CN112100429B - 一种足迹压力图像检索方法 - Google Patents
一种足迹压力图像检索方法 Download PDFInfo
- Publication number
- CN112100429B CN112100429B CN202011031745.6A CN202011031745A CN112100429B CN 112100429 B CN112100429 B CN 112100429B CN 202011031745 A CN202011031745 A CN 202011031745A CN 112100429 B CN112100429 B CN 112100429B
- Authority
- CN
- China
- Prior art keywords
- feature
- sample
- samples
- module
- footprint
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000011176 pooling Methods 0.000 claims abstract description 28
- 238000000605 extraction Methods 0.000 claims abstract description 21
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 230000003044 adaptive effect Effects 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 17
- 238000005070 sampling Methods 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 14
- 230000009467 reduction Effects 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 9
- 238000007906 compression Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 6
- 230000003416 augmentation Effects 0.000 claims description 5
- 108010003272 Hyaluronate lyase Proteins 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 230000006835 compression Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 9
- 238000012360 testing method Methods 0.000 abstract description 7
- 206010061619 Deformity Diseases 0.000 abstract description 5
- 238000012549 training Methods 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000005021 gait Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Library & Information Science (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种足迹压力图像检索方法,包括:1、足迹压力图像数据集采集并进行预处理操作;2、建立由K层多尺度自注意卷积模块构成的特征提取网络;步骤3、建立由全局特征分支、残缺性评分掩模分支构成的残缺性评分模块;步骤4、建立由共同可见特征提取模块、局部特征池化模块和三元组损失函数构成的特征比对模块;步骤5、进行网络的训练、参数优化和测试。本发明采用多尺度自注意卷积的足迹压力图像检索方法,能够有效的提取足迹压力图像检索的判别性特征,同时针对足迹图像不完整的问题,采用残缺性评分模型,能够降低网络对残缺部分的关注度,有效地抑制残缺图像对于检索过程中产生的影响。
Description
技术领域
本发明涉及图像检索和图像处理、深度学习领域,是一种基于多尺度自注意卷积的足迹压力图像检索方法。
背景技术
在生物识别领域,人的各种外在和内在特征如人脸、虹膜、指纹、步态等均可用于人的身份识别。目前在犯罪现场的证据提取过程之中,现场足迹是最常见的重要犯罪线索之一,它们在案情分析中有着不可替代的作用。
研究表明,由于每个人的足迹都有自己的特点,具有唯一性。在以往的足迹比对工作中,大多通过足迹专家对采集的犯罪嫌疑人的足迹与犯罪现场的足迹进行人工比对,来进行人员验证,但是由于足迹图像比对的复杂性,以及现场采集的数据常存在的不完整性,在很大程度上增大了比对的难度。另外,足迹比对多是依赖于专家的知识经验,往往存在着较大的主观性,距离足迹自动比对识别还存在一定的差距。
发明内容
本发明为避免上述现有技术存在的不足之处,提供一种足迹压力图像检索方法,以期能获取更具有判别性的多尺度细粒度特征,同时有效抑制部分缺失而导致的类间距离减小,类内距离增大的现象,从而有效地能降低网络对残缺部分的关注度,提升足底压力图像检索精度。
本发明为解决技术问题采用如下技术方案:
本发明一种足迹压力图像检索方法的特点是按如下步骤进行:
步骤1、足迹压力图像数据集采集并进行预处理操作;
步骤1.1、采集赤足足迹压力图像作为数据样本;
步骤1.2、将所述数据样本中的赤足足迹压力图像通过去噪、部分镜像、角度校正、图像尺寸调整、脚印对齐、擦除增广的预处理操作,从而得到预处理后的数据样本;
步骤1.3、对预处理后的数据样本进行归一化操作,得到归一化后的数据样本,并每个样本定义身份标签;
步骤2、建立由K层多尺度自注意卷积模块构成的特征提取网络,任意第k层多尺度自注意卷积模块由B个并行分支,任意第b个并行分支是由降维卷积层、平均池化层和自适应注意模块构成;
步骤2.1、从所述归一化后的数据样本中选取E个不同身份标签所对应的样本,任意第e 个身份标签的样本选取a个,从而构成一个批次,记为第k个批次;
从所述第k个批次中选取E个不同身份标签所对应的一个样本作为E个锚样本,从第k 个批次的锚样本以外的第e个身份标签所对应的a-1个样本中选取差值最大的一个样本作为第e个身份标签的正样本,并从第k个批次的其他E-1个身份标签分别所对应的a-1个样本中选取差值最小的一个样本作为第e个身份标签的负样本;同理选出所有E个不同身份标签所对应的正样本和负样本;
由所述第k个批次中所有的锚样本、正样本和负样本构成第k个样本集记为Xk∈RH ×W×C;其中,C为样本通道数,H为样本高度,W为样本宽度;
步骤2.2、所述第k个样本集Xk分别通过B个分支中共享参数的降维卷积层得到相应的 B个特征,其中所述第k个样本集Xk通过第b个分支的降维卷积层处理后得到第b个特征记为Xk,b∈RH×W×(C/2);b∈B;
第b个分支中的平均池化层以采样率r=2b对所述第b个特征Xk,b进行下采样操作,从而得到第b个下采样特征Tk,b;
第b个分支中的自适应注意模块对第b个下采样特征Tk,b分别进行两个降维卷积操作得到相应的特征Pk,b Qk,b∈RH×W×(C/4);
对所述特征Pk,b和Qk,b的尺寸分别进行调整,得到调整后的特征记为Pk,b′和Q′k,b∈RN×(C/4),其中,N=HW;
所述自适应注意模块对第b个下采样特征Tk,b按照卷积核大小为ks1,步长大小为ks1,扩展率大小为ks1,填充大小为ks1进行空洞卷积操作得到特征Vk∈RH×W×C;
所述自适应注意模块将调整后的特征Pk,b′的转置和Q′k,b相乘并通过Softmax层处理后,得到包含高阶统计信息的自适应权重特征Sk∈RN×N;
所述自适应注意模块对特征Vk的尺寸进行调整,得到调整后的特征记为V′k∈RN ×C,并与自适应权重特征Sk相乘得到特征T′k,b;
所述自适应注意模块对第b个下采样特征Tk,b和特征T′k,b相加后得到的特征再使用双线性插值以采样率r=2b进行上采样操作,从而得到特征Gk,b;
步骤2.3、对B个分支得到的特征{Gk,b}b=1,2,…,B进行合并操作得到合并特征fk;
步骤2.4、重复K次步骤2.1到步骤2.3操作得到K个批次输出的合并特征{fk}k=1,2,…,K并作为输出特征集F;
步骤3、建立由全局特征分支、残缺性评分掩模分支构成的残缺性评分模块;
步骤3.1、所述全局特征分支由步长大小为s,扩展率为s,填充大小为s的卷积、批归一化处理、激活函数Tanh构成,并对所述输出特征集F进行通道的一半压缩,从而得到三个全局特征M1、M2、M3,其中,M1为锚全局特征,M2为正样本全局特征,M3为负样本全局特征;
步骤3.2、所述残缺性评分掩模分支是由步长大小为s2,扩展率为s2,填充大小为s2的卷积、批归一化处理,Sigmoid函数构成,并对所述输出特征集F进行通道的一半压缩,从而得到三个残缺性评分掩模Y1、Y2、Y3,其中,Y1为锚掩模Y1、Y2为正样本特征掩模、Y3为负样本掩模;
步骤4、建立由共同可见特征提取模块、局部特征池化模块和三元组损失函数构成的特征比对模块;
步骤4.1、所述共同可见特征提取模块利用式(1)和式(2)对三个残缺性评分掩模Y1、Y2、Y3进行处理,得到同类样本共同残缺性评分矩阵C1和异类样本共同残缺性评分矩阵C2:
C1=Y1×Y2 (1)
C2=Y1×Y3 (2)
所述共同可见特征提取模块将同类样本共同残缺性评分矩阵C1分别与锚全局特征M1、正样本全局特征M2相乘,得到同类样本共同可见特征Z1、Z2;
再将异类样本共同残缺性评分矩阵C2分别与锚全局特征M1、负样本全局特征M3相乘,得到异类样本共同可见特征Z3、Z4;
步骤4.2、所述局部特征池化模块使用u×u大小的滑动窗口对同类样本共同可见特征 Z1、Z2以及异类样本共同可见特征Z3、Z4分别进行局部采样,得到相应的局部特征d表示Zi特征图宽度和长度的乘积,其中,Lij表示第i个共同可见特征Zi上所采样的第j个的局部特征;为局部特征个数;u为步长;对所述局部特征池化模块对局部特征分别进行最大池化和平均池化操作,并将对应的最大池化结果和平均池化结果相加得到处理后的局部特征最后将处理后的局部特征分别进行拼接后得到具有判别性的共同可见特征{hi}i=1,2,3,4;
步骤4.3、计算第1个共同可见特征h1和第2个共同可见特征h2之差的L2范数的平方并作为同类样本间距Dap,以及第3个共同可见特征h3和第4个共同可见特征h4之差的L2范数的平方作为异类样本间距Dan;
以同类样本间距Dap和异类样本间距Dan作为所述三元组损失函数的输入,并利用梯度下降算法对由特征提取网络、残缺性评分模块和特征比对模块所构成的整体网络进行迭代和参数更新,使得所述三元组损失函数值不断减小,从而得到最优足迹压力图像检索模型用于实现足迹压力图像的检索。
与已有技术相比,本发明的有益效果体现在:
1、本发明将图像处理、深度学习、与足底压力图像的检索相结合。在图像预处理方面:足迹压力图像通过去噪、部分镜像、角度校正、图像尺寸调整、脚印对齐、擦除增广等预处理操作,有效的清洗了样本数据集;在网络结构方面:基于多尺度自注意卷积的足迹压力图像检索算法由多尺度自注意卷积模块构成的特征提取网络、残缺性评分模块、特征比对模块组成,与传统方法相比,有效的提取了稳健的、更有判别性的细粒度特征,同时有效的抑制了残缺图像对于检索的影响;
2、本发明通过对足迹压力图像进行去噪、角度校正、图像尺寸调整、脚印对齐等预处理操作;通过图像去噪是有效的抑制了噪声在检索中带来的干扰,通过先验知识可以缓解左右脚检索过程中带来的影响,通过图像尺寸调整更有效地满足网络的输入,通过角度校正和脚印对齐可以有效解决特征不对其对特征检索的影响;
3、本发明利用多尺度自注意卷积模块构成的特征提取网络,提出的自适应多尺度卷积模块能利用上下文感知增加对重要信息的关注,提取多尺度的判别性特征,同时有效的抑制了不重要的信息,使其可以嵌入高级语义的同时捕获丰富的内容特征;从而有效的获取了具有判别性的检索特征;
4、本发明利用残缺性评分模块有效的标定出特征的残缺性情况,根据比对图像之间的残缺性情况可以提取出两者的共同可见区域特征进行比对,降低了网络对残缺部分的关注度,有效的较小了残缺图像比对造成的类间距离较小,类内距离增大,有效地抑制了残缺图像对于检索过程中产生的影响;
5、本发明利用特征比对模块进行提取共同可见区域特征进行比对,在训练过程中有效的拉近了同类别样本之间的距离,拉开了异类样本之间的间距,使其能在进行特征测试的时候提取更多判别性特征;从而有效的抑制了残缺足迹图像对于检索过程的影响;
附图说明
图1是本发明中的足迹压力图像检索的整体流程图;
图2a是本发明中的多尺度自注意卷积模块结构图;
图2b是本发明中自适应注意模块(self-attention module,SAM)模块结构图;
图2c是本发明中多尺度自注意卷积的足迹压力图像检索网络结构图。
具体实施方式
本实施例中,一种足迹压力图像检索方法,是使用多尺度自注意卷积模块来提取多尺度判别性特征,同时使用残缺性评分模块有效的抑制了残缺足底压力图像对于检索性能的影响。本发明使用的数据集包含1000张赤足足迹压力图像数据,预处理后包含5584张赤足足迹压力图像数据。具体的说,该足迹压力图像检索包括如下步骤:
步骤1、足迹压力图像数据集采集并进行预处理操作;
步骤1.1、采集赤足足迹压力图像作为数据样本;
步骤1.2、将数据样本中的赤足足迹压力图像通过去噪、部分镜像、角度校正、图像尺寸调整、脚印对齐、擦除增广的预处理操作,从而得到预处理后的数据样本;
步骤1.2.1、由于在采集的数据样本存在部分噪声,所以这里需要对足迹外区域进行去噪操作。首先通过使用水平扫描线从上到下逐行统计压力点的个数,这里设置上扫描线阈值为 50,当压力点个数大于等于50的时候,认为找到了足迹压力图像最小外接矩形的上边界线,如果压力点个数小于50就认为该压力为噪声,同理,可以从下到上、从左到右、从右到左依次找到下边界线、左边界线、右边界线,通过上下左右四条边界线,确定出足迹压力图像的最小外接矩形区域,然后对于区域外的压力点全部置0;
步骤1.2.2、由于先验知识可以知道左脚在镜像之后基本和右脚一致,这里对所有的左脚足迹压力图像使用垂直镜像操作,避免左右脚的不一致对检索过程带来的影响;
步骤1.2.3、通过步骤1.2.1可以确定出足迹图像的最小外接矩形区域,通过最小外接矩形,可以找出水平线与最小外接矩形之间的夹角,如果3a所示,根据夹角的角度可以对足迹压力图像进行仿射变换使其校正至水平;
步骤1.2.4、为了更好的,满足网络输入的要求,这里把原始图像大小为250x150的足迹压力图像尺寸大小调整为224x224;
步骤1.2.5、为了避免提取的足迹图像特征不对齐,造成较大的比对误差,这里将步骤 1.2.3校正至水平的足迹压力图像进行对齐操作。首先再次确定出水平脚印的最小外接矩形,为了实现更好的对齐,这里对足迹图像进行水平移动和上下移动,使其最小外接矩形的右下角位置进行对齐,从而实现足迹压力图先的对齐操作;
步骤1.2.6、由于残缺足迹图像会加大比对过程之中足迹图像类内的差异。为了更好的训练本发明所提出的残缺性评分模块,较小残缺足迹图像对检索带来的影响,这里随机在足迹压力图像区域选取不定大小的矩形区域进行特征擦除;
步骤1.3、对预处理后的数据样本进行归一化操作,得到归一化后的数据样本,并每个样本定义身份标签;
步骤1.4、将上述数据样本按照6:4的比例分为训练集和测试集,然后将训练集在预处理过程中进行擦除增广,并将测试集按照4:6再分为测试查询集和测试数据库,并分别为每个数据样本定义身份标签;
步骤2、建立由K层多尺度自注意卷积模块构成的特征提取网络,任意第k层多尺度自注意卷积模块由B个并行分支,任意第b个并行分支是由降维卷积层、平均池化层和自适应注意模块构成;通过使用多尺度自注意卷积模块能够有效根据上下文信息动态学习判别性多尺度特征,同时有效的抑制了不重要的信息,使其可以嵌入高级语义的同时捕获丰富的内容特征。K的取值范围为[4,10];
步骤2.1、从归一化后的数据样本中选取E个不同身份标签所对应的样本,任意第e个身份标签的样本选取a个,从而构成一个批次,记为第k个批次;
从第k个批次中选取E个不同身份标签所对应的一个样本作为E个锚样本,从第k个批次的锚样本以外的第e个身份标签所对应的a-1个样本中选取差值最大的一个样本作为第e 个身份标签的正样本,并从第k个批次的其他E-1个身份标签分别所对应的a-1个样本中选取差值最小的一个样本作为第e个身份标签的负样本;同理选出所有E个不同身份标签所对应的正样本和负样本;
由第k个批次中所有的锚样本、正样本和负样本构成第k个样本集记为Xk∈RH×W×C;其中,C为样本通道数,H为样本高度,W为样本宽度;
步骤2.2、第k个样本集Xk分别通过B个分支中共享参数的降维卷积层得到相应的B个特征,其中第k个样本集Xk通过第b个分支的降维卷积层处理后得到第b个特征记为 Xk,b∈RH×W×(C/2);b∈B;
第b个分支中的平均池化层以采样率r=2b对第b个特征Xk,b进行下采样操作,从而得到第b个下采样特征Tk,b;
第b个分支中的自适应注意模块对第b个下采样特征Tk,b分别进行两个降维卷积操作得到相应的特征Pk,b Qk,b∈RH×W×(C/4);
对特征Pk,b和Qk,b的尺寸分别进行调整,得到调整后的特征记为Pk,b′和Q′k,b∈RN ×(C/4),其中,N=HW;
自适应注意模块对第b个下采样特征Tk,b按照卷积核大小为ks1,步长大小为ks1,扩展率大小为ks1,填充大小为ks1进行空洞卷积操作得到特征Vk∈RH×W×C;
自适应注意模块将调整后的特征Pk,b′的转置和Q′k,b相乘并通过Softmax层处理后,得到包含高阶统计信息的自适应权重特征Sk∈RN×N;
自适应注意模块对特征Vk的尺寸进行调整,得到调整后的特征记为V′k∈RN×C,并与自适应权重特征Sk相乘得到特征T′k,b;
自适应注意模块对第b个下采样特征Tk,b和特征T′k,b相加后得到的特征再使用双线性插值以采样率r=2b进行上采样操作,从而得到特征Gk,b;
步骤2.3、对B个分支得到的特征{Gk,b}b=1,2,…,B进行合并操作得到合并特征fk;
步骤2.4、重复K次步骤2.1到步骤2.3操作得到K个批次输出的合并特征{fk}k=1,2,…,K并作为输出特征集F;
步骤3、足迹图像的部分缺失会导致类间距离减小,类内距离增大,增加图像检索的难度。为了能够很好的处理图像缺失对图像检索的影响,本文提出了残缺性评分模块(Incomplete scoring module,ISM),能够降低网络对残缺部分的关注度,有效地抑制了残缺图像对于检索过程中产生的影响。建立由全局特征分支、残缺性评分掩模分支构成的残缺性评分模块;
步骤3.1、全局特征分支由步长大小为s,扩展率为s,填充大小为s的卷积、批归一化处理、激活函数Tanh构成,并对输出特征集F进行通道的一半压缩,从而得到三个全局特征 M1、M2、M3,其中,M1为锚全局特征,M2为正样本全局特征,M3为负样本全局特征;
步骤3.2、残缺性评分掩模分支是由步长大小为s2,扩展率为s2,填充大小为s2的卷积、批归一化处理,Sigmoid函数构成,并对输出特征集F进行通道的一半压缩,从而得到三个残缺性评分掩模Y1、Y2、Y3,其中,Y1为锚掩模Y1、Y2为正样本特征掩模、Y3为负样本掩模;残缺性评分掩模分支能有效的表示出其对应的足迹区域的残缺性情况,根据比对图像之间的残缺情况弱化两者残缺程度相差较大的部分:
Yj=Conv(BN(Sigmoid(Fj))),j=1,2,3 (1)
步骤4、建立由共同可见特征提取模块、局部特征池化模块和三元组损失函数构成的特征比对模块;
步骤4.1、共同可见特征提取模块利用式(2)和式(3)对三个残缺性评分掩模Y1、Y2、Y3进行处理,得到同类样本共同残缺性评分矩阵C1和异类样本共同残缺性评分矩阵C2:
C1=Y1×Y2 (2)
C2=Y1×Y3 (3)
共同可见特征提取模块将同类样本共同残缺性评分矩阵C1分别与锚全局特征M1、正样本全局特征M2相乘,得到同类样本共同可见特征Z1、Z2;
再将异类样本共同残缺性评分矩阵C2分别与锚全局特征M1、负样本全局特征M3相乘,得到异类样本共同可见特征Z3、Z4;
步骤4.2、局部特征池化模块使用u×u大小的滑动窗口对同类样本共同可见特征Z1、Z2以及异类样本共同可见特征Z3、Z4分别进行局部采样,得到相应的局部特征 d表示Zi特征图宽度和长度的乘积,其中,Lij表示第i个共同可见特征Zi上被采样的的第j 个的局部特征;为局部特征个数;u为步长;对局部特征池化模块对局部特征分别进行最大池化和平均池化操作,并将对应的最大池化结果和平均池化结果相加得到处理后的局部特征最后将处理后的局部特征分别进行拼接后得到具有判别性的共同可见特征{hi}i=1,2,3,4;
步骤4.3、计算第1个共同可见特征h1和第2个共同可见特征h2之差的L2范数的平方并作为同类样本间距Dap,以及第3个共同可见特征h3和第4个共同可见特征h4之差的L2范数的平方作为异类样本间距Dan;
以同类样本间距Dap和异类样本间距Dan作为三元组损失函数的输入,并利用梯度下降算法对由特征提取网络、残缺性评分模块和特征比对模块所构成的整体网络进行迭代和参数更新,使得三元组损失函数值不断减小,从而得到最优足迹压力图像检索模型用于实现足迹压力图像的检索。在测试阶段对于两张比对的足迹图像,通过ISM模块求出两者之间的共同残缺性评分矩阵,根据共同残缺性评分矩阵求出两者对应区域的全局特征,最后使用全局特征进行特征比对检索。
Claims (1)
1.一种足迹压力图像检索方法,其特征是按如下步骤进行:
步骤1、足迹压力图像数据集采集并进行预处理操作;
步骤1.1、采集赤足足迹压力图像作为数据样本;
步骤1.2、将所述数据样本中的赤足足迹压力图像通过去噪、部分镜像、角度校正、图像尺寸调整、脚印对齐、擦除增广的预处理操作,从而得到预处理后的数据样本;
步骤1.3、对预处理后的数据样本进行归一化操作,得到归一化后的数据样本,并每个样本定义身份标签;
步骤2、建立由K层多尺度自注意卷积模块构成的特征提取网络,任意第k层多尺度自注意卷积模块由B个并行分支,任意第b个并行分支是由降维卷积层、平均池化层和自适应注意模块构成;
步骤2.1、从所述归一化后的数据样本中选取E个不同身份标签所对应的样本,任意第e个身份标签的样本选取a个,从而构成一个批次,记为第k个批次;
从所述第k个批次中选取E个不同身份标签所对应的一个样本作为E个锚样本,从第k个批次的锚样本以外的第e个身份标签所对应的a-1个样本中选取差值最大的一个样本作为第e个身份标签的正样本,并从第k个批次的其他E-1个身份标签分别所对应的a-1个样本中选取差值最小的一个样本作为第e个身份标签的负样本;同理选出所有E个不同身份标签所对应的正样本和负样本;
由所述第k个批次中所有的锚样本、正样本和负样本构成第k个样本集记为Xk∈RH×W×C;其中,C为样本通道数,H为样本高度,W为样本宽度;
步骤2.2、所述第k个样本集Xk分别通过B个分支中共享参数的降维卷积层得到相应的B个特征,其中所述第k个样本集Xk通过第b个分支的降维卷积层处理后得到第b个特征记为Xk,b∈RH×W×(C/2);b∈B;
第b个分支中的平均池化层以采样率r=2b对所述第b个特征Xk,b进行下采样操作,从而得到第b个下采样特征Tk,b;
第b个分支中的自适应注意模块对第b个下采样特征Tk,b分别进行两个降维卷积操作得到相应的特征Pk,b Qk,b∈RH×W×(C/4);
对所述特征Pk,b和Qk,b的尺寸分别进行调整,得到调整后的特征记为Pk,b′和Q′k,b∈RN ×(C/4),其中,N=HW;
所述自适应注意模块对第b个下采样特征Tk,b按照卷积核大小为ks1,步长大小为ks1,扩展率大小为ks1,填充大小为ks1进行空洞卷积操作得到特征Vk∈RH×W×C;
所述自适应注意模块将调整后的特征Pk,b′的转置和Q′k,b相乘并通过Softmax层处理后,得到包含高阶统计信息的自适应权重特征Sk∈RN×N;
所述自适应注意模块对特征Vk的尺寸进行调整,得到调整后的特征记为V′k∈RN×C,并与自适应权重特征Sk相乘得到特征T′k,b;
所述自适应注意模块对第b个下采样特征Tk,b和特征T′k,b相加后得到的特征再使用双线性插值以采样率r=2b进行上采样操作,从而得到特征Gk,b;
步骤2.3、对B个分支得到的特征{Gk,b}b=1,2,…,B进行合并操作得到合并特征fk;
步骤2.4、重复K次步骤2.1到步骤2.3操作得到K个批次输出的合并特征{fk}k=1,2,…,K并作为输出特征集F;
步骤3、建立由全局特征分支、残缺性评分掩模分支构成的残缺性评分模块;
步骤3.1、所述全局特征分支由步长大小为s,扩展率为s,填充大小为s的卷积、批归一化处理、激活函数Tanh构成,并对所述输出特征集F进行通道的一半压缩,从而得到三个全局特征M1、M2、M3,其中,M1为锚全局特征,M2为正样本全局特征,M3为负样本全局特征;
步骤3.2、所述残缺性评分掩模分支是由步长大小为s2,扩展率为s2,填充大小为s2的卷积、批归一化处理,Sigmoid函数构成,并对所述输出特征集F进行通道的一半压缩,从而得到三个残缺性评分掩模Y1、Y2、Y3,其中,Y1为锚掩模Y1、Y2为正样本特征掩模、Y3为负样本掩模;
步骤4、建立由共同可见特征提取模块、局部特征池化模块和三元组损失函数构成的特征比对模块;
步骤4.1、所述共同可见特征提取模块利用式(1)和式(2)对三个残缺性评分掩模Y1、Y2、Y3进行处理,得到同类样本共同残缺性评分矩阵C1和异类样本共同残缺性评分矩阵C2:
C1=Y1×Y2 (1)
C2=Y1×Y3 (2)
所述共同可见特征提取模块将同类样本共同残缺性评分矩阵C1分别与锚全局特征M1、正样本全局特征M2相乘,得到同类样本共同可见特征Z1、Z2;
再将异类样本共同残缺性评分矩阵C2分别与锚全局特征M1、负样本全局特征M3相乘,得到异类样本共同可见特征Z3、Z4;
步骤4.2、所述局部特征池化模块使用u×u大小的滑动窗口对同类样本共同可见特征Z1、Z2以及异类样本共同可见特征Z3、Z4分别进行局部采样,得到相应的局部特征d表示Zi特征图宽度和长度的乘积,其中,Lij表示第i个共同可见特征Zi上所采样的第j个的局部特征;为局部特征个数;u为步长;对所述局部特征池化模块对局部特征分别进行最大池化和平均池化操作,并将对应的最大池化结果和平均池化结果相加得到处理后的局部特征最后将处理后的局部特征分别进行拼接后得到具有判别性的共同可见特征{hi}i=1,2,3,4;
步骤4.3、计算第1个共同可见特征h1和第2个共同可见特征h2之差的L2范数的平方并作为同类样本间距Dap,以及第3个共同可见特征h3和第4个共同可见特征h4之差的L2范数的平方作为异类样本间距Dan;
以同类样本间距Dap和异类样本间距Dan作为所述三元组损失函数的输入,并利用梯度下降算法对由特征提取网络、残缺性评分模块和特征比对模块所构成的整体网络进行迭代和参数更新,使得所述三元组损失函数值不断减小,从而得到最优足迹压力图像检索模型用于实现足迹压力图像的检索。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011031745.6A CN112100429B (zh) | 2020-09-27 | 2020-09-27 | 一种足迹压力图像检索方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011031745.6A CN112100429B (zh) | 2020-09-27 | 2020-09-27 | 一种足迹压力图像检索方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112100429A CN112100429A (zh) | 2020-12-18 |
CN112100429B true CN112100429B (zh) | 2022-09-13 |
Family
ID=73756325
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011031745.6A Active CN112100429B (zh) | 2020-09-27 | 2020-09-27 | 一种足迹压力图像检索方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112100429B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112862837B (zh) * | 2021-01-27 | 2023-06-23 | 南京信息工程大学 | 一种基于卷积神经网络的图像处理方法和系统 |
CN113220926B (zh) * | 2021-05-06 | 2022-09-09 | 安徽大学 | 基于多尺度局部注意力增强网络的足迹图像检索方法 |
CN115795081B (zh) * | 2023-01-20 | 2023-04-18 | 安徽大学 | 一种基于多通道融合的跨域残缺足迹图像检索系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110472081A (zh) * | 2019-08-23 | 2019-11-19 | 大连海事大学 | 一种基于度量学习的鞋图片跨域检索方法 |
CN111177446A (zh) * | 2019-12-12 | 2020-05-19 | 苏州科技大学 | 一种用于足迹图像检索的方法 |
CN111488474A (zh) * | 2020-03-21 | 2020-08-04 | 复旦大学 | 基于增强注意力的细粒度手绘草图图像检索方法 |
CN111539469A (zh) * | 2020-04-20 | 2020-08-14 | 东南大学 | 一种基于视觉自注意力机制的弱监督细粒度图像识别方法 |
CN111639719A (zh) * | 2020-06-08 | 2020-09-08 | 安徽大学 | 基于时空运动和特征融合的足迹图像检索方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109635141B (zh) * | 2019-01-29 | 2021-04-27 | 京东方科技集团股份有限公司 | 用于检索图像的方法、电子设备和计算机可读存储介质 |
-
2020
- 2020-09-27 CN CN202011031745.6A patent/CN112100429B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110472081A (zh) * | 2019-08-23 | 2019-11-19 | 大连海事大学 | 一种基于度量学习的鞋图片跨域检索方法 |
CN111177446A (zh) * | 2019-12-12 | 2020-05-19 | 苏州科技大学 | 一种用于足迹图像检索的方法 |
CN111488474A (zh) * | 2020-03-21 | 2020-08-04 | 复旦大学 | 基于增强注意力的细粒度手绘草图图像检索方法 |
CN111539469A (zh) * | 2020-04-20 | 2020-08-14 | 东南大学 | 一种基于视觉自注意力机制的弱监督细粒度图像识别方法 |
CN111639719A (zh) * | 2020-06-08 | 2020-09-08 | 安徽大学 | 基于时空运动和特征融合的足迹图像检索方法 |
Non-Patent Citations (2)
Title |
---|
"Deep Sketch Hashing: Fast Free-Hand Sketch-Based Image Retrieval";L. Liu, F. Shen, Y. Shen, X. Liu and L. Shao;《2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR)》;20171109;2298-2307 * |
"一种基于CNN的足迹图像检索与匹配方法";陈扬,曾诚,程成,等;《 南京师范大学学报(工程技术版)》;20180930;39-45页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112100429A (zh) | 2020-12-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112100429B (zh) | 一种足迹压力图像检索方法 | |
CN110348319B (zh) | 一种基于人脸深度信息和边缘图像融合的人脸防伪方法 | |
CN105956582B (zh) | 一种基于三维数据的人脸识别系统 | |
CN106326886B (zh) | 基于卷积神经网络的手指静脉图像质量评估方法 | |
CN100461204C (zh) | 一种基于二维偏最小二乘法的面部表情识别方法 | |
CN111325111A (zh) | 一种融合逆注意力和多尺度深度监督的行人重识别方法 | |
CN109784258A (zh) | 一种基于多尺度特征切割与融合的行人重识别方法 | |
CN106228142A (zh) | 基于卷积神经网络和贝叶斯决策的人脸验证方法 | |
CN107578007A (zh) | 一种基于多特征融合的深度学习人脸识别方法 | |
CN108388896A (zh) | 一种基于动态时序卷积神经网络的车牌识别方法 | |
CN105825183B (zh) | 基于部分遮挡图像的人脸表情识别方法 | |
CN105184265A (zh) | 一种基于自学习的手写表格数字字符串快速识别的方法 | |
CN110060273B (zh) | 基于深度神经网络的遥感影像滑坡测图方法 | |
CN114266794B (zh) | 基于全卷积神经网络的病理切片图像癌症区域分割系统 | |
CN104281835B (zh) | 基于局部敏感的核稀疏表示的人脸识别方法 | |
CN105740891A (zh) | 基于多层次特征提取和上下文模型的目标检测 | |
CN114359998A (zh) | 一种人脸口罩佩戴状态下的识别方法 | |
Zuobin et al. | Feature regrouping for cca-based feature fusion and extraction through normalized cut | |
CN114863189B (zh) | 一种基于大数据的图像智能识别方法 | |
CN114220143A (zh) | 一种佩戴口罩的人脸识别方法 | |
CN111126169B (zh) | 基于正交化的图正则非负矩阵分解的人脸识别方法及系统 | |
CN106778714A (zh) | 基于非线性特征和模型合并的lda人脸识别方法 | |
CN111401434A (zh) | 一种基于无监督特征学习的图像分类方法 | |
CN103455798B (zh) | 基于最大几何流向直方图的人体检测方法 | |
CN112258532A (zh) | 一种超声图像中胼胝体的定位及分割方法 |
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 |