[发明专利]一种鞋印新类别检测方法

说明书

本发明提供一种鞋印新类别检测方法，包括：提取训练图像和所述待检测图像的特征，所述训练图像为已知类别的鞋印图像，用于确定待检测图像是否为新类别鞋印图像；提取所述训练图像和所述待检测图像的特征；根据所述特征计算所述训练图像之间的相似度矩阵、所述训练图像与所述待检测图像之间的相似度矩阵；根据所述训练图像之间的相似度矩阵确定判别函数；根据所述判别函数确定所述训练图像和待检测图像在零空间对应的训练图像映射和待检测图像映射；计算所述待检测图像映射与所述训练图像映射的欧式距离；根据所述欧式距离确定待检测图像是否为新类别；根据所述新类别检测鞋印图像。本发明实现对鞋印的有效管理，实现了更准确地检测鞋印新类别。

技术领域

本发明实施例涉及图像分析领域，尤其涉及一种鞋印新类别检测方法。

背景技术

目前有基于鞋印数据集、人脸数据集和通用数据集的新类别检测算法，基于鞋印的新类别检测算法有采用多层级联的开集痕迹图像分类方法；基于人脸的新类别检测算法有：基于相似度分布的开集人脸识别算法、结合几何变换的Adaboost开集人脸识别算法、基于转导原理和KNN结合的开集人脸识别算法；基于通用数据集的有结合零空间和核Foley-Sammon变换的新类别检测算法。各方法的主要思路如下：(1)基于鞋印的新类别检测算法是采用多层级联的开集痕迹图像分类方法，该方法首先根据预处理后的待分类图像与痕迹图像库中每一痕迹图像的相似性筛选待分类图像的候选类别，然后计算待分类图像与候选类别中排名第一位的痕迹图像及其对应代表图像的相似性再利用多层级联的方式判断待分类图像是否属于痕迹图像库中某一类别或者新类别图像。(2)基于人脸的新类别检测算法有如下几种：基于相似度分布的开集人脸识别算法，该方法首先通过大量带标识的测试样本获得样本的相似度向量，并对测试样本按照以下三种情况分类：1)测试样本属于已知类别，且分类正确；2)测试样本属于已知类别，但分类错误；3)测试样本不属于已知类别。将第一种情况的向量归为0类，第二三种情况的向量归为1类。然后引入线性判别求出最优判别超平面，当一个新的测试样本进入识别系统后利用学习到的超平面判断测试样本是否属于已知类；结合几何变换的Adaboost开集人脸识别算法，该方法利用分类器对正样本的倾向性，使得原正样本变换产生的新样本仍可以通过分类器，负样本的近似样本却不易通过，能有效区分重叠区域的正负样本，并且通过两层识别结构减少时间的开销，使分类器在正确识别率不变的情况下，错误接受率可以大幅降低；基于转导原理和KNN结合的开集人脸识别算法，该方法首先利用转导原理和KNN结合计算测试样本的P值即测试样本的一个有效的随机性测试，如果最大P值明显的超过其它P值则将最大P值对应的标签输出，如果最大P值和邻近的得分相差不多但却与其它的P值相差很大则仍然将最大P值对应的标签输出，只是置信度很低，如果所有P值随机分布并且没有明显比其它值大很多的P值则应该对此样本拒识别。(3)基于通用数据集的是结合零空间和核Foley-Sammon变换的一种新类别检测方法，该方法通过将训练图像和待检测图像分别映射到零空间来计算待检测图像映射与训练图像映射的欧氏距离，将最小的距离作为最终的新类别得分，然后根据设定的阈值实现待检测图像的集内集外判定。

上述鞋印新类别检测算法存在的问题：(1)基于鞋印的新类别检测算法存在的问题是基于多层级联的开集痕迹图像分类方法对不同的得分区间采取不同的添加策略，而阈值的设定很关键，需要很大的技巧。(2)基于人脸的新类别检测算法存在的问题是：基于相似度的开集识别方法利用测试样本的整个相似度向量进行判别，而不是考虑K个近邻样本的相似度，并没有将相似度值特别低的样本剔除这样可能会影响判别效果；结合几何变换的Adaboost开集识别需要将变换后的n个样本依次通过分类器，看变换后的样本能否密集的通过，但是这样做在识别时间上的开销成n倍的增加，不适合含有大量人脸数据库的识别；基于转导原理和KNN结合的开集人脸识别算法需要先计算测试样本与所有训练类别的不合格度，根据不合格度再计算P值从而形成测试样本的预测集，再根据P值的分布确定拒识别的阈值，该方法的计算复杂度高、内存消耗大，因此不适合含有大量训练样本类别的数据集。(3)基于通用数据集的新类别检测算法存在的问题是：如果只利用最近邻类别一个维度的距离信息进行新类别检测，就会损失与其它类别的距离信息，影响判别的效率。综上所述，现有技术鞋印新类别的检测准确率低。