一种鞋印新类别检测方法与流程

本发明实施例涉及图像分析领域，尤其涉及一种鞋印新类别检测方法。

背景技术：

目前有基于鞋印数据集、人脸数据集和通用数据集的新类别检测算法，基于鞋印的新类别检测算法有采用多层级联的开集痕迹图像分类方法；基于人脸的新类别检测算法有：基于相似度分布的开集人脸识别算法、结合几何变换的Adaboost开集人脸识别算法、基于转导原理和KNN结合的开集人脸识别算法；基于通用数据集的有结合零空间和核Foley-Sammon变换的新类别检测算法。各方法的主要思路如下：(1)基于鞋印的新类别检测算法是采用多层级联的开集痕迹图像分类方法，该方法首先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，然后计算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再利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某一类别或者新类别图像。(2)基于人脸的新类别检测算法有如下几种：基于相似度分布的开集人脸识别算法，该方法首先通过大量带标识的测试样本获得样本的相似度向量，并对测试样本按照以下三种情况分类：1)测试样本属于已知类别，且分类正确；2)测试样本属于已知类别，但分类错误；3)测试样本不属于已知类别。将第一种情况的向量归为0类，第二三种情况的向量归为1类。然后引入线性判别求出最优判别超平面，当一个新的测试样本进入识别系统后利用学习到的超平面判断测试样本是否属于已知类；结合几何变换的Adaboost开集人脸识别算法，该方法利用分类器对正样本的倾向性，使得原正样本变换产生的新样本仍可以通过分类器，负样本的近似样本却不易通过，能有效区分重叠区域的正负样本，并且通过两层识别结构减少时间的开销，使分类器在正确识别率不变的情况下，错误接受率可以大幅降低；基于转导原理和KNN结合的开集人脸识别算法，该方法首先利用转导原理和KNN结合计算测试样本的P值即测试样本的一个有效的随机性测试，如果最大P值明显的超过其它P值则将最大P值对应的标签输出，如果最大P值和邻近的得分相差不多但却与其它的P值相差很大则仍然将最大P值对应的标签输出，只是置信度很低，如果所有P值随机分布并且没有明显比其它值大很多的P值则应该对此样本拒识别。(3)基于通用数据集的是结合零空间和核Foley-Sammon变换的一种新类别检测方法，该方法通过将训练图像和待检测图像分别映射到零空间来计算待检测图像映射与训练图像映射的欧氏距离，将最小的距离作为最终的新类别得分，然后根据设定的阈值实现待检测图像的集内集外判定。

上述鞋印新类别检测算法存在的问题：(1)基于鞋印的新类别检测算法存在的问题是基于多层级联的开集痕迹图像分类方法对不同的得分区间采取不同的添加策略，而阈值的设定很关键，需要很大的技巧。(2)基于人脸的新类别检测算法存在的问题是：基于相似度的开集识别方法利用测试样本的整个相似度向量进行判别，而不是考虑K个近邻样本的相似度，并没有将相似度值特别低的样本剔除这样可能会影响判别效果；结合几何变换的Adaboost开集识别需要将变换后的n个样本依次通过分类器，看变换后的样本能否密集的通过，但是这样做在识别时间上的开销成n倍的增加，不适合含有大量人脸数据库的识别；基于转导原理和KNN结合的开集人脸识别算法需要先计算测试样本与所有训练类别的不合格度，根据不合格度再计算P值从而形成测试样本的预测集，再根据P值的分布确定拒识别的阈值，该方法的计算复杂度高、内存消耗大，因此不适合含有大量训练样本类别的数据集。(3)基于通用数据集的新类别检测算法存在的问题是：如果只利用最近邻类别一个维度的距离信息进行新类别检测，就会损失与其它类别的距离信息，影响判别的效率。综上所述，现有技术鞋印新类别的检测准确率低。

技术实现要素：

本发明实施例提供一种鞋印新类别检测方法，以克服上述技术问题。

本发明一种鞋印新类别检测方法，包括：

提取所述训练图像和所述待检测图像的特征，所述训练图像为已知类别的鞋印图像，用于确定待检测图像是否为新类别鞋印图像；

根据所述特征计算所述训练图像之间的相似度矩阵、所述训练图像与所述待检测图像之间的相似度矩阵；

根据所述训练图像之间的相似度矩阵确定判别函数；

根据所述判别函数确定所述训练图像和待检测图像在零空间对应的训练图像映射和待检测图像映射；

计算所述待检测图像映射与所述训练图像映射的欧式距离；

根据所述欧式距离确定待检测图像是否为新类别。

进一步地，所述提取所述训练图像和所述待检测图像的特征，包括：

根据预设值将所述训练图像与待检测图像上方作为脚掌，剩余部分作为脚跟；

将所述脚掌、所述脚跟图像镜像处理；

将原图像与镜像后的脚掌、脚跟图像进行小波变换为所述原图像的四分之一；

将所述小波变换后的图像进行极坐标变换，并提取傅里叶变换得到特征。

进一步地，所述根据所述特征计算所述训练图像之间的相似度矩阵，所述训练图像与所述待检测图像之间的相似度矩阵，包括：

根据所述特征计算两幅所述训练图像镜像处理前后的脚掌之间的相似度；并比较两个相似度，将相似度较大的作为所述两幅训练图像脚掌的相似度；

根据所述特征计算两幅所述训练图像镜像处理前后的脚跟之间的相似度；并比较两个相似度，将相似度较大的作为所述两幅训练图像脚跟的相似度；

根据所述特征计算训练图像和待检测图像镜像处理前后的脚掌之间的相似度；并比较两个相似度，将相似度较大的作为所述训练图像和所述待检测图像之间脚掌的相似度；

根据所述特征计算训练图像和待检测图像镜像处理前后的脚跟之间的相似度；并比较两个相似度，将相似度较大的作为所述训练图像和所述待检测图像之间脚跟的相似度。

进一步地，所述根据所述相似度矩阵确定判别函数，包括：

将所述训练图像的相似度矩阵进行中心化；

求所述中心化后的相似度矩阵的特征值和特征向量，并舍弃所述特征值小于零对应的特征向量；

根据所述特征向量计算判别函数。

进一步地，所述根据所述判别函数确定所述训练图像和待检测图像在零空间对应的训练图像映射和待检测图像映射，包括：

根据所述判别函数将相同类别的训练图像一一映射到零空间得到一类训练图像映射；

计算待检测图像与所有训练图像的相似度得到相似度向量，并将所述相似度向量各分量从大到小排序，将前K个相似度分量与所述判别函数相乘后得到待检测图像映射。

进一步地，所述根据所述欧式距离确定待检测图像是否为新类别，包括：

将欧式距离按照从小到大的排序，并分别计算排序第一名与最后N名的比值，将所述N个比值与所述排序第一名的欧式距离值求和确定新类别值；

将所述新类别值与阈值比较，若所述新类别值大于阈值则确定所述待检测图像为新类别，若所述新类别值小于所述阈值则确定所述待检测图像属于已有类别。

本发明实现对鞋印的有效管理，实现了更准确地检测鞋印新类别，提高了工作效率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明鞋印新类别检测方法流程图；

图2为本发明鞋印新类别检测方法整体流程图；

图3为本发明待检测图像属于集内示意图；

图4为本发明待检测图像属于集外示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

图1为本发明鞋印检测方法流程图，如图1所示，本实施例的方法可以包括：

步骤101、提取所述训练图像和所述待检测图像的特征，所述训练图像为已知类别的鞋印图像，用于确定待检测图像是否为新类别鞋印图像；

步骤102、根据所述特征计算所述训练图像之间的相似度矩阵、所述训练图像与所述待检测图像之间的相似度矩阵；

步骤103、根据所述训练图像之间的相似度矩阵确定判别函数；

步骤104、根据所述判别函数确定所述训练图像和待检测图像在零空间对应的训练图像映射和待检测图像映射；

步骤105、计算所述待检测图像映射与所述训练图像映射的欧式距离；

步骤106、根据所述欧式距离确定待检测图像是否为新类别。

进一步地，所述提取所述训练图像和所述待检测图像的特征，包括：

根据预设值将所述训练图像与待检测图像上方作为脚掌，剩余部分作为脚跟；

将所述脚掌、所述脚跟图像镜像处理；

将原图像与镜像后的脚掌、脚跟图像进行小波变换为所述原图像的四分之一；

将所述小波变换后的图像进行极坐标变换，并提取傅里叶变换得到特征。

进一步地，所述根据所述特征计算所述训练图像之间的相似度矩阵，所述训练图像与所述待检测图像之间的相似度矩阵，包括：

根据所述特征计算两幅所述训练图像镜像处理前后的脚掌之间的相似度；并比较两个相似度，将相似度较大的作为所述两幅训练图像脚掌的相似度；

根据所述特征计算两幅所述训练图像镜像处理前后的脚跟之间的相似度；并比较两个相似度，将相似度较大的作为所述两幅训练图像脚跟的相似度；

根据所述特征计算训练图像和待检测图像镜像处理前后的脚掌之间的相似度；并比较两个相似度，将相似度较大的作为所述训练图像和所述待检测图像之间脚掌的相似度；

根据所述特征计算训练图像和待检测图像镜像处理前后的脚跟之间的相似度；并比较两个相似度，将相似度较大的作为所述训练图像和所述待检测图像之间脚跟的相似度。

具体来说，本实施例中将图像上方百分之六十的鞋印图像作为脚掌，剩余百分之四十的鞋印图像作为脚跟，再将脚掌、脚跟镜像，接着对各部分进行小波变换变为原图像的四分之一，然后进行极坐标变换再取傅里叶变换得到特征，将这四部分的特征作为一幅图像的整体特征。计算对应脚掌之间的相似度、脚掌与脚掌镜像之间的相似度，为了消除左右脚的影响，取相似度大的作为两幅图像脚掌的相似度；再计算对应脚跟之间的相似度、脚跟与脚跟镜像之间的相似度，同样取相似度大的作为两幅图像脚跟的相似度，最后脚掌相似度的权重是0.6，脚跟权重是0.4，二者的和作为最终两幅图像之间的相似度。依次类推计算任意两幅训练图之间的相似度。

进一步地，所述根据所述相似度矩阵确定判别函数，包括：

将所述训练图像的相似度矩阵进行中心化；

求所述中心化后的相似度矩阵的特征值和特征向量，并舍弃所述特征值小于零对应的特征向量；

根据所述特征向量计算判别函数。

具体来说，将舍弃特征值小于零对应的特征向量S，根据

特征向量＝特征向量×(1/特征值)

进行规范化处理，根据规范化后的特征向量矩阵计算判别函数，过程如下：

A、根据规范化后的矩阵H，计算T＝H^TH矩阵的特征向量N。

B、结合上述特征向量N和训练图像相似度矩阵的特征向量S就可以求出最终的判别函数其中，I是m×m大小的单位阵，L是m×m大小且矩阵每个元素都为1/m，m是训练图像的个数。

进一步地，所述根据所述判别函数确定所述训练图像和待检测图像在零空间对应的训练图像映射和待检测图像映射，包括：

根据所述判别函数将相同类别的训练图像一一映射到零空间得到一类训练图像映射；由于相同类别的训练样本映射在零空间每一维度的坐标都相同，故每一类形成单独的一个点。

计算待检测图像与所有训练图像的相似度得到相似度向量，并将所述相似度向量各分量从大到小排序，将前K个相似度分量与所述判别函数相乘后得到待检测图像映射。

进一步地，所述根据所述欧式距离确定待检测图像是否为新类别，包括：

将欧式距离按照从小到大的排序，并分别计算排序第一名与最后N名的比值，将所述N个比值与所述排序第一名的欧式距离值求和确定新类别值；

具体来说，假设训练样本类别有5类，分别计算待检测图像与此五类的欧氏距离，假设将欧式距离按照从小到大排序后为1、2、3、4、5，并分别计算第一名与倒数第一名、倒数第二名的比值为0.2和0.25，将所述两个比值与所述排序第一名的欧式距离值求和确定新类别值1.45。

将所述新类别值与阈值比较，若所述新类别值大于阈值则确定所述待检测图像为新类别，若所述新类别值小于所述阈值则确定所述待检测图像属于已有类别。本发明整理流程图如图2所示。

本发明的有益效果为：

1)本发明不止利用距离最近这一信息，还考虑距离最远的两个类别包含的有用信息，即如果待检测图像属于已知类别，其距离某一类别很近而距离其它类别相对较远；如果待检测图像是新类别，则其与训练样本类别的距离都较远，该方法利用距离的对比信息可以增大集内集外待检测图像得分的差异，提高检测准确率。待检测图像分别属于集内或集外的情况与训练样本类别的距离如图3、4所示，其中三角形代表待检测图像，其它形状代表训练样本类别。

2)本发明在求取判别函数时仅利用已知类别的训练集使判别条件达到无穷，得出最优判别函数，使得判别函数不会因为未知类别样本的改变而不同。

3)本发明用于新类别鞋底花纹的检测，实现对鞋印的有效管理，实现了更准确地检测鞋印，提高了工作效率。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。