本發(fā)明涉及一種圖像檢索方法，特別是關(guān)于一種基于專家經(jīng)驗(yàn)引導(dǎo)的現(xiàn)場鞋印痕跡花紋圖像檢索方法。涉及專利分類號G06計(jì)算；推算；計(jì)數(shù)G06F電數(shù)字?jǐn)?shù)據(jù)處理G06F17/00特別適用于特定功能的數(shù)字計(jì)算設(shè)備或數(shù)據(jù)處理設(shè)備或數(shù)據(jù)處理方法G06F17/30信息檢索；及其數(shù)據(jù)庫結(jié)構(gòu)。

背景技術(shù)：

在刑事案件中，鞋底痕跡花紋對于偵破案件發(fā)揮巨大的作用。其中，最具有挑戰(zhàn)性的任務(wù)就是將犯罪現(xiàn)場遺留的低質(zhì)量的鞋底痕跡花紋圖像與數(shù)據(jù)庫中的鞋底痕跡花紋比較，找出最匹配的一幅圖像?，F(xiàn)場鞋底痕跡花紋圖像檢索方法的目的是幫助鑒定專家準(zhǔn)確的檢索出最匹配的鞋底痕跡花紋圖像，從而提高破案效率。

目前，國內(nèi)外的鞋印花紋圖像檢索算法主要分為三類：基于鞋印花紋，基于局部區(qū)域和基于感興趣點(diǎn)的檢索方法。但是，這些方法都是對人工合成的清晰完整的鞋印痕跡圖像進(jìn)行檢索，而在實(shí)際應(yīng)用中，需要進(jìn)行檢索的鞋印痕跡圖像多維現(xiàn)場采集的鞋印痕跡圖像，且在多數(shù)環(huán)境下，現(xiàn)場采集的鞋印痕跡圖像具有圖像質(zhì)量低，圖像不完整或不清晰等特點(diǎn)，所以上面所提到的幾類鞋印痕跡檢索方法在實(shí)際應(yīng)用中有很多限制。2015年Xinnian Wang等提出了一種基于小波-傅里葉變換的現(xiàn)場鞋印花紋圖像自動(dòng)檢索方法，將鞋印痕跡圖像分為腳掌和腳跟部分分別提取特征，具體方法為：對腳掌和腳跟部分分別進(jìn)行小波變換，對小波變換后的圖像進(jìn)行傅里葉變換，對其幅值進(jìn)行極坐標(biāo)變換，并進(jìn)行傅里葉變換的得到圖像的頻譜特征，以其頻譜特征進(jìn)行匹配。匹配的正確率為87.5％。

針對鞋印痕跡檢索，雖然，現(xiàn)有技術(shù)已經(jīng)取得了一定的成果，但是針對大量的低質(zhì)現(xiàn)場鞋印痕跡圖像，目前的方法并不能取得很好的檢索結(jié)果，且現(xiàn)有現(xiàn)場鞋印痕跡圖像檢索方法只考慮查詢圖像與每幅庫中圖像的關(guān)系，未考慮庫中圖像兩兩間的關(guān)系。發(fā)明人在具體實(shí)現(xiàn)本發(fā)明的過程中，發(fā)現(xiàn)現(xiàn)有技術(shù)中存在以下問題：

1)現(xiàn)有方法均提取低級特征，并依據(jù)特征進(jìn)行匹配，并沒有考慮高級語義概念與低級特征之間的語義鴻溝，使得檢索精度不高；2)現(xiàn)有方法沒有利用與查詢圖像同一現(xiàn)場提取的其他鞋印痕跡圖像，不利于檢索性能的進(jìn)一步提升；3)現(xiàn)有方法未引入刑偵人員的經(jīng)驗(yàn)，容易造成客觀的檢索結(jié)果與刑偵人員的主觀結(jié)果不一致。

有鑒于此，特提出本發(fā)明。

技術(shù)實(shí)現(xiàn)要素：

針對上述問題，本發(fā)明的目的是提供一種基于專家經(jīng)驗(yàn)引導(dǎo)的現(xiàn)場鞋印痕跡花紋圖像檢索方法，包括如下步驟：

—計(jì)算待查詢現(xiàn)場鞋印痕跡圖像與圖像庫中樣本圖像之間的相似性，對所述圖像庫中的圖像按相似度得分從大到小進(jìn)行排序；計(jì)算圖像庫中任意兩個(gè)圖像樣本之間的相似度得分，構(gòu)建流形正則化項(xiàng)；

—由專家依據(jù)兩幅鞋印痕跡圖像的花紋相似程度按經(jīng)驗(yàn)劃分成多個(gè)相似等級和等級對應(yīng)的分?jǐn)?shù)，依據(jù)上述等級，對所述查詢圖處于同一現(xiàn)場的樣本圖像，標(biāo)記相應(yīng)的相似分?jǐn)?shù)，作為其專家主觀意見相似度得分，

—查找圖像庫中與查詢現(xiàn)場鞋印痕跡圖像采集自同一現(xiàn)場的樣本圖像的k個(gè)最近鄰圖像；賦予k個(gè)最近鄰圖像專家主觀意見相似等級和等級對應(yīng)的分?jǐn)?shù)，對于與查詢現(xiàn)場鞋印痕跡圖像采集自同一現(xiàn)場的樣本圖像，及其k個(gè)最近鄰圖像的專家主觀意見相似度得分表示為：

其中o_i為表示查詢圖像及與查詢圖像采集自同一現(xiàn)場的圖像集中第i幅圖像的專家主觀意見相似度得分，w(q_j,u_i)為與查詢圖像采集自同一現(xiàn)場的圖像集中第j幅圖像與其k個(gè)最近鄰圖像的相似度得分，其計(jì)算形式如下：

其中，A_mn為與查詢圖像采集自同一現(xiàn)場的圖像集Q中第j幅鞋印花紋圖像的頻譜特征中的元素，表示頻譜特征A的平均值，B_mn為庫中k個(gè)最近鄰圖像的頻譜特征中的元素，表示頻譜特征B的平均值；

-構(gòu)建專家主觀意見相似度得分y_s預(yù)測模型：

對于與查詢現(xiàn)場鞋印痕跡圖像采集自同一現(xiàn)場的樣本圖像，及其k個(gè)最近鄰圖像的預(yù)測專家意見相似度得分表示為上述關(guān)于查詢圖像與該圖像相似度的一個(gè)四參數(shù)邏輯回歸函數(shù)；

-上述預(yù)測模型的參數(shù)通過學(xué)習(xí)得到，構(gòu)建并使用訓(xùn)練樣本庫T＝{(x⁽ⁱ⁾,y⁽ⁱ⁾),i＝1,2,…,M}，利用最小二乘法學(xué)習(xí)上述預(yù)測模型的參數(shù)，并求得最優(yōu)化參數(shù)為：

訓(xùn)練樣本庫T中的圖像被隨機(jī)分為L_T組，每組中由一個(gè)參考圖像和其余n(i)幅鞋印痕跡圖像組成；

令多位刑偵專家對訓(xùn)練樣本庫T中各組的圖像，依據(jù)其與該組參考圖像的相似程度，分別給出專家意見相似度得分，并對專家意見相似度得分取平均，記為y⁽ⁱ⁾；計(jì)算每組參考圖像與該組其余圖像的相似度得分x⁽ⁱ⁾，相似度得分計(jì)算公式為：

其中，A_mn為訓(xùn)練樣本庫中第i幅鞋印花紋圖像的頻譜特征中的元素，表示頻譜特征A的平均值，B_mn為訓(xùn)練樣本庫中該組參考圖像的頻譜特征中的元素，表示頻譜特征B的平均值；

-對于與查詢現(xiàn)場鞋印痕跡圖像采集自同一現(xiàn)場的樣本圖像，及其k個(gè)最近鄰圖像，利用公式對專家主觀意見相似度得分和預(yù)測專家意見相似度得分進(jìn)行融合，其中a_s和a_p表示權(quán)重系數(shù)，且a_s+a_p＝1；對于圖像庫中其他圖像

-構(gòu)造并求解目標(biāo)函數(shù)，計(jì)算各圖像樣本的排序分?jǐn)?shù)，給出排序結(jié)果，完成圖像檢索；所述的目標(biāo)函數(shù)如下所示：

其中f^*為最優(yōu)計(jì)算排序得分，u_i表示圖像庫U中的第i幅圖像，f_i為圖像庫U中的第i幅圖像排序得分；α,β,γ為權(quán)重系數(shù)，α<β，0<α,β,γ<1，R為系數(shù)矩陣，為對角陣，R_i,i表示R中第i行第i列元素；W表示鄰接矩陣，其中元素對應(yīng)的是圖像庫U中任意兩幅樣本圖像的相似度得分；C是一個(gè)對角矩陣，C_ii為其對角線上第i個(gè)元素，C_ii表示第i幅圖像與其余圖像的相似度的和，q_i為與查詢圖像采集自同一現(xiàn)場的圖像集Q中第i幅圖像，q₁為查詢圖像，N_k(q_i)為q_i的k個(gè)最近鄰圖像；為專家意見相似度得分。

作為優(yōu)選的實(shí)施方式，所述的圖像庫，

其中表示采集自不同現(xiàn)場的待檢索鞋印痕跡圖像集，表示查詢圖像及與查詢圖像采集自同一現(xiàn)場的圖像集，其中q₁為查詢圖像。

作為優(yōu)選的實(shí)施方式，所述計(jì)算待查詢現(xiàn)場鞋印痕跡圖像與圖像庫中樣本圖像之間的相似性具體過程如下：

-對庫中樣本圖像提取二值圖頻譜特征，得到樣本圖像與查詢圖像的相似性；

-依據(jù)所得到的相似性對樣本圖像庫中的鞋印痕跡花紋圖像進(jìn)行排序，使樣本圖像庫中得每幅圖像獲得一個(gè)排序索引Ind(u_i)；

-構(gòu)建目標(biāo)函數(shù)第一項(xiàng)的系數(shù)矩陣R，R為一個(gè)對角矩陣，R中第i行第i列元素R_ii的值為

其中K表示場鞋印痕跡樣本圖像庫中圖像的總數(shù)，K＝n+N。

作為優(yōu)選的實(shí)施方式，所述兩個(gè)圖像樣本之間的相似性，并構(gòu)建流形正則化項(xiàng)具體包括如下步驟：

-計(jì)算圖像庫U中兩個(gè)圖像樣本之間的二值圖頻譜特征的相似度得分w(u_i,u_j)，依據(jù)如下計(jì)算公式：

其中，A_mn為圖像庫U中第i幅鞋印花紋圖像的頻譜特征中的元素，表示頻譜特征A的平均值，B_mn為圖像庫U中第j幅鞋印花紋圖像的頻譜特征中的元素，表示頻譜特征B的平均值；依據(jù)該相似度得分，可以得到相似度矩陣W(i,j)＝w(u_i,u_j)；

-通過相似度得分構(gòu)建拉普拉斯流形正則化項(xiàng)，其中

作為優(yōu)選的實(shí)施方式，由專家依據(jù)兩幅鞋印痕跡圖像的花紋相似程度按經(jīng)驗(yàn)劃分成多個(gè)相似等級和等級對應(yīng)的分?jǐn)?shù)，依據(jù)上述等級，對所述查詢圖處于同一現(xiàn)場的樣本圖像，標(biāo)記相應(yīng)的相似分?jǐn)?shù)，作為其專家主觀意見相似度得分，

-查找圖像庫中與查詢現(xiàn)場鞋印痕跡圖像采集自同一現(xiàn)場的樣本圖像的k個(gè)最近鄰圖像；賦予k個(gè)最近鄰圖像專家主觀意見相似等級和等級對應(yīng)的分?jǐn)?shù)，對于與查詢現(xiàn)場鞋印痕跡圖像采集自同一現(xiàn)場的樣本圖像，及其k個(gè)最近鄰圖像的專家主觀意見相似度得分表示為：

其中，表示查詢圖像及與查詢圖像采集自同一現(xiàn)場的圖像集，q_i為該圖像集中的圖像，N_k(q_j)為其k個(gè)最近鄰圖像，o_i為其專家主觀意見得分，w(q_j,u_i)為q_j與其k個(gè)最近鄰圖像的相似度。

其中o_i為表示查詢圖像及與查詢圖像采集自同一現(xiàn)場的圖像集中第i幅圖像的專家主觀意見相似度得分，w(q_j,u_i)為與查詢圖像采集自同一現(xiàn)場的圖像集中第j幅圖像與其k個(gè)最近鄰圖像的相似度得分，其計(jì)算形式如下：

其中，A_mn為與查詢圖像采集自同一現(xiàn)場的圖像集中第j幅鞋印花紋圖像的頻譜特征中的元素，表示頻譜特征A的平均值，B_mn為庫中k個(gè)最近鄰圖像的頻譜特征中的元素，表示頻譜特征B的平均值；

作為優(yōu)選的實(shí)施方式，所述的目標(biāo)函數(shù)的轉(zhuǎn)化為矩陣形式的求解過程如下：

求最優(yōu)化f使得Q(f)最小，Q(f)對f的導(dǎo)數(shù)可寫為：

令其等于零，即

得

則

按照計(jì)算排序得分的高低對庫中圖像樣本進(jìn)行排序，輸出排序后的結(jié)果。

本發(fā)明由于采取以上技術(shù)方案，其具有以下優(yōu)點(diǎn)：

(1)創(chuàng)新性：1)提出了一種新的基于專家經(jīng)驗(yàn)引導(dǎo)的檢索方法，利用專家經(jīng)驗(yàn)，給出意見相似度得分，并引導(dǎo)檢索，提升檢索精度；

2)構(gòu)建了專家意見相似度得分預(yù)測模型，用多位專家的意見相似度得分訓(xùn)練模型，有效地避免了由人的主觀因素引起的檢索精度的降低；

3)利用少量的同一現(xiàn)場鞋印花紋圖像樣本及其k個(gè)最近鄰樣本提高了檢索性能；

4)與傳統(tǒng)流形學(xué)習(xí)方法不同，本發(fā)明只考慮與查詢現(xiàn)場鞋印痕跡圖像采集自同一現(xiàn)場的樣本圖像，及其k個(gè)最近鄰圖像對檢索的引導(dǎo)作用，有效地避免庫中其余圖像計(jì)算排序得分趨于非常小的值；

5)通過流形正則化學(xué)習(xí)，通過參考庫中圖像兩兩之間的關(guān)系，進(jìn)一步提高檢索精度。

(2)有效性：通過實(shí)驗(yàn)證明本方法在現(xiàn)場鞋印花紋圖像的檢索實(shí)驗(yàn)中的檢索精度明顯優(yōu)于現(xiàn)有技術(shù)，利用少量的同一現(xiàn)場鞋印花紋圖像樣本提高了檢索性能。

附圖說明

圖1是本發(fā)明實(shí)施例的現(xiàn)場鞋印痕跡花紋圖像檢索方法的流程圖；

圖2是現(xiàn)場采集到的鞋印痕跡圖像的示意圖；

圖3是現(xiàn)場采集到的鞋印痕跡圖像經(jīng)過二值化處理后的圖像的示意圖。

具體實(shí)施方式

下面結(jié)合附圖和實(shí)施例對本發(fā)明進(jìn)行詳細(xì)的描述，但并不因此而限定本發(fā)明的內(nèi)容。

設(shè)現(xiàn)場鞋印痕跡樣本圖像庫其中表示采集自不同現(xiàn)場的待檢索鞋印痕跡圖像集，表示查詢圖像及與查詢圖像采集自同一現(xiàn)場的圖像集，其中q₁為查詢圖像；

如圖1所示，一種基于專家經(jīng)驗(yàn)引導(dǎo)的現(xiàn)場鞋印痕跡花紋圖像檢索方法，其包括以下步驟：

步驟101、計(jì)算查詢圖與圖像庫中圖像樣本之間的相似性，并依此對圖像樣本進(jìn)行排序；

其中該步驟具體包括：

(1)對庫中樣本圖像提取二值圖頻譜特征，上述特征提取算法為Wang XN,Sun HH,Yu Q,Zhang C(2015)Automatic Shoeprint Retrieval Algorithm for Real Crime Scenes.ACCV,Singapore,pp 399-413；

得到樣本圖像與查詢圖像的相似性，依據(jù)公式

其中，A_mn為庫中第i幅鞋印花紋圖像的頻譜特征中的元素，表示頻譜特征A的平均值，B_mn為查詢圖像的頻譜特征中的元素，表示頻譜特征B的平均值；

(2)依據(jù)相似性對樣本圖像庫中的鞋印痕跡花紋圖像進(jìn)行排序，使樣本圖像庫中得每幅圖像獲得一個(gè)排序索引Ind(u_i)；

(3)構(gòu)建目標(biāo)函數(shù)第一項(xiàng)的系數(shù)矩陣R，

R為一個(gè)對角矩陣，R中第i行第i列元素R_ii的值為其中K表示場鞋印痕跡樣本圖像庫中圖像的總數(shù)，K＝n+N

由于目前的主流只考慮查詢圖與庫中樣本圖像的相似度，并未考慮到樣本圖像之間的相互關(guān)系也是影響查全率的重要因素之一，所以導(dǎo)致現(xiàn)有算法的查全率不甚理想，故作為優(yōu)選的實(shí)施方式，

步驟102、計(jì)算圖像庫中任意兩個(gè)圖像樣本之間的相似性，并構(gòu)建流形正則化項(xiàng)；

其中該步驟具體包括：

(1)計(jì)算圖像庫U中兩個(gè)圖像樣本之間的二值圖頻譜特征的相似度得分w(u_i,u_j)，依據(jù)計(jì)算公式

其中，A_mn為圖像庫U中第i幅鞋印花紋圖像的頻譜特征中的元素，表示頻譜特征A的平均值，B_mn為圖像庫U中第j幅鞋印花紋圖像的頻譜特征中的元素，表示頻譜特征B的平均值。依據(jù)該相似度得分，可以得到相似度矩陣W(i,j)＝w(u_i,u_j)；

(2)通過相似度得分構(gòu)建拉普拉斯流形正則化項(xiàng)，其中

步驟103、由刑偵專家對與查詢圖同一現(xiàn)場圖像樣本，依據(jù)其與查詢圖像的相似性，對其相似性程度進(jìn)行劃分為五個(gè)等級，并給每個(gè)相似度等級分配對應(yīng)的專家主觀意見相似度分?jǐn)?shù)；

對所述圖像樣本庫中與查詢現(xiàn)場鞋印痕跡圖像采集自同一現(xiàn)場的樣本圖像按照與查詢鞋印花紋圖像的相似性程度劃分為五個(gè)等級，相同，近似相同，相似，近似相似及不同，并給每個(gè)相似度等級分配對應(yīng)的專家主觀意見相似度分?jǐn)?shù)，例如分別為1,0.8,0.6,0.4,0.2；

步驟104、查找?guī)熘信c查詢現(xiàn)場鞋印痕跡圖像采集自同一現(xiàn)場的樣本圖像的k個(gè)最近鄰圖像，并賦予k個(gè)最近鄰圖像相同的專家主觀意見相似度分?jǐn)?shù)；

其中該步驟具體包括：

查找圖像庫中與查詢現(xiàn)場鞋印痕跡圖像采集自同一現(xiàn)場的樣本圖像的k個(gè)最近鄰圖像，在本實(shí)施例中k的數(shù)值取5；賦予k個(gè)最近鄰圖像，即與其相似程度最大的k個(gè)圖像，專家主觀意見相似等級和等級對應(yīng)的分?jǐn)?shù)，對于與查詢現(xiàn)場鞋印痕跡圖像采集自同一現(xiàn)場的樣本圖像，及其k個(gè)最近鄰圖像的專家主觀意見相似度得分表示為：

其中，表示查詢圖像及與查詢圖像采集自同一現(xiàn)場的圖像集，q_i為該圖像集中的圖像，N_k(q_j)為其k個(gè)最近鄰圖像，o_i為其專家主觀意見得分，w(q_j,u_i)為q_j與其k個(gè)最近鄰圖像的相似度。

其中，A_mn為與查詢圖像采集自同一現(xiàn)場的圖像集Q中第j幅鞋印花紋圖像的頻譜特征中的元素，表示頻譜特征A的平均值，B_mn為庫中k個(gè)最近鄰圖像的頻譜特征中的元素，表示頻譜特征B的平均值；

這樣可以得到與查詢現(xiàn)場鞋印痕跡圖像采集自同一現(xiàn)場的樣本圖像，及其k個(gè)最近鄰圖像的專家主觀意見相似度分?jǐn)?shù)y_s；

步驟105、構(gòu)建并訓(xùn)練專家意見相似度分?jǐn)?shù)預(yù)測模型，對與查詢現(xiàn)場鞋印痕跡圖像采集自同一現(xiàn)場的樣本圖像，及其k個(gè)最近鄰圖像的專家意見相似度分?jǐn)?shù)進(jìn)行預(yù)測；

其中該步驟具體包括：

1)構(gòu)建專家意見相似度分?jǐn)?shù)預(yù)測模型：

對于與查詢現(xiàn)場鞋印痕跡圖像采集自同一現(xiàn)場的樣本圖像，及其k個(gè)最近鄰圖像的預(yù)測專家意見相似度得分表示為上述關(guān)于查詢圖像與該圖像相似度的一個(gè)四參數(shù)邏輯回歸函數(shù)；

2)上述預(yù)測模型的參數(shù)通過學(xué)習(xí)得到，構(gòu)建并使用訓(xùn)練樣本庫T＝{(x⁽ⁱ⁾,y⁽ⁱ⁾),i＝1,2,…,M}，利用最小二乘法學(xué)習(xí)上述預(yù)測模型的參數(shù)，并求得最優(yōu)化參數(shù)為：

參數(shù)用最小二乘法獲得最優(yōu)參數(shù)λ₁λ₂λ₃λ₄初始取值分別為，λ₁的初始值為所有訓(xùn)練樣本庫中圖像平均專家意見得分的最大值max(y)，λ₂的初始值為所有訓(xùn)練樣本庫中圖像平均專家意見得分的最小值min(y)，λ₃的初始值為所有訓(xùn)練樣本庫中圖像平均專家意見得分的均值mean(y)，λ₄的初始值為1。

訓(xùn)練樣本庫T中的圖像被隨機(jī)分為L_T組，每組中由一個(gè)參考圖像和其余n(i)幅鞋印痕跡圖像組成；

令多位刑偵專家對訓(xùn)練樣本庫T中各組的圖像，依據(jù)其與該組參考圖像的相似程度，分別給出專家意見相似度得分，并對專家意見相似度得分取平均，記為y⁽ⁱ⁾；計(jì)算每組參考圖像與該組其余圖像的相似度得分x⁽ⁱ⁾，相似度得分計(jì)算公式為：

其中，A_mn為訓(xùn)練樣本庫中第i幅鞋印花紋圖像的頻譜特征中的元素，表示頻譜特征A的平均值，B_mn為訓(xùn)練樣本庫中該組參考圖像的頻譜特征中的元素，表示頻譜特征B的平均值；

步驟106、專家主觀意見相似度分?jǐn)?shù)及預(yù)測專家意見相似度分?jǐn)?shù)進(jìn)行融合，得到專家意見相似度得分；

對于與查詢現(xiàn)場鞋印痕跡圖像采集自同一現(xiàn)場的樣本圖像，及其k個(gè)最近鄰圖像，利用步驟103和步驟104，可以得到其專家主觀意見相似度得分y_s，利用步驟105可以得到其預(yù)測專家意見相似度得分y_p，對于與查詢現(xiàn)場鞋印痕跡圖像采集自同一現(xiàn)場的樣本圖像，及其k個(gè)最近鄰圖像，利用公式對專家主觀意見相似度得分和預(yù)測專家意見相似度得分進(jìn)行融合，其中a_s和a_p表示權(quán)重系數(shù)，且a_s+a_p＝1；對于圖像庫中其他圖像

步驟107、構(gòu)造并求解目標(biāo)函數(shù)，計(jì)算各圖像樣本的排序分?jǐn)?shù)，把排序后的結(jié)果反饋給用戶。

其中該步驟構(gòu)造的目標(biāo)函數(shù)如下：

其中f^*為最優(yōu)計(jì)算排序得分，u_i表示圖像庫U中的第i幅圖像，f_i為圖像庫U中的第i幅圖像排序得分；α,β,γ為權(quán)重系數(shù)，α<β，0<α,β,γ<1，R為系數(shù)矩陣，為對角陣，R_i,i表示R中第i行第i列元素；W表示鄰接矩陣，其中元素對應(yīng)的是圖像庫U中任意兩幅樣本圖像的相似度得分；C是一個(gè)對角矩陣，C_ii為其對角線上第i個(gè)元素，C_ii表示第i幅圖像與其余圖像的相似度的和，q_i為與查詢圖像采集自同一現(xiàn)場的圖像集Q中第i幅圖像，q₁為查詢圖像，N_k(q_i)為q_i的k個(gè)最近鄰圖像；為專家意見相似度得分。

為方便求解目標(biāo)函數(shù)，目標(biāo)函數(shù)可以寫成矩陣形式：

求最優(yōu)化f使得Q(f)最小，Q(f)對f的導(dǎo)數(shù)可寫為：

令其等于零，即

可得

則

按照計(jì)算排序得分的高低對庫中圖像樣本進(jìn)行排序，并把排序后的結(jié)果反饋給用戶。

下面以一個(gè)具體的實(shí)驗(yàn)來驗(yàn)證本發(fā)明實(shí)施例提供的一種基于專家經(jīng)驗(yàn)引導(dǎo)的現(xiàn)場鞋印痕跡花紋圖像檢索方法得有效性，實(shí)驗(yàn)具體為：

實(shí)驗(yàn)采用兩個(gè)鞋印痕跡圖像數(shù)據(jù)庫，分別為MUES-SR10KS2S鞋印圖像檢索數(shù)據(jù)庫(Wang XN,Sun HH,Yu Q,Zhang C(2015)Automatic Shoeprint Retrieval Algorithm for Real Crime Scenes.ACCV,Singapore,pp 399-413)和Adam Kortylewski提供的CSFID-170數(shù)據(jù)庫(Kortylewski A,Albrecht T,Vetter T(2014)Unsupervised Footwear Impression Analysis and Retrieval from Crime Scene Data.ACCV 2014 Workshops,Singapore,Singapore.pp 644-658)。MUES-SR10KS2S包含10096幅采集自案件現(xiàn)場的鞋印痕跡圖像，其中包含72幅查詢圖像，如圖2、圖3所示。CSFID-170數(shù)據(jù)庫包含170幅采集自案件現(xiàn)場的鞋印痕跡查詢圖像，及1175幅采集自嫌疑人的圖像樣本。實(shí)驗(yàn)結(jié)果采用Recall@K％衡量，即排序結(jié)果的前K％的查全率。實(shí)驗(yàn)中，本方法在MUES-SR10KS2S鞋印圖像檢索數(shù)據(jù)庫上進(jìn)行實(shí)驗(yàn)，得到實(shí)驗(yàn)結(jié)果如下：

在CSFID-170數(shù)據(jù)庫上與Adam Kortylewski提出的方法進(jìn)行對比，得到實(shí)驗(yàn)結(jié)果如下：

通過表可以看出，相比對比方法的結(jié)果，本方法所提出的方案能夠使檢索精度獲得顯著的提高。

上述實(shí)施例中的實(shí)施方案可以進(jìn)一步組合或者替換，且實(shí)施例僅僅是對本發(fā)明的優(yōu)選實(shí)施例進(jìn)行描述，并非對本發(fā)明的構(gòu)思和范圍進(jìn)行限定，在不脫離本發(fā)明設(shè)計(jì)思想的前提下，本領(lǐng)域中專業(yè)技術(shù)人員對本發(fā)明的技術(shù)方案作出的各種變化和改進(jìn)，均屬于本發(fā)明的保護(hù)范圍。