本發(fā)明涉及一種基于多樣本聯(lián)合表示的足跡圖像的識別方法，特別是關(guān)于一種樣本數(shù)量不均勻的足跡圖像識別方法。涉及專利分類號G06計(jì)算；推算；計(jì)數(shù)G06F電數(shù)字?jǐn)?shù)據(jù)處理G06F19/00專門適用于特定應(yīng)用的數(shù)字計(jì)算或數(shù)據(jù)處理的設(shè)備或方法。

背景技術(shù)：

足跡圖像是犯罪現(xiàn)場中遺留率較高的痕跡物證之一，它能提供可靠的法定依據(jù)，足跡圖像有效的識別不僅能夠幫助調(diào)查人員實(shí)現(xiàn)案件的串并聯(lián)，并且可以幫助他們鎖定罪犯，因此，犯罪嫌疑人的足跡圖像在偵查破案中的地位越來越突出，足跡圖像有效的管理和識別對案件的破獲具有重要意義。目前，足跡圖像識別的方法有很多，主要概括為三種：基于統(tǒng)計(jì)(或決策理論)的方法、基于結(jié)構(gòu)(或句法)的方法和基于神經(jīng)網(wǎng)絡(luò)的方法。

以上足跡圖像識別方法仍存在一些問題：(1)圖像數(shù)據(jù)常常具有不確定性，樣本分布不均勻，這極大影響了圖像識別精度。(2)識別問題易受圖像得分異常的影響，如待識別圖像中含有個別畸變圖像，導(dǎo)致得分較高造成錯誤分類，識別結(jié)果不符合主客觀一致性。(3)足跡圖像往往受殘缺的影響較大，若圖像部分區(qū)域丟失紋理信息，會對圖像特征的提取造成影響，因而也會導(dǎo)致待識別圖像的錯誤分類。

技術(shù)實(shí)現(xiàn)要素：

針對上述問題，本發(fā)明的目的是提供一種針對足跡圖像的樣本聯(lián)合表示字典構(gòu)建策略和稀疏系數(shù)加權(quán)重構(gòu)方法，能夠解決由于足跡圖像樣本較少造成的錯誤識別，以及少數(shù)待識別圖像得分異常而造成的錯誤分類情況。

為實(shí)現(xiàn)上述目的，本發(fā)明采取以下技術(shù)方案：一種基于多樣本聯(lián)合表示的足跡圖像識別方法，包括如下步驟：

—由足跡圖像庫中的足跡圖像構(gòu)建由腳掌字典D_T和腳跟字典D_B組成的樣本聯(lián)合表示字典，該字典帶有分別與腳掌字典D_T和腳跟字典D_B對應(yīng)的標(biāo)簽L_T和L_B；

—預(yù)處理待識別的足跡圖像，提取并通過如下公式計(jì)算腳掌和腳跟區(qū)域的花紋占空比b_T和b_B；

s為腳掌或腳跟區(qū)域非零像素的個數(shù)，m和n分別為腳掌區(qū)域的長寬；

—鏡像所述預(yù)處理后的待識別圖像，在得到的兩幅足跡圖像中分別提取腳掌、腳跟部分的小波傅里葉梅林特征，然后將小波傅里葉梅林特征進(jìn)行8×8的均值下采樣，并轉(zhuǎn)化為列向量，得到腳掌區(qū)域特征F_T1、F_T2,腳跟區(qū)域特征F_B1、F_B2；

—將腳掌區(qū)域特征F_T1、F_T2分別依據(jù)所述的腳掌字典D_T利用正交匹配跟蹤算法求出稀疏系數(shù)；然后將與標(biāo)簽L_T對應(yīng)的每一類的稀疏系數(shù)求和得到系數(shù)X_T1、X_T2；同理，根據(jù)腳跟區(qū)域特征F_B1、F_B2和字典D_B以及標(biāo)簽L_B得到系數(shù)X_B1、X_B2；

—將腳掌、腳跟區(qū)域的花紋占空比b_T、b_B分別作為上述步驟求出的系數(shù)X_T1、X_T2以及系數(shù)X_B1、X_B2的權(quán)重，得出重構(gòu)系數(shù)X；

—根據(jù)重構(gòu)系數(shù)X，輸出識別結(jié)果，(所屬類別\拒識別)，求出重構(gòu)系數(shù)X的最大值mx及索引，并找出索引與標(biāo)簽L_T相對應(yīng)的類別；

若mx>cX，則輸出待識別足跡圖像所屬類別，顯示該類足跡代表圖像；

若mx≤cX，則判斷為拒識別圖像，并顯示該足跡圖像。cX為拒識別圖像判別閾值。

作為優(yōu)選的實(shí)施方式，當(dāng)所述的字典中樣本數(shù)目n_l小于設(shè)定閾值的類別時，進(jìn)行足跡圖像庫的擴(kuò)充；

—對該標(biāo)簽下的所有樣本圖像進(jìn)行至少包括幾何變換、形態(tài)學(xué)的膨脹腐蝕操作以及加入椒鹽噪聲，模擬生成各種畸變情況下的足跡圖像樣本，進(jìn)而擴(kuò)充足跡庫。

更進(jìn)一步的，所述的詞典構(gòu)建過程具體如下：

—對擴(kuò)充后的足跡圖像庫G_e進(jìn)行預(yù)處理，提取腳掌和腳跟兩部分，形成腳掌樣本集G_eT和腳跟樣本集G_eB，其包括以下步驟：

—采用均值濾波對G_e中的每幅足跡圖像進(jìn)行噪聲抑制；

—根據(jù)足跡整體特征，將G_e中每幅預(yù)處理后的圖像分割為腳掌、腳跟區(qū)域，分割標(biāo)準(zhǔn)為：足跡圖像至上而下的前60％為腳掌部分，后40％為腳跟部分。從而形成腳掌樣本集G_eT和腳跟樣本集G_eB；

—分別提取腳掌樣本集G_eT和腳跟樣本集G_eB每個樣本的小波傅里葉梅林特征，然后將小波傅里葉梅林特征進(jìn)行8×8的均值下采樣；

將下采樣后的小波傅里葉梅林特征進(jìn)行歸一化，并轉(zhuǎn)換為列向量，分別形成腳掌字典D_T和腳跟字典D_B，即D_T和D_B中的每一列為足跡圖像腳掌或腳跟部分歸一化的特征；

同時以L_T和L_B分別表示D_T和D_B中各列對應(yīng)的標(biāo)簽。

作為優(yōu)選的實(shí)施方式，當(dāng)計(jì)算得出的花紋占空比小于設(shè)定的閾值時，判定當(dāng)前圖像為拒識別圖像，輸出該拒絕識別圖像。

本發(fā)明由于采取以上技術(shù)方案，其具有以下優(yōu)點(diǎn)：1)本專利通過對足跡圖像分區(qū)、幾何變換、形態(tài)學(xué)等操作擴(kuò)充圖像庫，可以有效的解決因樣本圖像較少造成的錯誤分類情況，提高了分類精度。2)本專利采用針對足跡圖像的樣本聯(lián)合表示字典構(gòu)建策略，從而有效的增強(qiáng)圖像識別的魯棒性，提升了圖像識別算法效率，便于實(shí)時處理。3)本專利采用稀疏系數(shù)加權(quán)重構(gòu)方法有效的避免由于個別圖像得分異常造成的錯誤分類情況，將顯著區(qū)域賦予較大的權(quán)重，識別結(jié)果更符合人的主客觀一致性。4)本專利采取足跡圖像拒識別的方法，能夠篩選出質(zhì)量較差的待識別足跡圖像，該方法可以有效的避免因足跡圖像質(zhì)量較差造成的錯誤識別。

附圖說明

為了更清楚的說明本發(fā)明的實(shí)施例或現(xiàn)有技術(shù)的技術(shù)方案，下面將對實(shí)施例或現(xiàn)有技術(shù)描述中所需要使用的附圖做一簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實(shí)施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1為發(fā)明多樣本聯(lián)合字典的構(gòu)建流程圖

圖2為發(fā)明足跡圖像識別流程圖

圖3為本發(fā)明足跡圖像庫G_e進(jìn)行預(yù)處理后，提取腳掌和腳跟兩部分示意圖

圖4為本發(fā)明提取的待識別足跡圖像腳掌、腳跟區(qū)域示意圖

圖5為本發(fā)明實(shí)施例經(jīng)過算法識別后，輸出待識別足跡圖像所屬類別示意圖

圖6為本發(fā)明算法結(jié)果示意圖

具體實(shí)施方式

下面結(jié)合附圖對本發(fā)明進(jìn)行詳細(xì)的描述。如圖1所示，一種多樣本聯(lián)合表示的足跡圖像識別方法，主要包括如下步驟：

樣本聯(lián)合表示字典的構(gòu)建

樣本集規(guī)范化

將所有帶有標(biāo)簽的足跡圖像按標(biāo)簽順序形成原始樣本集G_r。

統(tǒng)計(jì)G_r中各標(biāo)簽的樣本圖像的數(shù)目，記為n_l，其中l(wèi)表示標(biāo)簽序號

考慮到在很多實(shí)際問題中，并不能獲得類似于公開數(shù)據(jù)集中，每類同等數(shù)量級的樣本，足跡圖像庫中各類足跡圖像樣本數(shù)目并不是相同的，稀有足跡花紋圖像樣本少，而有些足跡花紋比較大眾化，樣本數(shù)目很多，在擴(kuò)充庫的時，將類別中樣本少的足跡圖像進(jìn)行擴(kuò)充，避免因圖像樣本較少造成類內(nèi)特征單一，不足以代表該類特征，而對于樣本數(shù)目很多的類別，樣本圖像特征足以代表該類圖像特征，故無需擴(kuò)充該類樣本。

故作為優(yōu)選的實(shí)施方式，對于樣本數(shù)目n_l小于設(shè)定閾值的類別，要進(jìn)行樣本的擴(kuò)充，部分?jǐn)U充如圖3所示。擴(kuò)充方式為：對該標(biāo)簽下的所有樣本圖像進(jìn)行幾何變換、形態(tài)學(xué)的膨脹腐蝕操作以及加入椒鹽噪聲等，這樣就可以模擬生成各種畸變情況下的足跡圖像樣本，進(jìn)而擴(kuò)充足跡庫，如對足跡圖像左右各旋轉(zhuǎn)5度，上下各平移5個像素，左右各鏡像一次等。樣本擴(kuò)充后的足跡圖像庫記為G_e。

第一行從左至右依次為：原圖、加椒鹽噪聲、加遮擋噪聲、旋轉(zhuǎn)、膨脹、腐蝕、左平移，上平移。第二行為原圖鏡像后，對鏡像圖做如上操作后的圖像。

對擴(kuò)充后的足跡圖像庫G_e進(jìn)行預(yù)處理，提取腳掌和腳跟兩部分，如圖4所示。形成腳掌樣本集G_eT和腳跟樣本集G_eB，其包括以下步驟：

采用均值濾波對G_e中的每幅足跡圖像進(jìn)行噪聲抑制。

根據(jù)足跡整體特征，可將G_e中每幅預(yù)處理后的圖像分為腳掌、腳跟區(qū)域，分割標(biāo)準(zhǔn)為：足跡圖像至上而下的前60％為腳掌部分，后40％為腳跟部分。從而形成腳掌樣本集G_eT和腳跟樣本集G_eB。

腳掌和腳跟特征字典的構(gòu)建

分別提取腳掌樣本集G_eT和腳跟樣本集G_eB每個樣本的小波傅里葉梅林特征(Wang X N,Sun H H,Yu Q et al.Automatic Shoeprint Retrieval Algorithm for RealCrime Scenes.Asian Conference on Computer Vision,Singapore,Singapore,2015:399-413.)，然后將小波傅里葉梅林特征進(jìn)行8×8的均值下采樣。

將下采樣后的小波傅里葉梅林特征進(jìn)行歸一化，并轉(zhuǎn)換為列向量，分別形成腳掌字典D_T和腳跟字典D_B，即D_T和D_B中的每一列為足跡圖像腳掌或腳跟部分歸一化的特征。

同時以L_T和L_B分別表示D_T和D_B中各列對應(yīng)的標(biāo)簽。以腳掌為例，構(gòu)建字典的足跡圖像庫中，每幅圖像都是含有標(biāo)簽的，將所有標(biāo)簽集合成一個列向量，即是L_T，由于足跡圖像庫中有多類圖像，故標(biāo)簽L_T會對應(yīng)多個類別，在字典D_T中，每一類代表該類獨(dú)有的特征。

若標(biāo)簽為：L_T＝(n₁,n₁,n₂,n₃,n₃,n₃,L,n_k,n_k)，則標(biāo)簽與下文稀疏系數(shù)x_T1一一對應(yīng)，上式，共有k類，每類樣本數(shù)目并不要求同等數(shù)量級。

足跡圖像的識別

待識別足跡圖像的特征提取

采用均值濾波對待識別足跡圖像進(jìn)行噪聲抑制。作為可選的實(shí)施方式，采用均值濾波對圖像進(jìn)行濾波，設(shè)定一個模板，該模板為其鄰近的若干個像素組成，如3*3大小，用模板的均值來代替原像素的值。

提取待識別足跡圖像腳掌、腳跟區(qū)域，如圖5所示，分別計(jì)算腳掌區(qū)域、腳跟區(qū)域的花紋占空比b_T、b_B，公式如下：

上式中：s為腳掌或腳很區(qū)域非零像素的個數(shù)，m和n分別為腳掌區(qū)域的長寬(最長和最寬的尺寸)，同理，即可求出b_B。

若b_T<cT或b_B<cB(cT,cB為腳掌、腳跟區(qū)域占空比閾值)，表明可能出現(xiàn)如下三種情況：1、腳掌區(qū)域占空比小于設(shè)定的閾值；2、腳跟區(qū)域小于設(shè)定的閾值；相應(yīng)的，判定該待識別足跡圖像判斷為拒識別圖像，算法終止，輸出拒識別圖像。

考慮到足跡有左右之分，將待識別圖像鏡像后，即可得到一對足跡花紋圖像，分別求稀疏系數(shù)，再重構(gòu)出系數(shù)，繼而進(jìn)行識別,可以提升識別準(zhǔn)確率，增強(qiáng)圖像識別的魯棒性。

作為優(yōu)選的實(shí)施方式，將待識別足跡圖像鏡像，得到兩幅足跡圖像，分別提取腳掌、腳跟部分的小波傅里葉梅林特征，然后將小波傅里葉梅林特征進(jìn)行8×8的均值下采樣，并轉(zhuǎn)化為列向量，得到腳掌區(qū)域特征F_T1、F_T2,腳跟區(qū)域特征F_B1、F_B2。

足跡圖像的識別過程

將腳掌區(qū)域特征F_T1、F_T2依據(jù)字典D_T利用正交匹配跟蹤算法求出稀疏系數(shù)，然后將與標(biāo)簽L_T對應(yīng)的每一類的稀疏系數(shù)求和得到系數(shù)X_T1、X_T2，同樣的，根據(jù)腳跟區(qū)域特征F_B1、F_B2和字典D_B以及標(biāo)簽L_B，得到系數(shù)X_B1、X_B2。

以腳掌為例，將下采樣后的小波傅里葉梅林特征F_MT進(jìn)行歸一化，具體過程：

將特征矩陣F_MT做上述處理，然后將矩陣f_MT轉(zhuǎn)換成列向量F_T1。

關(guān)于所述的正交匹配跟蹤算法求出稀疏系數(shù)，可詳見(Y.C.Pati,R.Rezaiifar,P.S.Krishnaprasad.Orthogonal matching pursuit:recursive function approximation with applications to wavelet decomposition.Proc.of the 27th Annual Asilomar Conference on Signals,Systems and Computers,1993:40-44.)，求解公式如下：

F_T1＝D_Tx_T1

利用正交匹配跟蹤算法求得上式稀疏系數(shù)x_T1

x_T1＝(x_T11,x_T12,x_T21,x_T31,x_T32,x_T33,L,x_Tk1,x_Tk2)

將系數(shù)x_T1與標(biāo)簽L_T對應(yīng)的每一類的稀疏系數(shù)求和得到系數(shù)X_T1，即：

X_T1＝(x_T1,x_T2,x_T3,L,x_Tk)

將腳掌、腳跟區(qū)域的花紋占空比b_T、b_B分別作為上述步驟1)求出的系數(shù)權(quán)重，得出重構(gòu)系數(shù)X。如下公式：

根據(jù)重構(gòu)系數(shù)X，輸出識別結(jié)果(所屬類別\拒識別)。求出重構(gòu)系數(shù)X的最大值mx及索引，并找出索引與標(biāo)簽L_T相對應(yīng)的類別。

若mx>cX，則輸出待識別足跡圖像所屬類別，顯示該類足跡代表圖像，如圖6所示。

若mx≤cX，則判斷為拒識別圖像，并顯示該足跡圖像。

以上所述僅為本發(fā)明的較佳實(shí)施例，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)，所作的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。