劉 穎, 范九倫, 李 宗, 黃 源, 燕皓陽

(西安郵電大學 通信與信息工程學院, 陜西 西安 710121)

現(xiàn)勘圖像數(shù)據(jù)庫檢索技術實例探討

劉 穎, 范九倫, 李 宗, 黃 源, 燕皓陽

(西安郵電大學 通信與信息工程學院, 陜西 西安 710121)

基于內(nèi)容的圖像檢索技術(CBIR) 發(fā)展已經(jīng)有三十多年，但相關技術在公共安全領域的應用尚處于初步階段。依托公安部重點實驗室平臺，使用實際刑偵現(xiàn)勘圖像數(shù)據(jù)庫，介紹在現(xiàn)勘圖像數(shù)據(jù)庫檢索、車胎花紋數(shù)據(jù)庫檢索方面取得的研究進展情況，討論現(xiàn)有成果與公共安全行業(yè)實際需求之間存在的差距，并分析現(xiàn)勘圖像數(shù)據(jù)庫檢索研究的未來發(fā)展趨勢。

基于內(nèi)容的圖像檢索；刑偵現(xiàn)勘圖像數(shù)據(jù)庫；公安行業(yè)實際需求

基于內(nèi)容的圖像檢索(Content-based image retrieval，CBIR)技術發(fā)展至今，已經(jīng)有很多算法被提出[1-2]。所謂的CBIR就是從圖像內(nèi)容(像素值)提取圖像特征，并利用查詢示例圖像(query)和數(shù)據(jù)庫中圖像的特征矢量之間的距離來度量圖像的相似性，以此來實現(xiàn)自動的圖像檢索，查找與查詢圖像內(nèi)容相同或相似的圖像。

圖像特征提取和圖像相似度度量是影響查詢準確率的關鍵因素。圖像特征包括所謂的低層數(shù)字特征(low-level digital feature)和高層語義特征(high-level semantic feature)。常用的低層數(shù)字特征包括色度特征、紋理特征、形狀特征和空間位置特征。所謂的高層語義特征是將低層數(shù)字特征通過機器學習等算法轉(zhuǎn)換為接近人類語言的文字描述，通常選擇事先定義的一組詞匯(vocabulary，concepts)。

文[1-2]詳細介紹和討論了各種經(jīng)典的CBIR 算法和目前的研究熱點,而最近幾年來CBIR算法及其在醫(yī)學圖像、顯微圖像甚至模擬場景游戲等不同應用領域的研究依然是研究的熱點之一[3-5]。

根據(jù)實際調(diào)研， CBIR 在我國現(xiàn)勘圖像數(shù)據(jù)庫檢索方面的研究尚處于初步階段，目前國內(nèi)尚無專為刑偵現(xiàn)勘圖像數(shù)據(jù)庫設計的CBIR算法。而與此同時，公共安全行業(yè)對實用現(xiàn)勘(Crime Scene Investigation, CSI)圖像數(shù)據(jù)庫查詢比對系統(tǒng)的需求卻越來越強烈。

我國公安行業(yè)的現(xiàn)勘圖像數(shù)據(jù)庫，目前主要還是依靠圖像存檔時的人工標注，由工作人員根據(jù)經(jīng)驗依靠主觀判斷來進行查詢比對。這不僅需要大量的時間，而且影響辦案人員實施串并案等工作的效率。因此，研究適用于CSI圖像數(shù)據(jù)的CBIR算法具有重要的應用價值。

實驗室獲取了實際的CSI圖像數(shù)據(jù)作為實驗測試數(shù)據(jù)，分析結(jié)果發(fā)現(xiàn)現(xiàn)勘圖像數(shù)據(jù)有區(qū)別于學術界常用的CBIR測試數(shù)據(jù)(比如COREL圖像數(shù)據(jù)庫和Internet圖像數(shù)據(jù)庫[1-3])的特殊性。例如圖像種類的行業(yè)特殊性，像血跡、足跡這類圖片在其他數(shù)據(jù)集里是罕見的；此外，圖片內(nèi)容分類方式的特殊性。比如，一幅內(nèi)容包含草地樓房的圖片，刑偵人員可能將其歸為“概貌”或者“方位”類中?？偠灾芯窟m合于CSI圖像數(shù)據(jù)的特征提取算法是CBIR技術應用于現(xiàn)勘圖像數(shù)據(jù)庫的重要基礎。此外，現(xiàn)勘圖像數(shù)據(jù)的種類有其行業(yè)特殊性，從低層數(shù)字圖像特征到高層語義特征的學習，也有特殊性。

本文擬介紹近年來在現(xiàn)勘圖像數(shù)據(jù)庫檢索、車胎花紋數(shù)據(jù)庫檢索方面的部分研究進展情況，并圍繞公共安全行業(yè)實際需求，分析現(xiàn)有成果與實際需求之間存在的差距。實驗結(jié)果可為相關領域科研工作者提供參考。

1 現(xiàn)勘圖像數(shù)據(jù)庫

1.1 CSI圖像數(shù)據(jù)采集

實驗室獲取了1 072幅實際現(xiàn)勘圖像數(shù)據(jù)，包括方位、細目、概貌、現(xiàn)場圖和血跡等10類，統(tǒng)計數(shù)據(jù)詳見表1，部分現(xiàn)勘圖像示例如圖1所示。

表1 原始現(xiàn)勘圖像數(shù)據(jù)分類

(a) 方位類

(b) 細目類

(c) 概貌類

(d) 手印痕跡類

(e) 血跡類

(f) 現(xiàn)場類

1.2 對原始CSI圖像進行預處理

原始CSI圖像數(shù)據(jù)的分類是在辦案人員收集數(shù)據(jù)時，由刑偵人員大致進行的，從CBIR研究角度而言這些類別太抽象，所以，需要對這些CSI圖像從圖像內(nèi)容角度進行重新分類。

實際分類過程中發(fā)現(xiàn)數(shù)據(jù)存在以下問題。

(1) 一幅圖片中包含多個檢索目標。如圖2(a)中包括建筑、道路等多個目標元素。

(2) 圖片場景比較復雜，較難分類。如圖2(b)為道路邊的一幅圖片，圖中有人，也有建筑和樹木，在未進一步了解案情的情況下難以分類。

(3)目標不確定。如圖2(c)中塑料袋包裹的不明物體，在未知案情內(nèi)容的情況下，目標不確定，無法分類。

(a) 多目標圖像

(b) 目標遮擋圖像

(c) 目標不明確圖像

作為第一階段實驗需要，定義道路、車輛、建筑、門、指紋、血跡、足跡和作案工具等8個現(xiàn)勘圖像種類，共800幅CSI圖像作為測試數(shù)據(jù)庫，各類的例圖如圖3所示。

(a) 道路

(b) 車輛

(c) 建筑

(d) 門

(e) 手印

(f) 血跡

(g) 足跡

(h) 作案工具

圖3 8類CSI圖像示例

2 基于內(nèi)容的現(xiàn)勘圖像數(shù)據(jù)庫檢索

本節(jié)主要介紹在現(xiàn)勘圖像數(shù)據(jù)庫檢索方面的一些研究進展，并探討現(xiàn)有成果與實際需求之間存在的差距。

2.1 常用CBIR算法是否適用于現(xiàn)勘圖像數(shù)據(jù)庫

既然已經(jīng)有很多CBIR算法存在，這些常規(guī)算法是否適用于CSI圖像呢？為此我們做了一系列實驗。實驗中將一組常見圖像特征應用于學術界常用的COREL圖像數(shù)據(jù)庫及獲得的CSI現(xiàn)勘圖像數(shù)據(jù)庫，并分別用歐氏距離(Euclidean distance)和街區(qū)距離(city block distance)來定義圖像特征矢量間的距離d, 而圖像間的相似度定義為s=1/d(d不為0),d=0時，兩幅圖像相似度最高[6-7]。

實驗中使用的圖像特征為顏色特征(HSV直方圖)和紋理特征(三級小波變換后對各子帶小波系數(shù)提取均值、方差組成特征向量)，以及顏色特征與紋理特征加權結(jié)合的融合特征。把查準率作為檢索性能評估指標，使用顏色特征、紋理特征及融合特征分別在COREL和CSI上進行測試，實驗結(jié)果如圖4，圖5和圖6所示。

圖4 基于顏色特征的檢索結(jié)果

圖5 基于紋理特征的檢索結(jié)果

圖6 基于顏色紋理融合特征的檢索結(jié)果

從實驗結(jié)果圖可知：數(shù)據(jù)庫檢索中CSI的表現(xiàn)不如COREL好，因此需要設計適用于現(xiàn)勘圖像檢索的算法；街區(qū)距離比歐氏距離更適用于定義現(xiàn)勘圖像間的相似程度。

2.2 基于區(qū)域語義模板的現(xiàn)勘圖像數(shù)據(jù)庫檢索

通過數(shù)據(jù)分析發(fā)現(xiàn)，CSI圖像類(class)和圖像中的主要目標物體(object)之間存在一定的對應關系，這個關系也稱為本體(ontology)[2]。如圖7所示，現(xiàn)勘圖像有些類對應多個目標物體，有些類對應單一目標物體。在提出的算法中，8個CSI圖像類對應了13種目標物體，包括：車，車牌，車輪，道路，植物等。

圖7 CSI 圖像數(shù)據(jù)庫本體結(jié)構(gòu)描述

為提高CSI圖像庫的檢索性能，我們提出了一種基于區(qū)域語義模板(region semantic template，RST)的檢索算法,簡稱RST-CSI[8]。對CSI數(shù)據(jù)庫中的所有圖像進行分割,從所得的圖像區(qū)域中可獲得所有13種“目標物體”的樣本區(qū)域(sample region)，圖8是部分樣本區(qū)域示例。實驗中將“區(qū)域模板”定義為一組5個樣本區(qū)域的區(qū)域圖像特征的平均值。

圖8 樣本示例

在圖像檢索過程中，用戶提交查詢圖像并明確感興趣的“查詢目標區(qū)域”(QR，query region)。檢索時，系統(tǒng)首先從CSI數(shù)據(jù)庫中找到所有包含此查詢目標區(qū)域的圖像，這一步稱為“初選”，通過將圖像區(qū)域的特征矢量與“區(qū)域語義模板”相比較來實現(xiàn)；然后初選得到的結(jié)果逐一與查詢圖像進行比較，根據(jù)其與查詢圖像的相似度進行排序，這一步稱為“細選”。RST-CSI的整個流程如圖9所示。

圖9 RST-CSI流程

RST-CSI是一種基于語義的檢索方法。在CSI測試數(shù)據(jù)集上對RST-CSI進行測試，并與未采用RST-CSI而直接使用低層圖像特征進行檢索的方法進行了比較，結(jié)果如圖10、圖11所示。實驗結(jié)果表明，采用基于語義的RST-CSI算法檢索性能明顯優(yōu)于僅采用低層圖像特征的檢索算法。

(a) 查詢圖像

(b) 采用低層特征進行檢索 (查準率為70%)

(c) 采用RST-CSI的結(jié)果(查準率為90%)

圖11 基于語義的檢索RST-CSI與基于低層特征的檢索性能比較

另外，實驗結(jié)果還表明，RST-CSI對不同圖像類檢索性能的提高程度不同。圖12分別給出了對建筑和血跡兩個圖像類的檢索性能。這說明，該算法對不同類圖像的檢索性能是有差別的。總體而言，RST-CSI被證明對現(xiàn)勘圖像數(shù)據(jù)庫檢索是有效的。

(a) 建筑類查準率比較

(b) 血跡類查準率比較

2.3 分析討論

上述的RST-CSI算法實驗證明對CSI圖像數(shù)據(jù)庫檢索有效。其中圖像區(qū)域特征包括顏色直方圖和小波紋理特征，后續(xù)我們將引入更有效的圖像特征，包括形狀特征來進一步提高檢索效率。

現(xiàn)有研究結(jié)果離公安系統(tǒng)實際應用需求還有多大差距呢？通過與公安部相關技術專家進行的交流，并到陜西省公安廳刑偵局實地調(diào)研了解現(xiàn)勘系統(tǒng)的現(xiàn)狀，結(jié)論是：要真正實現(xiàn)現(xiàn)勘系統(tǒng)的有效管理與查詢，還有挺長的一段路要走?，F(xiàn)有現(xiàn)勘數(shù)據(jù)庫中的信息包括：現(xiàn)場平面圖、現(xiàn)勘照片、以及刑偵人員錄入的文字描述信息。如何綜合利用各類已有信息，結(jié)合從圖像本身提取的特征，有效提高現(xiàn)勘數(shù)據(jù)庫檢索效率，是下一步工作必然要面對的。然而，要實現(xiàn)這樣的系統(tǒng)，一個最大的難點是如何保證刑偵人員錄入信息的規(guī)范性和準確性。這需要公安系統(tǒng)更廣層面統(tǒng)一的規(guī)范才可能實現(xiàn)。但無論怎樣，還是有很多值得進一步探索的研究內(nèi)容。

3 車胎花紋圖像檢索

在犯罪或事故現(xiàn)場，車胎花紋是重要的線索之一?？焖贆z索出輪胎花紋的類型以判斷車型可以有效幫助警方偵破案件。對車胎花紋的檢索的研究主要分兩個方面: 一是空間域紋理特征提取算法[9-10]，二是頻域紋理特征提取算法[11-12]。

3.1 車胎花紋圖像數(shù)據(jù)庫

不同廠商不同車型商車胎花紋圖樣不同，據(jù)我們調(diào)研所知，目前，公安系統(tǒng)尚未建立包括各種車胎花紋完整標準的車胎花紋數(shù)據(jù)庫。為此，我們通過各種方式和渠道收集了包含近200種不同車輛，1 000多幅車胎花紋圖片，組成了各類車型輪胎的數(shù)據(jù)庫。圖13為輪胎花紋示例。

圖13 車胎花紋示例

3.2 改進的Tamura紋理特征提取算法

(1) 改進算法

Tamura紋理特征是以人類視覺感知的心理學研究為基礎提出的，是一種經(jīng)典的空間域紋理特征描述方法，其紋理特征分量對應于心理學角度上的6種屬性，分別是：粗糙度(Coarseness)、對比度(Contrast)、方向度(Directionality)、線性度(Linearity)、規(guī)整度(Regularity)和粗略度(Roughness)，其中前三項常用于圖像檢索，后三項可從前三項推導出來[9]。

粗糙度作為最基本的紋理特征，是反應紋理粒度的一個參量。當兩種紋理模式只是基元尺寸不同時，具有較大基元尺寸的模式給人的感覺更粗糙。在計算粗糙度時，可以由不同大小窗口在圖像上滑動的均值得到，這雖然在一定程度上可以描述紋理圖像的粒度特性，但是只有當紋理基元尺寸大小相同時，這種描述才精確，否則將會丟失很多重要紋理信息，不利于圖像的特征表達。文[10]提出了對Tamura紋理中粗糙度的改進定義，能夠表達具有不同紋理基元的圖像或區(qū)域，因此更有利于圖像檢索。我們在實驗中采用了這一定義。

Tamura紋理特征中的對比度作為一個全局變量，反應了圖像整個區(qū)域的亮度統(tǒng)計分布，不能有效地對圖像的局部亮度信息進行描述。為此，我們提出了一種基于統(tǒng)計矩的改進算法，該算法以亮度直方圖的統(tǒng)計屬性為基礎，能得到更豐富的圖像特征(均值、標準偏差、平滑度、三階矩、一致性、熵6種紋理特征)，更充分地利用圖像的灰度級信息，因此檢索結(jié)果得到了明顯改進[13-14]。

在提取方向度特征時，通過對原始邊緣方向直方圖進行Fourier變換，并去模作為最終的邊緣方向特征，以此來實現(xiàn)旋轉(zhuǎn)不變方向特征的提取。

在所獲得的車胎花紋數(shù)據(jù)庫上對上述改進的Tamura紋理特征提取算法進行測試，并與文[10]的算法及基于三級小波變換的頻率域小波紋理特征的檢索效果進行比較。實驗結(jié)果表明，所提出的算法查準率更高。圖14為檢索結(jié)果比較，其中K表示圖像相似度排序前K幅圖像。

圖14 改進的Tamura紋理特征和其他算法的檢索性能比較

(2) 適用于含隱藏信息的車胎花紋數(shù)據(jù)庫檢索

現(xiàn)勘圖像作為某些案件的信息來源，其安全性非常重要，往往需要采用適當?shù)乃∷惴ㄔ谠紙D像中嵌入隱藏信息以保護圖像的安全性是行業(yè)實際需求[15-16]。上述圖像特征提取算法在加有水印的圖像數(shù)據(jù)庫中是否依然適用？為此在車胎花紋圖像上用LSB(least significant bit)方法加了數(shù)字水印。LSB是一種簡單加水印算法，將原始圖像每個像素亮度值的最低比特位，用二值水印圖像的對應位代替。圖像嵌入水印后的，通常視覺上看不出改變。圖15是加水印前后的在圖像舉例。

(a) 原始圖像 (b) 水印圖像 (c) 加LSB水印的圖像

圖15 加水印前后的輪胎花紋圖像

實驗結(jié)果表明，所提出的算法對加水印前后的車胎花紋數(shù)據(jù)庫檢索效率幾乎沒有改變，圖16是加水印后輪胎花紋圖像數(shù)據(jù)庫的檢索結(jié)果(水印信息加在原始圖像像素亮度值的不同比特位)。圖17的結(jié)果說明所提出的算法對車胎花紋的檢索性能優(yōu)于其他兩種算法。

圖16 所提出的算法對加水印前后數(shù)據(jù)庫檢索性能測試

圖17 三種方法在加水印輪胎花紋數(shù)據(jù)庫上的檢索結(jié)果比較

3.3 結(jié)合Radon變換及雙樹復小波的車胎花紋紋理特征提取算法

前述實驗結(jié)果表明小波紋理特征對輪胎花紋的檢索性能不及所提出的改進的Tamura紋理特征。由于離散小波變換分解在下采樣時會產(chǎn)生混疊項，兩個混疊項造成分解輸出的平移敏感性，較小的平移會造成變換系數(shù)的較大變化。其次，小波變換不具有旋轉(zhuǎn)不變性，圖片旋轉(zhuǎn)后，同一子帶的系數(shù)發(fā)生較大的變化。因此，小波紋理特征不具有平移和旋轉(zhuǎn)不變性，影響了車胎花紋檢索效率。本節(jié)探討頻域紋理特征提取方法，以小波變換衍生出的各種不同小波為重點的紋理特征提取算法研究。

為了克服上述缺陷，首先使用Radon變換[17]將小波系數(shù)投影到0°～180°的各個角度上，這樣圖像的旋轉(zhuǎn)就對應到Radon域每個角度系數(shù)的簡單平移，從而克服了旋轉(zhuǎn)所帶來的系數(shù)變化，具有近似的旋轉(zhuǎn)不變性。在對圖像使用Radon變換的基礎上，對其系數(shù)進行雙樹復小波變換(DT-CWT)[18], 由于雙樹復小波變換實樹和復樹兩樹間的相位差為π/2，近似地消除了下采樣，具有平移不變性，故提出的算法具有近似的旋轉(zhuǎn)和平移不變性[19]。算法框圖如圖18所示。

圖18 基于Radon+DT-CWT的車胎花紋檢索算法流程

與基于小波變換、雙樹復小波變換[18]、以及脊波Ridgelet變換[20]所得的紋理特征的檢索性能相比較，實驗結(jié)果證明：提出的Radon+DT-CWT算法降低了圖像旋轉(zhuǎn)和系數(shù)平移對于檢索效率的影響，具有近似的旋轉(zhuǎn)不變性，與其它幾個算法相比具有較高的查準率。圖19給出了各種不同算法檢索結(jié)果的一個示例，圖20比較了各種不同算法的平均檢索率。

(a) 查詢例圖

(b) 小波變換方法

(c) 脊波變換方法

(d) 雙樹復小波變換方法

(e) 提出的方法Radon+DT-CWT

圖20 Radon+DT-CWT與其他算法檢索結(jié)果比較曲線

3.4 分析探討

上述研究結(jié)果表明，所提方式在車胎花紋檢索方面取得了一定進展。然后，要開發(fā)實用的刑偵車胎花紋檢索系統(tǒng)，為破案提供有力證據(jù)，還需要更多工作。

(1)實際破案過程中，往往需用輪胎在地面的壓痕來判斷車胎類型。而要進行這方面的研究，必須先獲取足夠量的相關實驗數(shù)據(jù)，但目前尚無這樣的數(shù)據(jù)庫可用。下一步將設法獲取這類數(shù)據(jù)。利用車胎壓痕的紋理和車胎花紋紋理之間的相關性，相信現(xiàn)有的針對車胎花紋紋理的研究可為以后的研究提供參考。

(2)實際現(xiàn)勘現(xiàn)場獲得的輪胎壓痕圖像，往往有印跡不清楚、不完整、甚至重疊的現(xiàn)象。如何利用已有信息，盡可能地提取挖掘有用線索，為公安工作人員破案提供幫助，這是未來還要繼續(xù)深入研究的課題。

(3)考慮到實際數(shù)據(jù)的復雜性，僅僅利用圖像處理技術不可能解決所有問題，必須和刑偵專家的實際經(jīng)驗和需求相結(jié)合，為案件偵破提供越來越多的線索。

4 現(xiàn)勘圖像數(shù)據(jù)庫檢索研究趨勢

根據(jù)近年來在現(xiàn)勘圖像數(shù)據(jù)庫檢索方面的研究經(jīng)驗，以及所了解到的我國公安系統(tǒng)現(xiàn)勘數(shù)據(jù)庫管理和使用的現(xiàn)狀，并結(jié)合最新技術發(fā)展趨勢，圖像檢索技術在現(xiàn)勘數(shù)據(jù)庫中的應用，未來將有以下幾個研究方向。

(1) 多元信息跨媒體融合，大數(shù)據(jù)綜合分析

除了現(xiàn)有的常規(guī)數(shù)據(jù)比如現(xiàn)勘圖像、文本、平面圖，語音、視頻信息也越來越成為重要的現(xiàn)勘數(shù)據(jù)，如何有效管理并綜合利用多元跨媒體信息是未來必然遇到的研究課題[21-23]。此外，隨著信息獲取的便捷，海量信息的出現(xiàn)，大數(shù)據(jù)處理技術在公安行業(yè)已是勢在必行。而現(xiàn)有的公安警務數(shù)據(jù)中心無論在數(shù)據(jù)規(guī)模還是架構(gòu)方面都難以適應海量數(shù)據(jù)場景下的數(shù)據(jù)管理和分析需求，這直接影響了公安行業(yè)刑事預判和決策的效率[24]。

建設面向各警種的大數(shù)據(jù)管理和分析平臺，通過對海量數(shù)據(jù)的獲取、整理、分析、預測，從多元、復雜的數(shù)據(jù)中挖掘出其背后所蘊含的規(guī)律，實現(xiàn)對海量數(shù)據(jù)的深度應用、綜合應用。通過公安大數(shù)據(jù)系統(tǒng)的建設，向各警種提供集中資源、集中管理、集中監(jiān)控和配套實施統(tǒng)一的大數(shù)據(jù)應用環(huán)境[24]。

為了支持海量多元跨媒體信息的快速檢索，必然需要建立相應的數(shù)據(jù)庫索引機制。設計支持海量跨媒體檢索的集成索引結(jié)構(gòu)，也是未來研究熱點之一[25]。

(2) 加密現(xiàn)勘圖像數(shù)據(jù)庫檢索

大數(shù)據(jù)和云計算背景下，數(shù)據(jù)的安全性尤為重要，尤其對于公安現(xiàn)勘數(shù)據(jù)而言，數(shù)據(jù)的保密性、安全性要求更高。圖像加密后，像素信息發(fā)生改變，研究加密后的現(xiàn)勘圖像數(shù)據(jù)庫檢索，是未來建設實用現(xiàn)勘管理與應用系統(tǒng)的方向。這方面的研究已經(jīng)受到越來越多的重視[16,26-28]. 文[26]提出一種同態(tài)加密方法，目的是在不需要解密的情況下可以進行各項圖像處理，實驗中對加密圖像進行了濾波等一系列操作，結(jié)果和不加密圖像的處理結(jié)果沒有差別。而文[16]的算法注重在巧妙設計圖像處理算法，使得加密前后的圖像處理結(jié)果幾乎沒有差別。文[28]探討了公安行業(yè)大數(shù)據(jù)背景下云計算中圖像處理的隱私及安全保證方法。

(3) 圖像處理技術與公安行業(yè)實戰(zhàn)經(jīng)驗深度有機結(jié)合

實踐證明，僅靠圖像處理技術難以完全解決問題，在公安行業(yè)破案工作中，刑事偵查人員的專業(yè)破案經(jīng)驗始終發(fā)揮著不可替代的作用。如何進一步將行業(yè)經(jīng)驗與圖像處理技術深入有機地結(jié)合在一起，提高現(xiàn)勘數(shù)據(jù)管理和應用的效率，是一個需要繼續(xù)深入研究的課題，帶有用戶反饋的檢索系統(tǒng)相比全自動系統(tǒng)將是一個更為中道的解決方案。

5 結(jié)束語

本文介紹了過去數(shù)年在現(xiàn)勘圖像數(shù)據(jù)庫檢索方面取得的科研成果，并圍繞公安行業(yè)在現(xiàn)勘數(shù)據(jù)庫管理和檢索方面的實際需求，分析了現(xiàn)有成果和實際需求之間的差距。此外，文中分析了圖像檢索技術在公安行業(yè)現(xiàn)勘數(shù)據(jù)庫檢索應用方面的未來研究熱點。總而言之，實用、高效的現(xiàn)勘圖像數(shù)據(jù)庫檢索領域的研究還任重道遠。實驗結(jié)果希望為相關領域的科研和技術工作者提供參考。

[1] 劉穎,范九倫.基于內(nèi)容的圖像檢索技術綜述[J].西安郵電學院學報,2012,17(2):1-8.

[2] Liu Ying, Zhang Dengsheng, Lu Guojun, et al. A survery of content-based image retrieval with high-level semantics[J]. Pattern Recognition, 2007, 40(1): 262-282.

[3] Milovanovic M, Belgrade S, Minovic M, et al. Walking in Colors: Human Gait Recognition Using Kinect and CBIR[J]. IEEE Transactions on MultiMedia，2013,20(4):28-36.

[4] Akakin H C, Gurcan M N. Content-Based Microscopic Image Retrieval System for Multi-Image Queries[J]. IEEE Transactions on Information Technology in Biomedicine, 2012,16(4):758-769.

[5] 劉穎,黃源,高梓銘.刑偵圖像檢索中的特征提取及相似性度量研究[J]. 西安郵電大學學報,2014,19(6):11-16.

[6] Sung H C, Comprehensive Survey on Distance/Similarity Measures between Probability Density Functions[J]. International Journal of Mathematical Models and Methods in Applied Sciences, 2007, 4(1): 299-306.

[7] Huang Yuan, Liu Ying. Region-based image retrieval for forensic image retrieval[C]//Proceedings of 2014 Seventh International Symposium on Computational Intelligence and Design.China Hangzhou:IEEE,2014:13-14.

[8] Huang Yuan, Liu Ying. Study on Forensic Image Retrieval[C]//Proceedings of 9th IEEE Conference on Industrial Electronics and Applications. China Hangzhou: IEEE, 2014: 89-94.

[9] Tamura H, Mori S, Yamwaki T. Texture features corresponding to visual perception[J]. IEEE Transactions on Systems, Man and Cybernetics, 1978, 8(6): 460-473.

[10] 郝玉保,王仁禮,馬軍,等. 改進Tamura紋理特征的圖像檢索方法[J]. 測繪科學, 2010, 35(4): 136-139.

[11] Stephane G M. A Theory for Multiresolution Signal Decomposition: The Wavelet Representation[J]. IEEE Transactions on Pattern Analysis And Machine Intelligence, 1989, 11(7): 674-693.

[12] Do M N, Vetterli M. Wavelet-based texture retrieval using generalized Guassian density and Kullback-leibler distance[J]. IEEE Transactions on Image Processing, 2002, 11( 2): 146-158.

[13] Liu Ying, Li Zong, Gao Ziming. An Improved Texture Feature Extraction Method for Tyre Tread Patterns[C]//International Conference on Intelligence Science and Big Data Engineering. China Bdijing: IEEE, 2013:705-713.

[14] Li Zong, Liu Ying, Li Daxiang. A New Texture Feature Extraction Method for Image Retrieval[C]//2013 Fourth International Conference on Intelligent Control and Information Processing. China Beijing: IEEE, 2013:482-486.

[15] 鐘樺,張小華,焦李成.數(shù)字水印與圖像認證:算法與應用[M]. 西安: 西安電子科技大學出版社，2006:12-16.

[16] Liu Ying, Li Zong. Study on Texture Feature Extraction from Forensic Images with Watermark[C]//Proceedings of 9th IEEE Conference on Industrial Electronics and Applications. China Hangzhou: IEEE, 2014:1471-1475.

[17] 安志勇,崔江濤,曾智勇,等.基于Radon和小波變換的圖像檢索[J].紅外與毫米波學報，2008, 27(2):147-151.

[18] Kingsbury N G. Complex wavelets for shift invariant analysis and filtering of signals[J]. Applied and Computational Harmonic Analysis, 2000, 10(3):234-253.

[19] Yan Haoyang, Liu Ying. An improved Texture Feature Extraction Method based on Radon transform[C]//Proceedings of 2014 Seventh International Symposium on Computational Intelligence and Design. China Hangzhou: IEEE, 2014: 13-14.

[20] Candès E J, Donoho D L. Ridgelets: theory and applications[D]. Stanford: Stanford University, 1998:315-316.

[21] 張鴻, 吳飛, 莊越挺. 跨媒體相關性推理與檢索研究[J]. 計算機研究與發(fā)展, 2008(5):134-142.

[22] 吳飛, 莊越挺. 互聯(lián)網(wǎng)跨媒體分析與檢索:理論與算法[J]. 計算機輔助設計與圖形學學報, 2010(1):236-239.

[23] 楊易, 郭同強, 莊越挺,等. 基于綜合推理的多媒體語義挖掘和跨媒體檢索[J]. 計算機輔助設計與圖形學學報, 2009(9):1307-1315.

[24] 中安網(wǎng).淺談公安大數(shù)據(jù)的建設[EB/OL].(2014-11-25)[2014-12-01]. http://news.cps.com.cn/article/201411/921504.html.

[25] 莊毅,莊越挺,吳飛. 一種支持海量跨媒體檢索的集成索引結(jié)構(gòu)[J]. 軟件學報, 2008(10):135-141.

[26] Gomathisankaran M, Yuan X, Kamongi P. Ensure Privacy and Security in the Process of Medical Image Analysis[C]//IEEE International Conference on Granular Computing. Chian Beijing: IEEE, 2013:120-125.

[27] 劉穎. 現(xiàn)場勘驗圖像檢索技術研究[C]//2014年度公安部電子信息現(xiàn)場勘驗領域圖像與視頻處理研討會.西安:電子信息現(xiàn)場勘驗應用技術公安部重點實驗室,2014:16-17.

[28] 袁曉輝. 云計算中圖像處理的隱私和安全問題及方法[C]//2014年度公安部大數(shù)據(jù)和云時代的變革與安全國際研討會.杭州:基于大數(shù)據(jù)架構(gòu)的公安信息化應用公安部重點實驗室,2014.

[責任編輯:陳文學]

Case study on content-based image retrieval for crime scene investigation image database

LIU Ying, FAN Jiulun, LI Zong, HUANG Yuan, YAN Haoyang

(School of Communication and Information Engineering, Xi’an University of Posts and Telecommunications, Xi’an 710121, China)

Content-based image retrieval (CBIR) has been developed for over thirty years, but its application in public security area is still at its infant stage. Taking advantage of the real-world crime scene investigation (CSI) image data from the key laboratory of the ministry of public security, progresses have been made in our research in CSI image database retrieval. This paper introduces our research outcome in CSI image database retrieval and in tire pattern retrieval. In addition, the gap between techniques and practical requirements in public security area is analyzed, and a few future research directions are discussed.

content-based image retrieval, crime scene investigation(CSI)image database, practical requirements in public-security area

2014-12-01

國家自然科學基金青年基金資助項目(61202183)；陜西省國際科技合作計劃資助項目(2013KW04-05)

劉穎(1972-)，女，博士，高級工程師，從事數(shù)字圖像處理研究。E-mail: ly_yolanda@sina.com 范九倫(1964-)，男，博士，教授，從事模式識別與圖像處理研究。E-mail：jiulunf@xupt.edu.cn

10.13682/j.issn.2095-6533.2015.03.002

TN911.7

A

2095-6533(2015)03-0011-10