[发明专利]一种适合高维特征的鞋印新类别检测方法

说明书

技术领域

本发明涉及图像处理及痕迹检验技术领域，具体说涉及一种适合高维特征的鞋印新类别检测方法。

背景技术

目前在图像处理技术领域有基于鞋印数据集、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结合零空间下距离对比信息的新类别鞋印检测算法、采用多层级联的开集痕迹图像分类方法；基于通用数据集的新类别检测算法有Local KNFST。

(1)基于鞋印的新类别检测算法

零空间下距离对比信息的新类别鞋印检测算法：利用零空间下，类间散布矩阵与类内散布矩阵的比值能达到无穷大的特性，分别将所有训练样本类别以及待检测样本映射在零空间，在零空间下计算待检测样本与每一类训练样本类别的欧氏距离，然后将距离从小到大排名，利用距离最近和距离最远的N个类别之间的对比信息实现新类别的检测。

采用多层级联的开集痕迹图像分类方法：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。

基于鞋印的新类别检测算法存在的问题是：结合零空间下距离对比信息的新类别检测算法只考虑了待检测样本特征在零空间中低维特性，并没有考虑待检测样本特征在原始高维空间的特性，所以该方法对待检测样本的特征描述缺乏流形一致性；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)基于通用数据集的新类别检测方法

Local KNFST是一种新类别检测方法：该方法通过将训练样本和待检测样本分别映射到零空间来计算待检测样本与训练样本类别的欧氏距离，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对含有未知类别样本的集内集外判定。

基于通用数据集的新类别检测算法存在的问题是：Local KNFST只利用最近邻类别一个维度的信息进行新类别检测，损失了与其它类别的距离信息，影响判别的效率，并且该方法只考虑了样本在零空间的低维特征，并没有考虑样本在原始空间的高维特性，影响判别的准确率。

发明内容

鉴于已有技术存在的不足，本发明的目的是要提供一种适合高维特征且检测准确性高的鞋印新类别检测方法。

为了实现上述目的，本发明技术方案如下：

一种适合高维特征的鞋印新类别检测方法，其特征在于，具体步骤包括：

S1、提取样本特征，取已知类别的鞋印图像为训练样本，分别提取训练样本和待检测样本的特征；

S2、计算相似度矩阵，根据训练样本特征和待检测样本特征计算得到训练样本与训练样本之间的相似度矩阵、待检测图像样本与训练图像样本之间的相似度矩阵；

S3、计算映射矩阵，根据步骤S2得到的训练样本之间的相似度矩阵，计算得到映射矩阵

S4、将训练样本映射到零空间，由步骤S3所得映射矩阵将所有训练样本都映射到零空间，使每一类别的训练样本在零空间映射为一个点；

S5、计算待检测样本属于新类别的置信度，由步骤S3所得映射矩阵对待检测样本进行映射，计算在零空间内待检测样本点与每一类训练样本点的欧氏距离，并对得到的欧式距离进行从小到大的排序，根据排序结果，计算待检测样本属于新类别的置信度Δd；

S6、计算检测样本特征在原始高维空间的特性，取与待检测样本点距离最近的训练样本类别，分别计算待检测样本与此类别内的所有训练样本之间的相似度，并输出最大的相似度值S，将此相似度值作为待检测样本特征在原始高维空间的特性；

S7、求取新类别值，将步骤S5得到的置信度Δd与步骤S6得到的最大相似度值S的和作为最终的新类别值t；

S8、判断待检测样本类别，根据设定的阈值T与步骤S8得到的新类别值t的比较结果，判断待检测样本是否属于新类别，即t值如果小于阈值T则待检测样本是新类别。

与现有技术相比，本发明的有益效果：

(1)本发明计算待检测样本在零空间的新类别值时，不是利用距离的对比信息，而是利用置信度，即待检测样本属于集内时的置信度值比待检测样本属于集外时的置信度值要大很多，通过置信度来增大集内集外样本的差异，提高检测准确率。