[发明专利]基于现场鞋印的犯罪嫌疑人追踪方法、装置及存储介质

权利要求书

1.一种基于现场鞋印的犯罪嫌疑人追踪方法，其特征在于，该方法包括以下步骤：

基于鞋印的鞋型识别步骤：利用嫌疑人遗留在案件现场的鞋印确定嫌疑人现场所穿鞋子的鞋型；以及

基于鞋型的视频检索步骤：在设定筛查时段的现场周边监控视频数据中自动检索与确定的嫌疑人现场所穿鞋型相匹配的鞋型，并按照匹配度排序输出结果集合；

其中，所述鞋型识别步骤包括：

输入嫌疑人现场鞋印图像；

利用鞋型识别器将输入的鞋印图像与鞋印训练样本数据库中的鞋印图像进行比对，得到按匹配度排序的鞋型候选集；

基于所述鞋型候选集确定嫌疑人现场所穿鞋子的鞋型；

所述视频检索步骤包括：

输入案件现场周边监控视频数据和确定的嫌疑人现场所穿鞋子的鞋型的图像，并设定筛查时段；

自动检测并分割设定筛查时段内的现场周边监控视频数据中行人的鞋子图像，形成与现场周边监控视频数据关联的鞋型临时数据库；

利用鞋型匹配器将输入的嫌疑人现场所穿鞋子的鞋型图像与鞋型临时数据库中的鞋子图像进行比对，得到按匹配度排序的检索结果集合；

基于所述检索结果集合得到嫌疑人视频集合；

其中，所述鞋型识别器通过如下步骤来构建：构建鞋印训练样本数据库，该鞋印训练样本数据库对于同一鞋型包含：鞋印二值图像、鞋型相关信息和鞋子外观图像，所述鞋印二值图像包含油墨捺印鞋印二值图像或者包含油墨捺印鞋印二值图像和模拟案件现场的灰尘鞋印二值图像；基于第一卷积神经网络学习设计鞋型识别模型，所述第一卷积神经网络包括：至少3个卷积层和至少3个全连接层，前三个卷积层分别有64、128和256个卷积核，大小分别为5*5、3*3*64和3*3*128，第一个全连接层有1024个神经元，第二个全连接层有512个神经元，最后一个全连接层的神经元的个数根据训练样本数确定，所述卷积神经网络的最大池化层的卷积核大小为2，步长为2；训练学习得到模型参数，从而得到固化参数后的鞋型识别器；

所述鞋型匹配器的构建步骤包括：构建视频鞋型训练数据库，该鞋型训练数据库中，对于同一鞋子包含预定数量的鞋型图像，基于第二卷积神经网络学习设计鞋型匹配模型，训练学习得到模型参数，从而得到固化参数后的鞋型匹配器；所述第二卷积神经网络包括至少5个卷积层和至少3个全连接层； 前5个卷积层分别有64、128、256、256、256个卷积核，大小分别为5*5、3*3*64和3*3*128、3*3*256、3*3*256。第一个全连接层有1024个神经元，第二个全连接层有512个神经元，最后一个全连接层的神经元的个数根据训练样本数确定；所述卷积神经网络的最大池化层的卷积核大小为2，步长为2。

2.根据权利要求1所述的方法，其特征在于，所述将输入的鞋印图像与鞋印训练样本数据库中的鞋印图像进行比对的步骤包括：

对于给定现场鞋印图像F1和样本鞋印图像F2，经过卷积神经网络分别得到现场鞋印特征X和样本鞋印特征Y，使用余弦距离计算X和Y的相似度：

基于计算的相似度得到各样本鞋印图像的匹配度排序，并输出结果集合。

3.根据权利要求1所述的方法，其特征在于，利用鞋子检测器执行所述自动检测并分割设定筛查时段内的现场周边监控视频数据中行人的鞋子图像，形成与现场周边监控视频数据关联的鞋型临时数据库的步骤；

所述鞋型临时数据库中包含如下信息：同一行人的5幅鞋子图像、每幅鞋子图像对应的视频文件名、对应的监控摄像头名称及位置、鞋子图像在视频中出现的时刻；

所述鞋子检测器通过如下步骤来构建：

构建监控视频下鞋子图像训练数据库；

基于多任务级联卷积神经网络设计鞋子检测模型；

训练学习得到模型参数，从而得到固化参数后的鞋子检测器。