本發(fā)明實(shí)施例涉及圖像分析領(lǐng)域，尤其涉及一種鞋印新類別檢測(cè)方法。

背景技術(shù)：

目前有基于鞋印數(shù)據(jù)集、人臉數(shù)據(jù)集和通用數(shù)據(jù)集的新類別檢測(cè)算法，基于鞋印的新類別檢測(cè)算法有采用多層級(jí)聯(lián)的開集痕跡圖像分類方法；基于人臉的新類別檢測(cè)算法有：基于相似度分布的開集人臉識(shí)別算法、結(jié)合幾何變換的Adaboost開集人臉識(shí)別算法、基于轉(zhuǎn)導(dǎo)原理和KNN結(jié)合的開集人臉識(shí)別算法；基于通用數(shù)據(jù)集的有結(jié)合零空間和核Foley-Sammon變換的新類別檢測(cè)算法。各方法的主要思路如下：(1)基于鞋印的新類別檢測(cè)算法是采用多層級(jí)聯(lián)的開集痕跡圖像分類方法，該方法首先根據(jù)預(yù)處理后的待分類圖像與痕跡圖像庫中每一痕跡圖像的相似性篩選待分類圖像的候選類別，然后計(jì)算待分類圖像與候選類別中排名第一位的痕跡圖像及其對(duì)應(yīng)代表圖像的相似性再利用多層級(jí)聯(lián)的方式判斷待分類圖像是否屬于痕跡圖像庫中某一類別或者新類別圖像。(2)基于人臉的新類別檢測(cè)算法有如下幾種：基于相似度分布的開集人臉識(shí)別算法，該方法首先通過大量帶標(biāo)識(shí)的測(cè)試樣本獲得樣本的相似度向量，并對(duì)測(cè)試樣本按照以下三種情況分類：1)測(cè)試樣本屬于已知類別，且分類正確；2)測(cè)試樣本屬于已知類別，但分類錯(cuò)誤；3)測(cè)試樣本不屬于已知類別。將第一種情況的向量歸為0類，第二三種情況的向量歸為1類。然后引入線性判別求出最優(yōu)判別超平面，當(dāng)一個(gè)新的測(cè)試樣本進(jìn)入識(shí)別系統(tǒng)后利用學(xué)習(xí)到的超平面判斷測(cè)試樣本是否屬于已知類；結(jié)合幾何變換的Adaboost開集人臉識(shí)別算法，該方法利用分類器對(duì)正樣本的傾向性，使得原正樣本變換產(chǎn)生的新樣本仍可以通過分類器，負(fù)樣本的近似樣本卻不易通過，能有效區(qū)分重疊區(qū)域的正負(fù)樣本，并且通過兩層識(shí)別結(jié)構(gòu)減少時(shí)間的開銷，使分類器在正確識(shí)別率不變的情況下，錯(cuò)誤接受率可以大幅降低；基于轉(zhuǎn)導(dǎo)原理和KNN結(jié)合的開集人臉識(shí)別算法，該方法首先利用轉(zhuǎn)導(dǎo)原理和KNN結(jié)合計(jì)算測(cè)試樣本的P值即測(cè)試樣本的一個(gè)有效的隨機(jī)性測(cè)試，如果最大P值明顯的超過其它P值則將最大P值對(duì)應(yīng)的標(biāo)簽輸出，如果最大P值和鄰近的得分相差不多但卻與其它的P值相差很大則仍然將最大P值對(duì)應(yīng)的標(biāo)簽輸出，只是置信度很低，如果所有P值隨機(jī)分布并且沒有明顯比其它值大很多的P值則應(yīng)該對(duì)此樣本拒識(shí)別。(3)基于通用數(shù)據(jù)集的是結(jié)合零空間和核Foley-Sammon變換的一種新類別檢測(cè)方法，該方法通過將訓(xùn)練圖像和待檢測(cè)圖像分別映射到零空間來計(jì)算待檢測(cè)圖像映射與訓(xùn)練圖像映射的歐氏距離，將最小的距離作為最終的新類別得分，然后根據(jù)設(shè)定的閾值實(shí)現(xiàn)待檢測(cè)圖像的集內(nèi)集外判定。

上述鞋印新類別檢測(cè)算法存在的問題：(1)基于鞋印的新類別檢測(cè)算法存在的問題是基于多層級(jí)聯(lián)的開集痕跡圖像分類方法對(duì)不同的得分區(qū)間采取不同的添加策略，而閾值的設(shè)定很關(guān)鍵，需要很大的技巧。(2)基于人臉的新類別檢測(cè)算法存在的問題是：基于相似度的開集識(shí)別方法利用測(cè)試樣本的整個(gè)相似度向量進(jìn)行判別，而不是考慮K個(gè)近鄰樣本的相似度，并沒有將相似度值特別低的樣本剔除這樣可能會(huì)影響判別效果；結(jié)合幾何變換的Adaboost開集識(shí)別需要將變換后的n個(gè)樣本依次通過分類器，看變換后的樣本能否密集的通過，但是這樣做在識(shí)別時(shí)間上的開銷成n倍的增加，不適合含有大量人臉數(shù)據(jù)庫的識(shí)別；基于轉(zhuǎn)導(dǎo)原理和KNN結(jié)合的開集人臉識(shí)別算法需要先計(jì)算測(cè)試樣本與所有訓(xùn)練類別的不合格度，根據(jù)不合格度再計(jì)算P值從而形成測(cè)試樣本的預(yù)測(cè)集，再根據(jù)P值的分布確定拒識(shí)別的閾值，該方法的計(jì)算復(fù)雜度高、內(nèi)存消耗大，因此不適合含有大量訓(xùn)練樣本類別的數(shù)據(jù)集。(3)基于通用數(shù)據(jù)集的新類別檢測(cè)算法存在的問題是：如果只利用最近鄰類別一個(gè)維度的距離信息進(jìn)行新類別檢測(cè)，就會(huì)損失與其它類別的距離信息，影響判別的效率。綜上所述，現(xiàn)有技術(shù)鞋印新類別的檢測(cè)準(zhǔn)確率低。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明實(shí)施例提供一種鞋印新類別檢測(cè)方法，以克服上述技術(shù)問題。

本發(fā)明一種鞋印新類別檢測(cè)方法，包括：

提取所述訓(xùn)練圖像和所述待檢測(cè)圖像的特征，所述訓(xùn)練圖像為已知類別的鞋印圖像，用于確定待檢測(cè)圖像是否為新類別鞋印圖像；

根據(jù)所述特征計(jì)算所述訓(xùn)練圖像之間的相似度矩陣、所述訓(xùn)練圖像與所述待檢測(cè)圖像之間的相似度矩陣；

根據(jù)所述訓(xùn)練圖像之間的相似度矩陣確定判別函數(shù)；

根據(jù)所述判別函數(shù)確定所述訓(xùn)練圖像和待檢測(cè)圖像在零空間對(duì)應(yīng)的訓(xùn)練圖像映射和待檢測(cè)圖像映射；

計(jì)算所述待檢測(cè)圖像映射與所述訓(xùn)練圖像映射的歐式距離；

根據(jù)所述歐式距離確定待檢測(cè)圖像是否為新類別。

進(jìn)一步地，所述提取所述訓(xùn)練圖像和所述待檢測(cè)圖像的特征，包括：

根據(jù)預(yù)設(shè)值將所述訓(xùn)練圖像與待檢測(cè)圖像上方作為腳掌，剩余部分作為腳跟；

將所述腳掌、所述腳跟圖像鏡像處理；

將原圖像與鏡像后的腳掌、腳跟圖像進(jìn)行小波變換為所述原圖像的四分之一；

將所述小波變換后的圖像進(jìn)行極坐標(biāo)變換，并提取傅里葉變換得到特征。

進(jìn)一步地，所述根據(jù)所述特征計(jì)算所述訓(xùn)練圖像之間的相似度矩陣，所述訓(xùn)練圖像與所述待檢測(cè)圖像之間的相似度矩陣，包括：

根據(jù)所述特征計(jì)算兩幅所述訓(xùn)練圖像鏡像處理前后的腳掌之間的相似度；并比較兩個(gè)相似度，將相似度較大的作為所述兩幅訓(xùn)練圖像腳掌的相似度；

根據(jù)所述特征計(jì)算兩幅所述訓(xùn)練圖像鏡像處理前后的腳跟之間的相似度；并比較兩個(gè)相似度，將相似度較大的作為所述兩幅訓(xùn)練圖像腳跟的相似度；

根據(jù)所述特征計(jì)算訓(xùn)練圖像和待檢測(cè)圖像鏡像處理前后的腳掌之間的相似度；并比較兩個(gè)相似度，將相似度較大的作為所述訓(xùn)練圖像和所述待檢測(cè)圖像之間腳掌的相似度；

根據(jù)所述特征計(jì)算訓(xùn)練圖像和待檢測(cè)圖像鏡像處理前后的腳跟之間的相似度；并比較兩個(gè)相似度，將相似度較大的作為所述訓(xùn)練圖像和所述待檢測(cè)圖像之間腳跟的相似度。

進(jìn)一步地，所述根據(jù)所述相似度矩陣確定判別函數(shù)，包括：

將所述訓(xùn)練圖像的相似度矩陣進(jìn)行中心化；

求所述中心化后的相似度矩陣的特征值和特征向量，并舍棄所述特征值小于零對(duì)應(yīng)的特征向量；

根據(jù)所述特征向量計(jì)算判別函數(shù)。

進(jìn)一步地，所述根據(jù)所述判別函數(shù)確定所述訓(xùn)練圖像和待檢測(cè)圖像在零空間對(duì)應(yīng)的訓(xùn)練圖像映射和待檢測(cè)圖像映射，包括：

根據(jù)所述判別函數(shù)將相同類別的訓(xùn)練圖像一一映射到零空間得到一類訓(xùn)練圖像映射；

計(jì)算待檢測(cè)圖像與所有訓(xùn)練圖像的相似度得到相似度向量，并將所述相似度向量各分量從大到小排序，將前K個(gè)相似度分量與所述判別函數(shù)相乘后得到待檢測(cè)圖像映射。

進(jìn)一步地，所述根據(jù)所述歐式距離確定待檢測(cè)圖像是否為新類別，包括：

將歐式距離按照從小到大的排序，并分別計(jì)算排序第一名與最后N名的比值，將所述N個(gè)比值與所述排序第一名的歐式距離值求和確定新類別值；

將所述新類別值與閾值比較，若所述新類別值大于閾值則確定所述待檢測(cè)圖像為新類別，若所述新類別值小于所述閾值則確定所述待檢測(cè)圖像屬于已有類別。

本發(fā)明實(shí)現(xiàn)對(duì)鞋印的有效管理，實(shí)現(xiàn)了更準(zhǔn)確地檢測(cè)鞋印新類別，提高了工作效率。

附圖說明

為了更清楚地說明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對(duì)實(shí)施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作一簡(jiǎn)單地介紹，顯而易見地，下面描述中的附圖是本發(fā)明的一些實(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動(dòng)性的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1為本發(fā)明鞋印新類別檢測(cè)方法流程圖；

圖2為本發(fā)明鞋印新類別檢測(cè)方法整體流程圖；

圖3為本發(fā)明待檢測(cè)圖像屬于集內(nèi)示意圖；

圖4為本發(fā)明待檢測(cè)圖像屬于集外示意圖。

具體實(shí)施方式

為使本發(fā)明實(shí)施例的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例。基于本發(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒有作出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。

圖1為本發(fā)明鞋印檢測(cè)方法流程圖，如圖1所示，本實(shí)施例的方法可以包括：

步驟101、提取所述訓(xùn)練圖像和所述待檢測(cè)圖像的特征，所述訓(xùn)練圖像為已知類別的鞋印圖像，用于確定待檢測(cè)圖像是否為新類別鞋印圖像；

步驟102、根據(jù)所述特征計(jì)算所述訓(xùn)練圖像之間的相似度矩陣、所述訓(xùn)練圖像與所述待檢測(cè)圖像之間的相似度矩陣；

步驟103、根據(jù)所述訓(xùn)練圖像之間的相似度矩陣確定判別函數(shù)；

步驟104、根據(jù)所述判別函數(shù)確定所述訓(xùn)練圖像和待檢測(cè)圖像在零空間對(duì)應(yīng)的訓(xùn)練圖像映射和待檢測(cè)圖像映射；

步驟105、計(jì)算所述待檢測(cè)圖像映射與所述訓(xùn)練圖像映射的歐式距離；

步驟106、根據(jù)所述歐式距離確定待檢測(cè)圖像是否為新類別。

進(jìn)一步地，所述提取所述訓(xùn)練圖像和所述待檢測(cè)圖像的特征，包括：

根據(jù)預(yù)設(shè)值將所述訓(xùn)練圖像與待檢測(cè)圖像上方作為腳掌，剩余部分作為腳跟；

將所述腳掌、所述腳跟圖像鏡像處理；

將原圖像與鏡像后的腳掌、腳跟圖像進(jìn)行小波變換為所述原圖像的四分之一；

將所述小波變換后的圖像進(jìn)行極坐標(biāo)變換，并提取傅里葉變換得到特征。

進(jìn)一步地，所述根據(jù)所述特征計(jì)算所述訓(xùn)練圖像之間的相似度矩陣，所述訓(xùn)練圖像與所述待檢測(cè)圖像之間的相似度矩陣，包括：

根據(jù)所述特征計(jì)算兩幅所述訓(xùn)練圖像鏡像處理前后的腳掌之間的相似度；并比較兩個(gè)相似度，將相似度較大的作為所述兩幅訓(xùn)練圖像腳掌的相似度；

根據(jù)所述特征計(jì)算兩幅所述訓(xùn)練圖像鏡像處理前后的腳跟之間的相似度；并比較兩個(gè)相似度，將相似度較大的作為所述兩幅訓(xùn)練圖像腳跟的相似度；

根據(jù)所述特征計(jì)算訓(xùn)練圖像和待檢測(cè)圖像鏡像處理前后的腳掌之間的相似度；并比較兩個(gè)相似度，將相似度較大的作為所述訓(xùn)練圖像和所述待檢測(cè)圖像之間腳掌的相似度；

根據(jù)所述特征計(jì)算訓(xùn)練圖像和待檢測(cè)圖像鏡像處理前后的腳跟之間的相似度；并比較兩個(gè)相似度，將相似度較大的作為所述訓(xùn)練圖像和所述待檢測(cè)圖像之間腳跟的相似度。

具體來說，本實(shí)施例中將圖像上方百分之六十的鞋印圖像作為腳掌，剩余百分之四十的鞋印圖像作為腳跟，再將腳掌、腳跟鏡像，接著對(duì)各部分進(jìn)行小波變換變?yōu)樵瓐D像的四分之一，然后進(jìn)行極坐標(biāo)變換再取傅里葉變換得到特征，將這四部分的特征作為一幅圖像的整體特征。計(jì)算對(duì)應(yīng)腳掌之間的相似度、腳掌與腳掌鏡像之間的相似度，為了消除左右腳的影響，取相似度大的作為兩幅圖像腳掌的相似度；再計(jì)算對(duì)應(yīng)腳跟之間的相似度、腳跟與腳跟鏡像之間的相似度，同樣取相似度大的作為兩幅圖像腳跟的相似度，最后腳掌相似度的權(quán)重是0.6，腳跟權(quán)重是0.4，二者的和作為最終兩幅圖像之間的相似度。依次類推計(jì)算任意兩幅訓(xùn)練圖之間的相似度。

進(jìn)一步地，所述根據(jù)所述相似度矩陣確定判別函數(shù)，包括：

將所述訓(xùn)練圖像的相似度矩陣進(jìn)行中心化；

求所述中心化后的相似度矩陣的特征值和特征向量，并舍棄所述特征值小于零對(duì)應(yīng)的特征向量；

根據(jù)所述特征向量計(jì)算判別函數(shù)。

具體來說，將舍棄特征值小于零對(duì)應(yīng)的特征向量S，根據(jù)

特征向量＝特征向量×(1/特征值)

進(jìn)行規(guī)范化處理，根據(jù)規(guī)范化后的特征向量矩陣計(jì)算判別函數(shù)，過程如下：

A、根據(jù)規(guī)范化后的矩陣H，計(jì)算T＝H^TH矩陣的特征向量N。

B、結(jié)合上述特征向量N和訓(xùn)練圖像相似度矩陣的特征向量S就可以求出最終的判別函數(shù)其中，I是m×m大小的單位陣，L是m×m大小且矩陣每個(gè)元素都為1/m，m是訓(xùn)練圖像的個(gè)數(shù)。

進(jìn)一步地，所述根據(jù)所述判別函數(shù)確定所述訓(xùn)練圖像和待檢測(cè)圖像在零空間對(duì)應(yīng)的訓(xùn)練圖像映射和待檢測(cè)圖像映射，包括：

根據(jù)所述判別函數(shù)將相同類別的訓(xùn)練圖像一一映射到零空間得到一類訓(xùn)練圖像映射；由于相同類別的訓(xùn)練樣本映射在零空間每一維度的坐標(biāo)都相同，故每一類形成單獨(dú)的一個(gè)點(diǎn)。

計(jì)算待檢測(cè)圖像與所有訓(xùn)練圖像的相似度得到相似度向量，并將所述相似度向量各分量從大到小排序，將前K個(gè)相似度分量與所述判別函數(shù)相乘后得到待檢測(cè)圖像映射。

進(jìn)一步地，所述根據(jù)所述歐式距離確定待檢測(cè)圖像是否為新類別，包括：

將歐式距離按照從小到大的排序，并分別計(jì)算排序第一名與最后N名的比值，將所述N個(gè)比值與所述排序第一名的歐式距離值求和確定新類別值；

具體來說，假設(shè)訓(xùn)練樣本類別有5類，分別計(jì)算待檢測(cè)圖像與此五類的歐氏距離，假設(shè)將歐式距離按照從小到大排序后為1、2、3、4、5，并分別計(jì)算第一名與倒數(shù)第一名、倒數(shù)第二名的比值為0.2和0.25，將所述兩個(gè)比值與所述排序第一名的歐式距離值求和確定新類別值1.45。

將所述新類別值與閾值比較，若所述新類別值大于閾值則確定所述待檢測(cè)圖像為新類別，若所述新類別值小于所述閾值則確定所述待檢測(cè)圖像屬于已有類別。本發(fā)明整理流程圖如圖2所示。

本發(fā)明的有益效果為：

1)本發(fā)明不止利用距離最近這一信息，還考慮距離最遠(yuǎn)的兩個(gè)類別包含的有用信息，即如果待檢測(cè)圖像屬于已知類別，其距離某一類別很近而距離其它類別相對(duì)較遠(yuǎn)；如果待檢測(cè)圖像是新類別，則其與訓(xùn)練樣本類別的距離都較遠(yuǎn)，該方法利用距離的對(duì)比信息可以增大集內(nèi)集外待檢測(cè)圖像得分的差異，提高檢測(cè)準(zhǔn)確率。待檢測(cè)圖像分別屬于集內(nèi)或集外的情況與訓(xùn)練樣本類別的距離如圖3、4所示，其中三角形代表待檢測(cè)圖像，其它形狀代表訓(xùn)練樣本類別。

2)本發(fā)明在求取判別函數(shù)時(shí)僅利用已知類別的訓(xùn)練集使判別條件達(dá)到無窮，得出最優(yōu)判別函數(shù)，使得判別函數(shù)不會(huì)因?yàn)槲粗悇e樣本的改變而不同。

3)本發(fā)明用于新類別鞋底花紋的檢測(cè)，實(shí)現(xiàn)對(duì)鞋印的有效管理，實(shí)現(xiàn)了更準(zhǔn)確地檢測(cè)鞋印，提高了工作效率。

最后應(yīng)說明的是：以上各實(shí)施例僅用以說明本發(fā)明的技術(shù)方案，而非對(duì)其限制；盡管參照前述各實(shí)施例對(duì)本發(fā)明進(jìn)行了詳細(xì)的說明，本領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解：其依然可以對(duì)前述各實(shí)施例所記載的技術(shù)方案進(jìn)行修改，或者對(duì)其中部分或者全部技術(shù)特征進(jìn)行等同替換；而這些修改或者替換，并不使相應(yīng)技術(shù)方案的本質(zhì)脫離本發(fā)明各實(shí)施例技術(shù)方案的范圍。