当前课程知识点：刑侦视频图像处理 > 第11章 现勘图像检索技术 > 11.4基于SIFT特征的鞋印检索 > 11.4基于SIFT特征的鞋印检索
各位同学
大家好！
咱们接着学习刑侦图像检索
这节课
咱们讲第4个内容
基于SIFT特征的鞋印检索
为什么要研究
基于SIFT的特征的
鞋印图像检索呢？
这是因为
在案发现场
很难拍摄到清晰
而完整的鞋印图像
但是，咱们希望
能够采集到
局部清晰
可辨的（鞋印）花纹结构
如果，从案发现场采集的鞋印
看不清楚的话
咱们其实
也无法完成鞋印图像检索
咱们虽然
采集不到
清晰而完整的鞋印图像
但是咱们希望
能够采集到局部
清晰的花纹结构
这样的话
咱们就能够利用
鞋印图像的局部信息
来实现相似检索
例如：像这个，咱们就看到两个例子
虽然这个图像，鞋印
采集的鞋印图像不完整
存在很多地方缺陷
但中间还是能够看到
很多地方存在清晰的花纹结构
咱们就要希望
要利用
图像中间的局部花纹结构
来对图像
来对鞋印图像进行检索
所以，咱们的基本思想
要用鞋印图像上的局部信息
来进行检索
为了获得鞋印图像的局部特征
最常用的方法
就是采用SIFT的方法
对鞋印图像进行关键点检测
提取图像的SIFT特征
要用SIFT的特征
来进行鞋印图像检索
中间主要包括三个步骤
第一步
对于图像
要进行特征点检测
也称为关键点检测
第二步
对关键点要进行描述
第三步
对两张图像
检测的关键点要进行匹配
所谓关键点检测
在SIFT算法里面
它基于尺度空间理论
建立高斯差分金字塔塔
然后通过局部
极值点检测的方法
来得到
关键点
第二步
为每个关键点
要分配一个主方向
这样的话就能够保证
后面得到的特征
具有旋转不变性
主方向分配
它的原理是
以
当前这个关键点为中心点
取一个邻域
然后
计算它的梯度方向角直方图
根据梯度率方向角方图
来为这个关键点，分配一个主方向
第三步
关键点描述
例如
对其中的一个关键点
要进行描述
然后就是这个关键点为中心点
它的主方向
为X轴
和垂直那个方向为Y轴
然后的话
对图像进行旋转
然后，取一个邻域
每个邻域
还是要去求它的梯度方向角直方图
每一个小块
得到一个8维的
梯度方向角直方图
总共的话有16块
这样的话
最终就会得到一个
128维的一个特征向量
这个特征向量的话
就称为
关键点的描述
也称为SIFT描述值
这个地方，就是SIFT特征
检测的结果
从图像中间可以知道
图像中间
可以检测到很多关键点
每个关键的点的话
给他提出一个
128维的特征向量
来对这个点进行描述
如果有两张鞋印图像
这两个图像
这两个鞋印
如果是相同的鞋印的话
它们之间如果存在
相同的花纹结构的话
这些点中间的话
就有很多地方可以匹配上
通过匹配
咱们就可以衡量
在两张图上的相似度
怎样来计算
特征点中间的匹配了
最简单的方法就是穷举匹配
假设
第一张鞋印图像原图像
中间检测到4个关键点
即为ABCD
第二张鞋印图像
成为目标图像
中间也检测到4个关键点
A一撇，B一撇
到C一撇和D一撇
如果要进行匹配的话
就拿第一张图像的特征点A
和第二张图片的4个特征点
要执行他的相似度
这个相似度的话
一般都会用
欧氏距离
要计算4次相似度
A这个点的话
和 A一撇B一撇C一撇D一撇
到底能不能比得上
用下面数学式子来进行判断
如果，咱们假设
这个A，和B一撇这两个点
如果这两个点能够匹配上的话
如果 A和B一撇
能够匹配上的话
就说明 A和B一撇
它们之间的距离最近
相对 A 一撇, C一撇和D一撇
它的距离最近
再然后的话
光最近还不行
还要找一个第二近这么一个
在剩下三个点中间的话
还要找一个第二个近的，次近点
假设这个次近点是D一撇
咱们A与D一撇之间
也可以去求它那个距离
如果A与B一撇之间的距离
除以 A和D一批距离
小于一个阈值的话
这个阈值通常都取0.5
小于这个阈值的话
咱们就认为
A和B一撇能够匹配上
不然的话
就称匹配不上
然后的话用相同的方法
B和下面的4个点的话
分别去进行匹配
C和D E也用相同的方法进行匹配
看一下有几个地方能够匹配得上
如果用穷举匹配的话
自然而然的话速度比较慢
在算法中间的话
它有快速算法
用k-d树（方法）
来实现快速算法
假设有两张鞋印图像
P与Q
在P这个图像中间的话
咱们总共检测到 Np个
SIFT点，SIFT特征
在Q这个图像中间的话
咱们总共检测到 Nq个
特征点
咱们还假设
用刚才匹配的方法
咱们假设中间有
M（P，Q）个点
能够匹配上
那么这个鞋印图像P和Q
它们之间的相似度
该怎么定义呢？
就用这个式子来进行定义
P和Q的相似度
就等于 M(P, Q) 除以 Np
和Nq中间最小值
这样的话，就能够反映
鞋印图像P与Q的相似度
用这个相似度的话
咱们就可以完成鞋印图像检索
假设，咱们鞋印库中间的话
总共有1000张图像
咱们的话
就用SIFT的特征的算法原理
根据SIFT算法原理
对每张图像
进行SFIT特征提取
然后的话
假设我要进行鞋印图像检索
咱们首先要打开一张新图像
打开一张检索样图
用前面讲的方法
来进行预处理
然后的话
对样图进行SIFT特征提取
再用刚才匹配的方法
来计算样图
和图像库中间
每张图像的一个匹配
然后根据刚才相似度的定义
来计算样图
与库中每张图像的相似度
根据相似度的进行排序
把相似度最高的图像
显示在最前面
越不像的话
显示在越后面
这样的话就能够完成
鞋印图像检索
这地方的话
就看到一个检索的结果
这地方的话
也是一个鞋印图像的检索结果
好的
这一课咱们就上到这个地方
谢谢
-1.1 绪论（上）
--1.1绪论（上）
-1.2 绪论（下）
-第1章测试
-2.1 光照不良图像增强处理（上）
-2.2 光照不良图像增强处理（下）
-第2章习题
-3.1图像超分辨率重建技术概述
-3.2基于插值的图像超分辨率重建
-3.3基于深度学习的图像超分辨率重建之神经网络
-3.4基于深度学习的图像超分辨率重建
-3.5基础知识介绍
-3.6压缩感知与超分辨率重建
-3.7基于压缩感知字典学习的超分方法
-第3章测试一
-第3章测试二
-4.1引言-什么是HDR图像
-4.2 概述-HDR图像处理的研究内容
-4.3HDR图像获取—多曝光融合
-4.4色调映射基础
-第4章测试题
-5.1图像水印技术概述
-5.2图像单水印技术
-5.3图像双水印技术
-第5章测试题
-6.1图像检索概述
-6.2词袋(BOW)特征描述
-6.3VLAD特征编码
-6.4PCA降维
--6.4PCA降维
-7.1 监控视频编码的作用
-7.2 监控视频编码的标准
-7.3 监控视频编码标准
-第7章测试
-8.1运动目标检测
-8.2运动目标跟踪
-第8章测试题
-9.1高光谱图像基础知识
-9.2高光谱图像的应用
-9.3高光谱图像处理
-第9章测试题
-10.1现勘足迹的基本知识
-10.2现勘足迹提取方法
-10.3结构光测量技术概况
-10.4结构光提取原理
-10.5现勘三维现场重建技术
-10.6基于二维图像的三维现场重建
-10.7基于深度信息的三维现场重建
-10.8应用案例
--10.8应用案例
-第10章测试题
-11.1研究背景与意义
-11.2图像预处理技术
-11.3基于LBP纹理的鞋印检索
-11.4基于SIFT特征的鞋印检索
-第11章测试题
-12.1什么是案件的智能串并？
-12.2实现智能串并案的机遇与挑战
-12.3智能串并案的实现策略与方案
-12.4真实案件智能串并的实现
-第12章测试题
-13.1刑侦模拟画像概述
-13.2 刑侦模拟画像计算机辅助系统
-13.3刑侦模拟画像计算机辅助系统：两维三维画像辅助
-第13章测试题
