图像分块及惰性多示例学习鞋印图像识别

结合图像分块与惰性多示例学习(MIL)给出一种鞋印识别新算法。将整个鞋印图像当作包,根据脚底生物特征比例,采用均匀网格分块的方法将鞋印图像分成15个子块,并提取每个子块的纹理与形状特征,当作包中的示例,将鞋印图像识别问题转化成MIL问题;然后,将推土机距离(EMD)应用到K最近邻(KNN)算法中,得出一种惰性MIL新方法用于鞋印识别。在包含5种不同类型花纹的鞋印库中进行实验,识别正确率可达91.28%,较之基于欧氏距离的KNN算法,识别精度平均提高4.0%。

基于融合特征和极限学习机的鞋印图像识别方法研究

针对鞋印图像结构形态特点,提出一种基于融合特征和极限学习机(ELM)的鞋印图像识别方法,将图像均匀分成152个大小相等的子区域,并提取相应的纹理、形状特征,结合两种特征信息提取子区域融合特征向量,再通过逐行扫描子区域的方法计算出鞋印图像融合特征向量,然后利用ELM实现对鞋印图像的识别。实验结果表明,该方法可以有效对鞋印图像进行识别,比其他特征识别方法具有更高的准确率。