[发明专利]基于特征融合的现勘图像分类方法

说明书

一种基于特征融合的现勘图像分类方法，由构建卷积神经网络、特征提取、特征选择、训练分类器步骤组成。本发明采用了ReLu激活函数、局部响应归一化、两种卷积神经网络特征融合和特征选择方法来构建卷积神经网络结构，通过卷积层特征与全连接层特征进行融合丰富了图像的信息，并通过结合拉普拉斯分值和互信息值的方法降低了特征的冗余性以及降低了特征维度。本发明与现有技术相比，具有分类准确率高、特征向量冗余性低、图像提取特征信息丰富等优点，可用于现勘图像的分类。

技术领域

本发明属于图像处理技术领域，具体涉及到现勘图像的分类方法。

背景技术

随着公安现场勘验采集设备的改进，犯罪案件的类型不断增加，尤其在案件侦破、串并案分析与法庭取证时，缺乏快速而有效的自动化处理技术。如何按照刑侦人员对现勘图像的理解由计算机完成自动分类、缩小侦查范围、帮助刑侦人员提高工作效率，是刑侦领域中一项非常具有挑战性的工作。由于现勘图像具有较强的行业性、保密性，缺乏大型公开的数据集，给图像分类带来较大难度。

现勘图像的应用场景较为特殊，现勘图像自身具有目标物体背景复杂，甚至有些无法确定目标物体，给图像特征提取带来很大难度。

目前现勘图像分类主要基于低层特征提取和深层特征提取的分类方法，低层特征提取方法是采用颜色、纹理、形状或者它们的组合特征等信息来表征图像的内容。由于低层特征提取未能充分表示现勘图像内容特点，并且分类准确率较低。卷积神经网络模型能够通过逐层提取的方式，高效并自主化的提取出图像的深层特征,并很好地解决了低层特征与高层语义之间的鸿沟问题。

在现勘图像的检索与分类方法中，卷积神经网络的应用和创新研究并不多，现有技术有：传统的卷积神经网络应用在现勘图像中；使用传统特征与卷积神经网络特征相融合(例如：将颜色特征、小波特征与卷积神经网络特征加权融合)。上述现勘图像的检索与分类方法所存在的主要技术问题是提取现勘图像内容信息的单一性和特征向量的冗余性问题，导致现勘图像分类效果不是很满意。

发明内容

本发明所要解决的技术问题在于克服上述现有技术的缺点，提供一种分类速度快、分类准确的基于特征融合的现勘图像分类方法。

解决上述技术所采用的技术方案是由下述步骤组成：

(1)构建卷积神经网络

1)图像预处理

从现勘图像数据集中选取4000～8480张训练样本图像和1000～2120张测试样本图像进行大小归一化至像素为256×256或者224×224。

2)设定卷积神经网络的初始结构

输入层是训练样本图像，输入层后连接含有96个大小为109×109的卷积核的第一卷积层，第一卷积层后连接第一池化层，第一池化层后连接局部响应归一化层，局部响应归一化层后连接含有256个大小为33×33的卷积核的第二卷积层，第二卷积层后连接第二池化层，第二池化层后连接3个首尾连接含有512个大小为17×17的卷积核的第三巻积层、第四巻积层、第五巻积层，第五巻积层后连接第三池化层，第三池化层后连接4096个特征图的第一全连接层，第一全连接层后连接第二全连接层，第二全连接层后连接输出层。

3)引入激励函数

在每个卷积层后引入激活函数ReLu为：

其中x前是一层的输出、为有限的正整数。

4)局部响应归一化

按式(2)确定局部响应归一化：

其中，a_i,j,k为归一化前第k个特征图在位置(i,j)池化后的输出，N为特征图的数目，n为有限的正整数，0≤α≤1、0≤β≤1。