[发明专利]一种低质量鞋印图像的表示方法及鞋印图像检索方法

说明书

本发明提供一种低质量鞋印图像的表示方法及鞋印图像检索方法，其中鞋印图像的表示方法包括：获取待查询图像和鞋印图像数据集；根据待查询图像构建语义滤波器组，基于所述语义滤波器组计算鞋印图像扩展集中各图像的局部相似度，基于所述局部相似度构建内图表示矩阵；基于所述鞋印图像扩展集中各图像间的相似度构建相似度矩阵，由所述相似度矩阵构建邻接矩阵，基于所述邻接矩阵构建扁平邻接图，进而对所述扁平邻接图进行标准化处理后，构建外图表示矩阵；将所述内图表示矩阵和外图表示矩阵进行拼接处理。本发明以鞋图的形式从内部和外部结构关系来表示鞋印图像。增强了鞋印图像的内部语义表达和外部语义表达。

技术领域

本发明涉及图像处理技术领域，具体而言，尤其涉及一种低质量鞋印图像的表示方法及鞋印图像检索方法。

背景技术

目前鞋印表示的方法主要有基于全局表观特征、基于区域特征和基于局部旋转不变特征的表示方法。基于全局表观特征的鞋印表示算法主要是将整张鞋印图像作为输入，并提取鞋印图像的特征，比如傅里叶特征、功率谱密度特征等。Chazal等人提出了一种基于功率谱密度的鞋印表示方法，该方法首先对鞋印图像进行傅里叶变换，进而计算其功率谱密度并作为特征，最后进行相似度计算。基于区域特征的鞋印表示算法主要是将鞋印图像分为多个区域，对这些区域进行特征提取和相似度计算。Wang等人提出使用小波傅里叶特征来表示鞋印。该算法将鞋印图像分为前脚掌和后脚跟两部分，并分别对这两部分提取特征，最后通过权重将这两部分联合起来构成鞋印特征。基于局部旋转不变特征的鞋印表示方法主要是在鞋印图像中寻找一个感兴趣的点，再以该点为中心的块中提取特征。2020年，Park等人提出了使用关键点的几何布局来表示鞋印，并用随机森林分类器来计算相似度。

目前基于全局表观特征、基于区域特征和基于旋转不变特征的鞋印表示算法已经取得一定的成果，但他们是基于鞋印图像本身，没有考虑鞋印图像之间的关系。因此缺乏图像之间的语义信息。基于局部语义滤波器的方法只用响应最强的滤波器表示图像，忽略了滤波器之间的关系。

发明内容

鉴于现有技术的不足，本发明提供一种低质量鞋印图像的表示方法及鞋印图像检索方法。本发明既考虑了图像之间的关系，又考虑了滤波器之间的关系，有效地提升了低质量鞋印图像的表示精度。

本发明采用的技术手段如下：

一种低质量鞋印图像的表示方法，包括：

获取待查询图像和鞋印图像数据集，将所述待查询图像和鞋印图像数据集中的所有图像合并为鞋印图像扩展集，其中所述鞋印图像扩展集的第一幅图像为待查询图像；

根据待查询图像构建语义滤波器组，基于所述语义滤波器组计算鞋印图像扩展集中各图像的局部相似度，基于所述局部相似度构建内图表示矩阵；

基于所述鞋印图像扩展集中各图像间的相似度构建相似度矩阵，由所述相似度矩阵构建邻接矩阵，基于所述邻接矩阵构建扁平邻接图，进而对所述扁平邻接图进行标准化处理后，构建外图表示矩阵；

将所述内图表示矩阵和外图表示矩阵进行拼接处理，获得鞋印图像的联合表示矩阵。

进一步地，根据待查询图像构建语义滤波器组，基于所述语义滤波器组构建内图表示矩阵，包括：

所述根据纹理种类在待查询图像上选择k个语义块，针对每个语义块构建一个语义滤波器，将所有语义滤波器组合成语义滤波器组L＝{l₁,l₂,…,l_k}，其中k为纹理种类数量；

基于所述鞋印图像扩展集构建一个(N+1)×k的内图表示矩阵I，内图表示矩阵I的初始值为0，N为鞋印图像数据集中的图像数量；

计算鞋印图像扩展集中的任一图像与所述语义滤波器组中各语义滤波器的局部相似度，更新内图表示矩阵I对应的行数据，直至内图表示矩阵I全部更新完毕。