現(xiàn)勘圖像檢索綜述

現(xiàn)勘圖像檢索綜述劉穎;胡丹;范九倫【摘要】Crimesceneinvestigation(CSI)imageretrievalisanimportantmeanstoobtainmaterialevidenceforcasesolving.ThispaperdescribestheCSIimagedatasets,whichareclassifiedintodifferentcategoriesaccordingtothecontentofthedata,suchasshoemarks,fingerprints,tattoo,etc.Thispaperprovidesasurveyonstate-of-the-arttechniquesinCSIimageretrievalfocusingonlow-levelfeatureextractionandhigh-levelsemanticlearning.Low-levelCSIimagefeaturesmainlyincludecolorfeature,texturefeature,boundarydescriptor,etc.And,threecategoriesofhigh-levelsemanticextractiontechniquesforCSIimagesareidentifiedincludingusingsemantictemplateanddatabaseontology,machinelearningtechniquesandintroducingrelevancefeedback.Inaddition,basedonpracticalrequirementsfromthepoliceonusingCSIimagestofindevidenceclues,afewresearchdirectionsaresuggestedsuchasintroducingpriorknowledgeofthepolicetoenhanceretrievalefficiency.%現(xiàn)勘圖像檢索是進(jìn)行證據(jù)圖像比對(duì)以獲取物證信息的重要手段.本文基于目前應(yīng)用廣泛的現(xiàn)勘圖像數(shù)據(jù)庫，根據(jù)圖像內(nèi)容將圖像分為鞋印、指紋、紋身等種類.并通過對(duì)現(xiàn)勘圖像的兩項(xiàng)關(guān)鍵技術(shù)即低層數(shù)字特征提取和高層語義分析的總結(jié),從顏色特征、紋理特征、邊緣提取等方面綜述了現(xiàn)勘圖像低層數(shù)字特征提取技術(shù)，從利用語義模板和數(shù)據(jù)庫本體結(jié)構(gòu)、機(jī)器學(xué)習(xí)算法、引入人工反饋三大類高層語義提取技術(shù)綜述了現(xiàn)勘圖像高層語義分析的研究成果.最后，結(jié)合公安行業(yè)利用現(xiàn)勘圖像獲取物證線索的實(shí)際應(yīng)用需求，指出了通過引入公安行業(yè)先驗(yàn)知識(shí)來提高檢索效率等研究方向.【期刊名稱】《電子學(xué)報(bào)》【年(卷)，期】2018(046)003【總頁數(shù)】8頁(P761-768)【關(guān)鍵詞】現(xiàn)勘圖像檢索;現(xiàn)勘圖像數(shù)據(jù)庫;低層數(shù)宇特征;高層語義特征【作者】劉穎;胡丹;范九倫【作者單位】西安郵電大學(xué)圖像與信息處理研究所，陜西西安710121;電子信息現(xiàn)場(chǎng)勘驗(yàn)應(yīng)用技術(shù)公安部重點(diǎn)實(shí)驗(yàn)室，陜西西安710121;西安郵電大學(xué)圖像與信息處理研究所，陜西西安710121;電子信息現(xiàn)場(chǎng)勘驗(yàn)應(yīng)用技術(shù)公安部重點(diǎn)實(shí)驗(yàn)室，陜西西安710121;西安郵電大學(xué)圖像與信息處理研究所，陜西西安710121【正文語種】中文【中圖分類】TP391.411引言現(xiàn)勘圖像是現(xiàn)場(chǎng)勘驗(yàn)信息的重要組成部分，而現(xiàn)勘圖像檢索(CrimeSceneInvestigationImageRetrieval,CSIR)可為刑偵破案提供重要線索，并在串并案中起到重要作用.隨著攝像設(shè)備的普及，現(xiàn)勘圖像數(shù)量的積累增加，高效的CSIR對(duì)提高公安機(jī)關(guān)的工作效率、節(jié)省人力物力資源越來越重要[1~3].基于內(nèi)容的圖像檢索(Content-BasedImageRetrieval,CBIR)利用從圖像像素值中提取的低層圖像數(shù)字特征和高層語義特征來描述圖像內(nèi)容,并通過圖像特征向量間的距離來定義圖像相似度，從而實(shí)現(xiàn)圖像數(shù)據(jù)庫檢索[4].關(guān)于CBIR的研究始于上個(gè)世紀(jì)八十年代.常用的圖像低層數(shù)字特征包括色度特征、紋理特征、空間位置特征和形狀特征[5].除了傳統(tǒng)的圖像低層數(shù)字特征[4,5],近年來，研究對(duì)亮度、平移、旋轉(zhuǎn)、尺度等變化具有魯棒性的圖像特征越來越受到重視[6,7],比如尺度不變特征變換(ScaleInvariantFeatureTransform,SIFT)[7]、方向梯度直方圖(HistogramofOrientedGradient,HOG)[8]、詞袋(BagofWords,BOW)[9]、空間金字塔匹配(SpatialPyramidMatching,SPM)[10]等.圖像高層語義特征(high-levelsemanticfeature)是將圖像低層數(shù)字特征通過機(jī)器學(xué)習(xí)等算法轉(zhuǎn)換為接近人類語言的文字描述[5].除了傳統(tǒng)的語義學(xué)習(xí)算法[4],近年來，學(xué)者們將相關(guān)反饋(RelevanceFeedback,RF)[11]、模糊理論(fuzzytheory)[12,13]等用于CBIR中，以引入更多的人機(jī)交互,引用人類容易理解的術(shù)語表達(dá)結(jié)果，提供學(xué)習(xí)速度快、網(wǎng)絡(luò)結(jié)構(gòu)簡(jiǎn)單的檢索模型，從而顯著減少檢索時(shí)間，提高檢索準(zhǔn)確率.深度學(xué)習(xí)(deeplearning)可以利用卷積神經(jīng)網(wǎng)絡(luò)從大數(shù)據(jù)中自動(dòng)學(xué)習(xí)出圖像的高層語義特征，近年來在圖像分類方面表現(xiàn)突出[14~16].雖然CBIR已經(jīng)發(fā)展多年，但是由于現(xiàn)勘圖像數(shù)據(jù)涉及實(shí)際案件,數(shù)據(jù)來源特殊，建立科研用現(xiàn)勘圖像數(shù)據(jù)庫并不容易.因此，學(xué)術(shù)界目前關(guān)于CSIR的研究相對(duì)較少.此外,現(xiàn)勘圖像數(shù)據(jù)本身具有不同于學(xué)術(shù)界常用測(cè)試圖像數(shù)據(jù)庫的特點(diǎn),常規(guī)的CBIR算法不一定適用于CSIR[17].要提高CSIR的效率，需要充分考慮現(xiàn)勘圖像數(shù)據(jù)的特點(diǎn),及公安行業(yè)的實(shí)際應(yīng)用需求.本文總結(jié)了該領(lǐng)域已有的研究成果，討論了現(xiàn)勘圖像檢索的最新技術(shù)動(dòng)態(tài),并介紹了目前研究學(xué)者們使用的各類現(xiàn)勘圖像數(shù)據(jù)庫.此外，結(jié)合公安行業(yè)實(shí)際需求，分析了現(xiàn)勘圖像檢索技術(shù)的發(fā)展趨勢(shì)，指出了該領(lǐng)域幾個(gè)未來研究方向.2現(xiàn)勘圖像數(shù)據(jù)庫近年來的學(xué)術(shù)文獻(xiàn)顯示,目前在這個(gè)領(lǐng)域比較活躍的研究團(tuán)隊(duì)有:新加坡南洋理工大學(xué)計(jì)算機(jī)工程學(xué)院法庭科學(xué)和安全實(shí)驗(yàn)室(ForensicandSecurityLaboratory,SchoolofComputerEngineering,NanyangTechnologicalUniversity)、密歇根州立大學(xué)計(jì)算機(jī)科學(xué)與工程學(xué)院(ComputerScienceandEngineeringatMichiganStateUniversity)、首都師范大學(xué)信息工程學(xué)院、西安郵電大學(xué)圖像與信息處理研究所等高校及研究院的科研團(tuán)隊(duì)這些學(xué)者們所用的現(xiàn)勘圖像數(shù)據(jù)多為來自特殊行業(yè)的實(shí)際數(shù)據(jù)，也有部分自建數(shù)據(jù).主要有:車牌圖像庫、手印掌印圖像庫、紋身圖像庫、毛發(fā)圖像庫、皮膚標(biāo)志圖像庫等[21~34].如表1所描述，部分例圖如圖1所示.表1現(xiàn)勘圖像數(shù)據(jù)庫介紹研究機(jī)構(gòu)數(shù)據(jù)庫類別數(shù)據(jù)庫大小(張)ShahidRajaeeTeacherTrainingUniversity,Iran車牌1200ForensicandSecurityLaboratory,SchoolofComputerEngineering,NanyangTechnologicalUniversity,Singapore掌紋7752首都師范大學(xué)鞋印2000ComputerScienceandEngineeringatMichiganStateUniversity,USA紋身100000ForensicandSecurityLaboratory,SchoolofComputerEngineering,NanyangTechnologicalUniversity,Singapore皮膚1133西安郵電大學(xué)圖像與信息處理研究所輪胎花紋100000西安郵電大學(xué)圖像與信息處理研究所綜合11456西安郵電大學(xué)圖像與信息處理研究所依托與公安部共建的研究平臺(tái),多年來從事現(xiàn)勘圖像檢索領(lǐng)域的研究，目前建成了包含11456幅46類實(shí)際案例圖像的數(shù)據(jù)庫，包括生物物證、血跡、車輛、指紋、鞋印、作案工具、輪胎壓痕等.3現(xiàn)勘圖像檢索技術(shù)文獻(xiàn)中對(duì)CSIR的研究，大部分針對(duì)某一類現(xiàn)勘圖像進(jìn)行，比如紋身數(shù)據(jù)庫，鞋印數(shù)據(jù)庫,毛發(fā)數(shù)據(jù)庫等[18~31].而隨著大數(shù)據(jù)的出現(xiàn)，快速有效地從多渠道多種類大型現(xiàn)勘圖像數(shù)據(jù)庫中獲取有效線索越來越受到重視.CSIR的研究是在基于CBIR技術(shù)的基礎(chǔ)上，根據(jù)現(xiàn)勘圖像數(shù)據(jù)的特點(diǎn)，進(jìn)行改進(jìn)以提高檢索效率.本文基于現(xiàn)有的基于內(nèi)容的現(xiàn)勘圖像檢索技術(shù)［18~35］,從現(xiàn)勘圖像低層數(shù)字特征提取、高層語義特征提取兩個(gè)方面描述CSIR的發(fā)展現(xiàn)狀.3.1現(xiàn)勘圖像低層數(shù)字特征提取這類算法利用現(xiàn)勘圖像低層數(shù)字特征向量之間的相似度來對(duì)現(xiàn)勘圖像進(jìn)行檢索.學(xué)者們根據(jù)不同種類現(xiàn)勘圖像數(shù)據(jù)的特色，提出了不同的特征提取算法以及與其相匹配的相似度計(jì)算方法.車牌圖像預(yù)處理是車牌圖像檢索重要的一個(gè)步驟，圖像清晰易讀便于提取特征［18,19］.文獻(xiàn)［18］采用高斯濾波的方法對(duì)圖像進(jìn)行增強(qiáng)和重建,使圖像中的關(guān)鍵點(diǎn)以及一些細(xì)節(jié)變得清晰，提高圖像的可讀性并采用自適應(yīng)閾值算法和數(shù)字形態(tài)學(xué)算法來找到車牌邊緣,根據(jù)車牌邊緣定位車牌位置.文獻(xiàn)［19］采用Canny邊緣檢測(cè)算子和灰度圖像形態(tài)學(xué)運(yùn)算來檢測(cè)車牌邊緣，提取車牌圖像邊緣特征.鞋印文獻(xiàn)［21］提出采用腳印圖像的強(qiáng)度值作為特征矢量，運(yùn)用腳印形態(tài)學(xué)來對(duì)腳印圖像進(jìn)行分析檢索，對(duì)腳印圖像去噪后，將圖像分割成幾個(gè)小區(qū)域，計(jì)算圖像每一塊小區(qū)域的像素標(biāo)準(zhǔn)差，其計(jì)算公式如下：(1)其中M為像素均值,N為像素總個(gè)數(shù),xi為圖像區(qū)域中的像素值，統(tǒng)計(jì)整幅圖像的標(biāo)準(zhǔn)差直方圖,將此直方圖作為腳印圖像的強(qiáng)度值特征進(jìn)行檢索.文獻(xiàn)［22］提出對(duì)鞋底花紋的重復(fù)性(周期性)進(jìn)行提取，用其傅里葉特征作為其低層特征.文獻(xiàn)［23］采用SIFT算子來提取鞋印圖像關(guān)鍵點(diǎn)的梯度和方向,構(gòu)成特征向量，然后利用交叉相關(guān)的方法來計(jì)算兩幅圖像的相似度.文獻(xiàn)［24］采用Gabor變換積分直方圖來作為鞋印圖像紋理特征進(jìn)行檢索.紋身文獻(xiàn)［25］采用紋身圖像的SIFT特征以及針對(duì)特殊點(diǎn)的特征提取來作為低層數(shù)字特征進(jìn)行檢索，由于SIFT關(guān)鍵點(diǎn)的特殊性，使得它在關(guān)鍵點(diǎn)匹配上準(zhǔn)確率比其他特征高很多.對(duì)紋身圖像提取特征構(gòu)成圖像特征矢量之后采用直方圖相交法來進(jìn)行相似度測(cè)量，其計(jì)算公式為：(2)其中H1,H2分別為兩個(gè)直方圖,l為直方圖的分組總數(shù)(bin的值).毛發(fā)文獻(xiàn)［27］提出采用Gabor濾波的方法來提取毛發(fā)圖像的特征:方向特征、位置特征和強(qiáng)度特征.之后利用方向直方圖與輸入圖像進(jìn)行匹配，從而檢索出結(jié)果.文獻(xiàn)［28］同樣采用Gabor濾波器提取毛發(fā)圖像的毛發(fā)模式特征，計(jì)算毛發(fā)模式的方向直方圖，再運(yùn)用卡方距離進(jìn)行相似度檢測(cè).其實(shí)驗(yàn)結(jié)果表明即使對(duì)低分辨率的圖像，毛發(fā)模式也是一種有效的生物特征，而且Gabor濾波器與其他常用的紋理識(shí)別方法(例如局部二進(jìn)制模式，局部Gabor二值模式)相比在毛發(fā)圖像特征提取上占有優(yōu)勢(shì).輪胎花紋輪胎花紋圖像特征提取可以分為空間域紋理特征提取算法和頻域紋理特征提取算法.文獻(xiàn)［30］提出了基于能量分布的曲波變換紋理特征提取算法，這種算法可以保證特征向量不因圖像旋轉(zhuǎn)而發(fā)生變化，對(duì)輪胎花紋的檢索實(shí)驗(yàn)結(jié)果表明，這種算法的檢索效率優(yōu)于小波變換算法和曲波變換算法.文獻(xiàn)［31］提出了結(jié)合Radon變換及雙樹復(fù)小波(DualTreeComplexWaveletTransform,DT-CWT)的輪胎花紋紋理特征提取算法.該算法降低了圖像旋轉(zhuǎn)和系數(shù)平移對(duì)于檢索效率的影響，具有近似的旋轉(zhuǎn)不變性.多種混合現(xiàn)勘圖像文獻(xiàn)［35］針對(duì)多種混合類別的現(xiàn)勘圖像提出采用圖像主導(dǎo)顏色描述符來作為顏色特征，灰度共生矩陣來作為紋理特征并結(jié)合梯度向量流獲得的現(xiàn)勘圖像邊緣來構(gòu)成現(xiàn)勘圖像的低層數(shù)字特征向量，運(yùn)用歐氏距離作為現(xiàn)勘圖像特征向量間的相似性度量來進(jìn)行檢索.將這種方法運(yùn)用在大的多種混合現(xiàn)勘圖像數(shù)據(jù)庫上，得到了較好的檢索效果.這種算法的缺點(diǎn)是計(jì)算比較復(fù)雜，提取圖像特征耗時(shí)較多.分析由于該領(lǐng)域目前缺乏標(biāo)準(zhǔn)測(cè)試數(shù)據(jù)庫，我們難以通過實(shí)驗(yàn)對(duì)各數(shù)據(jù)庫用不同算法進(jìn)行測(cè)試比較.這里根據(jù)作者利用自己的實(shí)驗(yàn)數(shù)據(jù)所得的結(jié)果，做一些總結(jié)分析.多類混合現(xiàn)勘圖像的低層數(shù)字特征提取相對(duì)單類現(xiàn)勘圖像難度更大,比如對(duì)5000幅輪胎花紋圖像［33,34］用不同紋理特征進(jìn)行實(shí)驗(yàn)，最高查準(zhǔn)率可達(dá)86%,而對(duì)混合多類的現(xiàn)勘圖像［1,17,32~35］用不同的顏色、紋理等特征組合進(jìn)行檢索實(shí)驗(yàn),查準(zhǔn)率目前最高達(dá)到64%.3.2現(xiàn)勘圖像高層語義學(xué)習(xí)圖像低層數(shù)字特征與高層語義之間存在的’語義鴻溝’嚴(yán)重影響圖像檢索的準(zhǔn)確率.為了消除語義鴻溝的影響，采用機(jī)器學(xué)習(xí)等算法進(jìn)行圖像高層語義分析，如圖2所示,進(jìn)一步提高檢索準(zhǔn)確率.現(xiàn)有的基于高層語義的現(xiàn)勘圖像檢索技術(shù)可分為:利用語義模板和數(shù)據(jù)庫本體來提取高層語義特征;利用監(jiān)督學(xué)習(xí)(supervisedlearning)或者無監(jiān)督學(xué)習(xí)(unsupervisedleaning).利用語義模板和數(shù)據(jù)庫本體來提取高層語義特征文獻(xiàn)［32］通過對(duì)現(xiàn)勘圖像的觀察與分析，發(fā)現(xiàn)圖像中的主要目標(biāo)物體與圖像類別具有聯(lián)系，即區(qū)域語義與圖像整體語義的關(guān)系,因此提出了基于語義模板的現(xiàn)勘圖像檢索框架，如圖3所示.該算法主要分為用戶提交查詢、構(gòu)建語義模板、預(yù)分類、圖像排序幾部分.算法核心為：構(gòu)建語義模板，在每一類的目標(biāo)物體中選取較具代表性的五個(gè)區(qū)域樣本,對(duì)這些樣本提取其顏色特征(HSV空間顏色直方圖)和紋理特征(三層小波分解系數(shù)后各子帶系數(shù)的均值和方差)，計(jì)算各樣本區(qū)域特征的平均值，作為每一類目標(biāo)物體的區(qū)域語義模板;當(dāng)用戶提交查詢時(shí)用戶已經(jīng)標(biāo)出感興趣的目標(biāo)，將查詢圖像中的感興趣區(qū)域與所有區(qū)域語義模板進(jìn)行對(duì)比，確定其所屬于哪一類的〃目標(biāo)物體”，之后對(duì)數(shù)據(jù)庫中所有包含查詢目標(biāo)物體的圖像，分別計(jì)算其特征向量與查詢圖像特征向量間的距離,并排序.這種方法縮小了檢索的范圍，提高了檢索速度.在現(xiàn)勘圖像數(shù)據(jù)庫上的檢索實(shí)驗(yàn)證明了所提出的現(xiàn)勘圖像語義學(xué)習(xí)算法的有效性.為進(jìn)一步提高該算法的檢索性能,自動(dòng)圖像分割、更有效的區(qū)域模板定義都是值得進(jìn)一步研究的環(huán)節(jié).利用有監(jiān)督或者無監(jiān)督的機(jī)器學(xué)習(xí)算法獲取高層語義特征文獻(xiàn)［33］設(shè)計(jì)出了一種兩層體系刑偵圖像檢索方法，其檢索流程圖如圖4所示.第一層對(duì)現(xiàn)勘圖像庫中的圖像進(jìn)行紋理特征提取構(gòu)建特征數(shù)據(jù)庫,利用特征數(shù)據(jù)庫訓(xùn)練支持向量機(jī)(SupportVectorMachine,SVM)分類器，之后利用分類器獲取查詢圖像語義;第二層根據(jù)第一層所獲得的查詢圖像語義在特定類別的圖像庫上運(yùn)用按例查詢框架(QueryByExample,QBE)對(duì)查詢圖像進(jìn)行檢索.實(shí)驗(yàn)的結(jié)果表明：〃多尺度分維數(shù)”和“MPEG-7邊沿直方圖”特征在現(xiàn)勘圖像數(shù)據(jù)庫上的檢索結(jié)果超過了一些經(jīng)典算法，比如Gabor紋理特征和小波紋理特征.之后，使用〃多尺度分維數(shù)”特征作為紋理特征結(jié)合SVM,在包含外景、大門、指紋、鞋印、道路等10個(gè)類別4501幅現(xiàn)勘圖像上做實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明，引入SVM機(jī)器學(xué)習(xí)算法獲取圖像語義特征，提高了檢索的準(zhǔn)確性.有監(jiān)督的機(jī)器學(xué)習(xí)算法除了SVM之外還有其他類型.文獻(xiàn)［18］提取了車牌特征后采用K-近鄰(K-NearestNeighbor,KNN)分類器來對(duì)特征進(jìn)行識(shí)別.首先找到車牌每一個(gè)號(hào)碼的輪廓，對(duì)于每一個(gè)號(hào)碼輪廓提取它的平均距離(每一個(gè)白色像素到框架距離的平均值)與角度(每一個(gè)白色像素與水平方向夾角的平均值)，將這兩個(gè)特征作為車牌號(hào)碼圖像的低層數(shù)字特征，運(yùn)用KNN分類模型，提取車牌號(hào)碼.得到車牌號(hào)碼之后就可以用車牌號(hào)碼進(jìn)行檢索也可用車牌號(hào)碼直接找到嫌疑車輛.文獻(xiàn)［20］提出采用自適應(yīng)濾波器和線性加權(quán)神經(jīng)網(wǎng)絡(luò)的方法對(duì)從指紋中提取的特征進(jìn)行訓(xùn)練識(shí)別.文獻(xiàn)［29］對(duì)毛發(fā)圖像提取其邊緣之后采用人工神經(jīng)網(wǎng)絡(luò)(ArtificialNeuralNetwork,ANN)的方法來訓(xùn)練模型，利用訓(xùn)練出的模型對(duì)查詢圖像和數(shù)據(jù)庫圖像進(jìn)行匹配.無監(jiān)督的機(jī)器學(xué)習(xí)算法運(yùn)用數(shù)據(jù)訓(xùn)練分類模型時(shí)，訓(xùn)練數(shù)據(jù)并沒有標(biāo)記信息，算法自身在數(shù)據(jù)中找出規(guī)律，進(jìn)行分類.這種算法針對(duì)無約束噪聲情況下的鞋印檢測(cè)效果很好.文獻(xiàn)［26］采用詞典模型(BOW模型)來對(duì)紋身圖像進(jìn)行檢索,其主要步驟為:(1)利用SIFT算子從紋身圖像中提取特征，構(gòu)成〃視覺詞匯向量”，這些向量代表了圖像中局部不變的特征點(diǎn);(2)集合所有特征點(diǎn)向量，利用K均值(K-means)合并詞義相近的〃視覺詞匯”，構(gòu)造單詞表;(3)統(tǒng)計(jì)單詞表中每個(gè)單詞在圖像中出現(xiàn)的次數(shù)，從而將圖像表示成一個(gè)向量;(4)計(jì)算查詢圖像的詞典模型向量與數(shù)據(jù)庫中圖像詞典模型向量間的余弦夾角，根據(jù)余弦夾角進(jìn)行排序，從而得到檢索結(jié)果.另夕卜文章中采用了漢明嵌入(hammingembedding)來降低特征維度,提高檢索速度.還采用了弱幾何一致性(weakgeometricconsistency)來對(duì)檢索出的圖像重新排列提高檢索準(zhǔn)確率.文獻(xiàn)［2］提出運(yùn)用模糊C均值聚類算法(FuzzyC-Means,FCM),將案件關(guān)鍵詞構(gòu)成的特征向量進(jìn)行聚類分析，將相同特征的對(duì)象歸為一類,檢測(cè)案件是否為交叉案件以及屬于哪幾類案件交叉，從而實(shí)現(xiàn)自動(dòng)串并案的分析.文獻(xiàn)［28］在用Gabor濾波器提取毛發(fā)圖像低層數(shù)字特征之后用K-means和KNN聚類算法來對(duì)毛發(fā)圖像進(jìn)行分類并用卡方距離來進(jìn)行相似度檢測(cè)從而得到最終結(jié)果.文獻(xiàn)［36］提出了運(yùn)用多目標(biāo)交互式學(xué)習(xí)(Multi-objectiveInteractiveLearning,MIL)算法以及進(jìn)化策略法(EvolutionaryStrategies,ES)來鎖定目標(biāo)物體，追蹤檢索出與目標(biāo)物體有所接觸的所有圖像.⑶引入相關(guān)反饋(relevancefeedback)將相關(guān)反饋引入到CSIR過程中，可以改善檢索系統(tǒng)對(duì)圖像的模糊判定，提高檢索準(zhǔn)確率.文獻(xiàn)［24］在比較輸入鞋印圖像的特征與圖像特征庫中特征時(shí)引入了相關(guān)反饋，首先人工判斷參與比較的鞋印圖像是否有殘缺，如果有殘缺則先通過積分直方圖計(jì)算出殘缺圖像在完整圖像中的最相似區(qū)域位置，再提取該區(qū)域的特征,最后進(jìn)行相似度計(jì)算.分析提取現(xiàn)勘圖像低層數(shù)字特征后，利用低層數(shù)字特征訓(xùn)練分類器，在檢索時(shí)，先對(duì)查詢圖像進(jìn)行分類，之后再在這個(gè)類別中進(jìn)行檢索，這種檢索方法能夠充分利用分類器自動(dòng)學(xué)習(xí)低層數(shù)字特征規(guī)律的優(yōu)點(diǎn)，提高檢索查準(zhǔn)率，另外，先分類后檢索這種方法能夠縮小檢索范圍，縮短檢索時(shí)間.這種方法的關(guān)鍵在于低層數(shù)字特征的提取以及與低層數(shù)字特征相適合的分類器的選擇.作者在5000幅共15類現(xiàn)勘圖像上做實(shí)驗(yàn)，提取了圖像的HSV域顏色直方圖、圖像分九塊，每一塊的圖像DCT域變換系數(shù)的均值、方差以及R、G、B三個(gè)通道的低頻系數(shù)組成的向量作為圖像紋理特征、GIST特征這三種特征，并將這三種特征進(jìn)行融合構(gòu)成融合特征來訓(xùn)練SVM分類器，當(dāng)采用線性核時(shí)，最后的平均分類準(zhǔn)確率為58%,當(dāng)采用RBF核，利用網(wǎng)格搜索法尋找最優(yōu)參數(shù)時(shí)，最后的平均分類準(zhǔn)確率為67%.對(duì)查詢圖像先分類，再在這一類中進(jìn)行檢索，與直接在整個(gè)數(shù)據(jù)庫中進(jìn)行檢索相比,平準(zhǔn)查準(zhǔn)率能夠提高5%左右.3.3小結(jié)現(xiàn)有現(xiàn)勘圖像檢索技術(shù)可分為兩大類，如圖5所示.基于自然語言處理的現(xiàn)勘圖像檢索是將語言處理技術(shù)運(yùn)用到檢索過程中，這種方法可以減少用戶輸入的查詢語言與現(xiàn)勘圖像標(biāo)注語言之間的語義差距，但其仍然需要人工標(biāo)注圖像.基于內(nèi)容的現(xiàn)勘圖像檢索利用圖像的低層數(shù)字特征和高層語義特征來實(shí)現(xiàn)檢索.大量實(shí)驗(yàn)以及研究結(jié)果表明由于現(xiàn)勘圖像自身內(nèi)容的特點(diǎn)，傳統(tǒng)圖像特征提取算法并不適用于現(xiàn)勘圖像,設(shè)計(jì)現(xiàn)勘圖像特征提取算法時(shí)應(yīng)該充分考慮現(xiàn)勘圖像的特點(diǎn).4現(xiàn)勘圖像檢索研究趨勢(shì)近年來CSIR越來越受到研究人員的關(guān)注，結(jié)合CBIR技術(shù)的發(fā)展，以及公安行業(yè)實(shí)際應(yīng)用需求，本節(jié)指出以下幾點(diǎn)CSIR未來研究方向.標(biāo)準(zhǔn)測(cè)試數(shù)據(jù)庫建設(shè)由于公安行業(yè)案件信息的保密性，實(shí)際現(xiàn)勘圖像并不能隨意獲得與公開，學(xué)者們往往自建一些現(xiàn)勘數(shù)據(jù)庫，例如鞋印、腳印、指紋.這些圖像往往比實(shí)際的現(xiàn)勘圖像清晰,而且目標(biāo)物體明確，圖像背景簡(jiǎn)單,有利于圖像目標(biāo)物體特征提取檢索的準(zhǔn)確率也比較高.但實(shí)際現(xiàn)勘圖像并非如此，如圖6所示.目前,CSIR領(lǐng)域尚無公認(rèn)的標(biāo)準(zhǔn)數(shù)據(jù)庫.為了進(jìn)一步集中學(xué)者們的研究力量促進(jìn)CSIR領(lǐng)域的發(fā)展，并真正將科研用于實(shí)際應(yīng)用需求，建設(shè)標(biāo)準(zhǔn)現(xiàn)勘圖像數(shù)據(jù)庫是當(dāng)前重要的一項(xiàng)工作.引入公安行業(yè)經(jīng)驗(yàn)，結(jié)合CBIR新技術(shù)，設(shè)計(jì)適用于現(xiàn)勘圖像數(shù)據(jù)的檢索算法為提高CSIR的效率，可以從以下幾個(gè)方面來考慮.首先，利用最新的圖像檢索技術(shù)比如深度學(xué)習(xí)等，并結(jié)合現(xiàn)勘圖像自身特點(diǎn)設(shè)計(jì)適用的算法，這包括適用于單一特殊現(xiàn)勘圖像數(shù)據(jù)庫比如紋身、輪胎花紋、鞋印等的算法，或者用于綜合多種類現(xiàn)勘圖像數(shù)據(jù)的檢索算法.深度學(xué)習(xí)技術(shù)在圖像分類識(shí)別領(lǐng)域取得了令人矚目的成績(jī)[14~16],其在CSIR領(lǐng)域的表現(xiàn)值得期待.其次，現(xiàn)勘圖像比對(duì)具有行業(yè)特性，有時(shí)從圖像內(nèi)容角度判斷為相似的圖像，從破案角度并不相似;或從圖像內(nèi)容角度判斷為不相似的圖像，從破案角度卻是相似的.干警的行業(yè)經(jīng)驗(yàn)作為一種重要的先驗(yàn)知識(shí)，對(duì)提高現(xiàn)勘圖像檢索的性能很重要，可以人工反饋或有監(jiān)督的訓(xùn)練等方式引入系統(tǒng)中.現(xiàn)勘數(shù)據(jù)安全和圖像檢索的結(jié)合由于現(xiàn)勘圖像是重要的公安破案證據(jù)和線索，所以數(shù)據(jù)安全性的保障很重要，因此需要在現(xiàn)勘圖像中嵌入不可見水印信息.嵌入不可見水印信息后,雖然現(xiàn)勘圖像視覺上看不出變化，但其像素值卻發(fā)生了變化,造成圖像特征的變化，從而影響檢索結(jié)果.如何在保證圖像數(shù)據(jù)安全性的同時(shí)，盡可能地減小嵌入水印信息對(duì)圖像檢索性能的影響，是一個(gè)值得研究的課題.針對(duì)這方面的研究目前并不多見.文獻(xiàn)［34］提出一種改進(jìn)的Tamura紋理特征提取算法，實(shí)驗(yàn)證明該算法對(duì)加入水印的輪胎花紋圖像仍然有效.5結(jié)束語雖然圖像檢索技術(shù)發(fā)展已經(jīng)相當(dāng)成熟，但相關(guān)技術(shù)在現(xiàn)勘圖像數(shù)據(jù)庫上的應(yīng)用還處于初級(jí)階段.如何快速有效地從海量現(xiàn)勘圖像數(shù)據(jù)庫中檢索出需要的信息，越來越受到學(xué)者們的重視.本文介紹了目前學(xué)者們使用的各類現(xiàn)勘圖像數(shù)據(jù)庫,并對(duì)基于內(nèi)容的現(xiàn)勘圖像檢索的技術(shù)現(xiàn)狀進(jìn)行了描述、分析和總結(jié)，主要集中在現(xiàn)勘圖像低層數(shù)字特征提取及現(xiàn)勘圖像高層語義特征學(xué)習(xí).此外，結(jié)合實(shí)際應(yīng)用需求，指出了現(xiàn)勘圖像檢索技術(shù)領(lǐng)域幾個(gè)未來研究方向.參考文獻(xiàn)【相關(guān)文獻(xiàn)】劉穎,范九倫，李宗，黃源，燕皓陽.現(xiàn)勘圖像數(shù)據(jù)庫檢索技術(shù)實(shí)例探討[J].西安郵電大學(xué)學(xué)報(bào),2015,20:11-20.LIUY,FANJ,LIZ,HUANGY,YANH.Casestudyoncontent-basedimageretrievalforcrimesceneinvestigationimagedatabase[J].JournalofXi’anUniversityofPostsandTelecommunications,2015,20(3):11-20.(inChinese)韓寧，陳巍.基于聚類分析的串并案研究[J].中國(guó)人民公安大學(xué)學(xué)報(bào)(自然科學(xué)版),2012,18(1):53-58.HANN,CHENW.Researchonserialcasebasedonclusteranalysis[J].JournalofChinesePeople'sPublicSecurityUniversity(ScienceandTechnology),2012,18(1):53-58.(inChinese)張琪.圖像檢索在公安圖像偵查領(lǐng)域的發(fā)展[J].中國(guó)安防,2015,(19):59-62.ZHANGQ.Thedevelopmentofimageretrievalinpublicsecurityimagedetection[J].ChinaSecurity&Protection,2015,(19):59-62.(inChinese)LIUY,ZHANGD,LUG.Asurveyofcontent-basedimageretrievalwithhigh-levelsemantics[J].PatternRecognition,2007,40(1):262-282.LIUY.Semantic-BasedImageRetrieval[M].Beijing:SciencePress,2016.1-191.LOWEDG.Distinctiveimagefeaturesfromscale-invariantkeypoints[J].InternationalJournalofComputerVision,2004,60(2):91-110.BAKARSA,HITAMMS,YUSSOFWNJHW.Content-basedimageretrievalusingSIFTforbinaryandgrey-scaleimages[A].IEEEInternationalConferenceonSignalandImageProcessingApplication[C].Piscataway,USA:IEEE,2013.83-88.DALALN,TRIGGSB.Histogramsoforientedgradientsforhumandetection[A].IEEEConferenceonComputerVision&PatternRecognition[C].Piscataway,USA:IEEE,2005.886-893.LAZEBNIKS,SCHMIDC,PONCEJ.Beyondbagsoffeatures:Spatialpyramidmatchingforrecognizingnaturalscenecategories[A].IEEEComputerSocietyConferenceonComputerVision&PatternRecognition[C].Piscataway,USA:IEEE,2006.2169-2178.PENGX,YANR,ZHAOB,etal.Fastlowrankrepresentationbasedspatialpyramidmatchingforimageclassification[J].Knowledge-BasedSystems,2014,90(C):14-22.SUJH,HUANGWJ,YUPS,etal.Efficientrelevancefeedbackforcontent-basedimageretrievalbyminingusernavigationpatterns[J].IEEETransactionsonKnowledge&DataEngineeringArchive,2011,23(3):360-372.CHENY,WANGJ乙Aregion-basedfuzzyfeaturematchingapproachtocontent-basedimageretrieval[J].IEEETransactionsonPatternAnalysis&MachineIntelligence,2002,24(9):1252-1267.XUShao-ping,LIChun-quan,JIANGShun-liang,LIUXiao-ping.Similaritymeasuresforcontent-basedimageretrievalbasedonintuitionisticfuzzysettheory[J].JournalofComputers,2012,7(7):1733-1742.DENGJ,DONGW,SOCHERR,etal.ImageNet:Alarge-scalehierarchicalimagedatabase[A].IEEEConferenceonComputerVisionandPatternRecognition[C].Piscataway,USA:IEEE,2009.248-255.KRIZHEVSKYA,SUTSKEVERI,HINTONGE.ImageNetclassificationwithdeepconvolutionalneuralnetworks[A].InternationalConferenceonNeuralInformationProcessingSystems[C].USA:CurranAssociatesInc,2012.1097-1105.SZEGEDYC,LIUW,JIAY,etal.Goingdeeperwithconvolutions[A].IEEEConferenceonComputerVisionandPatternRecognition[C].Piscataway,USA:IEEE,2015.1-9.[17]劉穎,黃源,高梓銘.刑偵圖像檢索中的特征提取及相似度度量研究[J].西安郵電大學(xué)學(xué)報(bào),2014,19(6):11-16.LIUY,HUANGY,GAOZ.Featureextractionandsimilaritymeasureforcrimesceneinvestigationimageretrieval[J].JournalofXi’anUniversityofPostsandTelecommunications,2014,19(6):11-16.(inChinese)AZADR,AZADB,SHAYEGHHR.Real-timeandefficientmethodforaccuracyenhancementofedgebasedlicenseplaterecognitionsystem[A].2013FirstInternationalCITADIMProcecding-Scientific[C][S.L.]:[s.n.],2014.146-155.MAIVD,MIAOD,WANGR,etal.AnimprovedmethodforVietnamlicenseplatelocation,segmentationandrecognition[A].IEEEInternationalConferenceonMultimediaTechnology[C].Piscataway,USA:IEEE,2011.2942-2946.LYNCHMR,GAUNTRG.Applicationsoflinearweightneuralnetworkstofingerprintrecognition[A].InternationalConferenceonArtificialNeuralNetworks[C].Britain:IET,1995.139-142.OSISANWOFY,ADETUNMBIAO,ALESEBK.Barefootmorphology:Apersonuniquefeatureforforensicidentification[A].InternationalConferenceforInternetTechnology&SecuredTransaction[C].Piscataway,USA:IEEE,2015.356-359.KORTYLEWSKIA,ALBRECHTT,VETTERT.Unsupervisedfootwearimpressionanalysisandretrievalfromcrimescenedata[A].AsianConferenceonComputerVision[C].Germany:SpringerInternationalPublishing,2014.644-658.LI乙WEIC,LIY,SUNT.Researchofshoeprintimagestreamretrievalalgorithmwithscale-invariancefeaturetransform[A].InternationalConferenceonMultimediaTechnology[C].Piscataway,USA:IEEE,2011.5488-5491.[24]黎向陽，吳敏華,施智平.基于Gabor變換域的積分直方圖鞋印圖像檢索[J].計(jì)算機(jī)應(yīng)用與軟件,2015,32(3):215-219.LIX,WUM,SHIZ.Shoeprintimagesretrievalbasedonintegralhistogramingabortransformdomain[J].ComputerApplicationandSoftware,2015,32(3):215-219.(inChinese)KANAMADIM,BHOSLED.Contentbasedforensicstattooimageretrievalandidentificationmethodfordatabaseapplications[J].JournalofInformation,KnowledgeandResearchinComputerEngineering,2010,3(2):651-656.MANGERD.Large-scaletattooimageretrieval[A].IEEEComputerandRobotVision[C].Piscataway,USA:IEEE,2012.454-459.SUH,KONGAWK.Astudyonlowresolutionandrogenichairpatternsforcriminalandvictimidentification[J].IEEETransactionsonInformationForensics&Security,2014,9(4):666-680.SUDHAIKG,RASJESWARISV.HairpatternsandskinmarksforcriminalandvictimidentificationusingRPPSMapproach[J].InternationalJournalofAdvancedResearchinComputerScienc