基于卷积神经网络的鞋印图像分类算法研究

发布时间：2017-05-23 13:08

  本文关键词：基于卷积神经网络的鞋印图像分类算法研究，由笔耕文化传播整理发布。

【摘要】：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%。
【关键词】：鞋印图像分类 深度学习 卷积神经网络 小样本集
【学位授予单位】：大连海事大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP391.41;TP183
【目录】：

• 摘要5-6
• ABSTRACT6-10
• 第1章 绪论10-22
• 1.1 研究背景与意义10-11
• 1.2 国内外发展现状11-19
• 1.2.1 鞋印图像检索和分类技术国内外发展现状11-15
• 1.2.2 基于卷积神经网络的模式识别技术国内外发展现状15-19
• 1.3 目前存在的问题及本文主要工作19-21
• 1.3.1 主要工作内容19-20
• 1.3.2 主要创新点20-21
• 1.4 本文组织结构21-22
• 第2章 基于卷积神经网络的鞋印图像分类22-30
• 2.1 引言22
• 2.2 相关工作22-26
• 2.2.1 CNN的整体网络结构22-23
• 2.2.2 CNN的思想架构23-24
• 2.2.3 LeNet-5的介绍及其在鞋印图像上的效果24-25
• 2.2.4 公开数据库及其模型介绍25-26
• 2.3 鞋印图像库的特点分析26-27
• 2.4 本文算法总体框架27-28
• 2.5 评测方法与测试数据28-29
• 2.6 小结29-30
• 第3章 小样本卷积神经网络的训练方法30-52
• 3.1 引言30
• 3.2 相关工作30-31
• 3.3 针对鞋印图像的数据自动扩充方法31-35
• 3.3.1 RST及噪声不变性的数据扩充31-34
• 3.3.2 根据鞋印特点的弹性形变数据扩充34
• 3.3.3 图片剪切的数据扩充34-35
• 3.4 每类样本数目的选择方法与实验分析35-42
• 3.4.1 原始样本数目数据训练模型36
• 3.4.2 归一化样本数目数据训练模型36-38
• 3.4.3 统一样本数目数据训练模型38-41
• 3.4.4 样本数目选择方法实验分析41-42
• 3.5 卷积神经网络训练加速方法42-49
• 3.5.1 参数初始化42-47
• 3.5.2 可变的学习速率47-49
• 3.6 实验分析49-50
• 3.7 小结50-52
• 第4章 去冗余连接的CNN模型改进方法研究52-64
• 4.1 引言52
• 4.2 相关工作52-55
• 4.3 本文方法55-62
• 4.4 实验分析62-63
• 4.4.1 实验数据62
• 4.4.2 实验结果62-63
• 4.5 小结63-64
• 第5章 基于卷积神经网络的鞋印图像分类算法实验结果分析64-68
• 5.1 实验数据64
• 5.2 实验参数设置64
• 5.3 实验结果比较64-68
• 第6章 总结与展望68-70
• 6.1 本文主要工作总结68-69
• 6.2 未来工作展望69-70
• 参考文献70-77
• 攻读学位期间公开发表论文77-78
• 致谢78-79
• 作者简介79

【参考文献】

中国硕士学位论文全文数据库 前2条

1 孙会会;基于反馈的现场鞋底痕迹花纹检索算法研究[D];大连海事大学;2014年

2 马臣;基于LBP与形状上下文的足迹比对算法研究[D];大连海事大学;2014年

  本文关键词：基于卷积神经网络的鞋印图像分类算法研究，，由笔耕文化传播整理发布。

本文编号：388020