基于迁移学习及特征融合的轮胎花纹图像分类

为提高图像分类性能,解决因训练数据不足导致卷积神经网络模型过拟合的问题,提出一种基于迁移学习和特征融合的轮胎花纹图像分类算法。将HSV颜色直方图、GIST描述子与方向梯度直方图结合作为轮胎图像低层特征;将迁移学习引入卷积神经网络模型训练中,通过轮胎图像数据集对预训练模型参数微调,获得适用于轮胎花纹图像的新模型,提取全连接层特征作为图像高层特征;将低层和高层特征融合作为轮胎图像最终特征用于训练SVM分类器,实现高效分类。实验结果表明了所提算法的有效性。

轮胎花纹图像检索技术综述

轮胎花纹图像检索在交通事故处理及刑事案件侦破中是获取破案信息的重要手段,虽然基于内容的图像检索技术已发展数十年,但由于轮胎花纹图像数据的来源及应用场景特殊等因素,目前这方面的研究文献并不多。在研究近年来轮胎花纹图像检索领域相关文献的基础上,对该领域的技术现状进行总结分析。首先,围绕轮胎花纹纹理特征提取和高层语义特征提取两项关键技术描述了该领域的主要研究成果,并总结了轮胎花纹数据库以及检索性能评价指标。然后,分别针对轮胎花纹低层特征和高层特征提取进行实验对比并分析结果。最后,结合现有技术及实际应用需求,分析了该领域的技术发展趋势并指出了未来的研究方向。

基于CNN、SVM和迁移学习的轮胎花纹分类

轮胎花纹图像分类在交通事故及刑侦破案取证中具有重要的作用。为了准确地分类轮胎花纹图像,提出了一种基于卷积神经网络(convelutional neural network,CNN)、支持向量机(support vector machine,SVM)和迁移学习的轮胎花纹分类算法。首先对辅助数据库ImageNet进行CNN训练得到初始CNN模型;其次,基于迁移学习思想,利用轮胎花纹图像数据库对初始CNN模型的分类层进行微调训练,得到用于轮胎花纹图像分类的CNN模型;最后,从所得CNN模型的第二个全连接层提取输出的4 096维特征,用该特征对轮胎花纹图像进行基于SVM的图像分类。使用轮胎花纹图像数据库进行分类实验,结果表明,提出算法的分类精度达到93.1%。说明提出算法能够提高轮胎花纹图像的分类准确率。

从江川铜鼓看滇国文化传播

新中国建立以来,滇池区及附近地区发掘出了不少滇国时期的文化遗物,其中就有大量的青铜器。从传播学的角度来说,这些青铜器可算作非语言符号的一种,即是属于物化、活动化、程式化的符号,而象征性和体系性是这一类符号的特点。也就是说,在这一类非语言符号中,该符号的形状、大小、质地、色彩、花纹等等诸如此类的元素,都在进行着信息的传播与传递。这里选取了出土于江川县李家山24号墓的铜鼓作为研究对象,通过对其所属类型、起源、花纹等三个方面的分析,分别表述滇国文化是怎样通过江川铜鼓进行传播。

K步稳定的鞋印花纹图像自动聚类

目的鞋印是刑事侦查的重要物证之一,如何对积累的大量鞋印花纹图像进行自动归类管理是刑事技术迫切需要解决的问题之一。与其他类图像不同,鞋印花纹图像具有种类多但数目未知、同类花纹分布不均匀且同类花纹数目少的特点。基于鞋印花纹图像的这些特点,用目前典型的聚类算法对鞋印花纹图像集进行聚类,并不能取得很好的效果。在对鞋印花纹图像进行分析的基础上,提出一种K步稳定的鞋印花纹图像自动聚类算法。方法对已标记的鞋印花纹图像进行统计发现,各类鞋印花纹之间在特征空间上存在互不相交的区域(本文称为隔离带)。算法的核心思想是寻找各类鞋印花纹之间的隔离带,来将各类分开。过程为:以单调递增或递减的方式调整特征空间中判定两点为一类的阈值,得到数据集的多次划分;若在连续K次划分的过程中,某一类的成员不发生变化,则说明这K次调整是在隔离带中进行的,即聚出一类,并从数据集中删除已标记的数据;选择下一个阈值对剩余的数据集进行划分,输出K步不变的类;依此类推,直到剩余数据集为空,聚类完成。结果在两类公开测试数据集和实际鞋印花纹数据集上进行实验,本文算法的主要性能指标都超过典型算法,其中在包含5 792枚实际鞋印花纹数据集上的聚类准确率和F-Measure值分别达到了99.68%和95.99%。结论针对鞋印花纹图像特点,提出了一种通过寻找各类之间的隔离带进行自动聚类的算法,并在实际应用中取得了很好的效果。且算法性能受参数的变化以及类的形状影响较小。本文算法同样适用于具有类似特点的其他数据集的自动聚类。

基于SIFT、K-means和BOF的鞋底痕迹检索

随着计算机技术的迅猛发展,图像处理在不同领域中发挥了重要作用。在刑侦方面,实现鞋印的信息化检索,对侦破串并案件有着重要的意义,使用K-means聚类算法对SIFT(Scale Invariant Feature Transformation)的特征向量矩阵进行聚类,构建鞋底痕迹花纹图像视觉特征包,根据余弦相似定理排序得出结论。实验结果表明,该算法对于鞋底痕迹花纹图像检索具有较高查准率,并且对于残缺的鞋底痕迹花纹图像具有较强的抗变换性。

Texture Classification of 3D Surface Textures Via Directional Quincunx Lifting

This thesis presents a new approach to classify 3D surface textures by using lifting transform with quincunx subsampling. Feature vectors are generated from eight different lifting prediction directions. We classify 3D surface texture images based on minimum Euclidean distance between the test images and the training sets. The feasibility and effectiveness of our proposed approach can be validated by the experimental results.