当前课程知识点:刑侦视频图像处理 >  第12章 刑侦案件智能串并 >  12.4真实案件智能串并的实现 >  12.4真实案件智能串并的实现

返回《刑侦视频图像处理》慕课在线视频课程列表

12.4真实案件智能串并的实现在线视频

下一节:13.1刑侦模拟画像概述

返回《刑侦视频图像处理》慕课在线视频列表

12.4真实案件智能串并的实现课程教案、知识点、字幕

同学们

大家好

今天我们继续讲述

案件的智能串并

这节课

是案件智能串并的第四节课

上一节课

我们分析了实际数据的一些特点

为此提出了

实现案件串并的一些策略和方案

今天

我们就来看一下

真实的实现一个案件串并

所要进行的一些具体的操作

案件的数据化模块

即完成了案件原始现勘数据

处理为计算机可以处理的数据包

案件的现勘数据特点呢

它具有多模态性

场景非常复杂

目标也巨多

所以这种多目标

多模态的问题

是我们将案件数据化

首要要解决的问题

多模态的问题

我们稍后会讲

首先

我们先来解决

多场景

多目标的

一些具体的实施步骤

因为有价值的信息呢

往往是一些异常信息

或者是一些细节信息

因此

串并条件不再是整幅现勘图像

这些宏观信息

固定长度的特征信息

或者是人工标签等等

这些对于我们线索

和发现案件之间的关联

意义其实并不大

那最自然的方法

我们想到的

就是将图像分成多个目标块

从而

就会获得

由细节和小目标信息

组成的多层现勘元素

大家可以注意到

我们称它为现勘元素

替代了之前的现勘图像

为了构建现勘元素库

需要构建现勘视觉小目标库

本项研究呢

我们将采用了区域生成网络

也就是RPN

来实现目标识别

这一方法

它是可以有效地

检测出图像中的细节

和小目标信息的

如图所示

这里利用的就是我们的RPN网络

对我们现勘图像

进行的目标识别和检测

那在本项研究当中呢

我们用到的就是一个

非常经典的方法

这里

也给大家提供了这样一个数据包

有兴趣的同学可以进行下载

处理和实现它的目标提取

那目标检测其实大致上也不难

它分为以下四个步骤

特征提取

候选区域的生成

窗口的分类

以及位置精修等等

从而实现了目标的识别

那这一方法

已经成功地应用到了各个领域当中

如我们上一节课给大家介绍的

人脸目标的识别

所以

这就将为我们小目标库

提供了基本的元素

然后再来看下面的一个结果

这个结果呢

就是我们利用了刚才的RPN网络

在真实的现勘数据库上

目标识别的结果

大家可以看到的是

一幅现勘图像

它经过检测之后

包含了多个目标框

以及它的识别信息

比如这里所示的

一个车牌信息

以及它的位置

以及它具体车牌所含有的识别信息

那我们

就用这些识别信息和小目标块

构成了我们的现勘元素块

那接下来

我们就要解决刚才提到的

细节信息丢失的问题

那图像信息当中的信息

往往都会丢失

原因是什么呢

并不是因为在采集的过程当中

因为分辨率的原因

造成了丢失

往往的原因在于

这个特征提取方法的问题

而且这些特征信息呢

非常容易受到其他异常信息

或者噪声的干扰

为此

我们添加了衍生信息层

衍生信息层呢

是由图像块的属性的标签组成

也就是说

它不光包含了图像信息

还包括了一些分类的标签

那这些标签

它不是由人工录入的

而是由我们的CNN的分类器完成的

为此呢

我们就设计了

这样一个现勘图像的信息树

在小目标块上

针对破案需求

生成的信息层

它具有放大细节的功能

对检索的目的就更加明确

然后再来看

下面我们要解决的问题

刚才提到的我们衍生信息层当中

其实包含的是我们小目标块的属性

那这些属性呢

它其实是一些分类标签

那这里给大家所示的

就是我们的

现勘信息树的图像的表征方法

我们使用了7个分类器

包含了1个目标分类器

1个运动关系分类器

3个属性信息分类器

以及2个细节分类器

将这些分类的标签

存储在我们的衍生信息层当中

也就是说

原来的信息

现在把它们都储存成标签

那么大家可以想象的是

细节信息在图像的像素的分布上

它非常的小

特征长度也非常小

那么

它们这些信息度量的差别也非常小

但是

如果把它们存成标签信息

是不是就起到了一个

细节信息放大的作用呢

那按照上面的两个步骤

是可以完成信息的数据化的

但是

在刑警给我们的真实的

现勘数据库当中

自然光图像

其实只占了20%

还有大量的视频

以及其他模态的数据

例如

案发时段内的X光安检的图像

以及我们要处理的

安检图像当中的细节信息

这些都是我们要亟待解决的

多模态问题

由于我们前面使用的是

训练好的一个VGG16的一个网络

它的训练数据呢

都是我们的自然光数据

对于X光图像

目标识别的结果并不标准

所以

我们提出了一种

色彩有偏的纹理表征方法

它的思想

是利用不同材质

在X光图像当中的颜色分布特征

构造了待检测目标的色彩模板

然后就可以实现对X光当中

目标进行检索的问题

这里显示的

就是一个

我们在X光安检的图像当中

检测手机的一个结果

可以看到的是

我们的算法

如红色曲线所示

它可以达到

识别率在95%以上

这样一个高识别率

那以上呢

就完成了案件的元素化表征

也就是将我们各种模态的数据

提取出目标块

然后再生成它的衍生信息层

这样一个数据包

就构成了我们的现勘元素库

即完成了案件到信息的处理

将这些小目标块的图像层

和具有放大信息的衍生层

组合在一起

大家可以看到的是

这样一个数据包

就组成了整个案件

那么接下来

就是要完成的信息之间的关联

以至于最后生成案件之间的关联

那么

现在要实现

这些数据包之间的关键问题

是什么呢

主要是

它其实是模式识别当中的一个

传统问题

相似度度量

但是由于实际案件中的成像条件

它的变化条件是非常巨大的

没有哪种特征

或者是相似度的准则

适用于这种

变化非常多的这种情况

那深度学习算法

其实很好的回避了这一问题

它无需定义特征

在训练阶段

只需要将相关关系的数据包

输入到卷积神经网络当中

训练网络参数

在测试阶段

将案件的属性包送入对应的

训练好的测试网络当中

就可以得到

两两小目标块的关联程度

由0-1数值来描述

那么

这里给大家所示的

就是一个现勘元素的

关联程度的计算结果

大家可以看到的是

图像的内容

光照条件

以及图像的尺度

是存在非常大的差别的

但是

它们在局部特征上

却有非常高的关联性

利用我们的算法

大家可以看到

无论是车牌的识别

还是这个行人的关联

我们都得到了成功的解决

好了

我们一些细节问题就得到了解决

那由现勘元素

来计算它的关联程度

其实是可以得到

案件之间的关联图层的

因为案件被描述成了元素包

元素包包含了各种信息块的元素

那信息块跟信息块之间的关联程度

是不是就可以形成一个

案件到案件的一个矩阵

我们将这个矩阵称之为关联图层

如这里所示

这个蓝色和黄色所示的矩阵呢

就是我们这里表示的

两两案件的关联图层

最后

我们利用阈值平面进行筛选

筛选的是案件x

与其他案件的串并关系

利用阈值呢

我们可以实现的是串并条件的确定

然后筛选出来

案件x与其他案件的串并关系

以上就是我们的一个仿真结果

大家可以看到的是

案件到案件之间的关联程度的计算

实验数据我们包含了13个真实案件

其中包含的仿真结果

过程呢如图所示

实现的这些案件的串并

确实反映了真实情况

我们现在看到的是

我们基本上实现了

这个理论算法的研发

实现了我们案件的智能串并

但这个只是一个自动化分析工具

应用于实际破案的第一步

那接下来我们要实现的是

数据的云端处理

能够访问到更多的真实案例

构建海量案件数据库

以及开发普通用户

可以操作的用户界面

也就是说

我们从算法到实际应用

还有很长的路要走

所以经过这一节课内容的学习

大家应该能够认识到

串并案的理论

以及串并案实现的前提条件

以及遇到的一些挑战和问题

最终

我们给出了一个

串并案实现的方法和策略

都将为我们实际工程当中

应用这样一个算法

提供了指导

所以这节课就到这里

谢谢大家

刑侦视频图像处理课程列表:

第1章 绪论

-1.1 绪论(上)

--1.1绪论(上)

-1.2 绪论(下)

--1.1.2绪论(下)

-第1章测试

第2章 视频图像清晰化处理技术

-2.1 光照不良图像增强处理(上)

--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)

--2.2 光照不良图像增强处理(下)

-第2章习题

第3章 图像超分辨率重建技术

-3.1图像超分辨率重建技术概述

--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

--3.2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

--3.3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

--3.4基于深度学习的图像超分辨率重建

-3.5基础知识介绍

--3.5基础知识介绍

-3.6压缩感知与超分辨率重建

--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

--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

第4章 高动态范围(HDR)成像技术

-4.1引言-什么是HDR图像

--4.1引言-什么是HDR图像

-4.2 概述-HDR图像处理的研究内容

--4.2 概述-HDR图像处理的研究内容

-4.3HDR图像获取—多曝光融合

--4.3HDR图像获取—多曝光融合

-4.4色调映射基础

--4.4色调映射基础

-第4章测试题

第5章 图像水印技术

-5.1图像水印技术概述

--5.1图像水印技术概述

-5.2图像单水印技术

--5.2图像单水印技术

-5.3图像双水印技术

--5.3图像双水印技术

-第5章测试题

第6章 图像检索技术

-6.1图像检索概述

--6.1图像检索概述

-6.2词袋(BOW)特征描述

--6.2词袋(BOW)特征描述

-6.3VLAD特征编码

--6.3VLAD特征编码

-6.4PCA降维

--6.4PCA降维

第7章 监控视频高效编码技术

-7.1 监控视频编码的作用

--7.1 监控视频编码的作用

-7.2 监控视频编码的标准

--7.2 监控视频编码的标准

-7.3 监控视频编码标准

--7.3 监控视频编码标准

-第7章测试

第8章 视频目标检测与跟踪技术

-8.1运动目标检测

--8.1运动目标检测

-8.2运动目标跟踪

--8.2运动目标跟踪

-第8章测试题

第9章 刑侦高光谱图像处理

-9.1高光谱图像基础知识

--9.1高光谱图像基础知识

-9.2高光谱图像的应用

--9.2高光谱图像的应用

-9.3高光谱图像处理

--9.3高光谱图像处理

-第9章测试题

第10章 现勘三维现场重建

-10.1现勘足迹的基本知识

--10.1现勘足迹的基本知识

-10.2现勘足迹提取方法

--10.2现勘足迹提取方法

-10.3结构光测量技术概况

--10.3结构光测量技术概况

-10.4结构光提取原理

--10.4结构光提取原理

-10.5现勘三维现场重建技术

--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

--10.6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

--10.7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

第11章 现勘图像检索技术

-11.1研究背景与意义

--11.1研究背景与意义

-11.2图像预处理技术

--11.2图像预处理技术

-11.3基于LBP纹理的鞋印检索

--11.3基于LBP纹理的鞋印检索

-11.4基于SIFT特征的鞋印检索

--11.4基于SIFT特征的鞋印检索

-第11章测试题

第12章 刑侦案件智能串并

-12.1什么是案件的智能串并?

--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

--12.2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

--12.3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

--12.4真实案件智能串并的实现

-第12章测试题

第13章 刑侦模拟画像

-13.1刑侦模拟画像概述

--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

--13.2 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

--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

12.4真实案件智能串并的实现笔记与讨论

也许你还感兴趣的课程:

© 柠檬大学-慕课导航 课程版权归原始院校所有,
本网站仅通过互联网进行慕课课程索引,不提供在线课程学习和视频,请同学们点击报名到课程提供网站进行学习。