导读:本文包含了鞋印分类论文开题报告文献综述及选题提纲参考文献，主要关键词:鞋印图像分类,语义表达,花纹单词,监督反馈
鞋印分类论文文献综述
荆怡[1]（2017）在《基于语义的鞋印图像分类算法研究》一文中研究指出鞋印作为犯罪现场中遗留率较高的痕迹之一,它在案件的串并分析和缩小嫌疑人范围的过程中起着至关重要的作用。鞋印图像分类是将鞋印图像按一定分类规则分到已知类别中的过程,鞋印图像的自动分类,能有效促进案件的侦破。其主要建立在图像理解的基础上,图像理解不仅需要底层的视觉特征还需要抽象的知识。因此语义信息能有效提高鞋印图像的分类性能,基于此本文给出了基于语义的鞋印图像分类算法,本文主要工作如下:1)给出了基于语义的鞋印图像分类算法框架本文针对目前鞋印图像分类算法存在的缺陷,给出了基于语义的鞋印图像分类算法框架。该框架主要包括:语义表达算法、空间关系描述算法以及结合最近邻的决策树分类算法叁大部分。通过在鞋印数据集的相关实验来验证该框架的合理性。2)给出了兼顾语义相关性的语义表达算法本文以传统的视觉词袋模型为基础,结合鞋印图像的语义特性,给出了符合鞋印图像的基元语义词汇表构建方法;并根据监督反馈的思想获取了语义词汇表中各花纹单词的语义关系。最后根据各语义之间的关系实现了兼顾语义相关性的语义表达。经分类实验验证表明,这种兼顾语义相关性的语义特征比不考虑相关性的语义特征有更为有效的表达效果。3)给出了分层次的空间关系描述算法本文根据基元分布抗干扰能力的不同,将鞋印图像进行层次划分,并对不同层次的鞋印图像采用不同的空间关系描述方法。主要给出了基于距离度量矩阵的空间关系描述法和基于小波-傅里叶变换的空间关系描述法。经实验验证表明,这种分层次的空间表达算法,能有效的进行空间关系描述,为分类提供一定依据。4)给出了结合最近邻的决策树分类算法本文采用了决策树的树状流程结构对不同特征的最近邻分类结果进行可信度的判断,从而获取可信度较高的分类结果。该算法将两个分类方法进行了融合,即保留了各特征的分类优势,同时简化了分类器的训练过程,提高了分类准确率。经实验验证表明,本文算法具有较好的分类性能。为验证基于语义的鞋印图像分类算法的分类性能,本文将3500类7834幅嫌疑人鞋印图像数据作为测试数据库,从中随机选取1000类1000幅嫌疑人图像作为训练图像,1143类1143幅嫌疑人图像作为测试图像。经实验验证本文的分类准确性达到了 92.9%,且分类错误的类别仍具有较好的主客观一致性,是一种有效的分类算法。(本文来源于《大连海事大学》期刊2017-02-01）
张弛[2]（2016）在《基于卷积神经网络的鞋印图像分类算法研究》一文中研究指出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%。(本文来源于《大连海事大学》期刊2016-01-01）
董菲菲[3]（2010）在《基于叁维鞋印的鞋底花纹分类及模块设计》一文中研究指出目前绝大多数的国内鞋底花纹分类研究仍是基于二维平面的图片。但随着计算机和激光测量等技术的飞速发展,点云已被广泛地用于描述叁维实物原型的表面形状特征。而由点云构成的叁维实物也被广泛应用于各种领域,如：反求工程,医学图像处理领域等等。叁维立体图像可以满足人们渴望看到物体全貌的要求,叁维鞋印比二维鞋印含有更多的实用信息,尤其是鞋印的厚度信息。这有利于相关人员进行进一步的研究工作。本文对鞋底花纹类型进行识别,结合反求工程相关知识对由点云构成的叁维鞋印进行点云切片与投影,将其转化为由点云切片数据构成的二维鞋印。使用单元盒进行区域生长实现图像分割,从鞋底花纹中分离出一个花纹纹理。通过检测该花纹纹理的每一个最外围单元盒内是否含有点云以及找几何距离最近点云的方法判断分离出来的单个花纹纹理是否属于闭合曲线花纹,以实现鞋底花纹的预分类过程。对分离出来的花纹纹理进行再识别,根据花纹纹理及其形状特征将花纹归类为边块型、交织型、圆型、点状、波折型或线条型,完成鞋底花纹的再分类过程。设计系统框架内各个模块以及各个模块内与鞋印数据库操作相关的代码编写。使用SQL Sever 2000创建一个鞋印数据库,并在Visual C++平台上通过使用ADO完成对鞋印数据库的各种操作。鞋印数据库的基本操作包括：基本鞋印信息的录入、鞋印信息的删除、鞋印信息的修改等。(本文来源于《南昌大学》期刊2010-12-24）
柯少卿[4]（2006）在《鞋印分块分类的研究》一文中研究指出足迹和鞋印是犯罪现场提取率较高的痕迹物证。足迹和鞋印可以帮助判明案情,分析犯罪。有效的鞋印管理能缩短公安部门办案时间,提高刑事工作部门效率,而且它在串并案中的作用尤为突出。目前各地公安机关足迹管理方法不同,大多采用人工操作,使得足迹在刑事案件侦破过程中很难像指纹一样发挥作用。在这种背景下有必要寻找一种基于模式识别的图像处理算法,充分利用计算机快速、高效的特点,实现鞋印花纹的自动识别和分类,进而更好地发挥足迹和鞋印在刑事案件侦破中的作用。 鉴于以上背景,对鞋印分类要求在实际图片上进行了具体分析。借鉴了大连海事大学信号与图像处理研究所近几年在图像检测领域所取得的经验,为了达到自动分类的目的,提出了本文的分块分类算法:首先对原图像进行归一化处理。在归一化的基础上,按每块64×64的标准对图像分块,将图像纹理分为13×5个分块。然后参照鞋印标准轮廓线剔除含有边缘轮廓以及背景部分的分块。对像素进行检验,根据设定阈值,进一步删除不含纹理或者少量纹理的分块。把Laws掩模和花纹图像卷积后计算的能量作为纹理描述的一个特征量,实现初步的鞋印纹理分类。初步分类后分别构造灰度共生矩阵以及在小波分解的基础上构造相邻尺度的共生矩阵,并采用Haralick统计量作为两个共生矩阵的特征量,重新构造新的特征矩阵,进行聚类分析。根据以上的对分块的分类结果,用分类算法完成鞋印纹理的最终分类。 对从现有的鞋印库里随机抽取500幅鞋样图像进行测试,证明该方法能有效地完成鞋印分类,并达到较高的正确率。(本文来源于《大连海事大学》期刊2006-03-01）
鞋印分类论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
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%。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
鞋印分类论文参考文献
[1].荆怡.基于语义的鞋印图像分类算法研究[D].大连海事大学.2017
[2].张弛.基于卷积神经网络的鞋印图像分类算法研究[D].大连海事大学.2016
[3].董菲菲.基于叁维鞋印的鞋底花纹分类及模块设计[D].南昌大学.2010
[4].柯少卿.鞋印分块分类的研究[D].大连海事大学.2006