[发明专利]一种鞋印孔洞和嵌入物特征检测及描述方法

说明书

本发明公开了一种鞋印孔洞和嵌入物特征检测及描述方法，包括：获取鞋印孔洞候选集并提取其属性信息；遍历孔洞候选集、基于几何和灰度属性进行孔洞区域筛选获得候选区域集合；以长轴、短轴、偏心率、面积为特征基于欧式距离构建相似度矩阵，采用改进生长规则后的种子生长算法对精确候选区域集合进行种子生长获取孔洞特征的生长区域；基于多尺度差分高斯获取候选嵌入物特征点集；遍历所有的候选嵌入物特征点集，通过将灰度均值与其阈值比较获得筛选后的嵌入物特征初始区域，通过对该嵌入物特征区域进行纹理一致性筛选并基于最大极值稳定区域从而确定精准嵌入物区域；采用水平集算法对精准嵌入物区域进行边界描述。

技术领域

本发明涉及图像特征分析技术领域；尤其涉及一种基于多级筛选最大极值稳定区域的鞋印孔洞和嵌入物特征检测及描述方法。

背景技术

William J在文献[1]中阐明了鞋印随机特征在嫌疑人同一认定中的重要作用，目前还没有算法对孔洞、嵌入物特征进行检测及描述，相近的技术领域是缺陷检测，包括(1)利用基于混合高斯模型的背景差分法提取目标检测区域的焊缝缺陷区域检测算法[2]：(2)铜条表面的缺陷检测算法通过提取感兴趣区域，采用大津法阈值分割，对图像中相同像素的连通域进行分析，检测出缺陷[3]；(3)基于图像空间的深度缺陷检测网络，使用卷积自编码网络在不同的高斯金字塔等级上重建图像子块，合并各个分辨率通道下的重建结果，与输入图像相减获得残差图像，用来判断是否存在异常[4]。

目前现有技术的缺陷为：基于机器视觉技术的缺陷检测算法对具有一致性纹理的图像上效果较好，而鞋印图像花纹变化较大，背景复杂，干扰信息较多；基于深度学习的缺陷检测需要大量标注的数据集，且同类缺陷背景一致，同类鞋印图像不具备大规模数据集。

发明内容

根据现有技术存在的问题，本发明公开了一种基于多级筛选最大极值稳定区域的鞋印孔洞和嵌入物特征检测及描述方法：具体包括如下步骤：

获取鞋印孔洞候选集并提取其属性信息；

遍历孔洞候选集、基于几何和灰度属性进行孔洞区域筛选获得候选区域集合；

以长轴、短轴、偏心率、面积为特征基于欧式距离构建相似度矩阵，通过遍历相似度矩阵中的元素并将其与阈值进行比较获得精确候选区域集合；

以修正后的种子点为初始点，采用改进生长规则后的区域生长算法对精确候选区域集合进行种子生长获取孔洞特征的生长区域，将生长区域的面积和长轴与设定阈值进行比较得到最终的孔洞特征区域，提取孔洞特征区域连通域的轮廓，将该轮廓作为最终的孔洞特征边界；

基于多尺度差分高斯进行嵌入物特征的检测获取候选嵌入物特征点集；

遍历所有的候选嵌入物特征点集，通过将灰度均值与其阈值比较获得筛选后的嵌入物特征初始区域，通过对该嵌入物特征区域进行纹理一致性筛选并基于最大极值稳定区域从而确定精准嵌入物区域；

采用水平集算法对嵌入物进行区域分割，其中水平集算法的输入为精准嵌入物区域的像素点坐标集，输出为分割后的区域集合，通过提取分割后的区域集合的连通域轮廓，将该轮廓曲线作为嵌入物的特征边界。

进一步的，对孔洞区域进行筛选时：

遍历孔洞候选集R₁中的每一个候选区域，将灰度均值u_mean大于灰度阈值、或者长轴长度l_max小于长轴阈值的区域从孔洞候选集R₁中剔除形成候选集R₂[i],i＝1,2,...,n₂；