CN107247929A - 一种结合先验知识的鞋印花纹渐进细化式提取方法 - Google Patents
一种结合先验知识的鞋印花纹渐进细化式提取方法 Download PDFInfo
- Publication number
- CN107247929A CN107247929A CN201710385351.2A CN201710385351A CN107247929A CN 107247929 A CN107247929 A CN 107247929A CN 201710385351 A CN201710385351 A CN 201710385351A CN 107247929 A CN107247929 A CN 107247929A
- Authority
- CN
- China
- Prior art keywords
- mrow
- footwear
- region
- image
- msub
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
Abstract
本发明公开了一种结合先验知识的鞋印花纹渐进细化式提取方法，其步骤包括：S1采集原始现场鞋印图像信息，利用超像素分割得到特征一致的图像子区域；S2对鞋印花纹图像进行粗标记；S3对鞋印花纹图像进行花纹区域和背景区域的区域判定，得到初始的鞋印花纹提取结果P1；S4对初始的鞋印花纹提取结果P1进行迭代细化修正，得到准确的鞋印花纹提取结果P；S5对准确的鞋印花纹提取结果P进行光照校正与花纹增强处理；S6利用OTSU算法将处理后的图像花纹提取结果进行二值化，得到最终的鞋印花纹图像二值图。本发明基于鞋印花纹的颜色和方向特征的先验知识计算区域相似度，进行花纹与背景的判断，提高了花纹提取的准确性，进一步推动足迹识别技术的应用和发展。
Description
技术领域
本发明涉及图像处理技术领域，特别是一种结合先验知识的鞋印花纹渐进细化式提取方法。
背景技术
目前鞋印花纹提取的方式主要有以下两种：
(1)人工手动提取，主要是由经验丰富的专业人员利用图像处理软件，分割出鞋印图像的花纹区域，提取鞋印花纹。
(2)自动提取方法：刘健康运用模糊C-均值聚类算法(FCM)对鞋印图像进行分割，提出了基于二维属性直方图的最大类间方差方法提取鞋印花纹。杨芳将现场鞋印图像按背景进行分类，对不同的背景采用不同的滤波方式进行去噪。利用多尺度top-hat变换的方法来增强鞋印图像的对比度，对于对比度明显的图像运用基于子图的阈值法对图像进行分割，解决光照不均问题。对于对比度不高的图像运用快速模糊C-均值聚类算法，即一种基于分水岭变换的模糊C-均值聚类算法实现花纹的提取。专利号为CN 103549960的专利对采集的现场鞋印图像，采用Snake模型确定轮廓，然后结合显影图轮廓和显迹图轮廓确定鞋印花纹特征的范围，确定感兴趣区域，用混合高斯模型减影方法提取鞋印花纹。
上述方法均可在一定程度上实现对鞋印花纹的现场提取，但相应的存在的以下问题：(1)人工手动提取的方法工作量大，效率低，并且存在语义的二义性，存在主观性；(2)自动提取方法没有利用鞋印花纹的先验知识以及用户的语义信息，提取的花纹存在花纹丢失或包含较多背景干扰等情况。这些问题将严重影响公安人员侦破案件的效率，还将制约足迹识别技术的应用发展。
发明内容
鉴于已有技术存在的不足，本发明的目的是要提供一种利用花纹特征先验知识并兼顾提取效率的鞋印花纹提取方法。
为了实现上述目的，本发明技术方案如下：
一种结合先验知识的鞋印花纹渐进细化式提取方法，其特征在于，步骤包括：
S1采集原始现场鞋印图像信息，并对鞋印图像进行超像素分割，得到特征一致的图像子区域；
S2对鞋印图像进行粗标记，得到花纹区域F＝{f1,f2,......,fn}以及背景区域B＝{b1,b2,......,bm}，并统计标记花纹区域和背景区域的个数，其中n为花纹区域的个数，m为背景区域的个数；
S3根据用户标记结果对鞋印图像的子区域，利用兼顾方向特征与颜色特征的区域相似性度量方法进行最大相似性区域合并，得到初始的鞋印花纹提取结果P1；
S4对初始的鞋印花纹提取结果P1进行迭代细化修正，得到准确的鞋印花纹提取结果P；
S5对准确的鞋印花纹提取结果P进行光照校正与花纹增强处理；
S6利用OTSU算法将处理后的图像花纹提取结果进行二值化，得到最终的鞋印花纹图像二值图。
与现有技术相比，本发明的有益效果：
1)本发明充分考虑了鞋底花纹的特点，利用鞋印花纹的颜色特征和纹线的方向特征的先验知识分别计算区域间的相似性，根据二者的融合得分，并结合用户的交互信息，进行花纹与背景的判定，提高了花纹提取的准确性。
2)将手工标记与自动提取相结合，兼顾了人工标记的语义信息和自动提取的便捷性，使提取的鞋印花纹的更符合主观效果并且降低了人工手动提取的难度。
3)提出了基于kNN的区域分类策略，采用渐进细化的交互方式提取鞋印花纹，提高了花纹与背景判定的准确性，减少背景干扰的同时，保留了鞋印花纹细节信息，在提高便捷性的同时，提高了花纹的提取精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明现场鞋印花纹提取流程图；
图2为本发明初始鞋印花纹提取流程图；
图3为本发明初始鞋印花纹提取实施图例；
图4为本发明鞋印花纹细化修正流程图；
图5为本发明现场鞋印花纹提取的整体实施图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明设计了一种结合先验知识的鞋印花纹渐进细化式提取方法，下面结合附图以及具体实施例进一步说明本发明的技术方案：
如图1所示为结合先验知识的鞋印花纹渐进细化式提取过程，其步骤包括：
S1采集原始现场鞋印图像信息，并对鞋印图像进行超像素分割，得到特征一致的图像子区域。
S2对鞋印花纹图像进行粗标记，得到花纹区域F＝{f1,f2,......,fn}以及背景区域B＝{b1,b2,......,bm}，并统计标记花纹区域和背景区域的个数，其中n为花纹区域的个数，m为背景区域的个数。
S3对鞋印图像的子区域，根据用户标记，利用兼顾方向特征与颜色特征的区域相似性度量方法进行最大相似性区域合并，得到初始的鞋印花纹提取结果P1。初始鞋印花纹的提取过程见如图2所示，其步骤包括：
S3-1计算步骤S2标记的各图像区域中任意相邻区域之间的颜色相似度s1(R,Q)，其中R和Q分别表示任意相邻的两区域，s1(R,Q)的求取过程如下：
①首先分别在R、G、B三个颜色通道上采用16级量化对图像进行处理，统计量化处理后各区域在16×16×16＝4096维的颜色特征空间内的特征值，作为本发明的较佳实施方式，优选采用颜色特征空间的直方图描述的特征矢量特征，其维度为4096维。
②对于任意相邻区域R和Q，利用Bhattacharyya系数衡量两区域之间的颜色相似度，即
其中，表示区域R中颜色u出现的概率，表示区域Q中颜色u出现的概率。作为本发明的较佳实施方式利用颜色归一化直方图中颜色u的数值表示其出现的概率，和分别表示区域R和区域Q的颜色归一化直方图中u的数值。
S3-2计算步骤S2标记的各图像区域中任意相邻区域之间的方向场相似度s2(R,Q)，s2(R,Q)的求取过程如下：
①对原始鞋印图像利用基于梯度的方法构建方向场，其主要步骤如下：
A.将鞋印图像分成w×w的子图，利用Sobel算子计算子图中每一像素点(i,j)沿X轴方向的梯度值和沿Y轴方向的梯度值
B.利用下述公式计算子任意子图中心点(i,j)的局部方向值
其中，Vx(i,j)为w×w区域内在x方向的平均梯度矢量，Vy(i,j)为w×w区域内在y方向的平均梯度矢量θ(i,j)是以像素点(i,j)为中心的子块的局部方向，θ(i,j)∈[0,π]，得到鞋印图像的方向场；
②对于任意相邻区域R和Q，利用Bhattacharyya系数衡量相邻区域R和Q之间的方向场相似度，即
其中，表示区域R中方向v出现的概率，表示区域Q中方向v出现的概率。作为本发明的较佳实施方式利用方向场归一化直方图中方向v的数值表示其出现的概率，和分别表示区域R和区域Q的方向场归一化直方图中v的数值。
S3-3根据颜色相似度s1(R,Q)和方向场相似度s2(R,Q)计算相邻区域R和区域Q的相似度S(R,Q)，
S(R,Q)＝λs1(R,Q)+(1-λ)s2(R,Q)
其中，λ为颜色相似度所占权重，作为本发明的优选，取λ＝0.7。
S3-4统计鞋印花纹图像所有相邻区域的相似度集合S。
S3-5根据所有相邻区域的相似度S，以及步骤S2得到的用户标记区域，进行最大相似性区域合并，得到初始的鞋印花纹提取结果P1。图3给出了初始鞋印花纹提取的一个实施流程。
S4对初始的鞋印花纹提取结果P1进行细化修正，得到准确的鞋印花纹提取结果P，其步骤包括：
S4-1对初始的鞋印花纹提取结果P1不满意的部分进行再次标记，不满意的鞋印花纹图像区域为R，R＝Rf∪Rb，其中Rf＝{rf 1,rf 2,......,rf k}为本应属于花纹错被判定为背景的区域，Rb＝{rb 1,rb 2,......,rb l}为本应属于背景错被判定为花纹的区域，k表示用户标记的本应属于花纹错被判定为背景的区域个数，l表示本应属于背景错被判定为花纹的区域个数；
S4-2计算区域Ri与区域Q的相似度S(Ri,Q)＝{S1,S2,......,Sn+m}，其中 表示与任意一个不满意的鞋印花纹图像标记区域Rm的相邻区域集合，Q＝{f1,f2,......,fn,b1,b2,......bm}表示在步骤S2中标记的所有区域；
S4-3根据计算得到的S(Ri,Q)，利用kNN分类算法判断区域Ri的区域种类，即判断区域Ri属于花纹还是背景区域，具体地是对由步骤S4-2得到的相似度集合S(Ri,Q)中的相似度进行降序排序，统计前k个相似度对应区域Q中的区域标记种类，区域Ri自动标记为图像种类数目较多的区域种类，其中k为奇数，作为本发明的较佳实施方式，优选k＝7。
S4-4如果区域Ri与区域Rm的种类相同，则将区域Ri合并至区域Rm，即Rm＝Rm∪Ri，否则不做处理；
S4-5重复步骤S4-2～S4-4，直至遍历所有标记区域Rm的邻接区域Ri；
S4-6重复步骤S4-2～S4-5，直至遍历步骤S4-1中标记的不满意的鞋印花纹图像区域集合R的所有区域Rm，得到区域合并结果T＝{Tf,Tb}，其中Tf表示由标记区域Rf得到的合并结果，Tb表示由标记区域Rb得到的合并结果。
S4-7将步骤S4-6得到的区域合并结果T与初始的鞋印花纹提取结果P1按照下述规则进行合并：
P1＝P1∪Tf
以得到细化修正的鞋印花纹提取结果P1。
S4-8观察步骤S4-7得到的细化修正的鞋印花纹提取结果P1，如果对结果仍然不满意，重复步骤S4-1～S4-7，否则准确的鞋印花纹提取结果P＝P1。
图4给出了准确鞋印花纹提取过程的实施流程。
S5对准确的鞋印花纹提取结果P进行光照校正与花纹增强处理，其具体步骤包括：
S5-1对准确的鞋印花纹提取结果P进行灰度化处理，得到灰度图像I；
S5-2灰度图像I进行光照校正，光照校正的步骤包括：
①将灰度图像I分割为大小相同的若干图像区域，计算任意区域内的像素灰度均值μ和标准差σ，并以max(min,μ-0.8σ)作为该区域的近似背景灰度，其中min为该区域像素的最小灰度值；
②利用所有区域的近似背景灰度构成近似背景灰度矩阵；
③利用插值法将上述近似背景灰度矩阵扩展为大小与灰度图像I相同的背景灰度矩阵；
④从灰度图像I中减去步骤③得到的背景灰度矩阵，以得到光照均匀图像I1；
S5-3利用对数变换s＝clog(1+r)对图像I1进行图像增强以增强图像中较暗部分的细节，其中c为常数，s为增强后的图像像素值，r为图像I1像素值。
S6利用OTSU算法将处理后的图像花纹提取结果进行二值化，得到最终的鞋印花纹图像二值图。
图5给出了本发明鞋印花纹现场提取的实施流程。
本发明充分考虑了鞋底花纹的特点，利用鞋印花纹的颜色特征和纹线的方向特征的先验知识分别计算区域间的相似性，并提出了基于kNN的区域分类策略，采用渐进细化的交互方式提取鞋印花纹，提高了花纹与背景判定的准确性，减少背景干扰的同时，保留了鞋印花纹细节信息，在提高便捷性的同时，提高了花纹的提取精度。同时将手工标记与自动提取相结合，兼顾了人工标记的语义信息和自动提取的便捷性，使提取的鞋印花纹的更符合主观效果并且降低了人工手动提取的难度。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (7)
1.一种结合先验知识的鞋印花纹渐进细化式提取方法，其特征在于，步骤包括：
S1采集原始现场鞋印图像信息，并对鞋印图像进行超像素分割，得到特征一致的图像子区域；
S2对鞋印图像进行粗标记，得到花纹区域F＝{f1,f2,......,fn}以及背景区域B＝{b1,b2,......,bm}，并统计标记花纹区域和背景区域的个数，其中n为花纹区域的个数，m为背景区域的个数；
S3根据用户标记结果对鞋印图像的子区域，利用兼顾方向特征与颜色特征的区域相似性度量方法进行最大相似性区域合并，得到初始的鞋印花纹提取结果P1；
S4对初始的鞋印花纹提取结果P1进行迭代细化修正，得到准确的鞋印花纹提取结果P；
S5对准确的鞋印花纹提取结果P进行光照校正与花纹增强处理；
S6利用OTSU算法将处理后的图像花纹提取结果进行二值化，得到最终的鞋印花纹图像二值图。
2.根据权利要求1所述的结合先验知识的鞋印花纹渐进细化式提取方法，其特征在于，所述步骤S3包括如下步骤：
S3-1计算步骤S2标记的各图像区域中任意相邻区域之间的颜色相似度s1(R,Q)，其中R和Q分别表示任意相邻的两区域；
S3-2计算步骤S2标记的各图像区域中任意相邻区域之间的方向场相似度s2(R,Q)；
S3-3根据颜色相似度s1(R,Q)和方向场相似度s2(R,Q)计算相邻区域R和区域Q的相似度S(R,Q)，
S(R,Q)＝λs1(R,Q)+(1-λ)s2(R,Q)
其中，λ为颜色相似度所占权重；
S3-4统计鞋印花纹图像所有相邻区域的相似度集合S；
S3-5根据所有相邻区域的相似度S，以及步骤S2得到的用户标记区域，进行最大相似性区域合并，得到初始的鞋印花纹提取结果P1。
3.根据权利要求2所述的结合先验知识的鞋印花纹渐进细化式提取方法，其特征在于，所述步骤S3-1包括如下步骤：
①首先分别在R、G、B三个颜色通道上采用16级量化对图像进行处理，统计量化处理后各区域在16×16×16＝4096维的颜色特征空间内的特征值；
②对于任意相邻区域R和Q，利用Bhattacharyya系数衡量两区域之间的颜色相似度，即
<mrow>
<msub>
<mi>s</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>R</mi>
<mo>,</mo>
<mi>Q</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>u</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mn>4096</mn>
</munderover>
<msqrt>
<mrow>
<msubsup>
<mi>Hist</mi>
<mi>R</mi>
<mi>u</mi>
</msubsup>
<mo>&CenterDot;</mo>
<msubsup>
<mi>Hist</mi>
<mi>Q</mi>
<mi>u</mi>
</msubsup>
</mrow>
</msqrt>
<mo>,</mo>
</mrow>
其中，表示区域R中颜色u出现的概率，表示区域Q中颜色u出现的概率。
4.根据权利要求2所述的结合先验知识的鞋印花纹渐进细化式提取方法，其特征在于，所述步骤S3-2包括如下步骤：
①对原始鞋印图像利用基于梯度的方法构建方向场，其主要步骤如下：
A.将鞋印图像分成w×w的子图，利用Sobel算子计算子图中每一像素点(i,j)沿X轴方向的梯度值和沿Y轴方向的梯度值
B.利用下述公式计算子任意子图中心点(i,j)的局部方向值
<mrow>
<msub>
<mi>V</mi>
<mi>x</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>u</mi>
<mo>=</mo>
<mi>i</mi>
<mo>-</mo>
<mfrac>
<mi>w</mi>
<mn>2</mn>
</mfrac>
</mrow>
<mrow>
<mi>i</mi>
<mo>+</mo>
<mfrac>
<mi>w</mi>
<mn>2</mn>
</mfrac>
</mrow>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>v</mi>
<mo>=</mo>
<mi>j</mi>
<mo>-</mo>
<mfrac>
<mi>w</mi>
<mn>2</mn>
</mfrac>
</mrow>
<mrow>
<mi>j</mi>
<mo>+</mo>
<mfrac>
<mi>w</mi>
<mn>2</mn>
</mfrac>
</mrow>
</munderover>
<mn>2</mn>
<msub>
<mo>&part;</mo>
<mi>x</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>u</mi>
<mo>,</mo>
<mi>v</mi>
<mo>)</mo>
</mrow>
<msub>
<mo>&part;</mo>
<mi>y</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>u</mi>
<mo>,</mo>
<mi>v</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>V</mi>
<mi>y</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>u</mi>
<mo>=</mo>
<mi>i</mi>
<mo>-</mo>
<mfrac>
<mi>w</mi>
<mn>2</mn>
</mfrac>
</mrow>
<mrow>
<mi>i</mi>
<mo>+</mo>
<mfrac>
<mi>w</mi>
<mn>2</mn>
</mfrac>
</mrow>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>v</mi>
<mo>=</mo>
<mi>j</mi>
<mo>-</mo>
<mfrac>
<mi>w</mi>
<mn>2</mn>
</mfrac>
</mrow>
<mrow>
<mi>j</mi>
<mo>+</mo>
<mfrac>
<mi>w</mi>
<mn>2</mn>
</mfrac>
</mrow>
</munderover>
<mrow>
<mo>(</mo>
<msup>
<msub>
<mo>&part;</mo>
<mi>x</mi>
</msub>
<mn>2</mn>
</msup>
<mo>(</mo>
<mrow>
<mi>u</mi>
<mo>,</mo>
<mi>v</mi>
</mrow>
<mo>)</mo>
<mo>-</mo>
<msup>
<msub>
<mo>&part;</mo>
<mi>y</mi>
</msub>
<mn>2</mn>
</msup>
<mo>(</mo>
<mrow>
<mi>u</mi>
<mo>,</mo>
<mi>v</mi>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>&theta;</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<msup>
<mi>tan</mi>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<msub>
<mi>V</mi>
<mi>x</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>V</mi>
<mi>y</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
</mrow>
其中，Vx(i,j)为w×w区域内在x方向的平均梯度矢量，Vy(i,j)为w×w区域内在y方向的平均梯度矢量θ(i,j)是以像素点(i,j)为中心的子块的局部方向，θ(i,j)∈[0,π]，得到鞋印图像的方向场；
②对于任意相邻区域R和Q，利用Bhattacharyya系数衡量相邻区域R和Q之间的方向场相似度，即
<mrow>
<msub>
<mi>s</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>R</mi>
<mi>h</mi>
<mi>Q</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>v</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mn>180</mn>
</munderover>
<msqrt>
<mrow>
<msubsup>
<mi>Hist</mi>
<mi>R</mi>
<mi>v</mi>
</msubsup>
<mo>&CenterDot;</mo>
<msubsup>
<mi>Hist</mi>
<mi>Q</mi>
<mi>v</mi>
</msubsup>
</mrow>
</msqrt>
</mrow>
其中，表示区域R中方向v出现的概率，表示区域Q中方向v出现的概率。
5.根据权利要求1所述的结合先验知识的鞋印花纹渐进细化式提取方法，其特征在于，所述步骤S4包括如下步骤：
S4-1对初始的鞋印花纹提取结果P1不满意的部分进行再次标记，不满意的鞋印花纹图像区域为R，R＝Rf∪Rb，其中Rf＝{rf 1,rf 2,......,rf k}为本应属于花纹错被判定为背景的区域，Rb＝{rb 1,rb 2,......,rb l}为本应属于背景错被判定为花纹的区域，k表示用户标记的本应属于花纹错被判定为背景的区域个数，l表示本应属于背景错被判定为花纹的区域个数；
S4-2计算区域Ri与区域Q的相似度S(Ri,Q)＝{S1,S2,......,Sn+m}，其中 表示与任意一个不满意的鞋印花纹图像标记区域Rm∈R的相邻区域集合，Q＝{f1,f2,......,fn,b1,b2,......bm}表示在步骤S2中标记的所有区域；
S4-3根据已计算的S(Ri,Q)，利用kNN分类算法判断区域Ri的区域种类，即判断区域Ri属于花纹还是背景区域；
S4-4如果区域Ri与区域Rm的种类相同，则将区域Ri合并至区域Rm，即Rm＝Rm∪Ri，否则不做处理；
S4-5重复步骤S4-2～S4-4，直至遍历所有标记区域Rm的邻接区域Ri；
S4-6重复步骤S4-2～S4-5，直至遍历步骤S4-1中标记的不满意的鞋印花纹图像区域集合R的所有区域Rm，得到区域合并结果T＝{Tf,Tb}，Tf表示由标记区域Rf得到的合并结果，Tb表示由标记区域Rb得到的合并结果；
S4-7将步骤S4-6得到的区域合并结果T与初始的鞋印花纹提取结果P1按照下述规则进行合并：
P1＝P1∪Tf
<mrow>
<msub>
<mi>P</mi>
<mn>1</mn>
</msub>
<mo>=</mo>
<msub>
<mi>P</mi>
<mn>1</mn>
</msub>
<mo>&cap;</mo>
<mover>
<msup>
<mi>T</mi>
<mi>b</mi>
</msup>
<mo>&OverBar;</mo>
</mover>
</mrow>
2
以得到细化修正的鞋印花纹提取结果P1；
S4-8观察步骤S4-7得到的细化修正的鞋印花纹提取结果P1，如果对结果仍然不满意，重复步骤S4-1～S4-7，否则准确的鞋印花纹提取结果P＝P1。
6.根据权利要求5所述的结合先验知识的鞋印花纹渐进细化式提取方法，其特征在于，所述步骤S4-3的具体实施方法为：对由步骤S4-2得到的相似度集合S(Ri,Q)中的相似度进行降序排序，统计前k个相似度对应区域Q中的区域标记种类，区域Ri自动标记为图像种类数目较多的区域种类，其中k为奇数。
7.根据权利要求1所述的结合先验知识的鞋印花纹渐进细化式提取方法，其特征在于，所述步骤S5包括如下步骤：
S5-1对准确的鞋印花纹提取结果P进行灰度化处理，得到灰度图像I；
S5-2灰度图像I进行光照校正，光照校正的步骤包括：
①将灰度图像I分割为大小相同的若干图像区域，计算任意区域内的像素灰度均值μ和标准差σ，并以max(min,μ-0.8σ)作为该区域的近似背景灰度，其中min为该区域像素的最小灰度值；
②利用所有区域的近似背景灰度构成近似背景灰度矩阵；
③利用插值法将上述近似背景灰度矩阵扩展为大小与灰度图像I相同的背景灰度矩阵；
④从灰度图像I中减去步骤③得到的背景灰度矩阵，以得到光照均匀图像I1；
S5-3利用对数变换s＝clog2(1+r)对图像I1进行图像增强，增强图像中较暗部分的细节，其中c为常数，s为增强后的图像像素值，r为图像I1像素值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710385351.2A CN107247929B (zh) | 2017-05-26 | 2017-05-26 | 一种结合先验知识的鞋印花纹渐进细化式提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710385351.2A CN107247929B (zh) | 2017-05-26 | 2017-05-26 | 一种结合先验知识的鞋印花纹渐进细化式提取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107247929A true CN107247929A (zh) | 2017-10-13 |
| CN107247929B CN107247929B (zh) | 2020-02-18 |
Family
ID=60017366
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710385351.2A Active CN107247929B (zh) | 2017-05-26 | 2017-05-26 | 一种结合先验知识的鞋印花纹渐进细化式提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107247929B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108280815A (zh) * | 2018-02-26 | 2018-07-13 | 安徽新闻出版职业技术学院 | 一种面向监控场景结构的几何校正方法 |
| CN108537798A (zh) * | 2017-11-29 | 2018-09-14 | 浙江工业大学 | 一种快速超像素分割方法 |
| CN111161301A (zh) * | 2019-12-31 | 2020-05-15 | 上海商汤智能科技有限公司 | 图像分割方法及装置、电子设备和存储介质 |
| CN111860500A (zh) * | 2020-07-10 | 2020-10-30 | 大连海事大学 | 一种鞋印磨损区域检测与描边方法 |
| CN112907549A (zh) * | 2021-03-01 | 2021-06-04 | 大连海事大学 | 一种鞋印花纹断裂特征检测与描述方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103324931A (zh) * | 2012-03-22 | 2013-09-25 | 北京百度网讯科技有限公司 | 一种图像的彩色二值化方法和装置 |
| CN104050682A (zh) * | 2014-07-09 | 2014-09-17 | 武汉科技大学 | 一种融合颜色和深度信息的图像分割方法 |
| CN104103082A (zh) * | 2014-06-06 | 2014-10-15 | 华南理工大学 | 一种基于区域描述和先验知识的图像显著性检测方法 |
| CN104794476A (zh) * | 2015-04-21 | 2015-07-22 | 杭州创恒电子技术开发有限公司 | 一种人员痕迹的提取方法 |
| CN105005565A (zh) * | 2014-04-18 | 2015-10-28 | 大连恒锐科技股份有限公司 | 现场鞋底痕迹花纹图像检索方法 |
-
2017
- 2017-05-26 CN CN201710385351.2A patent/CN107247929B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103324931A (zh) * | 2012-03-22 | 2013-09-25 | 北京百度网讯科技有限公司 | 一种图像的彩色二值化方法和装置 |
| CN105005565A (zh) * | 2014-04-18 | 2015-10-28 | 大连恒锐科技股份有限公司 | 现场鞋底痕迹花纹图像检索方法 |
| CN104103082A (zh) * | 2014-06-06 | 2014-10-15 | 华南理工大学 | 一种基于区域描述和先验知识的图像显著性检测方法 |
| CN104050682A (zh) * | 2014-07-09 | 2014-09-17 | 武汉科技大学 | 一种融合颜色和深度信息的图像分割方法 |
| CN104794476A (zh) * | 2015-04-21 | 2015-07-22 | 杭州创恒电子技术开发有限公司 | 一种人员痕迹的提取方法 |
Non-Patent Citations (2)
| Title |
|---|
| 宋熙煜: "基于超像素的图像分割技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
| 杨芳: "复杂背景中鞋底花纹分割方法的研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108537798A (zh) * | 2017-11-29 | 2018-09-14 | 浙江工业大学 | 一种快速超像素分割方法 |
| CN108537798B (zh) * | 2017-11-29 | 2021-05-18 | 浙江工业大学 | 一种快速超像素分割方法 |
| CN108280815A (zh) * | 2018-02-26 | 2018-07-13 | 安徽新闻出版职业技术学院 | 一种面向监控场景结构的几何校正方法 |
| CN108280815B (zh) * | 2018-02-26 | 2021-10-22 | 安徽新闻出版职业技术学院 | 一种面向监控场景结构的几何校正方法 |
| CN111161301A (zh) * | 2019-12-31 | 2020-05-15 | 上海商汤智能科技有限公司 | 图像分割方法及装置、电子设备和存储介质 |
| WO2021135145A1 (zh) * | 2019-12-31 | 2021-07-08 | 上海商汤智能科技有限公司 | 图像分割方法及装置、电子设备和存储介质 |
| CN111161301B (zh) * | 2019-12-31 | 2021-07-27 | 上海商汤智能科技有限公司 | 图像分割方法及装置、电子设备和存储介质 |
| CN111860500A (zh) * | 2020-07-10 | 2020-10-30 | 大连海事大学 | 一种鞋印磨损区域检测与描边方法 |
| CN111860500B (zh) * | 2020-07-10 | 2024-03-19 | 大连海事大学 | 一种鞋印磨损区域检测与描边方法 |
| CN112907549A (zh) * | 2021-03-01 | 2021-06-04 | 大连海事大学 | 一种鞋印花纹断裂特征检测与描述方法及系统 |
| CN112907549B (zh) * | 2021-03-01 | 2023-09-05 | 大连海事大学 | 一种鞋印花纹断裂特征检测与描述方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107247929B (zh) | 2020-02-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107247929A (zh) | 一种结合先验知识的鞋印花纹渐进细化式提取方法 | |
| CN103942794B (zh) | 一种基于置信度的图像协同抠图方法 | |
| CN103971126B (zh) | 一种交通标志识别方法和装置 | |
| CN101840581B (zh) | 一种从卫星遥感影像中提取建筑物轮廓的方法 | |
| CN103049763B (zh) | 一种基于上下文约束的目标识别方法 | |
| CN104851085B (zh) | 自动获取图像中检测区的方法及系统 | |
| CN103034852B (zh) | 静止摄像机场景下特定颜色行人的检测方法 | |
| CN105354554A (zh) | 基于颜色和奇异值特征的人脸活体检测方法 | |
| CN102567731A (zh) | 一种感兴趣区域提取方法 | |
| CN102332157B (zh) | 一种消除阴影的方法 | |
| CN109816040B (zh) | 基于深度学习的城市内涝水深检测的方法 | |
| CN106599854A (zh) | 基于多特征融合的人脸表情自动识别方法 | |
| CN106506901A (zh) | 一种显著性视觉注意模型的混合式数字图像半色调方法 | |
| CN103544484A (zh) | 一种基于surf的交通标志识别方法及系统 | |
| CN106529592A (zh) | 一种基于混合特征与灰度投影的车牌识别方法 | |
| CN107665324A (zh) | 一种图像识别方法及终端 | |
| CN107705254B (zh) | 一种基于街景图的城市环境评估方法 | |
| CN101814144A (zh) | 遥感图像中无水桥梁目标识别方法 | |
| CN108960185A (zh) | 基于YOLOv2的车辆目标检测方法及系统 | |
| CN107330027A (zh) | 一种弱监督的深度台标检测方法 | |
| CN104021567B (zh) | 基于首数字定律的图像高斯模糊篡改检测方法 | |
| CN107992864A (zh) | 一种基于图像纹理的活体识别方法及装置 | |
| CN107944392A (zh) | 一种适用于小区卡口高密度人群监控视频目标标注的有效方法 | |
| Li et al. | A simple framework for face photo-sketch synthesis | |
| CN105336035A (zh) | 一种脏污冠字号图像分类的方法与系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |