[发明专利]基于多尺度局部注意力增强网络的足迹图像检索方法

说明书

本发明涉及一种基于多尺度局部注意力增强网络的足迹图像检索方法，与现有技术相比解决了足迹图像检索准确率低、速度慢的缺陷。本发明包括以下步骤：训练样本的获取和预处理；构建足迹图像检索模型；训练足迹图像检索模型；待检索足迹图像的获取；足迹图像检索结果的获得。本发明能够提取到更多有效的细粒度特征，进一步挖掘图像的特征表征能力，提高足迹图像检索的速度和准确率。

技术领域

本发明涉及图像检索技术领域，具体来说是基于多尺度局部注意力增强网络的足迹图像检索方法。

背景技术

近年来在生物识别领域，包括人脸、虹膜、指纹、步态等在内的身份识别技术得到快速发展。在众多身份识别方式中，足迹识别因为个体行走姿态的独特性，因此具有隐蔽、难以伪装和非侵入性的特点，正逐渐成为研究的热点。研究表明，由于每个人的足迹都有自己的特点，具有唯一性。在以往的足迹识别工作中，大多是依赖于专家的知识经验，往往存在着较大的主观性，距离足迹自动比对识别还存在一定的差距。

传统的图像检索方法是选择那些抗干扰性比较好的不变性局部特征，比如SIFT1、SURF、ORB等，并以此为基础通过不同的编码方式构建图像的全局描述，具有代表性的工作有词袋模型、局部特征聚合描述符这一类以类SIFT为基础的图像检索方法。由于结合了类SIFT不变性的特性，并且采用了由局部到全局的特征表达方式，因而从整体上来说能够获得比较好的检索效果。

但是随着深度学习的蓬勃发展和对足迹识别准确率要求的不断提高，传统检索方法难以满足需要，代替使用神经网络广泛应用于计算机视觉领域。足迹图像检索因为深度学习方法的引入也取得了新的进展，在速度和准确率上都有了很大的提高。

目前的足迹图像研究方法仍然存在一定的缺陷，例如在张亚坤《基于卷积神经网络的足迹识别及信息挖掘方法及系统》中提出了一种具有方向和尺度信息的卷积层构成的神经网络方法，尽管该发明进行了足迹图像的多尺度特征挖掘但仍然是从足迹图像全局特征提取的角度出发，忽略了局部特征的挖掘。在张艳《一种基于深度学习的压力足迹图像检索系统》中提出了一种足迹图像从采集到处理再到网络训练的全流程足迹图像检索方法，但是该发明采用的是渐进式神经网络结构进行训练，训练复杂度和难度都很大，模型检索时间长，不适用于实际足迹检索场景。

发明内容

本发明的目的是为了解决现有技术中足迹图像检索准确率低、速度慢的缺陷，提供一种基于多尺度局部注意力增强网络的足迹图像检索方法来解决上述问题。

为了实现上述目的，本发明的技术方案如下：

一种基于多尺度局部注意力增强网络的足迹图像检索方法，包括以下步骤：

11)训练样本的获取和预处理：获取足迹图像数据集，并对其每个足迹图像进行滤波去噪并选取合理的阈值进行二值化处理，得到处理后的足迹图像数据集；

12)构建足迹图像检索模型：基于多尺度局部注意力机制网络构建足迹图像检索模型；

13)训练足迹图像检索模型：利用处理后的足迹图像数据集训练足迹图像检索模型；

14)待检索足迹图像的获取：获取待检索足迹图像，并进行预处理；

15)足迹图像检索结果的获得：将待检索足迹图像输入训练后的足迹图像检索模型，获得足迹图像检索结果。

所述的构建足迹图像检索模型包括以下步骤：

21)设定足迹图像检索模型由初始特征提取模块、多尺度残差网络模块、局部特征注意力增强模块以及特征输出模块组成；

22)初始特征提取模块包括一个卷积层、一个批归一化层、一个激活函数层和一个最大池化层，输入一个批次的数据X大小为(n,3,224,224)，其中n表示一个批次输入图像的个数，3表示输入图像包含的红绿蓝RGB三个通道，224、224表示输入图像的长、宽；