技術(shù)特征：

1.一種基于專家經(jīng)驗(yàn)引導(dǎo)的現(xiàn)場鞋印痕跡花紋圖像檢索方法，其特征在于包括如下步驟：

—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：

$y_s\left(u_i\right)=\left\{\begin{array}{cc}{o}_i& u_i\∈Q\\ w(q_j,u_i)o_j& u_i\∈N_k\left(q_j\right)\end{array}\right.$

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：

$w(q_j,u_i)=\frac{\underset{m}{\Σ}\underset{n}{\Σ}(A_{mn}-\stackrel{\‾}{A})(B_{mn}-\stackrel{\‾}{B})}{\sqrt{\left(\underset{m}{\Σ}\underset{n}{\Σ}{(A_{mn}-\stackrel{\‾}{A})}^2\right)\left)\right(\underset{m}{\Σ}\underset{n}{\Σ}{(B_{mn}-\stackrel{\‾}{B})}^2\left)\right)}}$

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預(yù)測模型：

$y_p\left(u_i\right)=\frac{{\mathrm{\λ}}_1-{\mathrm{\λ}}_2}{1+\exp \[-\left(w\right(q_1,u_i)-{\mathrm{\λ}}_3)/\left|{\mathrm{\λ}}_4\right|\]}+{\mathrm{\λ}}_2,u_i\∈Q\∪N_k\left(Q\right)$

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：

$\[{\widehat{\mathrm{\λ}}}_1,{\widehat{\mathrm{\λ}}}_2,{\widehat{\mathrm{\λ}}}_3,{\widehat{\mathrm{\λ}}}_4\]=\arg \underset{\mathrm{\λ}}{min}\underset{i=1}{\overset{M}{\Σ}}{\{\frac{{\mathrm{\λ}}_1-{\mathrm{\λ}}_2}{1+\exp \[-(x^{\left(i\right)}-{\mathrm{\λ}}_3)/\left|{\mathrm{\λ}}_4\right|\]}+{\mathrm{\λ}}_2-y^{\left(i\right)}\}}^2$

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：

$x^{\left(i\right)}=\frac{\underset{m}{\Σ}\underset{n}{\Σ}(A_{mn}-\stackrel{\‾}{A})(B_{mn}-\stackrel{\‾}{B})}{\sqrt{\left(\underset{m}{\Σ}\underset{n}{\Σ}{(A_{mn}-\stackrel{\‾}{A})}^2\right)\left)\right(\underset{m}{\Σ}\underset{n}{\Σ}{(B_{mn}-\stackrel{\‾}{B})}^2\left)\right)}}$

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：

$f^{*}=\arg \underset{f}{min}Q\left(f\right)=\frac{1}{2}\mathrm{\α}\underset{u_i\∈U}{\Σ}{R}_{i,i}{f}_i^2+\frac{1}{4}\mathrm{\β}\underset{u_i\∈U}{\Σ}\underset{u_j\∈U}{\Σ}{W}_{ij}{\left(\frac{1}{\sqrt{C_{ii}}}{f}_i-\frac{1}{\sqrt{C_{jj}}}{f}_j\right)}^2+\frac{1}{2}\mathrm{\γ}\underset{q_i\∈Q}{\Σ}\[{(f_i-{\hat{y}}_i)}^2+\underset{u_l\∈N_k\left(q_i\right)}{\Σ}{(f_l-{\hat{y}}_l)}^2\]$

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。

2.根據(jù)權(quán)利要求1所述的基于專家經(jīng)驗(yàn)引導(dǎo)的現(xiàn)場鞋印痕跡花紋圖像檢索方法，其特征還在于所述的圖像庫，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。

3.根據(jù)權(quán)利要求1所述的基于專家經(jīng)驗(yàn)引導(dǎo)的現(xiàn)場鞋印痕跡花紋圖像檢索方法，其特征還在于所述計(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：

—對圖像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，使樣本圖像庫中的每幅圖像獲得一個(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

$r\left(u_i\right)=\frac{Ind\left(u_i\right)}{K}$

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，n、N分別表示所述的采集自不同現(xiàn)場的待檢索鞋印痕跡圖像集D和與查詢圖像采集自同一現(xiàn)場的圖像集Q中的樣本圖像數(shù)量。

4.根據(jù)權(quán)利要求1所述的基于專家經(jīng)驗(yàn)引導(dǎo)的現(xiàn)場鞋印痕跡花紋圖像檢索方法，其特征還在于所述兩個(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：

—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：

$w(u_i,u_j)=\frac{\underset{m}{\&Sigma;}\underset{n}{\&Sigma;}(A_{mn}-\stackrel{\&OverBar;}{A})(B_{mn}-\stackrel{\&OverBar;}{B})}{\sqrt{\left(\underset{m}{\&Sigma;}\underset{n}{\&Sigma;}{(A_{mn}-\stackrel{\&OverBar;}{A})}^2\right)\left)\right(\underset{m}{\&Sigma;}\underset{n}{\&Sigma;}{(B_{mn}-\stackrel{\&OverBar;}{B})}^2\left)\right)}}$

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

$C_{i,i}=\underset{j=1}{\overset{K}{\&Sigma;}}W(i,j).$

5.根據(jù)權(quán)利要求1所述的基于專家經(jīng)驗(yàn)引導(dǎo)的現(xiàn)場鞋印痕跡花紋圖像檢索方法，其特征還在于：

—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：

$y_s\left(u_i\right)=\left\{\begin{array}{cc}{o}_i& u_i\&Element;Q\\ w(q_j,u_i)o_j& u_i\&Element;N_k\left(q_j\right)\end{array}\right.$

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，其計(jì)算形式如下：

$w(q_j,u_i)=\frac{\underset{m}{\&Sigma;}\underset{n}{\&Sigma;}(A_{mn}-\stackrel{\&OverBar;}{A})(B_{mn}-\stackrel{\&OverBar;}{B})}{\sqrt{\left(\underset{m}{\&Sigma;}\underset{n}{\&Sigma;}{(A_{mn}-\stackrel{\&OverBar;}{A})}^2\right)\left)\right(\underset{m}{\&Sigma;}\underset{n}{\&Sigma;}{(B_{mn}-\stackrel{\&OverBar;}{B})}^2\left)\right)}}$

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；

6.根據(jù)權(quán)利要求1所述的基于專家經(jīng)驗(yàn)引導(dǎo)的現(xiàn)場鞋印痕跡花紋圖像檢索方法，其特征還在于所述的目標(biāo)函數(shù)的轉(zhuǎn)化為矩陣形式的求解過程如下：

$f^{*}=\arg \underset{f}{min}Q\left(f\right)=\frac{1}{2}{\mathrm{\&alpha;f}}^{T}Rf+\frac{1}{4}{\mathrm{\&beta;f}}^{T}Lf+\frac{1}{2}\mathrm{\&gamma;}{(f-\hat{y})}^{T}A(f-\hat{y})$

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

$\frac{\&part;Q}{\&part;f}=\mathrm{\&alpha;}Rf+\mathrm{\&beta;}Lf+\mathrm{\&gamma;}A(f-\hat{y})$

令其等于零，即

$\frac{\&part;Q}{\&part;f}=\mathrm{\&alpha;}Rf+\mathrm{\&beta;}Lf+\mathrm{\&gamma;}A(f-\hat{y})=0$

得

$(\mathrm{\&alpha;}R+\mathrm{\&beta;}L+\mathrm{\&gamma;}A)f=\mathrm{\&gamma;}A\hat{y}$

則

$f=\mathrm{\&gamma;}A{(\mathrm{\&alpha;}R+\mathrm{\&beta;}L+\mathrm{\&gamma;}A)}^{-1}\hat{y}$

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。