光图像,将生成图像分别与X光图像和所构建的目标背景结合,得到伪X光图像和带有部分实际监督信号的伪背景。利用带有更强监督信号的背景去训练前后背景分离网络从而达到更好的分离和检测效果。在实验中,本文在两个公开数据集上进行了测试,本算法都获得最好的检测效果。可视化分析证明了本方法优秀的前后背景分离能力。最后在不同框架中分析了所提出算法的有效性。