【摘要】：足跡作為案件現場常見的犯罪痕跡之一,其分割結果有利于提取足跡的信息,獲取揭露和證實犯罪的證據,進而提高刑事案件的破案率。然而,由于足跡本身包含豐富的多尺度特征,以及犯罪現場環(huán)境的復雜性造成的足跡殘缺、結構破損等問題,使得相關工作進展緩慢。近年來,隨著深度學習方法的發(fā)展,自然圖像的分割算法卻發(fā)展迅猛,其分割結果不斷在提升。本文主要目的是通過借鑒解決自然圖像的分割算法,并結合足跡圖像獨有的特點,設計出適應于足跡分割的模型,進而解決足跡分割問題。在全卷積網絡的基礎上,通過將跳層結構和損失函數結合到網絡結構的底層,即具備高分辨率、小感受野的層,獲取對應的小尺度的特征,這里稱這樣的層為低尺度層,提取到的特征叫作低尺度特征,從而分別構造出基于低尺度跳層結構和多尺度損失函數的足跡分割模型。并通過融合局部多個感受野下特征生成對應尺度特征,進一步豐富網絡在各個尺度上的特征提取能力,構造出最終的多精細尺度損失函數的足跡分割模型。低尺度跳層結構模型在測試集上,平均準確率和平均覆蓋率分別達到40.40%和31.99%。多尺度損失函數通過引入損失函數,加強網絡多尺度特征表示能力,將平均準確率和平均覆蓋率大幅度的提升到了86.18%和32.12%。最后通過改變網絡各個尺度上的拓撲結構,多個感受野下特征的融合作為單尺度特征,最終將平均準確率和平均覆蓋率提升到90.83%和33.17%。實驗結果表明,本文算法能夠分割出精準的足跡,保留足跡大量的精細結構特征,并在更大的數據集上具備魯棒性。
【學位授予單位】：大連理工大學
【學位級別】：碩士
【學位授予年份】：2018
【分類號】：D919;TP391.41

【參考文獻】

相關碩士學位論文 前1條

1 黃興華;圖像分割在足跡分割中的運用[D];大連理工大學;2012年

，

本文編號：2699890