本文關(guān)鍵詞：基于卷積神經(jīng)網(wǎng)絡(luò)的鞋印圖像分類算法研究，由筆耕文化傳播整理發(fā)布。

【摘要】：鞋印圖像是刑事犯罪最常見的犯罪痕跡之一,它是揭露和證實犯罪的重要證據(jù)。目前鞋印分類和檢索算法都采用人工挑選特征的方式,這需要大量的工程技術(shù)和專業(yè)領(lǐng)域知識,在一定程度上限制了分類、檢索算法的研究。近幾年來,在圖像分類中取得很好效果的卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks, CNN)可以模仿人腦通過學(xué)習(xí)得到良好的特征,避免應(yīng)用過多的專業(yè)知識,減輕研究人員的負擔�；诖�,本文提出基于卷積神經(jīng)網(wǎng)絡(luò)的鞋印圖像分類算法,以期望通過學(xué)習(xí)的方式在無需人工提取特征的情況下提高鞋印分類的精度。由于在實際應(yīng)用中,鞋印圖像庫具有種類多但部分類別樣本數(shù)目少,且同類圖像差異較大的特點,這就造成了直接應(yīng)用CNN網(wǎng)絡(luò)進行鞋印分類的精度低且不易收斂。因此,本文從訓(xùn)練數(shù)據(jù)和訓(xùn)練效率兩個方面研究了CNN模型對鞋印圖像的分類任務(wù),提出了相關(guān)解決方案,提高了分類效率。本文主要工作內(nèi)容如下：1)介紹了CNN的結(jié)構(gòu)、思想框架及工作原理。介紹了在公開數(shù)據(jù)庫上取得較好分類效果的CNN模型及其改進模型,分析了鞋印圖像數(shù)據(jù)庫與公開數(shù)據(jù)庫的區(qū)別,給出了基于卷積神經(jīng)網(wǎng)絡(luò)模型的鞋印圖像分類算法整體框架。2)分析了小樣本集訓(xùn)練模型遇到的問題,從兩方面給出了CNN小樣本的訓(xùn)練方法。首先是樣本擴充和每類樣本數(shù)目選擇的問題,其次是訓(xùn)練加速的方法。3)通過觀察發(fā)現(xiàn)網(wǎng)絡(luò)中存在相似的特征圖,也就是說存在冗余的連接,針對這一問題優(yōu)化網(wǎng)絡(luò),給出了去冗余連接的CNN改進模型,提高了網(wǎng)絡(luò)的收斂速度,并且提高了分類的精度。將本文給出的CNN小樣本訓(xùn)練方法和去冗余連接的CNN模型改進方法應(yīng)用到鞋印圖像分類,提高了分類精度。在實際鞋印圖像數(shù)據(jù)集上的實驗表明：本文方法與傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)和手工提取特征的方法比較,分類錯誤率上分別降低了6.57%、2.07%,分類精度達到了97.57%。
【關(guān)鍵詞】：鞋印圖像分類 深度學(xué)習(xí) 卷積神經(jīng)網(wǎng)絡(luò) 小樣本集
【學(xué)位授予單位】：大連海事大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TP391.41;TP183
【目錄】：

• 摘要5-6
• ABSTRACT6-10
• 第1章 緒論10-22
• 1.1 研究背景與意義10-11
• 1.2 國內(nèi)外發(fā)展現(xiàn)狀11-19
• 1.2.1 鞋印圖像檢索和分類技術(shù)國內(nèi)外發(fā)展現(xiàn)狀11-15
• 1.2.2 基于卷積神經(jīng)網(wǎng)絡(luò)的模式識別技術(shù)國內(nèi)外發(fā)展現(xiàn)狀15-19
• 1.3 目前存在的問題及本文主要工作19-21
• 1.3.1 主要工作內(nèi)容19-20
• 1.3.2 主要創(chuàng)新點20-21
• 1.4 本文組織結(jié)構(gòu)21-22
• 第2章 基于卷積神經(jīng)網(wǎng)絡(luò)的鞋印圖像分類22-30
• 2.1 引言22
• 2.2 相關(guān)工作22-26
• 2.2.1 CNN的整體網(wǎng)絡(luò)結(jié)構(gòu)22-23
• 2.2.2 CNN的思想架構(gòu)23-24
• 2.2.3 LeNet-5的介紹及其在鞋印圖像上的效果24-25
• 2.2.4 公開數(shù)據(jù)庫及其模型介紹25-26
• 2.3 鞋印圖像庫的特點分析26-27
• 2.4 本文算法總體框架27-28
• 2.5 評測方法與測試數(shù)據(jù)28-29
• 2.6 小結(jié)29-30
• 第3章 小樣本卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練方法30-52
• 3.1 引言30
• 3.2 相關(guān)工作30-31
• 3.3 針對鞋印圖像的數(shù)據(jù)自動擴充方法31-35
• 3.3.1 RST及噪聲不變性的數(shù)據(jù)擴充31-34
• 3.3.2 根據(jù)鞋印特點的彈性形變數(shù)據(jù)擴充34
• 3.3.3 圖片剪切的數(shù)據(jù)擴充34-35
• 3.4 每類樣本數(shù)目的選擇方法與實驗分析35-42
• 3.4.1 原始樣本數(shù)目數(shù)據(jù)訓(xùn)練模型36
• 3.4.2 歸一化樣本數(shù)目數(shù)據(jù)訓(xùn)練模型36-38
• 3.4.3 統(tǒng)一樣本數(shù)目數(shù)據(jù)訓(xùn)練模型38-41
• 3.4.4 樣本數(shù)目選擇方法實驗分析41-42
• 3.5 卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練加速方法42-49
• 3.5.1 參數(shù)初始化42-47
• 3.5.2 可變的學(xué)習(xí)速率47-49
• 3.6 實驗分析49-50
• 3.7 小結(jié)50-52
• 第4章 去冗余連接的CNN模型改進方法研究52-64
• 4.1 引言52
• 4.2 相關(guān)工作52-55
• 4.3 本文方法55-62
• 4.4 實驗分析62-63
• 4.4.1 實驗數(shù)據(jù)62
• 4.4.2 實驗結(jié)果62-63
• 4.5 小結(jié)63-64
• 第5章 基于卷積神經(jīng)網(wǎng)絡(luò)的鞋印圖像分類算法實驗結(jié)果分析64-68
• 5.1 實驗數(shù)據(jù)64
• 5.2 實驗參數(shù)設(shè)置64
• 5.3 實驗結(jié)果比較64-68
• 第6章 總結(jié)與展望68-70
• 6.1 本文主要工作總結(jié)68-69
• 6.2 未來工作展望69-70
• 參考文獻70-77
• 攻讀學(xué)位期間公開發(fā)表論文77-78
• 致謝78-79
• 作者簡介79

【參考文獻】

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前2條

1 孫會會;基于反饋的現(xiàn)場鞋底痕跡花紋檢索算法研究[D];大連海事大學(xué);2014年

2 馬臣;基于LBP與形狀上下文的足跡比對算法研究[D];大連海事大學(xué);2014年

  本文關(guān)鍵詞：基于卷積神經(jīng)網(wǎng)絡(luò)的鞋印圖像分類算法研究，，由筆耕文化傳播整理發(fā)布。

本文編號：388020