[发明专利]基于时空运动和特征融合的足迹图像检索方法

说明书

本发明公开一种基于时空运动和特征融合的足迹图像检索方法，其步骤包括：1、成趟足迹图像数据集的准备；2、建立成趟足迹图像预处理模块；3、建立多尺度成趟足迹图像、整体归一化的预处理层；4、权重初始化、5、建立空间特征提取模块；6、建立时序特征提取模块；7、网络的训练、测试及优化。本发明通过提取成趟足迹图像的空间特征信息和时间序列特征信息，并结合特定的特征融合模块，能获取更丰富的成趟足迹图像的时空信息，并聚类出不同人员之间的差别性特征信息，从而大大提高成趟足迹图像检索的精确值。

技术领域

本发明涉及图像处理和度学习领域，特别是涉及一种基于时空运动和特征融合的成趟足迹图像检索方法。

背景技术

由于受到骨骼，后天的生活习惯等一些因素的影响，使得足迹图像具有不易伪装的特点，和掌纹、指纹等其他痕迹相比较来说，更具有唯一性和独特性。对于足迹图像的研究除了具有科研意义外，还可以应用在商业、安防、刑侦等领域。

近年来，深度学习的迅速兴起，使得成趟足迹图像检索有了新的突破，神经网络有着很强的学习能力。成趟足迹图像借助着深度学习，不仅可以减少分析、处理数据的人力、物力资源，而且大大提高了成趟足迹图像检索的效率和准确性。一般的成趟足迹图像检索，传统的做法都是依靠专家个人的一些经验或者简单的比对算法，这些方法不仅准确率低。而且耗费大量时间，人力、物力资源。

发明内容

本发明是为了解决上述现有技术存在的不足之处，提出一种基于时空运动和特征融合的足迹图像检索方法，以期获取更丰富的成趟足迹图像的时空信息，并聚类出不同人员之间的差别性特征信息，从而提高成成趟足迹图像检索的准确率和效率。

本发明为达到上述发明目的，采用如下技术方案：

本发明一种基于时空运动和特征融合的足迹图像检索方法的特点是按照以下步骤进行的：

步骤1：构建训练集和测试集；

步骤1.1：采集任意测试对象在某一个行走速度下连续的一幅成趟足迹图像；

步骤1.2：将所述成趟足迹图像分别进行伪彩化以及去噪处理，得到处理后的一个成趟足迹图像样本；

步骤1.3：将所述成趟足迹图像样本中的每个足迹图像按照帧序列依次划分，从而得到足迹序列样本集X＝{x_k|k＝1,2,3,···,K}；x_k表示第k帧足迹序列样本；1≤k≤K；K表示成趟足迹图像样本中的足迹总数；

步骤1.4：为所述足迹序列样本集中的各个足迹序列样本分别定义标签，所述标签包含ID信息和序号信息；

步骤1.5：重复步骤1.1-步骤1.4，从而采集若干个测试对象在不同的行走速度下连续的多幅成趟足迹图像并进行相应的处理，从而构成足迹图像数据集；

步骤1.6：将足迹图像数据集划分为测试集和训练集，并将所述测试集再分为测试查询集以及测试底库集；

步骤2：建立时空运动和特征融合的成趟足迹图像检索模型，所述成趟足迹图像检索模型是由预处理层、空间特征提取模块、特征融合模块、以及时序特征提取模块组成；

步骤2.1：所述预处理层对所述足迹序列样本集X进行尺寸重置处理，得到包含多尺度特征的足迹序列样本集X′；

步骤2.2：所述预处理层利用式(1)对包含多尺度特征的足迹序列样本集X′进行归一化处理，得到归一化后的足迹序列样本集X″；

式(1)中，Image(k′)表示第k帧包含多尺度特征的足迹序列样本；Mean表示包含多尺度特征的足迹序列样本集X′的均值；std表示包含多尺度特征的足迹序列样本集X′的方差；Image(k″)表示归一化后的第k帧足迹序列样本；