足迹图像的花纹分类识别及可视化技术研究开题报告

1.1研究背景

目前在安防领域,用户关注的智能功能包括运动目标检测、目标分类、目标颜色识别、行人检测、人脸检测、人脸识别、车辆检测、车型识别、车系识别、车牌识别、流量统计、密度检测等。这些智能模块均源于图像识别技术,但由于复杂度、成熟度差异较大,在平安城市等实战应用中的现状也干差万别^[7]。

在刑侦领域，足迹是犯罪现场遗留的重要证据之一,其中往往保留着大量足迹遗留人一些独特的重要信息,以此可以缩小足迹遗留人的搜索范围；因此,对犯罪现场遗留足迹进行正确地分析,判断在整个案件的侦破过程中显的尤为重要。近年来,我国虽然在该领域已经建立了具有自身特色的足迹检验技术的体系,但检验结果大多是建立在专家的经验判断上^[8]。犯罪现场足迹花纹成为公安刑警破案的重要突破口，足迹图案的采集更容于指纹图案的采集，能有效帮助公安刑警破案。在公安日常办公中，案件的足迹图像的分类存档管理通常有多种方式和分类标准，但是传统的图像识别大部分依旧使用人工肉眼进行特征提取并通过人脑进行主观分类，费时费力且缺乏准确度。近年来，深度学习因为其良好的识别能力，它通过建立、模拟人脑进行分析学习的神经网络，模仿人脑的机制来解释数据及图片，使得基于深度学习的图片识别技术变的热门起来并在很多领域取得了成功。尤其是卷积神经网络(CNN)在图像识别与检索上表现出很好的效果.面向公安足迹图像比对实战需求,提出了一种基于卷积神经网络的足迹图像检索与匹配方法,对检索结果设置不同检索区,可以满足不同业务需求.初步实验表明该方法的有效性和实用性^[9]。本文主要研究卷积神经网络这一深度学习的理论方法，分析该神经网络模型的原理及方法，最终有效的对足迹图像花纹进行识别及分类。

1.2研究目的及意义

1.2.1总结犯罪现场足迹图案的特点

足迹图像在串并案件中的作用日益突出。但是由于现场足迹采集技术的限制，使得采集的足迹图像质量不高，同时由于目前各地公安机关足迹管理方法不同，大多采用人工操作、手工管理的方法，形式单一，使得足迹在刑事案件侦破过程中很难像指纹一样发挥作用^[10]。本次研究通过对大量现场足迹图像的分析研究，总结出犯罪现场足迹图案的特点，并按照纹理进行分类作为对案件现场足迹图案进行处理的理论依据。

1.2.2实现按照足迹图像花纹自动识别分类

由计算机网络技术和图像处理技术支持的足迹鞋底花纹的查询系统使足迹鞋底花纹的管理可以更加方便可靠和科学。与其它系统相比,我们所设计的系统的突出特点是,对花纹的定义采用分区分层法,减少了因理解不同而产生的歧义,提高了查询效率;图像处理功能完备,提高了足迹利用率;录入流程化,提高了工作效率^[11]。

1.2.3通过深度学习训练出一套足迹图案分类系统

用于自动化的对案件原始现场采集到的足迹图案分类进行特征提取及分类，高效的协助公安破案。该系统在足迹检验技术规范化、系统化与自动化方面为公安一线提供高效、准确的管理和破案手段^[12]。

2.1主要研究内容

2.1.1足迹图像的花纹提取

花纹提取也可以先对图像进行预处理,然后通过改进后的图像二值化算法,在对比度很小的背景中将小目标提取出来。最后利用数学形态学滤波结合形状特性提取点型花纹。该方法可为足迹识别系统的进一步研究打下基础^[13]。

足迹图像的花纹提取大致可以采用以下几种方法：a.基于小波变换和区域划分的反锐化掩模法对足迹图像进行增强。用该方法对低对比度的足迹图像进行增强，能够很好的改善足迹图像的对比度，并能抑制部分噪声。b.应用K均值聚类算法对足迹像进行分割，根据足迹的特点构造了聚类样本和聚类中心的数目，将足迹图像从复杂的背景中提取出来。c.采用基于二维属性直方图的最大类间方差法对足迹图像进行分割。该算法构建足迹图像的灰度—邻域平均灰度二维直方图，将最大类间方差法推广到二维情况下，选取阈值进行图像分割，并优化阈值分割函数，提高抗噪性。d.针对不同类型的花纹的特点，提取其相应的特征进行足迹分类。我们所需要提取足迹图像所包含对象的面积、长宽比、紧实度、形状参数、等效半径，识别点对象，圆对象以及块对象。

2.1.2足迹图像的花纹分类

图像分类顾名思义，就是指给计算机一张图片，让其判断图片是某一类的图片。本次研究的对象为足迹图案，需要对其纹理进行提取分类。

将深度学习方法引入足迹花纹识别分类领域,以二分类的性别分析作为开端,对深度学习方法在足迹分析方面的应用进行研究尝试,旨在为足迹分析领域探索新的思路和方法。

采用的方法是：首先对原图像进行归一化处理。在归一化的基础上,按每块64×64的标准对图像分块,将图像纹理分为13×5个分块。然后参照鞋印标准轮廓线剔除含有边缘轮廓以及背景部分的分块。对像素进行检验,根据设定阈值,进一步删除不含纹理或者少量纹理的分块。把Laws掩模和花纹图像卷积后计算的能量作为纹理描述的一个特征量,实现初步的鞋印纹理分类。初步分类后分别构造灰度共生矩阵以及在小波分解的基础上构造相邻尺度的共生矩阵,并采用Haralick统计量作为两个共生矩阵的特征量,重新构造新的特征矩阵,进行聚类分析。根据以上的对分块的分类结果,用分类算法完成鞋印纹理的最终分类。

2.2预期目标

通过深度学习和图片分类技术训练出一套系统完成对任意一张足迹图案输入后进行自动识别分类，并且能与公安身份数据库中的身份信息发生关联匹配，寻找出与该足迹相关的嫌疑人。

3.1研究方法

3.1.1图像处理方法

大规模图像检索系统中, 图像哈希算法由于具备提高图像的检索效率同时减少储存空间的优点而受到广泛的关注。现有的有监督学习哈希算法存在一些问题,主流的有监督的哈希算法需要通过图像特征提取器获取人为构造的图像特征表示,这种做法带来的图像特征损失影响了哈希算法的效果,也不能较好地处理图像数据集中语义的相似性问题。随着深度学习在大规模数据上研究的兴起,一些相关研究尝试通过深度神经网络进行有监督的哈希函数学习,提升了哈希函数的效果,但这类方法需要针对数据集人为设计复杂的深度神经网络,增大了哈希函数设计的难度,而且深度神经网络的训练需要较多的数据和较长的时间,这些问题影响了基于深度学习的哈希算法在大规模数据集上的应用。

针对这些问题,提出了一种基于深度卷积神经网络的快速图像哈希算法,该算法通过设计优化问题的求解方法以及使用预训练的大规模深度神经网络,提高了哈希算法的效果,同时明显地缩短了复杂神经网络的训练时间。根据在不同图像数据集上的实验结果分析可知, 与现有的基准算法相比,提出的算法在哈希函数训练效果和训练时间上都具有较大的提高^[14]。卷积神经网络是将人工神经网络和深度学习技术结合而产生的一个新型人工神经网络方法,具有局部感知区域、层次结构化、特征抽取和分类过程结合的全局训练等特点,在图像识别领域获得了广泛的应用。现代图像识别任务要求分类系统能够适应不同类型的识别任务,深度网络及其特例卷积神经网络是目前人工神经网络领域的研究热点,对卷积神经网络及其在不同识别任务上的应用进行研究具有重要的应用价值。

3.1.2深度学习的方法

卷积神经网络是近年来广泛应用于模式识别、图像处理等领域的一种高效识别算法,其具有结构简单、训练参数少和适应性强等特点。简要介绍卷积神经网络(CNN)的发展现状和基本原理,并基于CNN设计提出一种路牌识别方法:首先,对数据进行预处理;其次,建立CNN并设置训练参数,对其进行训练;最后,利用测试样本对训练结果进行验证。验证结果表明:利用该方法来识别道路限速牌可以达到较高的准确率^[15]。

在深度学习的框架中增加一个哈希层,同时学习图像特征和哈希函数,且哈希函数满足独立性和量化误差最小的约束。首先,利用卷积神经网络强大的学习能力挖掘训练图像的内在隐含关系,提取图像深层特征,增强图像特征的区分性和表达能力。然后,将图像特征输入到哈希层,学习哈希函数使得哈希层输出的二进制哈希码分类误差和量化误差最小,且满足独立性约束。最后,给定输入图像通过该框架的哈希层得到相应的哈希码,从而可以在低维汉明空间中完成对大规模图像数据的有效检索。在3个常用数据集上的实验结果表明,利用所提方法得到哈希码,其图像检索性能优于当前主流方法^[16]。

这是一种基于卷积神经网络和监督核哈希的图像检索方法.首先,利用卷积神经网络的学习能力挖掘训练图像内容的内在隐含关系,提取图像深层特征,增强特征的视觉表达能力和区分性;然后,利用监督核哈希方法对高维图像深层特征进行监督学习,并将高维特征映射到低维汉明空间中,生成紧致的哈希码;最后,在低维汉明空间中完成对大规模图像数据的有效检索.在Image Net-1000和Caltech-256数据集上的实验结果表明,本文方法能够有效地增强图像特征的表达能力,提高图像检索效率,优于当前主流方法^[17]。

3.2研究步骤

a.利用卷积神经网络作为图像处理的主要学习对象，使用Incption结构的cnn模型，在这个过程中通过SSD提取尽可能多的图像区域，然后产生一系列的图像集合，并在这个过程中选区图片中有效的信息。

b.卷积神经网络首先在图像预处理集上进行训练，以保证提取特征的准确度和具备预备习惯。

c.SSD作为图像处理部分选区aspect区域的图像之后在送入Inception中进行特征提取。

d.在数据库编写过程中语言选取为Python，模型通过拟定的Keras作为最初的深度学习构建板块，模型中依旧使用SSD结构以及其附属的一些区域图像识别部分。Keras可以选择使用TensorFlow作为后端使用，在TensorFlow中对数据进行预处理、语言生成模型、样本构建、Inception等步骤进行控制和完成。

(1)1月11日至2月15日分析课题，查找资料。

(2)2月16日至2月28日完成需求分析。

(3)3月01日至3月16日完成开题报告。

(4)3月17日至3月26日完成数据分析。

(5)3月27日至4月05日完成软件设计。

(6)4月06日至4月13日完成软件主框架的设计与搭建。

(7)4月14日至4月28日完成软件的编码工作。

(8)5月01日至5月08日完成软件后期的修改、测试、运行。

(9)5月09日至5月30日完成毕业论文的撰写。