CN105023025B - 一种开集痕迹图像分类方法及*** - Google Patents
一种开集痕迹图像分类方法及*** Download PDFInfo
- Publication number
- CN105023025B CN105023025B CN201510481067.6A CN201510481067A CN105023025B CN 105023025 B CN105023025 B CN 105023025B CN 201510481067 A CN201510481067 A CN 201510481067A CN 105023025 B CN105023025 B CN 105023025B
- Authority
- CN
- China
- Prior art keywords
- image
- classified
- mark
- mark image
- classification
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/2163—Partitioning the feature space
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种开集痕迹图像分类方法及***,实现对痕迹图像进行自动分类。它采用多层级联的方式判断待分类图像是否属于痕迹图像库中的某一种类别或者新增类别。本发明具有速度快,人工参与少,结果相对准确且全面的特点,能够实现对图像库的自动扩充以及通过对现场痕迹的分类实现案件的串并,为警方办案提供很大的帮助。因此,本发明可以广泛用于痕迹分类领域。
Description
技术领域
本发明涉及一种分类方法及***,特别是关于一种开集痕迹图像分类方法及***。
背景技术
现场痕迹是刑事侦查的重要物证之一,而提取的痕迹多数以图像形式保存,如何对现场痕迹图像进行高效的归类管理成为了一个迫切需要解决的问题。
痕迹图像分类是图像分类的一种,目前图像分类方法主要用于:(1)判定图像中是否含有感兴趣的物体,如人、飞机等;(2)判断图像所代表的场景,如森林、客厅和工厂等;(3)判定图像中物体的形态属性,如颜色、形状等。图像分类方法的基本框架是:(1)需要对图像库中的每一幅图像进行人工或自动标记;(2)根据标记的样本进行学习训练得到分类器;(3)提取待分类图像的特征;(4)相似性度量;(5)利用分类器进行分类。
目前图像分类方法存在的问题是:(1)分类器的精度依赖于标记的精度,由于痕迹图像非常多,且质量较差,而痕迹图像的标记多为自动标记,因此标记错误极为正常,这就极大影响了分类精度。(2)目前图像分类方法多是依据待分类图像与各类图像的共性特征的相似性进行分类,而痕迹图像多为受各种干扰以及残缺的图像,若求取类内的共性特征,可能造成各类图像的有用信息减弱或丢失。(3)目前图像分类方法若往图像库中新增一幅图像需要重新训练,由于痕迹图像库中图像非常多,若每次新增图像都要重新训练,在实施上有困难。
发明内容
针对上述问题,本发明的目的是提供一种高效的开集痕迹图像分类方法及***,实现对现场提取的痕迹的分类和对痕迹图像库的自动扩充,通过对现场痕迹的分类实现案件的串并,为警方办案提供很大的帮助。
为实现上述目的,本发明采取以下技术方案:一种开集痕迹图像分类方法,它包括以下步骤:1)针对待分类图像进行预处理,使其形成痕迹图像库内存储的痕迹图像的规格,其中痕迹图像库包括若干痕迹图像和每一痕迹图像的所属类别;2)根据预处理后的待分类图像与痕迹图像库中每一痕迹图像的相似性筛选待分类图像的候选类别;3)根据待分类图像与候选类别中排在第一名的痕迹图像及其对应代表图像的相似性判断待分类图像为所属类别或是新增类别,若不能直接给出该待分类图像的分类情况,则进入下一步,否则,进入步骤6);4)根据多数表决原则或排在第一名和第二名痕迹图像之间的相似性落差判定条件判断待分类图像为所属类别,若不能直接给出该待分类图像的分类情况,则进入下一步,否则,进入步骤6);5)将待分类图像的候选类别中的代表图像提供给用户,由其交互式判别待分类图像的所属类别,进入步骤6);6)痕迹图像库更新,自动扩充其内存储痕迹图像。
所述步骤2)包括以下步骤:①计算待分类图像的特征,记为②根据待分类图像的特征计算待分类图像与痕迹图像库中每一痕迹图像的相似性,记为S={s1,…,si,…,sN}其中si=sim(Tx,xi)表示待分类图像与痕迹图像di的相似性;xi为痕迹图像库D中每一痕迹图像的特征集合,即特征库记为X={x1,…,xi,…,xN},其中表示第i幅痕迹图像的特征,特征是d维实数;③将S中各值降序排列,得到并从中顺序选择前f类图像及其所在类别,作为待分类图像T的候选类别,记为P。
所述步骤3)包括以下步骤:①将待分类图像与待分类图像的候选类别P中排在第一名的痕迹图像的相似性记为sF,将待分类图像与待分类图像的候选类别P中排在第一名的痕迹图像所在类别代表图像的相似性记为sR;②若sF<sNew,则将待分类图像直接认定为新增类别,进入步骤6);否则进入下一步,其中sNew表示认定为新增类别的阈值;③若sF≥sDir且sR≥sRth,则将待分类图像直接认定为排在第一名痕迹图像所在的类别,进入步骤6);否则进入步骤4),其中sDir表示待分类图像与排在第一名痕迹图像的相似性阈值,sRth表示待分类图像与排在第一名痕迹图像所在类代表图像的相似性阈值,且sDir>sRth。
所述步骤3)中代表图像的获取过程如下:①提取痕迹图像库中每一痕迹图像的特征,形成特征库X={x1,…,xi,…,xN}其中表示第i幅痕迹图像的特征,特征是d维实数;②计算痕迹图像库中每个类别中各成员之间的相似性,得到每一类别中成员之间的相似性矩阵,记为Wi,j(k),其中li=lj=k,且k=1,…,K;③根据Wi,j(k)按照计算得到各类别代表图像即在痕迹图像库的每类痕迹图像中选出与该类其他所有痕迹图像相似性积最大的痕迹图像作为代表图像。
所述步骤4)包括以下步骤:①在待分类图像的候选类别P中,排在前q名的痕迹图像个数多的属于同一个类别,则待分类图像为该类别,进入步骤6),否则进入下一步;②在待分类图像的候选类别P中,若与排在第一名痕迹图像相似性远大于与排在第二名痕迹图像的相似性,即相似性落差大于Δs时,则待分类图像的类别为第一名痕迹图像所在的类别,进入步骤6),否则进入步骤5)。
所述步骤5)包括以下步骤:①将待分类图像的候选类别P中各图像所在类别的代表图像按序呈现给用户,并同时显示待分类图像;②用户根据每个代表图像查看其所在类别在待分类图像的候选类别P中出现的图像和名次;③用户根据①和②信息,判决待分类图像所属类别。
所述步骤6)包括以下步骤:①痕迹图像库的更新,即D=D∪{T},新进入痕迹图像
库中的痕迹图像的下标索引号为N+1;痕迹图像库D包括若干痕迹图像和每一痕迹图像的所
属类别,其中,D={d1,…,di,…,dN},且表示第i幅痕迹图像,该图像的高度和宽
度分别为m和n,痕迹图像库的标记记为L={l1,…,li,…,lN},其中表示痕迹图像di
的标记类别号,痕迹图像库共有K个类别;②待分类图像所属类别lt类代表图像R(lt)的更
新,若待分类图像为新增类别,则待分类图像直接为代表图像,即R(lt)=N+1;否则,按如下
步骤进行:A、计算lt类内每一非待分类图像与该类所有图像的相似性积,并找到所有相似
性积中的最大值R1及该最大值的图像所对应的索引号i*:其中B、计算待
分类图像与lt类内其他图像的相似度积,即C、更新后的lt类的代表图像为:③标记的更新,即L=L∪{lt};④特征库的更新,即X=X∪{Tx};
⑤痕迹图像库中痕迹图像数目增加1,即N=N+1。
一种开集痕迹图像分类***,其特征在于:它包括预处理模块、初始筛选模块、痕迹图像库、直接认定模块、补录模块和主观判决模块,且所述痕迹图像库内存储痕迹图像、每一痕迹图像所属类别;所述预处理模块将待分类图像预处理成所述痕迹图像库内存储的痕迹图像的规格,并将预处理之后的待分类图像传送给所述初始筛选模块;所述初始筛选模块根据预处理后的待分类图像与所述痕迹图像库中每一痕迹图像的相似性筛选待分类图像的候选类别,并就该候选类别传送给所述直接认定模块;所述直接认定模块根据待分类图像与候选类别中排在第一名的痕迹图像及其对应的代表图像的相似性判断待分类图像为所属类别或是新增类别,若该模块不能直接给出该待分类图像的分类情况,则将待分类图像的候选类别传送给所述补录模块,否则,将待分类图像的所属类别传送给所述痕迹图像库进行更新;所述补录模块根据多数表决原则或排在第一名和第二名痕迹图像之间的相似性落差判定条件判断待分类图像的所属类别,若该模块不能直接给出该待分类图像的分类情况,则将待分类图像的候选类别传送给所述主观判决模块,否则,将待分类图像的所属类别传送给所述痕迹图像库进行更新;所述主观判决模块将待分类图像的候选类别中的代表图像提供给用户,由其交互式判别待分类图像的所属类别,并将待分类图像的所属类别传送给所述痕迹图像库进行更新;所述痕迹图像库将待分类图像补充到所述痕迹图像库中,若为已有类别则补充到相应的类别,更新该类别的代表图像;否则为新增类别,设立新增类别,更新该类别的代表图像;同时,更新特征库、标记和痕迹图像数目。
本发明由于采取以上技术方案,其具有以下优点:1、本发明方法包括:1)针对待分类图像进行预处理,使其形成痕迹图像库内存储的痕迹图像的规格,其中痕迹图像库包括若干痕迹图像和每一痕迹图像的所属类别;2)根据预处理后的待分类图像与痕迹图像库中每一痕迹图像的相似性筛选待分类图像的候选类别;3)根据待分类图像与候选类别中排名第一位的痕迹图像及其对应代表图像的相似性判断待分类图像为所属类别或是新增类别,若不能直接给出该待分类图像的分类情况,则进入下一步,否则,痕迹图像库更新,自动扩充其内存储痕迹图像;4)根据多数表决原则或排在第一名和第二名痕迹图像之间的相似性落差判定条件判断待分类图像的所属类别,若不能直接给出该待分类图像的分类情况,则进入下一步,否则,痕迹图像库更新,自动扩充其内存储痕迹图像;5)将待分类图像的候选类别中的代表图像提供给用户,由其交互式判决待分类图像的所属类别,痕迹图像库更新,自动扩充其内存储痕迹图像;采用以上方式实现痕迹图像库的自动扩充和标记。另外,上述步骤3)、4)和5)为多层级联的分类策略,采用该策略从多个层面进行痕迹图像分类,从而大大提高了分类精度;尤其在步骤5)中,在分类可靠性不高时,还提供候选类别的代表图像供人机交互判决,只有该步骤需要人工识别,从而节省警方办案时间。2、本发明采用代表图像作为每个类别的代表与待分类图像进行相似性比较,同有的传统图像分类方法只利用每个图像跟待分类图像进行相似性比较而言,解决了因事先自动标记错误而带来的分类精度不高的问题。3、本发明将待分类图像与痕迹图像库中每一痕迹图像的相似性进行比对,同有的传统图像分类方法采用待分类图像与所有图像的共性特征相比,受各种干扰的影响较小,从而提高分类精度、结果相对准确且全面。4、本发明在新增图像的情况下,不需要对整个痕迹图像库的痕迹图像进行重新计算,只是在其所属类别中更新代表图像即可,相较传统方法每次新增图像都要训练而言,大大减少算法运行时间,相对速度较快。因此,本发明可以广泛用于痕迹分类领域。
附图说明
图1是本发明方法的整体流程示意图
图2是痕迹图像库中代表图像的生成过程
图3是本发明***的结构示意图
具体实施方式
下面结合附图和实施例对本发明进行详细的描述。
如图1所示,一种开集痕迹图像分类算法,它包括以下步骤:
1)针对待分类图像进行预处理,使其形成痕迹图像库内存储的痕迹图像的规格,其包括以下步骤:
①将待分类图像的采集分辨率和采集角度调整成痕迹图像库内存储的痕迹图像同一规格上,以提高分类精度,其中待分类图像的高度和宽度分别为m和n;
②将待分类图像中所关注的痕迹从背景中提取出来,以便去除背景干扰;
由于案发现场背景复杂,目前还没有较实用的自动提取方法,比较有效的方法就是通过人机交互的方式将痕迹从背景中提取出来;
③采用均值滤波器去除痕迹图像所受的高斯噪声干扰,滤波器窗口大小为高斯噪声标准差的6倍,高斯噪声标准差用图像中平滑区的标准差近似;
④采用直方图规定化将待分类图像采集的光照条件调整与痕迹图像库中图像的采集条件一致,得到预处理后的待分类图像。
上述痕迹图像库,记为D,包括若干痕迹图像和每一痕迹图像的所属类别,其中,D={d1,…,di,…,dN},且表示第i幅痕迹图像,该图像的高度和宽度分别为m和n,痕迹图像库的标记记为L={l1,…,li,…,lN},其中表示痕迹图像di的标记类别号,痕迹图像库共有K个类别。
2)根据预处理后的待分类图像与痕迹图像库中每一痕迹图像的相似性筛选待分类图像的候选类别,其包括以下步骤:
①计算待分类图像的特征,记为
根据待分类图像中痕迹的种类采用相应的方式提取特征,通常采用的方法为SIFT(Scale-invariant feature transform,尺度不变特征变换)、SURF(Speeded up robustfeatures,加速鲁棒特征)以及小波傅里叶变换系数等;
②根据待分类图像的特征计算待分类图像与痕迹图像库中每一痕迹图像的相似性,记为S={s1,…,si,…,sN},其中si=sim(Tx,xi)表示待分类图像与痕迹图像di的相似性;相似性函数sim(·)的定义有很多种,在本实施中采用的是归一化互相关系数;xi为痕迹图像库D中每一痕迹图像的特征集合,即特征库记为X={x1,…,xi,…,xN},其中表示第i幅痕迹图像的特征,特征是d维实数;
③将S中各值降序排列,得到并从中顺序选择前f类图像及其所在类别,作为待分类图像T的候选类别,记为P。
上述f一般取100。
3)根据待分类图像与候选类别中排在第一名的痕迹图像及其对应代表图像的相似性判断待分类图像为所属类别或是新增类别,若不能直接给出该待分类图像的分类情况,则进入下一步,否则,进入步骤6),其包括以下步骤:
①将待分类图像与待分类图像的候选类别P中排在第一名的痕迹图像的相似性记为sF,将待分类图像与待分类图像的候选类别P中排在第一名的痕迹图像所在类别代表图像的相似性记为sR;
②若sF<sNew,则将待分类图像直接认定为新增类别,进入步骤6);否则进入下一步,其中sNew表示认定为新增类别的阈值,该值若设得过大,可能将非新增图像认定为新增图像,该阈值一般取0.55,因为图像相似性的取值范围是0到1之间,因此可以定义相似性为0.55以下就是不像的两幅痕迹图像,符合人的主观思维;
③若sF≥sDir且sR≥sRth,则将待分类图像直接认定为排在第一名痕迹图像所在的类别,进入步骤6);否则不能直接给出该待分类图像的分类情况,进入下一步,其中sDir表示待分类图像与排在第一名痕迹图像的相似性阈值,该阈值一般取0.71,在0.71以上就是相像的两幅图像,0.55-0.71之间需要继续判断两幅痕迹图像是否相像,0.55以下就是不相像的两幅痕迹图像;sRth表示待分类图像与排在第一名痕迹图像所在类代表图像的相似性阈值,该阈值一般取0.63,大于0.63就认为待分类的痕迹图像属于该类别,否则不属于该类别,且sDir>sRth。
如图2所示,上述代表图像的获取过程如下:
①提取痕迹图像库中每一痕迹图像的特征,形成特征库;
特征需要根据痕迹的种类而采用不同的方式提取,如SIFT,SURF以及小波傅里叶变换系数等。特征库记为X={x1,…,xi,…,xN},其中表示第i幅痕迹图像的特征,特征是d维实数;
②计算痕迹图像库中每个类别中各成员之间的相似性,得到每一类别中成员之间的相似性矩阵,记为Wi,j(k),其中li=lj=k,且k=1,…,K;
③根据Wi,j(k)按照计算得到各类别代表图像即在痕迹图像库的每类痕迹图像中选出与该类其他所有痕迹图像相似性积最大的痕迹图像作为代表图像。
4)根据多数表决原则或排在第一名和第二名痕迹图像之间的相似度落差判定条件判断待分类图像为所属类别,若不能直接给出该待分类图像的分类情况,则进入下一步,否则,进入步骤6),其包括以下步骤:
①在待分类图像的候选类别P中,排在前q名的痕迹图像个数多的属于同一个类别(多数表决原则),则待分类图像为该类别,然后进入步骤6),否则进入下一步;
上述q一般取3。
②在待分类图像的候选类别P中,若与排在第一名痕迹图像相似性远大于与排在第二名痕迹图像的相似性,即相似性落差大于Δs时,则待分类图像的类别为第一名痕迹图像所在的类别,进入步骤6),否则进入下一步;
上述Δs一般取0.08。
5)将待分类图像的候选类别中的代表图像提供给用户,由其交互式判决待分类图像的所属类别,进入步骤6),其包括以下步骤:
①将待分类图像的候选类别P中各图像所在类别的代表图像按序呈现给用户,并同时显示待分类图像;
②用户根据每个代表图像查看其所在类别在待分类图像的候选类别P中出现的图像和名次;
③用户根据①和②信息,判别待分类图像所属类别。
6)痕迹图像库更新自动扩充,其包括以下步骤:
①痕迹图像库的更新,即D=D∪{T},新进入痕迹图像库中的痕迹图像的下标索引号为N+1,实现开集更新;
②待分类图像所属类别lt类代表图像R(lt)的更新,若待分类图像为新增类,则待分类图直接为代表图像,即R(lt)=N+1;否则,按如下步骤进行:
A、计算lt类内每一非待分类图像与该类所有图像的相似性积,并找到所有相似性
积中的最大值R1及该最大值的痕迹图像所对应的索引号i*:其中
B、计算待分类图像与lt类内其他痕迹图像的相似性积,即
C、更新后的lt类的代表图像为:
③标记的更新,即L=L∪{lt};
④特征库的更新,即X=X∪{Tx};
⑤痕迹图像库中痕迹图像数目增加1,即N=N+1。
需要说明的是,若初次应用本发明时:若痕迹图像库为空,则自动将待分类图像作为新增类别加入到痕迹图像库,并作标记;若痕迹图像库存在已标记类别的痕迹图像,则根据待分类图像与痕迹图像库中痕迹图像的相似性,分三种情况进行处理:
1)自动认定待分类图像为痕迹图像库中的一个类别;
2)自动认定可靠性不高时,提供候选类别的代表图像列表,由人机主观交互判决;
3)自动认定待分类图像为新增类别,对痕迹图像库的类别自动进行扩充。
如图3所示,一种开集痕迹图像分类***包括预处理模块1、初始筛选模块2、痕迹图像库3、直接认定模块4、补录模块5和主观判决模块6。
预处理模块1针对待分类图像进行预处理,并将预处理后的待分类图像传送给初始筛选模块2。
初始筛选模块2将预处理后的待分类图像与痕迹图像库3中痕迹图像的相似性筛选待分类图像的候选类别,并将该候选类别传送给直接认定模块4。
直接认定模块4根据待分类图像与候选类别中排在第一名的痕迹图像及其对应的代表图像的相似性判定待分类图像为所属类别或是新增类别,若该模块不能直接给出该待分类图像的分类情况,则将待分类图像的候选类别传送给补录模块5,否则,将待分类图像的所属类别传送给痕迹图像库3进行更新。
补录模块5根据多数表决原则或排在第一名和第二名痕迹图像之间的相似性落差判定条件判断待分类图像为所属类别,若该模块不能直接给出该待分类图像的分类情况,则将待分类图像的候选类别传送给主观判决模块6,否则,将待分类图像的所属类别传送给痕迹图像库3进行更新。
主观判决模块6将待分类图像的候选类别中的代表图像提供给用户,由其交互式判决待分类图像的所属类别,并将待分类图像的所属类别传送给痕迹图像库3进行更新。
痕迹图像库3将待分类图像补充到痕迹图像库3中,若为已有类别则补充到相应的类别,更新该类别的代表图像;否则为新增类别,设立新增类别,更新该类别的代表图像;同时,更新特征库、标记和痕迹图像数目。
最后应当说明,以上实施例仅用以说明而非限制本发明的技术方案,本发明还可有其他多种实施例。在不脱离本发明精神及其实质的情况下,本领域的普通技术人员可以对本发明进行各种改动和变形。若这些改动和变形属于本发明权利要求及其等同技术的范围之内,则这些改动和变形都应属于本发明所附的权利要求的保护范围。
Claims (7)
1.一种开集痕迹图像分类方法,它包括以下步骤:
1)针对待分类图像进行预处理,使其形成痕迹图像库内存储的痕迹图像的规格,其中痕迹图像库包括若干痕迹图像和每一痕迹图像的所属类别;
2)根据预处理后的待分类图像与痕迹图像库中每一痕迹图像的相似性筛选待分类图像的候选类别,包括以下步骤:
①计算待分类图像的特征,记为
②根据待分类图像的特征计算待分类图像与痕迹图像库中每一痕迹图像的相似性,记为S={s1,…,si,…,sN},其中si=sim(Tx,xi)表示待分类图像与痕迹图像di的相似性;xi为痕迹图像库D中每一痕迹图像的特征集合,即特征库记为X={x1,…,xi,…,xN},其中表示第i幅痕迹图像的特征,特征是d维实数;
③将S中各值降序排列,得到并从中顺序选择前f类图像及其所在类别,作为待分类图像T的候选类别,记为P;
3)根据待分类图像与候选类别中排在第一名的痕迹图像及其对应代表图像的相似性判断待分类图像为所属类别或是新增类别,若不能直接给出该待分类图像的分类情况,则进入下一步,否则,进入步骤6),包括以下步骤:
①将待分类图像与待分类图像的候选类别P中排在第一名的痕迹图像的相似性记为sF,将待分类图像与待分类图像的候选类别P中排在第一名的痕迹图像所在类别代表图像的相似性记为sR,其中代表图像的获取过程如下:
a.提取痕迹图像库中每一痕迹图像的特征,形成特征库X={x1,…,xi,…,xN},其中表示第i幅痕迹图像的特征,特征是d维实数;
b.计算痕迹图像库中每个类别中各成员之间的相似性,得到每一类别中成员之间的相似性矩阵,记为Wi,j(k),其中li=lj=k,且k=1,…,K;
c.根据Wi,j(k)按照计算得到各类别代表图像即在痕迹图像库的每类痕迹图像中选出与该类其他所有痕迹图像相似性积最大的痕迹图像作为代表图像;
②若sF<sNew,则将待分类图像直接认定为新增类别,进入步骤6);否则进入下一步,其中sNew表示认定为新增类别的阈值;
③若sF≥sDir且sR≥sRth,则将待分类图像直接认定为排在第一名痕迹图像所在的类别,进入步骤6);否则进入步骤4),其中sDir表示待分类图像与排在第一名痕迹图像的相似性阈值,sRth表示待分类图像与排在第一名痕迹图像所在类代表图像的相似性阈值,且sDir>sRth;
4)根据多数表决原则或排在第一名和第二名痕迹图像之间的相似性落差判定条件判断待分类图像为所属类别,若不能直接给出该待分类图像的分类情况,则进入下一步,否则,进入步骤6);
5)将待分类图像的候选类别中的代表图像提供给用户,由其交互式判别待分类图像的所属类别,进入步骤6);
6)痕迹图像库更新,自动扩充其内存储痕迹图像。
2.如权利要求1所述的一种开集痕迹图像分类方法,其特征在于:所述步骤4)包括以下步骤:
①在待分类图像的候选类别P中,排在前q名的痕迹图像个数多的属于同一个类别,则待分类图像为该类别,进入步骤6),否则进入下一步;
②在待分类图像的候选类别P中,计算排在第一名痕迹图像相似性与排在第二名痕迹图像的相似性,当相似性落差大于Δs时,则待分类图像的类别为第一名痕迹图像所在的类别,进入步骤6),否则进入步骤5),其中Δs取值为0.08。
3.如权利要求1所述的一种开集痕迹图像分类方法,其特征在于:所述步骤5)包括以下步骤:
①将待分类图像的候选类别P中各图像所在类别的代表图像按序呈现给用户,并同时显示待分类图像;
②用户根据每个代表图像查看其所在类别在待分类图像的候选类别P中出现的图像和名次;
③用户根据①和②信息,判决待分类图像所属类别。
4.如权利要求2所述的一种开集痕迹图像分类方法,其特征在于:所述步骤5)包括以下步骤:
①将待分类图像的候选类别P中各图像所在类别的代表图像按序呈现给用户,并同时显示待分类图像;
②用户根据每个代表图像查看其所在类别在待分类图像的候选类别P中出现的图像和名次;
③用户根据①和②信息,判别待分类图像所属类别。
5.如权利要求1或4所述的一种开集痕迹图像分类方法,其特征在于:所述步骤6)包括以下步骤:
①痕迹图像库的更新,即D=D∪{T},新进入痕迹图像库中的痕迹图像的下标索引号为N+1;
痕迹图像库D包括若干痕迹图像和每一痕迹图像的所属类别,其中,D={d1,…,di,…,dN},且表示第i幅痕迹图像,该图像的高度和宽度分别为m和n,痕迹图像库的标记记为L={l1,…,li,…,lN},其中表示痕迹图像di的标记类别号,痕迹图像库共有K个类别;
②待分类图像所属类别lt类代表图像R(lt)的更新,若待分类图像为新增类别,则待分类图像直接为代表图像,即R(lt)=N+1;否则,按如下步骤进行:
A、计算lt类内每一非待分类图像与该类所有图像的相似性积,并找到所有相似性积中的最大值R1及该最大值的图像所对应的索引号i*:其中
B、计算待分类图像与lt类内其他图像的相似度积,即
C、更新后的lt类的代表图像为:
③标记的更新,即L=L∪{lt};
④特征库的更新,即X=X∪{Tx};
⑤痕迹图像库中痕迹图像数目增加1,即N=N+1。
6.如权利要求2所述的一种开集痕迹图像分类方法,其特征在于:所述步骤6)包括以下步骤:
①痕迹图像库的更新,即D=D∪{T},新进入痕迹图像库中的痕迹图像的下标索引号为N+1;
痕迹图像库D包括若干痕迹图像和每一痕迹图像的所属类别,其中,D={d1,…,di,…,dN},且表示第i幅痕迹图像,该图像的高度和宽度分别为m和n,痕迹图像库的标记记为L={l1,…,li,…,lN},其中表示痕迹图像di的标记类别号,痕迹图像库共有K个类别;
②待分类图像所属类别lt类代表图像R(lt)的更新,若待分类图像为新增类,则待分类图直接为代表图像,即R(lt)=N+1;否则,按如下步骤进行:
A、计算lt类内每一非待分类图像与该类所有图像的相似性积,并找到所有相似性积中的最大值R1及该最大值的图像所对应的索引号i*:其中
B、计算待分类图像与lt类内其他图像的相似性积,即
C、更新后的lt类的代表图像为:
③标记的更新,即L=L∪{lt};
④特征库的更新,即X=X∪{Tx};
⑤痕迹图像库中痕迹图像数目增加1,即N=N+1。
7.如权利要求1~6任意一项所述的一种开集痕迹图像分类方法的***,其特征在于:它包括预处理模块、初始筛选模块、痕迹图像库、直接认定模块、补录模块和主观判决模块,且所述痕迹图像库内存储痕迹图像、每一痕迹图像所属类别;
所述预处理模块将待分类图像预处理成所述痕迹图像库内存储的痕迹图像的规格,并将预处理之后的待分类图像传送给所述初始筛选模块;
所述初始筛选模块根据预处理后的待分类图像与所述痕迹图像库中每一痕迹图像的相似性筛选待分类图像的候选类别,并就该候选类别传送给所述直接认定模块;
所述直接认定模块根据待分类图像与候选类别中排在第一名的痕迹图像及其对应的代表图像的相似性判断待分类图像为所属类别或是新增类别,若该模块不能直接给出该待分类图像的分类情况,则将待分类图像的候选类别传送给所述补录模块,否则,将待分类图像的所属类别传送给所述痕迹图像库进行更新;
所述补录模块根据多数表决原则或排在第一名和第二名痕迹图像之间的相似性落差判定条件判断待分类图像的所属类别,若该模块不能直接给出该待分类图像的分类情况,则将待分类图像的候选类别传送给所述主观判决模块,否则,将待分类图像的所属类别传送给所述痕迹图像库进行更新;
所述主观判决模块将待分类图像的候选类别中的代表图像提供给用户,由其交互式判别待分类图像的所属类别,并将待分类图像的所属类别传送给所述痕迹图像库进行更新;
所述痕迹图像库将待分类图像补充到所述痕迹图像库中,若为已有类别则补充到相应的类别,更新该类别的代表图像;否则为新增类别,设立新增类别,更新该类别的代表图像;同时,更新特征库、标记和痕迹图像数目。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510481067.6A CN105023025B (zh) | 2015-08-03 | 2015-08-03 | 一种开集痕迹图像分类方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510481067.6A CN105023025B (zh) | 2015-08-03 | 2015-08-03 | 一种开集痕迹图像分类方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105023025A CN105023025A (zh) | 2015-11-04 |
CN105023025B true CN105023025B (zh) | 2018-09-25 |
Family
ID=54412979
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510481067.6A Active CN105023025B (zh) | 2015-08-03 | 2015-08-03 | 一种开集痕迹图像分类方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105023025B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105740850A (zh) * | 2016-03-04 | 2016-07-06 | 北京小米移动软件有限公司 | 照片分类方法及装置 |
CN106326927B (zh) * | 2016-08-24 | 2019-06-04 | 大连海事大学 | 一种鞋印新类别检测方法 |
CN107862344B (zh) * | 2017-12-01 | 2021-06-11 | 中南大学 | 一种图像分类方法 |
CN109214411A (zh) * | 2018-07-12 | 2019-01-15 | 上海斐讯数据通信技术有限公司 | 一种基于训练模型识别典型图片对新增实体的验证方法及*** |
CN110674823A (zh) * | 2019-09-26 | 2020-01-10 | 中国科学院声学研究所 | 一种基于深海大型底栖动物自动识别的样本库构建方法 |
CN113239804B (zh) * | 2021-05-13 | 2023-06-02 | 杭州睿胜软件有限公司 | 图像识别方法、可读存储介质及图像识别*** |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4887304A (en) * | 1987-09-30 | 1989-12-12 | Raytheon Company | Library image optimization |
EP0357010A2 (en) * | 1988-09-01 | 1990-03-07 | E.I. Du Pont De Nemours And Company | Method of identifying spectra |
CN1776717A (zh) * | 2005-12-01 | 2006-05-24 | 上海交通大学 | 犯罪现场鞋印识别的方法 |
CN103207879A (zh) * | 2012-01-17 | 2013-07-17 | 阿里巴巴集团控股有限公司 | 图像索引的生成方法及设备 |
CN103377376A (zh) * | 2012-04-13 | 2013-10-30 | 阿里巴巴集团控股有限公司 | 图像分类的方法和***、图像检索的方法和*** |
CN103839072A (zh) * | 2013-12-31 | 2014-06-04 | 浙江工业大学 | 一种基于朴素贝叶斯分类器的假指纹检测方法 |
CN104331642A (zh) * | 2014-10-28 | 2015-02-04 | 山东大学 | 用于识别细胞外基质蛋白的集成学习方法 |
-
2015
- 2015-08-03 CN CN201510481067.6A patent/CN105023025B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4887304A (en) * | 1987-09-30 | 1989-12-12 | Raytheon Company | Library image optimization |
EP0357010A2 (en) * | 1988-09-01 | 1990-03-07 | E.I. Du Pont De Nemours And Company | Method of identifying spectra |
CN1776717A (zh) * | 2005-12-01 | 2006-05-24 | 上海交通大学 | 犯罪现场鞋印识别的方法 |
CN103207879A (zh) * | 2012-01-17 | 2013-07-17 | 阿里巴巴集团控股有限公司 | 图像索引的生成方法及设备 |
CN103377376A (zh) * | 2012-04-13 | 2013-10-30 | 阿里巴巴集团控股有限公司 | 图像分类的方法和***、图像检索的方法和*** |
CN103839072A (zh) * | 2013-12-31 | 2014-06-04 | 浙江工业大学 | 一种基于朴素贝叶斯分类器的假指纹检测方法 |
CN104331642A (zh) * | 2014-10-28 | 2015-02-04 | 山东大学 | 用于识别细胞外基质蛋白的集成学习方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105023025A (zh) | 2015-11-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105023025B (zh) | 一种开集痕迹图像分类方法及*** | |
CN106022300B (zh) | 基于级联深度学习的交通标志识别方法和*** | |
CN108171184A (zh) | 基于Siamese网络的用于行人重识别的方法 | |
CN106919920A (zh) | 基于卷积特征和空间视觉词袋模型的场景识别方法 | |
CN106815263B (zh) | 法律条文的搜索方法及装置 | |
CN106815604A (zh) | 基于多层信息融合的注视点检测方法 | |
CN104679818B (zh) | 一种视频关键帧提取方法及*** | |
CN106126585B (zh) | 基于质量分级与感知哈希特征组合的无人机图像检索方法 | |
CN107315795B (zh) | 联合特定人物和场景的视频实例检索方法及*** | |
CN109410184B (zh) | 基于稠密对抗网络半监督学习的直播色情图像检测方法 | |
CN114283469B (zh) | 一种基于改进YOLOv4-tiny的轻量型目标检测方法及*** | |
CN111368754B (zh) | 一种基于全局上下文信息的机场跑道异物检测方法 | |
WO2022062419A1 (zh) | 基于非督导金字塔相似性学习的目标重识别方法及*** | |
CN111783505A (zh) | 伪造人脸的识别方法、装置和计算机可读存储介质 | |
CN108764302A (zh) | 一种基于颜色特征和词袋特征的票据图像分类方法 | |
CN109684913A (zh) | 一种基于社区发现聚类的视频人脸标注方法和*** | |
CN106408030A (zh) | 基于中层语义属性和卷积神经网络的sar图像分类方法 | |
CN109919060A (zh) | 一种基于特征匹配的身份证内容识别***及方法 | |
CN101364263A (zh) | 对图像进行皮肤纹理检测的方法及*** | |
CN110263215A (zh) | 一种视频情感定位方法及*** | |
CN111046732A (zh) | 一种基于多粒度语义解析的行人重识别方法及存储介质 | |
CN109492528A (zh) | 一种基于高斯和深度特征的行人再识别方法 | |
CN112990282B (zh) | 一种细粒度小样本图像的分类方法及装置 | |
CN110008899B (zh) | 一种可见光遥感图像候选目标提取与分类方法 | |
CN110929746A (zh) | 一种基于深度神经网络的电子卷宗标题定位提取与分类方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |