CN107436943B - 一种结合主观显著性的现场鞋底花纹检索方法 - Google Patents

一种结合主观显著性的现场鞋底花纹检索方法 Download PDF

Info

Publication number
CN107436943B
CN107436943B CN201710639266.4A CN201710639266A CN107436943B CN 107436943 B CN107436943 B CN 107436943B CN 201710639266 A CN201710639266 A CN 201710639266A CN 107436943 B CN107436943 B CN 107436943B
Authority
CN
China
Prior art keywords
image
database
score
retrieved
copy
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.)
Active
Application number
CN201710639266.4A
Other languages
English (en)
Other versions
CN107436943A (zh
Inventor
王新年
彭飞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Dalian Maritime University
Original Assignee
Dalian Maritime University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Dalian Maritime University filed Critical Dalian Maritime University
Priority to CN201710639266.4A priority Critical patent/CN107436943B/zh
Publication of CN107436943A publication Critical patent/CN107436943A/zh
Application granted granted Critical
Publication of CN107436943B publication Critical patent/CN107436943B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Library & Information Science (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种结合主观显著性的现场鞋底花纹检索方法，包括以下步骤：S1：输入待检索图像，人工选定其主观显著性区域，并记录初始边界点坐标，S2：对待检索图像旋转多个角度，产生待检索图像的旋转副本；S3：由显著性区域及其旋转副本构建滤波器组，并计算待检索图像与数据库中所有图像的主观匹配得分；S4：通过小波傅里叶梅林频谱特征计算待检索图像和数据库中所有图像的客观相似度得分；S5：综合主观匹配得分和客观相似度得分，得到排序得分，并按照排序的结果输出数据库中的图。由于现场鞋底花纹通常是高度失真，且受到大量噪声干扰的，因此鞋底花纹的每一个部分并不都可以对检索产生正面作用。通过本申请公开的主观显著性，可以选择失真较小、噪声干扰较少的区域以减少高度失真以及噪声带来的影响。

Description

一种结合主观显著性的现场鞋底花纹检索方法
技术领域
本发明涉及图像处理识别技术领域，具体地说是一种结合主观显著性的现场鞋底花纹检索方法。
背景技术
目前现场鞋底花纹检索的方法大体上可以分为3类:(1)基于全局表观特征的检索方法；(2)基于局部表观特征的检索方法；(3)基于兴趣点特征的检索方法。其中与本发明最相关的技术是基于局部表观特征的检索方法。
现有的基于局部表观特征鞋底花纹检索技术主要有以下三种:
(1)申请号为201410157728.5的专利公开了采集现场鞋底花纹后进行二值化，再将二值图分为上下两部分区域，再分别提取二值图上下两个区域的频谱特征；然后计算现场鞋底花纹二值图两个区域的频谱特征与样本图像库中每一个预先存储的鞋底花纹图像的二值图的两个区域的频谱特征的相似性得分，并将两个得分做几何平均得到最终的相似性得分；将相似性得分按照一定的规则进行排序，并按排序的结果依次输出样本库中预先存储的鞋底花纹图像。
(2)申请号为201410157918.7的专利在提取了频谱特征的基础上引入了反馈机制。首先根据现场采集到的鞋底花纹的二值图的频谱特征与样本图像库中的每一个预先存储的图像特征进行相似度对比，并根据得分进行排序，并按照排序的结果将样本图像库预先存储的鞋底花纹图像依次输出；然后按照一定标准选择至少两个输出的样本图像，并对这两个样本图像的频谱特征求平均，得到平均频谱特征；再计算平均频谱特征与样本图像库中每一个预先存储的频谱特征的得分，根据得分进行排序；最后根据排序的结果输出样本库中预先存储的鞋底花纹图像。
(3)文献：FrancescaDardiet al.An Automatic Footwear Retrieval Systemfor Shoe Marks from Reak Crime Scenes中将鞋底花纹图像分成一些固定大小的区域，并对这些区域进行傅里叶变换。以傅里叶变换的结果作为特征描述子；然后与预先存储的数据库中的鞋底花纹图像的特征进行对比，计算相似性得分；由相似性得分得到一个排序的结果，根据此结果输出数据库中的鞋底花纹图像。
目前已有的检索方法存在以下缺陷：
(1)在基于全局表观特征的检索方法中，常常受到缺失的干扰，非常不利于提取有效的具有描述性的特征。
(2)在基于局部表观特征的检索方法中，由于采用了局部的信息，相对于基于全局表观特征的检索方法，对于缺失有了一定的鲁棒性，但是当缺失较为严重时，检索结果往往和人主观观察的结果相差较大。
(2)在基于兴趣点特征的检索方法中，由于现场噪声的干扰，难以找到可靠的兴趣点，进而导致检索效果并不理想。
发明内容
根据上述现有技术存在的问题本发明公开了一种结合主观显著性的现场鞋底花纹检索方法，包括以下步骤：
S1：输入待检索图像，人工选定其主观显著性区域，并记录初始边界点坐标；
S2：对待检索图像旋转多个角度，产生待检索图像的旋转副本；
S3：由显著性区域及其旋转副本构建滤波器组，并计算与数据库中所有图像的主观匹配得分：根据初始显著性区域边界计算显著性区域旋转副本的边界点坐标，利用显著性区域的旋转副本边界点坐标在待检索图像的旋转副本中截取显著性区域的旋转副本；
将各显著性区域及其旋转副本组成模板组，对各模板组分别进行标准化以生成滤波器组，由滤波器组中的各滤波器与数据库中的图进行相关滤波，生成响应图，计算待检索图像的初始得分，对初始得分分别归一化得到归一化的初始得分，对归一化后的初始得分取其中的最大值，得到待检索图像和数据库中所有图像的主观匹配得分；
S4：通过小波傅里叶梅林频谱特征计算待检索图像和数据库中所有图像的客观相似度：预先提取并存储数据库中图像的小波傅里叶梅林频谱特征，提取待检索图像的小波傅里叶梅林频谱特征，并计算与数据库中图像的特征之间的客观相似度，得到客观相似度得分；
S5：综合主观匹配得分和客观相似度得到排序得分，根据排序得分输出鞋印数据库图像。
所述S3中由显著性区域及其旋转副本构建滤波器组，并计算待检索图像与数据库中所有图像的主观匹配得分时：
S31：根据初始显著性区域边界计算显著性区域副本的边界点坐标，计算显著性区域旋转副本的边界点：
设
Figure BDA0001365522230000031
为初始显著性区域边界Ci在旋转角度为θj时，旋转产生新的边界点坐标：
Figure BDA0001365522230000032
其中1为所有元素全为1的列向量，Tj为仿射变换矩阵，其定义如下：
Figure BDA0001365522230000033
S32：利用显著性区域的旋转副本边界在旋转副本图像中截取显著性区域的旋转副本，利用计算得到显著性区域的旋转副本边界
Figure BDA0001365522230000034
在旋转副本图像
Figure BDA0001365522230000035
截取区域Si的第j个显著性区域的旋转副本
Figure BDA0001365522230000036
S33：将各显著性区域及其旋转副本组模板组，利用各显著性区域及其旋转副本组成n个模板组T＝{T1,T2,…,Tn}，其中：
Figure BDA0001365522230000037
S34：对模板组进行标准化，以生成滤波器组，对n个模板组T＝{T1,T2,…,Tn}中的各模板分别进行标准化生成n个滤波器组F＝{F1,F2,…,Fn}，其中
Figure BDA0001365522230000038
Figure BDA0001365522230000039
代表一个滤波器
Figure BDA00013655222300000310
Figure BDA00013655222300000311
表示
Figure BDA00013655222300000312
的均值；
S35：由滤波器组中的各滤波器与数据库中的图进行相关滤波，生成响应图，由滤波器组中的各滤波器与数据库中的图进行相关滤波，生成响应图；利用n个滤波器组F＝{F1,F2,…,Fn}对数据库中图D＝{D1,D2,…Dk,…,Dp}进行相关滤波，其中p表示数据库中的图像数量，对图Dk相关滤波后得到n个响应图组
Figure BDA00013655222300000313
其中
Figure BDA00013655222300000314
表示一个响应图组，且
Figure BDA0001365522230000041
其中
Figure BDA0001365522230000042
S36：计算待检索图像的初始得分，先计算待检索图像I与数据库中所有图像的初始得分s'＝[s'1,s'2,…s'k，…,s'p]T，其中s'k是待检索图像I与数据库中图像Dk的初始得分为，定义如下：
s'k＝[s'k1,s'k2,…,s'ki,…,s'kn]
其中s'ki定义如下
Figure BDA0001365522230000043
其中x，y是响应图
Figure BDA0001365522230000044
中的横纵坐标；
S37：对初始得分分别归一化得到归一化的初始得分，求得与数据库中每一幅图像的初始得分后，再经过归一化操作得到归一化初始得分s″＝[s″1,s″2,…,s″k,…,s″p]T；
其中，s”k是待检索图像与数据库中图像Dk的归一化初始得分，具体形式如下：
s″k＝[s″k1,s″k2,…,s″ki,…,s″kn]，
其中，分数s″ki定义如下：
Figure BDA0001365522230000045
S38：对归一化后的初始得分去其中的最大值，得到主观匹配得分，再对每幅图像归一化后的初始得分取最大值，就可以得到待检索图像I与数据库中所有图像的得分s＝[s1,s2,…,sk,…,sp]T，其中的主观匹配得分sk定义如下
Figure BDA0001365522230000051
至此，待检索图像I与数据库中所有图像的主观匹配得分s＝[s1,s2,…,sp]T计算完成。
所述S5中根据图像的综合主观匹配得分和客观相似度得分计算得到排序得分时：
设综合主观匹配得分为：s＝[s1,s2,…,sp]T，客观相似度为：o＝[o1,o2,…,op]T
计算得到待检索图像I和数据库中所有图像的得分a＝[a1,a2,…,ap]T，其中与数据库中每一副图像的得分定义如下：
ai＝ws×si+wo×oi i＝1,2,…,p
其中ws和wo分别代表了主观匹配得分和客观相似度得分；
最后对a＝[a1,a2,…,ap]T中分数从大到小进行排序，并按排序结果输出数据库中的图像。
附图说明
下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1是本发明的方法的流程图。
具体实施方式
如图1所示一种结合主观显著性的现场鞋底花纹检索方法，具体步骤为：
一、计算检索图像和数据库中所有图像的主观匹配得分：
1)输入待检索图像，人工选定主观显著性区域，并记录边界点坐标。输入待检索图像I，并人工选定多个主观显著性区域S＝{S1,S2,…,Sn},并记录各区域的边界坐标C＝{C1,C2,…,Cn}。其中：
Ci＝[c1,c2,…,ck,…,cl]T i＝1,2,…,n
是一个二维行向量，表示一个二维坐标[xk,yk]；l表示区域Si边界点的数目。Ci是一个l×2的矩阵。
2)对待检索图像旋转多个角度，产生待检索图像的旋转副本。以图像I的几何中心为旋转中心，旋转多个角度，得到其多个副本图
Figure BDA0001365522230000052
其中m表示产生的旋转副本的数目。Θ＝[θ1,θ2,…,θm]表示将图像旋转的m个不同角度。为方便起见，可记原图为旋转0°的副本，令θ0＝0°，则原图与旋转副本可共同表示为
Figure BDA0001365522230000061
3)由显著性区域及其旋转副本构建模板组。
(1)根据初始显著性区域边界计算显著性区域副本的边界点坐标。计算显著性区域旋转副本的边界点：
Figure BDA0001365522230000062
为初始显著性区域边界Ci在旋转角度为θj时，旋转产生新的边界点坐标。
Figure BDA0001365522230000063
其中1为所有元素全为1的列向量，Tj为仿射变换矩阵，其定义如下：
Figure BDA0001365522230000064
(2)利用显著性区域的旋转副本边界在旋转副本图像中截取显著性区域的旋转副本。利用计算得到显著性区域的旋转副本边界
Figure BDA0001365522230000065
在旋转副本图像
Figure BDA0001365522230000066
截取区域Si的第j个显著性区域的旋转副本
Figure BDA0001365522230000067
(3)将各显著性区域及其旋转副本组模板组。利用各显著性区域及其旋转副
本组成n个模板组T＝{T1,T2,…,Tn}。其中：
Figure BDA0001365522230000068
4)对模板组进行标准化，以生成滤波器组。对n个模板组T＝{T1,T2,…,Tn}中的
各模板分别进行标准化生成n个滤波器组F＝{F1,F2,…,Fn}。其中
Figure BDA0001365522230000069
Figure BDA00013655222300000610
代表一个滤波器
Figure BDA00013655222300000611
Figure BDA00013655222300000612
表示
Figure BDA00013655222300000613
的均值。
5)由滤波器组中的各滤波器与数据库中的图进行相关滤波，生成响应图。由滤波器组中的各滤波器与数据库中的图进行相关滤波，生成响应图。利用n个滤波器组F＝{F1,F2,…,Fn}对数据库中图D＝{D1,D2,…Dk,…,Dp}进行相关滤波，其中p表示数据库中的图像数量。对图Dk相关滤波后得到n个响应图组
Figure BDA0001365522230000071
其中
Figure BDA0001365522230000072
表示一个响应图组，且
Figure BDA0001365522230000073
其中
Figure BDA0001365522230000074
6)计算待检索图像的初始得分。先计算待检索图像I与数据库中所有图像的初始得分s′＝[s′1,s′2,…s′k，…,s′p]T，其中s'k是待检索图像I与数据库中图像Dk的初始得分为，定义如下。
s'k＝[s'k1,s'k2,…,s'ki,…,s'kn]
其中s'ki定义如下
Figure BDA0001365522230000075
其中x，y是响应图
Figure BDA0001365522230000076
中的横纵坐标。
7)对初始得分分别归一化得到归一化的初始得分。求得与数据库中每一幅图像的初始得分后，再经过归一化操作得到归一化初始得分s″＝[s″1,s″2,…,s″k,…,s″p]T。
其中，s″k是待检索图像与数据库中图像Dk的归一化初始得分，具体形式如下：
s″k＝[s″k1,s″k2,…,s″ki,…,s″kn]，
其中，分数s″ki定义如下：
Figure BDA0001365522230000081
8)对归一化后的初始得分去其中的最大值，得到主观匹配得分。再对每幅图像归一化后的初始得分取最大值，就可以得到待检索图像I与数据库中所有图像的得分s＝[s1,s2,…,sk,…,sp]T，其中的主观匹配得分sk定义如下
Figure BDA0001365522230000082
至此，待检索图像I与数据库中所有图像的主观匹配得分s＝[s1,s2,…,sp]T计算完成。
二、通过小波傅里叶梅林频谱特征计算客观相似度。客观相似度得分的计算
1)预先提取并存储数据库中图像的小波傅里叶梅林频谱特征。提取小波傅里叶梅林频谱特征。具体步骤如下：
(1)将数据库中的每一副图像分为上半脚掌区域和下半脚掌区域；
将数据库中的每一副图像分为上半脚掌区域T和下半脚掌区域B；
(2)以Haar小波为母函数，对上半脚掌和下半脚掌分别进行n层小波变换，并取第n层的低频系数。采用Haar小波为母波函数，分别对上半脚掌区域T和下半脚掌区域B进行n层小波变换，将第n层的低频系数分别记为CT和CB；
(3)对(2)中的系数分别进行傅里叶变换，并取傅里叶变换结果的频谱。对步骤(2)得到的低频系数CT和CB进行傅里叶变换，得到上半脚掌区域T的频谱
Figure BDA0001365522230000083
和下半脚掌区域的频谱
Figure BDA0001365522230000084
(4)对频谱进行带通滤波并进行对数极坐标变换，得到新的频谱。构建带通滤波器BP，对
Figure BDA0001365522230000085
和
Figure BDA0001365522230000086
进行带通滤波，得到滤波后的频谱为
Figure BDA0001365522230000087
和
Figure BDA0001365522230000088
然后对滤波后的频谱进行对数极坐标变换，得到频谱rT和rB；
(5)对(4)中新的频谱进行傅里叶变换，再提取幅值。对频谱rT和rB进行傅里叶变换，提取傅里叶变换的幅值FT和FB。库中的每一副图像都以各自的FT和FB作为自己的特征。
2)客观相似度得分计算。
(1)用1)中的方法提取待检索图像的特征。用1)中的提取特征方法，提取待检索图像的特征
Figure BDA0001365522230000091
和
Figure BDA0001365522230000092
(2)计算待检索图像与数据库中各图像的客观相似度。计算待检索图像I的特
征
Figure BDA0001365522230000093
和
Figure BDA0001365522230000094
与数据库D＝{D1,D2,…,Dk,…,Dp}中的每一副图的特征之间的相似度。
其中，与数据库图Dk的
Figure BDA0001365522230000095
和
Figure BDA0001365522230000096
特征之间相似度计算方法如下。
Figure BDA0001365522230000097
其中wT和wB分别是上半脚掌区域T和下半脚掌区域B的权重系数，代表两个区域的重要程度。
由此可以得到待检索图像I与数据库中各图像之间的客观相似度得分o＝[o1,o2,…,op]T
2)综合主观匹配得分和客观相似度得分，计算得到排序得分。最后综合主观匹配得分s＝[s1,s2,…,sp]T和客观相似度o＝[o1,o2,…,op]T
计算得到待检索图像I和数据库中所有图像的得分a＝[a1,a2,…,ap]T。其中与数据库中每一副图像的得分定义如下。
af＝ws×si+wo×oi i＝1,2,…,p
其中ws和wo分别代表了主观匹配得分和客观相似度得分。最后对a＝[a1,a2,…,ap]T中分数从大到小进行排序，并按排序结果输出数据库中的图像，完成检索。本申请具有如下有益效果：
1)结合了人的主观性。在图像检索时通常存在语义鸿沟，即单纯特征之间的对比可能与主观观察的结果完全不符。而通过本发明的结合了主观显著性的方式，可以有效的缓解这一影响。
2)充分利用专家的经验知识。办案专家能够迅速判断一副鞋底花纹图像中哪一部分是重要的，这些重要的区域即为主观显著性区域。利用主观显著性区域可以获得一些更为重要的信息。
3)可以减弱噪声的干扰。现场鞋底花纹通常是高度失真，且受到大量噪声干扰的，因此鞋底花纹的每一个部分并不都可以对检索产生正面作用。通过主观显著性，可以选择失真较小、噪声干扰较少的区域以减少高度失真以及噪声带来的影响。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (3)

1.一种结合主观显著性的现场鞋底花纹检索方法，其特征在于：包括以下步骤：
S1：输入待检索图像，人工选定其主观显著性区域，并记录初始边界点坐标；
S2：对待检索图像旋转多个角度，产生待检索图像的旋转副本；
S3：由显著性区域及其旋转副本构建滤波器组，并计算与数据库中所有图像的主观匹配得分：根据初始显著性区域边界计算显著性区域旋转副本的边界点坐标，利用显著性区域的旋转副本边界点坐标在待检索图像的旋转副本中截取显著性区域的旋转副本；
将各显著性区域及其旋转副本组成模板组，对各模板组分别进行标准化以生成滤波器组，由滤波器组中的各滤波器与数据库中的图进行相关滤波，生成响应图，计算待检索图像的初始得分，对初始得分分别归一化得到归一化的初始得分，对归一化后的初始得分取其中的最大值，得到待检索图像和数据库中所有图像的主观匹配得分；
S4：通过小波傅里叶梅林频谱特征计算待检索图像和数据库中所有图像的客观相似度：预先提取并存储数据库中图像的小波傅里叶梅林频谱特征，提取待检索图像的小波傅里叶梅林频谱特征，并计算与数据库中图像的特征之间的客观相似度，得到客观相似度得分；
S5：综合主观匹配得分和客观相似度得到排序得分，根据排序得分输出鞋印数据库图像。
2.根据权利要求1所述的一种结合主观显著性的现场鞋底花纹检索方法，其特征还在于：所述S3中由显著性区域及其旋转副本构建滤波器组时：
S31：根据初始显著性区域边界计算显著性区域副本的边界点坐标，计算显著性区域旋转副本的边界点：
设
Figure FDA0002420153230000011
为初始显著性区域边界Ci在旋转角度为θj时，旋转产生新的边界点坐标：
Figure FDA0002420153230000012
其中1为所有元素全为1的列向量，Tj为仿射变换矩阵，其定义如下：
Figure FDA0002420153230000021
S32：利用显著性区域的旋转副本边界在旋转副本图像中截取显著性区域的旋转副本，利用计算得到显著性区域的旋转副本边界
Figure FDA0002420153230000022
在旋转副本图像
Figure FDA0002420153230000023
截取区域Si的第j个显著性区域的旋转副本
Figure FDA0002420153230000024
S33：将各显著性区域及其旋转副本组模板组，利用各显著性区域及其旋转副本组成n个模板组T＝{T1,T2,…,Tn}，其中：
Figure FDA0002420153230000025
S34：对模板组进行标准化，以生成滤波器组，对n个模板组T＝{T1,T2,…,Tn}中的各模板分别进行标准化生成n个滤波器组F＝{F1,F2,…,Fn}，其中
Figure FDA0002420153230000026
Figure FDA0002420153230000027
代表一个滤波器
Figure FDA0002420153230000028
Figure FDA0002420153230000029
表示
Figure FDA00024201532300000210
的均值；
S35：由滤波器组中的各滤波器与数据库中的图进行相关滤波，生成响应图，由滤波器组中的各滤波器与数据库中的图进行相关滤波，生成响应图；利用n个滤波器组F＝{F1,F2,…,Fn}对数据库中图D＝{D1,D2,…Dk,…,Dp}进行相关滤波，其中p表示数据库中的图像数量，对图Dk相关滤波后得到n个响应图组
Figure FDA00024201532300000211
其中
Figure FDA00024201532300000212
表示一个响应图组，且
Figure FDA00024201532300000213
其中
Figure FDA00024201532300000214
S36：计算待检索图像的初始得分，先计算待检索图像I与数据库中所有图像的初始得分s'＝[s'1,s'2,…s'k，…,s'p]T，其中s'k是待检索图像I与数据库中图像Dk的初始得分为，定义如下：
s'k＝[s'k1,s'k2,…,s'ki,…,s'kn]
其中s'ki定义如下
Figure FDA0002420153230000031
其中x，y是响应图
Figure FDA0002420153230000032
中的横纵坐标；
S37：对初始得分分别归一化得到归一化的初始得分，求得与数据库中每一幅图像的初始得分后，再经过归一化操作得到归一化初始得分s”＝[s″1,s″2,…,s”k,…,s”p]T；
其中，s”k是待检索图像与数据库中图像Dk的归一化初始得分，具体形式如下：
s”k＝[s″k1,s″k2,…,s″ki,…,s″kn]，
其中，分数s″ki定义如下：
Figure FDA0002420153230000033
S38：对归一化后的初始得分去其中的最大值，得到主观匹配得分，再对每幅图像归一化后的初始得分取最大值，就可以得到待检索图像I与数据库中所有图像的得分s＝[s1,s2,…,sk,…,sp]T，其中的主观匹配得分sk定义如下
Figure FDA0002420153230000034
至此，待检索图像I与数据库中所有图像的主观匹配得分s＝[s1,s2,…,sp]T计算完成。
3.根据权利要求1所述的一种结合主观显著性的现场鞋底花纹检索方法，其特征还在于：所述S5中根据图像的综合主观匹配得分和客观相似度得分计算得到排序得分时：
设综合主观匹配得分为：s＝[s1,s2,…,sp]T，客观相似度为：o＝[o1,o2,…,op]T
计算得到待检索图像I和数据库中所有图像的得分a＝[a1,a2,…,ap]T，其中与数据库中每一副图像的得分定义如下：
ai＝ws×si+wo×oi i＝1,2,…,p
其中ws和wo分别代表了主观匹配得分和客观相似度得分；
最后对a＝[a1,a2,…,ap]T中分数从大到小进行排序，并按排序结果输出数据库中的图像。
CN201710639266.4A 2017-07-31 2017-07-31 一种结合主观显著性的现场鞋底花纹检索方法 Active CN107436943B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710639266.4A CN107436943B (zh) 2017-07-31 2017-07-31 一种结合主观显著性的现场鞋底花纹检索方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710639266.4A CN107436943B (zh) 2017-07-31 2017-07-31 一种结合主观显著性的现场鞋底花纹检索方法

Publications (2)

Publication Number Publication Date
CN107436943A CN107436943A (zh) 2017-12-05
CN107436943B true CN107436943B (zh) 2020-05-29

Family

ID=60459763

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710639266.4A Active CN107436943B (zh) 2017-07-31 2017-07-31 一种结合主观显著性的现场鞋底花纹检索方法

Country Status (1)

Country Link
CN (1) CN107436943B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108038914A (zh) * 2017-12-08 2018-05-15 快创科技（大连）有限公司 基于ar技术的家居摆设管理系统
CN107909654A (zh) * 2017-12-08 2018-04-13 快创科技（大连）有限公司 基于ar技术的家居设计体验系统
CN110188222B (zh) * 2019-06-03 2022-06-14 大连海事大学 基于局部语义滤波器和桥接相似度的鞋印检索方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN201453272U (zh) * 2009-06-04 2010-05-12 上海银晨智能识别科技有限公司 涉案人员生物信息采集比对台
CN104598891A (zh) * 2015-02-03 2015-05-06 大连恒锐科技股份有限公司 基于穿鞋足迹图像的人身特征分析的方法及装置
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
CN105023027A (zh) * 2014-04-18 2015-11-04 大连恒锐科技股份有限公司 基于多次反馈机制的现场鞋底痕迹花纹图像检索方法
CN106776950A (zh) * 2016-12-02 2017-05-31 大连海事大学 一种基于专家经验引导的现场鞋印痕迹花纹图像检索方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN201453272U (zh) * 2009-06-04 2010-05-12 上海银晨智能识别科技有限公司 涉案人员生物信息采集比对台
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
CN105023027A (zh) * 2014-04-18 2015-11-04 大连恒锐科技股份有限公司 基于多次反馈机制的现场鞋底痕迹花纹图像检索方法
CN104598891A (zh) * 2015-02-03 2015-05-06 大连恒锐科技股份有限公司 基于穿鞋足迹图像的人身特征分析的方法及装置
CN106776950A (zh) * 2016-12-02 2017-05-31 大连海事大学 一种基于专家经验引导的现场鞋印痕迹花纹图像检索方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于语义的鞋印图像分类算法研究;荆怡;《中国优秀硕士学位论文全文数据库 信息科技辑》;20170715(第2017年第07期);第I138-653页 *
面向检索的鞋底花纹图像语义表达算法研究;王行行;《中国优秀硕士学位论文全文数据库 信息科技辑》;20160315(第2016年第03期);第I138-7246页 *

Also Published As

Publication number Publication date
CN107436943A (zh) 2017-12-05

Similar Documents

Publication Publication Date Title
Tuama et al. Camera model identification with the use of deep convolutional neural networks
CN108765465B (zh) 一种无监督sar图像变化检测方法
CN110148162B (zh) 一种基于复合算子的异源图像匹配方法
CN101523415B (zh) 导出图像的表示的方法、对图像进行识别和比较的方法及其装置
Lee Copy-move image forgery detection based on Gabor magnitude
CN107436943B (zh) 一种结合主观显著性的现场鞋底花纹检索方法
CN109145745B (zh) 一种遮挡情况下的人脸识别方法
Prakash et al. Detection of copy-move forgery using AKAZE and SIFT keypoint extraction
Yang et al. Dualsanet: Dual spatial attention network for iris recognition
CN103955496B (zh) 一种快速的现场轮胎痕迹花纹检索算法
Qian et al. Latent fingerprint enhancement based on DenseUNet
CN108875645A (zh) 一种煤矿井下复杂光照条件下的人脸识别方法
Kumar et al. An improved reduced feature-based copy-move forgery detection technique
Varish A modified similarity measurement for image retrieval scheme using fusion of color, texture and shape moments
Bhagwat et al. A framework for crop disease detection using feature fusion method
CN112232297A (zh) 基于深度联合卷积激活的遥感图像场景分类方法
Wyzykowski et al. Synthetic latent fingerprint generator
Honda et al. Mining of moving objects from time-series images and its application to satellite weather imagery
CN108197577B (zh) 联合Sobel和MFRAT的指静脉图像特征提取方法
Gupta et al. Object detection using shape features
CN111127407B (zh) 一种基于傅里叶变换的风格迁移伪造图像检测装置及方法
Long* et al. Characterization of migrated seismic volumes using texture attributes: a comparative study
Liu et al. A SIFT and local features based integrated method for copy-move attack detection in digital image
CN111860654B (zh) 一种基于循环神经网络的高光谱图像分类方法
CN106570910B (zh) 基于自编码特征和近邻模型的图像自动标注方法

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