鞋印圖像是刑事偵查中常見(jiàn)的重要證物之一,它在揭露和證實(shí)犯罪時(shí)有重大作用。目前針對(duì)鞋印分類的算法大多是基于閉集分類的算法,其假設(shè)所有的測(cè)試圖像都包含在訓(xùn)練集中出現(xiàn)過(guò)的類別。然而現(xiàn)實(shí)的場(chǎng)景下,會(huì)出現(xiàn)很多未知類別的鞋印圖像,如果直接使用閉集的假設(shè)前提,其閉集性會(huì)迫使分類器從已知類中做出選擇,分類性能并不是很好。近幾年來(lái),深度網(wǎng)絡(luò)在解決各種視覺(jué)識(shí)別問(wèn)題上取得了顯著的進(jìn)展,對(duì)學(xué)術(shù)和商業(yè)應(yīng)用產(chǎn)生了巨大的影響。深度網(wǎng)絡(luò)可以提取到輸入鞋印圖像的深層次特征,基于此,本文使用深度學(xué)習(xí)技術(shù)提出了開(kāi)集鞋印分類算法研究,主要工作如下:1)給出了基于融合多卷積層的開(kāi)集分類算法通過(guò)分析鞋印圖像的特點(diǎn),本文以深度網(wǎng)絡(luò)為基礎(chǔ),給出了鞋印圖像特征提取的方法。由于待分類的類別很多,通過(guò)將不同層的卷積響應(yīng)圖相融合的方法,結(jié)合了中間層的全局信息和后面層的局部信息以提高類別間的可區(qū)分度,并結(jié)合判別方法,實(shí)現(xiàn)了開(kāi)集分類。在鞋印數(shù)據(jù)集上的AUC達(dá)到了 0.84。2)給出了基于多語(yǔ)義塊特征融合的開(kāi)集分類算法本文針對(duì)鞋印圖像差異性較大區(qū)域集中在腳掌和腳跟的特點(diǎn),給出了一種基于多語(yǔ)義塊特征融合的開(kāi)集分類算法。本文將一幅鞋印圖像分成四個(gè)語(yǔ)義... 

【文章來(lái)源】：大連海事大學(xué)遼寧省 211工程院校

【文章頁(yè)數(shù)】：70 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖２．２鞋印數(shù)據(jù)集各個(gè)類別數(shù)量統(tǒng)計(jì)圖??Ｆｉｇ．?２．２?Ｄｉｓｔｒｉｂｕｔｉｏｎ?ｏｆ?ｔｈｅ?ｍｅｍｂｅｒ?ｎｕｍｂｅｒ?ｏｆ?ｅａｃｈ?ｃｌａｓｓ??－１０?－??

?基于深度學(xué)習(xí)的開(kāi)集鞋印分類算法研究???為實(shí)現(xiàn)鞋印圖像開(kāi)集分類的算法，本文第３章介紹了基于融合多卷積層的開(kāi)集分類??算法，第４章介紹了基于多語(yǔ)義塊特征融合的開(kāi)集分類算法，第５章介紹了基于統(tǒng)計(jì)極??值理論的開(kāi)集分類算法。??，?／Ｉ??融合多尺度特征＝＾＞集內(nèi)外判別＝ｃ＞?分類????ｙ??????圖２．３算法流程圖??Ｆｉｇ．?２．３?Ｆｌｏｗ?ｃｈａｒｔ?ｏｆ?ｐｒｏｐｏｓｅｄ?ａｌｇｏｒｉｔｈｍ??２．４測(cè)試數(shù)據(jù)與評(píng)測(cè)方法??２．４．?１測(cè)試數(shù)據(jù)??本文中實(shí)驗(yàn)涉及到的數(shù)據(jù)全部由地方公安局提供，共有３３０８?jìng)�(gè)類別的數(shù)據(jù)集，其??中原始圖像的數(shù)量超過(guò)５個(gè)用于訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)，并對(duì)原始的數(shù)據(jù)集進(jìn)行擴(kuò)充后，包??含了?２１６５４０幅訓(xùn)練圖。挑選出只包含一幅原始鞋印圖像的類別作為未知類別用于算法??的測(cè)試階段，共有５２０８幅測(cè)試鞋印圖像。??２．?４．?２評(píng)測(cè)方法??本論文對(duì)于各個(gè)不同的算法下，開(kāi)集分類的識(shí)別結(jié)果，主要使用了文獻(xiàn)［４６］中定義??的ＲＯＣ曲線圖和其相關(guān)的ＡＵＣ指標(biāo)。其中ＡＵＣ的指標(biāo)代表ＲＯＣ曲線下面的面積，??將其作為度量一個(gè)開(kāi)集分類模型分類效果好壞的一個(gè)標(biāo)準(zhǔn)。??在現(xiàn)實(shí)的場(chǎng)景下，通常不同類別下的數(shù)據(jù)量是分布不均勻的，使得一些傳統(tǒng)的評(píng)價(jià)??指標(biāo)不能很好的反應(yīng)分類器的分類性能，例如得到的錯(cuò)誤率和準(zhǔn)確率不準(zhǔn)確，并不能完??全發(fā)反應(yīng)出模型的好壞。針對(duì)上面的這個(gè)問(wèn)題，在醫(yī)療分析中常用的評(píng)價(jià)方法ＲＯＣ分??析被引入到開(kāi)集的分類任務(wù)當(dāng)中。在其分析實(shí)驗(yàn)的評(píng)判中，ＲＯＣ曲線使用每一個(gè)測(cè)試??結(jié)果作為其判別界值，計(jì)算對(duì)應(yīng)的正例分對(duì)的概率ＴＰＲ（Ｔｒｕｅ?Ｐｏｓｉｔｉｖｅ?Ｒａｔｅ）和錯(cuò)例分為正??

?大連海事大學(xué)碩士學(xué)位論文???Ｔｒｕｅ?ｃｌａｓｓ??Ｐ?ｎ??ｆｐ?ｒａｔｅ＝ＦＰ／Ｎ?ｔｐ?ｒａｔｅ＝ＴＰ／Ｐ??Ｙ?Ｔｒｕｅ?Ｆａｌｓｅ??Ｐｏｓｉｔｉｖｅ?Ｐｏｓｉｔｉｖｅ??Ｈｖｎｏｔｈｅｓｉｚｅｄ??ｃｌａｓｓ?Ｐｒｅｃｉｓｉｏｎ＝ＴＰ／（ＴＰ＋ＦＰ）?Ｒｅｃａｌｌ＝ＴＰ／（ＴＰ＋ＦＮ）??Ｆａｌｓｅ?Ｔｒｕｅ??Ｎ?Ｎｅｇａｔｉｖｅ?Ｎｅｇａｔｉｖｅ??Ａｃｃｕｒａｃｙ＝（ＴＰ＋ＴＮ）／（Ｐ＋Ｎ）??圖２．４混淆矩陣??Ｆｉｇ．２．４?Ｃｏｎｆｕｓｉｏｎ?ｍａｔｒｉｘ??對(duì)于ＲＯＣ曲線，可以根據(jù)下圖對(duì)其進(jìn)行分析，如圖２．５所示。??Ｒｅｃｅｉｖｅｒ?ｏｐｅｒａｔｉｎｇ?ｃｈａｒａｃｔｅｒｉｓｔｉｃ?ｅｘａｍｐｌｅ??１０?■?，?７??ｉ?ｚ??／?１?ｚ??廠－?ｚ??０．８?－?ｆ—??／?，??－?ｙ??ｒｏ???ｒ?，??＾?０．６?＊?Ｉ??（Ｕ?Ｉ?ｙ??＞?Ｉ?，??ｉ?Ｉ?ｙ??０．４－?Ｊ?，??＾?！？—??？?／??０．２－?！?ｙ??Ｉ?ｚ??ＩＸ??ｏ．ｏ?－?＾??０．０?０．２?０．４?０．６?０．８?１．０??Ｆａｌｓｅ?Ｐｏｓｉｔｉｖｅ?Ｒａｔｅ??圖２．５?ＲＯＣ曲線圖??Ｆｉｇ．２．５?Ｔｈｅ?ｃｕｒｖｅ?ｏｆ?ＲＯＣ??對(duì)于圖２．５中所展示的ＲＯＣ曲線，其中包含了四個(gè)點(diǎn)和一條曲線。其中（０，?１）這個(gè)??點(diǎn)，即當(dāng)?ＦＲＲ＝０?的時(shí)候，ＴＰＲ＝１，此點(diǎn)意味著ＦＮ（ｆａｌｓｅ?ｎｅｇａｔｉｖｅ）＝０。而且ＦＰ（ｆａｌｓｅ?ｐｏｓｉｔｉｖｅ）??＝０，

【參考文獻(xiàn)】：
碩士論文
[1]開(kāi)集鞋底花紋分類算法研究[D]. 劉風(fēng)竹.大連海事大學(xué) 2017



本文編號(hào)：3210087