论文部分内容阅读
鞋印图像是刑事犯罪最常见的犯罪痕迹之一,它是揭露和证实犯罪的重要证据。目前鞋印分类和检索算法都采用人工挑选特征的方式,这需要大量的工程技术和专业领域知识,在一定程度上限制了分类、检索算法的研究。近几年来,在图像分类中取得很好效果的卷积神经网络(Convolutional Neural Networks, CNN)可以模仿人脑通过学习得到良好的特征,避免应用过多的专业知识,减轻研究人员的负担。基于此,本文提出基于卷积神经网络的鞋印图像分类算法,以期望通过学习的方式在无需人工提取特征的情况下提高鞋印分类的精度。由于在实际应用中,鞋印图像库具有种类多但部分类别样本数目少,且同类图像差异较大的特点,这就造成了直接应用CNN网络进行鞋印分类的精度低且不易收敛。因此,本文从训练数据和训练效率两个方面研究了CNN模型对鞋印图像的分类任务,提出了相关解决方案,提高了分类效率。本文主要工作内容如下：1)介绍了CNN的结构、思想框架及工作原理。介绍了在公开数据库上取得较好分类效果的CNN模型及其改进模型,分析了鞋印图像数据库与公开数据库的区别,给出了基于卷积神经网络模型的鞋印图像分类算法整体框架。2)分析了小样本集训练模型遇到的问题,从两方面给出了CNN小样本的训练方法。首先是样本扩充和每类样本数目选择的问题,其次是训练加速的方法。3)通过观察发现网络中存在相似的特征图,也就是说存在冗余的连接,针对这一问题优化网络,给出了去冗余连接的CNN改进模型,提高了网络的收敛速度,并且提高了分类的精度。将本文给出的CNN小样本训练方法和去冗余连接的CNN模型改进方法应用到鞋印图像分类,提高了分类精度。在实际鞋印图像数据集上的实验表明：本文方法与传统卷积神经网络和手工提取特征的方法比较,分类错误率上分别降低了6.57%、2.07%,分类精度达到了97.57%。