CN103549960B - 一种足迹采集与提取设备以及足迹采集与提取的方法 - Google Patents

Abstract

本发明涉及的是一体化案件现场足迹采集与花纹特征提取设备以及提取方法，旨在于提供一种提取精度高的足迹采集与提取设备，以及图像分析精确度高的足迹采集与提取的方法，本发明的设备包括壳体、暗箱，所述的壳体通过螺丝固定在暗箱的上端，其特征在于：显示屏、开关机按钮、搜索灯，CMOS摄像头，所述的暗箱底端的左右侧各设有一个导光槽，所述的每个导光槽上设有显迹灯和显影灯，所述的显迹灯与水平面成45度角，显影灯与水平面成45度角；本发明的提取方法：采用双光对同一足迹采集的图像，再用Snake模型确定轮廓，然后结合显影图轮廓和显迹图轮廓确定足迹花纹特征的范围确定感兴趣区域，最后在感兴趣区域用混合高斯模型减影方法提取足迹花纹足迹。

Description

一种足迹采集与提取设备以及足迹采集与提取的方法

技术领域

本发明涉及一种数据采集及提取设备以及分析技术，具体涉及的是一种一体化案件现场足迹采集与花纹特征提取设备以及提取方法。

背景技术

目前存在的足迹采集设备仅仅是提供足迹采集的功能，体型比较庞大不利于现场勘查，而足迹特征的提取是在上位机完成，上位机只是分时操作，没有实现真正的并行，很大程度上影响了足迹特征提取的速度，并且上位机的足迹特征提取方法在显影图单一的情况下效果比较理想，但是足迹显影图多样化的场景下足迹花纹特征提取效果不是很理想。足迹采集设备主要由两个独立的部分组成：一部分是便携式足迹采集设备，通过多个CMOS摄像头的图像采集与融合采集原始的足迹花纹图像；另外一部分是上位机获得图像通过分块统计方法获取足迹花纹的特征信息，然后在四个维度方向（位移、旋转、缩放、镜像）上进行最佳重合参数的搜索，找到相似性最高的图像。现有方法对足迹花纹处理对足迹花纹的质量要求比较高；基于分块统计的方法对足迹花纹特征很容易出现漏提、错提的情况；提取速度也不是很理想，图像帧率比较慢；与上位机的接口比较复杂。

发明内容

本发明的目的为了提供一种结构简单、用户交互友好、效率高、反应速度快和足迹特征花纹提取精度高的足迹采集与提取设备，以及图像分析精确度高的足迹采集与提取的方法。

为实现本发明的目的，本发明采用如下技术方案：

一种足迹采集与提取设备，包括壳体、暗箱，所述的壳体通过螺丝固定在暗箱的上端，其特征在于：显示屏、开关机按钮、搜索灯，CMOS摄像头，所述的显示屏安装在壳体上，开光机按钮安装壳体上，所述的暗箱底端的左侧设有一个导光槽，所述的暗箱底端的右侧设有一个导光槽，所述的电路板通过螺丝固定在壳体内，所述的电路板上设有芯片和SDRAM，所述的SDRAM与所述的芯片连接，所述的搜索灯通过搜索灯插口孔固定在暗箱的前壁底端，所述的显示屏通过接插件连接电路板，所述的CMOS摄像头通过接插件接连在电路板底层，所述的芯片通过连接件与CMOS摄像头连接，所述的每个导光槽上设有显迹灯和显影灯，所述的显迹灯与水平面成45度角，显影灯与水平面成45度角，所述的显影灯位置高于显迹灯的位置，所述的导光槽可拆卸，在足迹显影中，只有光对粉尘造成阴影显现出来的光才是有效光，而要对粉尘造成阴影的光必须让光在射到粉尘时被粉尘挡住了，无法穿透才可以显现阴影，要保证光射到粉尘时不能与水平面成90度，射入角度越低，阴影越明显。

作为优选，所述的导光槽与水平面的高度为10mm—25mm。

作为优选，所述的芯片采用ALTERA处理芯片。

作为优选，所述的显影灯采用贴片LED灯。

作为优选，所述的显迹灯采用贴片LED灯。

作为优选，所述的贴片LED灯的型号为SMD3528。

一种足迹采集与提取设备的采集方法，其特征在于，依次包括下列步骤：

先通过搜索灯搜索客体上面的足迹花纹，找到足迹花纹并将设备盖在上面，点击拍照；再打开显迹灯，显迹灯与水平面成45角，根据反射定律，入射角等于出射角，模拟光路走向，在出射角与水平面成45度时，显迹灯的光在导光槽内进行循环，不会射出导光槽影响整体光路，得到显迹图像；

接着打开显影灯，由于显影灯与水平面成45角；根据勾股定律推算出显影灯的中心轴射出导光槽的时，导光槽与水平面的距离为25MM，在显影灯的中心轴下方的光的入射角与水平面高于45度时，导光槽与水平面的距离为10MM；得到显影图像；

再接着对图像进行预处理：摄像头图像采集模块先对摄像头模组进行参数配置，然后根据摄像头的数据时序进行数据接收，并将接受到的数据根据图像RGB的排列方法进行解码，存储到SDRAM；然后通过Snake模型对上述存储到SDRAM中的显迹图像进行足迹花纹轮廓的提取：Snake是一条连续的样条曲线，它是由若干个受控点所组成的集合所表示的，在寻找特定足迹花纹特征轮廓时(在能量方程中事先给出)，它通过弹性曲线变形和运动，使之逐渐由位于图像上的初始位置向特征位置靠拢；Snake的内部力是由内部力和外部力来控制的，内部力起到平滑性限制的作用，而外部力引导足迹花纹特征轮廓线向图像局部特征能量吻合；Snake模型的优点是不需要进行额外处理，在收敛时间内，对象形状可以进行分段线性描述。但Snake模型在很大程度上依赖于良好的图像梯度来推导轮廓。模糊的图像边缘框架和低对比度的自动分割缺乏准确性，极大的限制其功效。为了解决Snake模型使用中出现的问题，采用拓扑路线方法来提高足迹花纹特征的分割性能和检测结果的准确性；

$E_{\mathrm{total}}=\underset{s}{\∫}(\mathrm{\α}{\left|\frac{\∂}{\∂s}\stackrel{\‾}{v}\right|}^2+\mathrm{\β}{\left|\frac{{\∂}^2}{{\∂s}^2}\stackrel{\‾}{v}\right|}^2+E_{\mathrm{ext}}\left(\stackrel{\‾}{v}\left(s\right)\right))\mathrm{ds}$

其中第1项成为弹性能量，是v的一阶导数的模；第2项成为弯曲能量，是v的二阶导数的模；第3项是外部能量(外部力)，在基本Snakes模型中一般只取控制点或者连线所在位置的图像局部特征，例如梯度

$E_{\mathrm{ext}}\left(\stackrel{\‾}{v}\left(s\right)\right)=P\left(\stackrel{\‾}{v}\left(s\right)\right)=-{|\▿I\left(v\right)|}^2$

也称图象力。弹性能量和弯曲能量合成内部能量(内部力)，用于控制轮廓线的弹性形变。选取适当那个的参数α和β，将能量函数E_total极小化，所对应的v(s)就是对物体的分割。在能量函数极小化过程中，弹性能量迅速把轮廓线压缩成一个光滑的圆；弯曲能量驱使轮廓线成为光滑曲线或直线；而图像力则使轮廓线向图像的高梯度位置靠拢。

最终对图像的分割转化为求解能量函数E_total(v)极小化。很明显，这是个典型的变分问题，在离散化条件(数字图像)下，由欧拉方程可知，最终问题的答案等价于求解一组差分方程

$-{\mathrm{\α}}^{\′}{\stackrel{\‾}{v}}^{\′}-(\mathrm{\α}-{\mathrm{\β}}^{\′\′}){\stackrel{\‾}{v}}^{\′\′}+2{\mathrm{\β}}^{\′}{\stackrel{\‾}{v}}^{\′\′\′}+\mathrm{\β}{\stackrel{\‾}{v}}^{\′\′\′\′}=-\▿P\left(\stackrel{\‾}{v}\right)$

记外部力F=-▽P。Kass等将上式离散化后，对x(s)和y(s)分别构造两个五对角阵的线性方程组，通过迭代计算进行求解。

再然后通过上述的Snake模型确定轮廓之后的图像再结合结合显影图轮廓和显迹图轮廓确定足迹花纹特征的范围确定感兴趣区域；

最后在所述的感兴趣区域中采用混合高斯模型减影方法提取足迹花纹足迹。混合高斯分布是用多个高斯联合分布描述一个像素点的值的分布，可以比较好的处理多模态情况而且具有一定自适应性的模型，其算法步骤包括感兴趣区域的确定，显影图提取，状态估计和显影图模型估计，以及参数更新。

本发明的有益效果：采用自主设计的显影光和显迹光进行足迹显形，整体画面亮度均匀，对比度高；采用多图像维度拼接融合算法，有效的降低了足迹采集与提取设备的高度，保证了整体图像的质量，整体装配工艺简单，提高了产品效率，整机质量得到保证，在足迹减影算法中，针对足迹显影图多样化的特点，对显影光图像和显迹光图像运用改进的snake模型，确定足迹的整体轮廓和感兴趣区域，有效的提高了足迹花纹特征采集的准确性和高效性，且在足迹减影算法中，利用改进snake模型确定感兴趣区域后，用混合高斯模型完成足迹花纹特征特征提取，可以有效的减少足迹花纹特征提取的漏提和错提。

附图说明

图1为发明的设备的结构示意图。

图2为发明的设备的剖视图。

图3为发明的方法步骤图。

图4为发明的摄像头采集图形后进行图像接收、分析到储存的具体操作过程图。

图5为发明的方法中的运用混合高斯模型减影方法的流程图。

具体实施方式

下面结合附图进一步说明：

显迹灯为1，显影灯为2，芯片为3，电路板为4，摄像头为5，导光槽为6，壳体为7，暗箱为8，显示屏为9，开关机按钮为10，搜索灯为11，SDRAM为12。

如图1、图2所述，一种足迹采集与提取设备，包括壳体、暗箱，所述的壳体通过螺丝固定在暗箱的上端，其特征在于：显示屏、开关机按钮、搜索灯，CMOS摄像头，所述的显示屏安装在壳体上，开光机按钮安装壳体上，所述的暗箱底端的左侧设有一个导光槽，所述的暗箱底端的右侧设有一个导光槽，所述的电路板通过螺丝固定在壳体内，所述的电路板上设有芯片和SDRAM，所述的SDRAM与所述的芯片连接，所述的搜索灯通过搜索灯插口孔固定在暗箱的前壁底端，所述的显示屏通过接插件连接电路板，所述的CMOS摄像头通过接插件接连在电路板底层，所述的芯片通过连接件与CMOS摄像头连接，所述的每个导光槽上设有显迹灯和显影灯，所述的显迹灯与水平面成45度角，显影灯与水平面成45度角，所述的显影灯位置高于显迹灯的位置，所述的导光槽可拆卸，在足迹显影中，只有光对粉尘造成阴影显现出来的光才是有效光，而要对粉尘造成阴影的光必须让光在射到粉尘时被粉尘挡住了，无法穿透才可以显现阴影，要保证光射到粉尘时不能与水平面成90度，射入角度越低，阴影越明显。

如图3、图4、图5所述，一种足迹采集与提取设备的采集方法，其特征在于，依次包括下列步骤：

先通过搜索灯搜索客体上面的足迹花纹，找到足迹花纹并将设备盖在上面，点击拍照；再打开显迹灯，显迹灯与水平面成45角，根据反射定律，入射角等于出射角，模拟光路走向，在出射角与水平面成45度时，显迹灯的光在导光槽内进行循环，不会射出导光槽影响整体光路，得到显迹图像；

接着打开显影灯，由于显影灯与水平面成45角；根据勾股定律推算出显影灯的中心轴射出导光槽的时，导光槽与水平面的距离为25MM，在显影灯的中心轴下方的光的入射角与水平面高于45度时，导光槽与水平面的距离为10MM；得到显影图像；

再接着对图像进行预处理：摄像头图像采集模块先对摄像头模组进行参数配置，然后根据摄像头的数据时序进行数据接收，并将接受到的数据根据图像RGB的排列方法进行解码，存储到SDRAM；然后通过Snake模型对上述存储到SDRAM中的显迹图像进行足迹花纹轮廓的提取：Snake是一条连续的样条曲线，它是由若干个受控点所组成的集合所表示的，在寻找特定足迹花纹特征轮廓时(在能量方程中事先给出)，它通过弹性曲线变形和运动，使之逐渐由位于图像上的初始位置向特征位置靠拢；Snake的内部力是由内部力和外部力来控制的，内部力起到平滑性限制的作用，而外部力引导足迹花纹特征轮廓线向图像局部特征能量吻合；Snake模型的优点是不需要进行额外处理，在收敛时间内，对象形状可以进行分段线性描述。但Snake模型在很大程度上依赖于良好的图像梯度来推导轮廓。模糊的图像边缘框架和低对比度的自动分割缺乏准确性，极大的限制其功效。为了解决Snake模型使用中出现的问题，采用拓扑路线方法来提高足迹花纹特征的分割性能和检测结果的准确性；

$E_{\mathrm{total}}=\underset{s}{\∫}(\mathrm{\α}{\left|\frac{\∂}{\∂s}\stackrel{\‾}{v}\right|}^2+\mathrm{\β}{\left|\frac{{\∂}^2}{{\∂s}^2}\stackrel{\‾}{v}\right|}^2+E_{\mathrm{ext}}\left(\stackrel{\‾}{v}\left(s\right)\right))\mathrm{ds}$

其中第1项成为弹性能量，是v的一阶导数的模；第2项成为弯曲能量，是v的二阶导数的模；第3项是外部能量(外部力)，在基本Snakes模型中一般只取控制点或者连线所在位置的图像局部特征，例如梯度

$E_{\mathrm{ext}}\left(\stackrel{\‾}{v}\left(s\right)\right)=P\left(\stackrel{\‾}{v}\left(s\right)\right)=-{|\▿I\left(v\right)|}^2$

也称图象力。弹性能量和弯曲能量合成内部能量(内部力)，用于控制轮廓线的弹性形变。选取适当那个的参数α和β，将能量函数E_total极小化，所对应的v(s)就是对物体的分割。在能量函数极小化过程中，弹性能量迅速把轮廓线压缩成一个光滑的圆；弯曲能量驱使轮廓线成为光滑曲线或直线；而图像力则使轮廓线向图像的高梯度位置靠拢。

最终对图像的分割转化为求解能量函数E_total(v)极小化。很明显，这是个典型的变分问题，在离散化条件(数字图像)下，由欧拉方程可知，最终问题的答案等价于求解一组差分方程

$-{\mathrm{\α}}^{\′}{\stackrel{\‾}{v}}^{\′}-(\mathrm{\α}-{\mathrm{\β}}^{\′\′}){\stackrel{\‾}{v}}^{\′\′}+2{\mathrm{\β}}^{\′}{\stackrel{\‾}{v}}^{\′\′\′}+\mathrm{\β}{\stackrel{\‾}{v}}^{\′\′\′\′}=-\▿P\left(\stackrel{\‾}{v}\right)$

记外部力F=-▽P。Kass等将上式离散化后，对x(s)和y(s)分别构造两个五对角阵的线性方程组，通过迭代计算进行求解。

再然后通过上述的Snake模型确定轮廓之后的图像再结合结合显影图轮廓和显迹图轮廓确定足迹花纹特征的范围确定感兴趣区域；

最后在所述的感兴趣区域中采用混合高斯模型减影方法提取足迹花纹足迹。

混合高斯分布是用多个高斯联合分布描述一个像素点的值的分布，可以比较好的处理多模态情况而且具有一定自适应性的模型，其算法步骤包括感兴趣区域的确定，显影图提取，状态估计和显影图模型估计，以及参数更新。进入感兴趣区域范围每一像素点用一个状态值k(k∈{1，2，3，……，M})来表示。其中一部分对应着显影图像素点，其余对应着显迹图物体像素点。每一个状态值k由一个参数为Φ_k={μ_k,Σ_k}的高斯分布来表示，即:

$p_{X|k}\left(x_t\right|k,{\mathrm{\Φ}}_k)=\frac{1}{{\left(2\mathrm{\π}\right)}^{n/2}{\left|{\mathrm{\Σ}}_k\right|}^{1/2}}{l}^{\frac{1}{2}{(x_t-{\mathrm{\μ}}_k)}^T{\mathrm{\Σ}}^{-1}(x_t-{\mathrm{\μ}}_k)}$

上式中，Σ_k和μ_k分别表示协方差矩阵和均值。

视频序列里面像素点的亮度值取值的变化是无法预知的，随机变量X的采样表示像素值序列，x在t时刻采样值记为Xt，生成某个状态k的过程是不连续的:

$p_X\left(x_t\right|\mathrm{\Φ})=\underset{k=1}{\overset{M}{\mathrm{\Σ}}}{\mathrm{\π}}_{k,t}{p}_{X|k}\left(x_t\right|k,{\mathrm{\Φ}}_{k,t})$

其中Φ是全部参数的集合，定义为Φ={π₁,...,π_M,Φ₁,...,Φ_M}，所有参数都是从X的观察值估计得到的。

状态估计：找出当前像素值所匹配的分布，也就是最可能产生当前采样值的分布。根据贝叶斯理论，后验概率p(k|x_t,Φ)表示该像素值由状态k产生的概率，其表达式如下：

$p\left(k\right|x_t,\mathrm{\Φ})=\frac{p\left(k\right)p_{X|k}\left(x_t\right|k,{\mathrm{\Φ}}_k)}{p_X\left(x_t\right|\mathrm{\Φ})}$

在p(k|x_t,Φ)取最大值时k就是当前像素值所属的状态：

$\hat{k}={\arg }_{k}p\left(k\right|x_t,\mathrm{\Φ})={\arg }_k\max {\mathrm{\π}}_{k,t}{p}_{X|k}\left(x_t\right|k,{\mathrm{\Φ}}_k)$

根据上式中得出M个分布中最有可能产生当前采样值的分布一旦判断出该分布是属于显迹图还是显影图，就可以以此进行图像分割。对于当前像素值，如果所匹配分布是显迹图分布，该像素就认为是显迹图像素，否则为显影图像素。

模型估计：在得到当前状态的基础上，接着要做的是判断这个模型是属于显迹图还是显影图。本文采用了一种排序的机制，根据w_k/σ_k的值对M个分布进行排序，即按照成为显影图的可能性把各个高斯模型进行排序，w_k代表第k个分布产生数据所占的比例，即数据是有当前分布产生的先验概率，σ_k是该分布的标准差，排在最前面的最有可能是显影图模型记为C，趋向于末端的最可能为较小可能短暂分布。C满足：

$C={\arg }_c\min (\underset{k=1}{\overset{c}{\mathrm{\Σ}}}{\mathrm{\π}}_k>T)$

上式中T是一个全局的先验概率，一旦累积概率超过T，则前C个分布可认为是显影图模型，剩余其他分布认为是显迹图模型。

参数更新：如果当前像素值没有一个分布与其相匹配，则产生一个以当前像素值为均值，高方差，低权重的分布取代排序在末端的分布，这样能够消除运动车辆停下一段时间产生的扰动。在时间t的k分布其权重的更新式子如下：

w_k,t=(1-α)w_k,t-1+αM_k,t

式中α为学习率，随着t的增加，显影图模型越来越趋向去实际的显影图，所以采用α=1/t的形式，当t到一定的程度就维持该值不变，这样α就是一个单调递减的指数窗。在没有高斯分布能匹配当前状态时，μ和σ参数不变，反之，则更新参数：

μ_t=(1-ρ)μ_t-1+ρx_t

${\mathrm{\σ}}_t^2=(1-\mathrm{\ρ}){\mathrm{\σ}}_{t-1}^2+\mathrm{\ρ}{(x_t-{\mathrm{\μ}}_t)}^T(x_t-{\mathrm{\μ}}_t)$

其中ρ为：

ρ=αp(x_t|k,Φ_k)

本发明的目的，特征及优点将结合实施例，参照附图作进一步的说明。通过实施例将有助于理解本发明，但不限制本发明的内容。本领域的普通技术人员能从本发明公开的内容直接导出或联想到的所有变形，均应认为是本发明的保护范围。

Claims (7)

1.一种足迹采集与提取设备，包括壳体、暗箱，所述的壳体通过螺丝固定在暗箱的上端，其特征在于：显示屏、开关机按钮、搜索灯，CMOS摄像头，所述的显示屏安装在壳体上，开关机按钮安装壳体上，所述的暗箱底端的左侧设有一个导光槽，所述的暗箱底端的右侧设有一个导光槽，电路板通过螺丝固定在壳体内，所述的电路板上设有芯片和SDRAM，所述的SDRAM与所述的芯片连接，所述的搜索灯通过搜索灯插口孔固定在暗箱的前壁底端，所述的显示屏通过接插件连接电路板，所述的CMOS摄像头通过接插件接连在电路板底层，所述的芯片通过连接件与CMOS摄像头连接，所述的每个导光槽上设有显迹灯和显影灯，所述的显迹灯与水平面成45度角，显影灯与水平面成45度角，所述的显影灯位置高于显迹灯的位置，所述的导光槽可拆卸。

2.根据权利要求1所述的足迹采集与提取设备，其特征在于：所述的导光槽与水平面的高度为10mm—25mm。

3.根据权利要求1所述的足迹采集与提取设备，其特征在于：所述的芯片采用ALTERA处理芯片。

4.根据权利要求1所述的足迹采集与提取设备，其特征在于：所述的显影灯采用贴片LED灯。

5.根据权利要求1所述的足迹采集与提取设备，其特征在于：所述的显迹灯采用贴片LED灯。

6.根据权利要求4—5中的任何一项所述的足迹采集与提取设备，其特征在于：所述的贴片LED灯的型号为SMD3528。

7.一种如权利要求1所述的足迹采集与提取设备的采集方法，其特征在于，依次包括下列步骤：

先通过搜索灯搜索客体上面的足迹花纹，找到足迹花纹并将设备盖在上面，点击拍照；

再打开显迹灯，显迹灯与水平面成45度角，根据反射定律，入射角等于出射角，模拟光路走向，在出射角与水平面成45度时，显迹灯的光在导光槽内进行循环，不会射出导光槽影响整体光路，得到显迹图像；

接着打开显影灯，由于显影灯与水平面成45度角；根据勾股定律推算出显影灯的中心轴射出导光槽时，导光槽与水平面的距离为25MM，在显影灯的中心轴下方的光的入射角与水平面高于45度时，导光槽与水平面的距离为10MM；得到显影图像；

再接着对图像进行预处理：摄像头图像采集模块先对摄像头模组进行参数配置，然后根据摄像头的数据时序进行数据接收，并将接受到的数据根据图像RGB的排列方法进行解码，存储到SDRAM；

然后通过Snake模型对上述存储到SDRAM中的显迹图像进行足迹花纹轮廓的提取：Snake是一条连续的样条曲线，它是由若干个受控点所组成的集合所表示的，在寻找特定足迹花纹特征轮廓时，在能量方程中事先给出，它通过弹性曲线变形和运动，使之逐渐由位于图像上的初始位置向特征位置靠拢；Snake的内部力是由内部力和外部力来控制的，内部力起到平滑性限制的作用，而外部力引导足迹花纹特征轮廓线向图像局部特征能量吻合；采用拓扑路线方法来提高足迹花纹特征的分割性能和检测结果的准确性；再然后通过上述的Snake模型确定轮廓之后的图像再结合显影图轮廓和显迹图轮廓确定足迹花纹特征的范围确定感兴趣区域；

最后在所述的感兴趣区域中采用混合高斯模型减影方法提取足迹花纹足迹。