陸金江

(1合肥工業(yè)大學(xué),安徽 合肥 230009;2.安徽財(cái)貿(mào)職業(yè)學(xué)院,安徽 合肥230601)

0 引 言

在圖像的傳輸和形成過(guò)程中,受到隨機(jī)噪聲以及成像擾動(dòng)因素的影響,導(dǎo)致出現(xiàn)圖像像素差、模糊等現(xiàn)象,在刑偵過(guò)程中對(duì)此類字跡圖像識(shí)別存在識(shí)別效果差、耗時(shí)等現(xiàn)象,需要構(gòu)建優(yōu)化的模糊字跡圖像修復(fù)模型,根據(jù)圖像退化因素分析,結(jié)合圖像的規(guī)則性特征分布,實(shí)現(xiàn)模糊字跡圖像的識(shí)別,提高模糊字跡圖像的檢測(cè)識(shí)別能力[1]。

對(duì)模糊字跡圖像的識(shí)別是建立在對(duì)圖像信號(hào)的特征分析和信息增強(qiáng)處理基礎(chǔ)上,構(gòu)建模糊字跡圖像檢測(cè)的聯(lián)合特征分析模型,通過(guò)統(tǒng)計(jì)分析和特征自適應(yīng)訓(xùn)練方法,進(jìn)行模糊字跡圖像的檢測(cè)和特征融合[2]。當(dāng)前,對(duì)模糊字跡圖像識(shí)別方法主要有基于小波分析的模糊字跡圖像識(shí)別方法以及基于匹配濾波檢測(cè)的模糊字跡圖像識(shí)別方法等,構(gòu)建模糊字跡圖像的退化特征檢測(cè)模型,根據(jù)對(duì)模糊字跡圖像的尺度分解和退化信息的量化檢測(cè)分析結(jié)果,實(shí)現(xiàn)對(duì)模糊字跡圖像的修復(fù)和增強(qiáng)處理,提高模糊字跡圖像的識(shí)別能力[3]。但以上傳統(tǒng)方法進(jìn)行模糊字跡圖像識(shí)別的辨識(shí)度水平不高,檢測(cè)識(shí)別能力不強(qiáng)。對(duì)此,提出基于深度卷積神經(jīng)網(wǎng)絡(luò)的模糊字跡圖像識(shí)別方法,并進(jìn)行實(shí)驗(yàn)驗(yàn)證分析。

1 模糊字跡圖像退化模型和稀疏特征分析

1.1 模糊字跡圖像退化模型

為了實(shí)現(xiàn)基于深度卷積神經(jīng)網(wǎng)絡(luò)的模糊字跡圖像識(shí)別方法,通過(guò)構(gòu)建模糊字跡圖像采集的退化特征分析模型,引入子帶分離和信息度檢測(cè)方法[4-6],建立模糊字跡圖像退化的多維空間參數(shù)聚類模型;通過(guò)沖激響應(yīng)特征分布式融合和紋理逼近度分析,進(jìn)行模糊字跡圖像退化特征參數(shù)分析,根據(jù)對(duì)模糊字跡圖像退化特征參數(shù)分析結(jié)果實(shí)現(xiàn)模糊字跡圖像的信息增強(qiáng)輸出[7],模糊字跡圖像退化模型結(jié)構(gòu)如圖1所示。

圖1 模糊字跡圖像退化模型

根據(jù)圖1所示的模糊字跡圖像退化模型,采用邊緣像素特征重組,進(jìn)行模糊字跡圖像退化模型的結(jié)構(gòu)參數(shù)融合,采用點(diǎn)光源是黑暗背景跟蹤識(shí)別,得到模糊字跡圖像的灰度邊界特征量,通過(guò)尋找原始圖像的最佳逼近度參數(shù),結(jié)合光學(xué)圖像的亮點(diǎn)檢測(cè)方法[8],進(jìn)行模糊字跡圖像退化處理,得到模糊字跡圖像的邊緣像素特征量估計(jì)值為式(1):

式(1)中:H（i）為模糊字跡圖像的邊界像素點(diǎn)i為中心的像素特征;w（i,j）為模糊字跡圖像像素點(diǎn)i和j之間的距離權(quán)重;g（j）為邊界像素點(diǎn)j的特征。對(duì)模糊字跡圖像進(jìn)行分塊融合和三維特征重構(gòu),結(jié)合模糊字跡圖像的點(diǎn)空間分布集,得到模糊字跡圖像的多維參數(shù)特征重構(gòu)模型。當(dāng)系統(tǒng)輸入為沖激函數(shù)f（x）=w·f2/f1,且滿足0模糊字跡圖像的連續(xù)線性系統(tǒng)退化特征參量滿足n∈N(0,,其中為模糊字跡圖像成像像素強(qiáng)度。則圖像的退化模型為式(2):

根據(jù)構(gòu)建的模糊字跡圖像退化模型,采用圖2所示的點(diǎn)擴(kuò)展函數(shù)進(jìn)行圖像的信息濾波和增強(qiáng)處理。

圖2 圖像信息處理的點(diǎn)擴(kuò)展函數(shù)

1.2 模糊字跡圖像的稀疏特征分析

式中:f（x）為圖像邊界特征點(diǎn)函數(shù),M為圖像輸入?yún)?shù)。在不考慮噪聲的情況下,引入模糊字跡圖像動(dòng)態(tài)特征標(biāo)志點(diǎn)映射分量H,根據(jù)線性移不變特征分析,構(gòu)建模糊字跡圖像退化特征演化分析模型,引入自適應(yīng)學(xué)習(xí)權(quán)值v,將原始的模擬圖像輸入到離散的線性系統(tǒng)中,得到將模糊字跡圖像的稀疏不變矩為式(4):

假設(shè)退化過(guò)程的參數(shù)模型滿足收斂條件,通過(guò)帶寬有限性補(bǔ)償?shù)姆椒?得到模糊字跡圖像稀疏性特征分解的最佳準(zhǔn)則滿足式(6):

式(6)中:p k為支持域有限條件下模糊字跡圖像的灰度像素值,m=1,2,...,N。采用K階概率密度估計(jì)方法,進(jìn)行模糊字跡圖像的分布空間融合和聚類分析。在噪聲條件下,實(shí)現(xiàn)對(duì)模糊字跡圖像成像的濾波器參數(shù)組合控制[9],得到濾波參數(shù)組合控制分布模型為式(7):

根據(jù)上述模型構(gòu)建,得到模糊字跡圖像的邊界有界特征分析模型,得到邊界特征分布集為e i,j,結(jié)合模糊字跡的文字特征提取,實(shí)現(xiàn)對(duì)模糊字跡圖像的灰度直方圖融合,得到灰度直方圖分布為S={S1,S2,…,S N A},綜上分析,實(shí)現(xiàn)模糊字跡圖像的稀疏特征分析,根據(jù)特征檢測(cè)結(jié)果,實(shí)現(xiàn)對(duì)文字特征的二值融合檢測(cè)。

2 模糊字跡圖像識(shí)別算法優(yōu)化設(shè)計(jì)

2.1 模糊字跡圖像的文字特征提取

結(jié)合邊緣輪廓特征提取方法實(shí)現(xiàn)對(duì)模糊字跡圖像的邊界信息采樣分析,對(duì)采集的模糊字跡圖像實(shí)現(xiàn)多維參數(shù)模擬和模糊度增強(qiáng)處理[10],在模糊字跡圖像的模糊特征分布區(qū)域內(nèi)進(jìn)行模糊字跡圖像的文字特征參數(shù)分析和重構(gòu),設(shè)R(t)為模糊字跡圖像分布域空間為(Ω,F,f(x),P),其標(biāo)準(zhǔn)化參數(shù)值為1,表示模糊字跡圖像的顏色特征分量,結(jié)合雙峰分布檢測(cè)技術(shù),建立模糊字跡圖像的一階和二階參數(shù)檢測(cè)模型,得到聯(lián)合自相關(guān)檢測(cè)函數(shù)C（i）為式(8):

建立一階、二階雙峰先驗(yàn)導(dǎo)數(shù)灰度特征量,得到模糊字跡圖像的動(dòng)態(tài)特征檢測(cè)輸出為G,根據(jù)模糊字跡圖像的灰度融合結(jié)果C（G）,通過(guò)對(duì)字跡的雙峰特征檢測(cè),得到模糊字跡圖像的動(dòng)態(tài)檢測(cè)范圍在Gmin～Gmax之間的關(guān)聯(lián)特征量為式(9):

采用分塊聚類分析方法,構(gòu)建模糊字跡圖像的動(dòng)態(tài)檢測(cè)的空間聚類模型,采用網(wǎng)格匹配方法,得到模糊字跡圖像檢測(cè)的網(wǎng)格分塊組合表示為n c×n r個(gè)子圖像塊,采用圖3所示的盲解卷積系統(tǒng)模型,進(jìn)行模糊字跡圖像的文字特征提取。

讓我們把時(shí)空拉回到三年前的南京。1946年盛夏的一個(gè)晚上，素有火爐之稱的南京城悶熱難當(dāng)。國(guó)民黨空軍第五大隊(duì)的飛行員林雨水和他的四位同伴來(lái)到位于新街口的一家冷飲店消暑。進(jìn)屋后，林雨水就發(fā)現(xiàn)在里屋的一張桌邊坐著兩個(gè)人，“那不是周恩來(lái)先生和鄧穎超女士嘛”，他脫口而出。是的，那兒坐著的正是率領(lǐng)中共代表團(tuán)在南京與國(guó)民政府進(jìn)行和平談判的周恩來(lái)和鄧穎超。林雨水他們對(duì)中國(guó)共產(chǎn)黨主張和平民主的真誠(chéng)態(tài)度非常敬佩，早就想見(jiàn)中共代表周先生，不想在這里相遇。

圖3 盲解卷積系統(tǒng)模型

根據(jù)圖3所示的模糊字跡圖像的文字特征檢測(cè)結(jié)果,進(jìn)行模糊字跡圖像的邊界有界參數(shù)融合,構(gòu)建頻域和空間域的聯(lián)合分塊特征檢測(cè)模型,得到模糊字跡圖像盲解卷積融合識(shí)別結(jié)果,圖像的空間域增強(qiáng)輸出為式(10):

2.2 模糊字跡圖像識(shí)別輸出

采用匹配濾波檢測(cè)器進(jìn)行模糊字跡圖像的多級(jí)尺度分解和細(xì)節(jié)特征提取,對(duì)提取的模糊字跡圖像細(xì)節(jié)特征實(shí)現(xiàn)信息融合和優(yōu)化檢測(cè)[12],采用圖4所示的深度卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行圖像特征聚類和識(shí)別。

圖4 深度卷積神經(jīng)網(wǎng)絡(luò)模型

在圖4所示的深度卷積神經(jīng)網(wǎng)絡(luò)模型中,構(gòu)建中模糊字跡圖像幾何特征重構(gòu)向量e1,e2,...,e l,采用快速傅立葉變換方法,重建模糊字跡圖像的動(dòng)態(tài)輪廓分布特征點(diǎn),計(jì)算模糊字跡圖像輸出梯度信息,在深度神經(jīng)網(wǎng)絡(luò)中實(shí)現(xiàn)自適應(yīng)訓(xùn)練,得到盲圖像恢復(fù)結(jié)果表示為式(11):

其中,k和s為模糊字跡圖像的文字編號(hào)。結(jié)合恢復(fù)圖像的約束參數(shù)解析結(jié)果,實(shí)現(xiàn)對(duì)模糊字跡圖像的背景值融合,輸出為式(12):

根據(jù)像素值與背景值的差異性,構(gòu)建模糊字跡圖像的文字特征動(dòng)態(tài)識(shí)別模型,得到模糊字跡圖像的文字動(dòng)態(tài)特征參數(shù)分布序列為:式(13)

上(13)式中,c1表示模糊字跡圖像亮點(diǎn)信息,根據(jù)文字參數(shù)識(shí)別結(jié)果,進(jìn)行模糊字跡圖像的文字動(dòng)態(tài)識(shí)別,輸出識(shí)別狀態(tài)參數(shù)為式(14):

基于多尺度Kalman濾波方法對(duì)模糊字跡圖像進(jìn)行特征圖重組,得到迭代步數(shù)滿足式(15):

其中,d2k為模糊字跡圖像暗原色分量,通過(guò)圖像直方圖的雙峰特征檢測(cè),得到圖像的識(shí)別輸出為式(16):

通過(guò)約束化解,得到式(17):

綜上分析,根據(jù)多尺度機(jī)器學(xué)習(xí)結(jié)果,進(jìn)行模糊字跡圖像的特征細(xì)節(jié)識(shí)別,采用深度卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法進(jìn)行模糊字跡圖像修復(fù)處理,實(shí)現(xiàn)模糊字跡圖像的優(yōu)化檢測(cè)和識(shí)別。

3 仿真實(shí)驗(yàn)與結(jié)果分析

通過(guò)仿真實(shí)驗(yàn)驗(yàn)證方法在實(shí)現(xiàn)模糊字跡圖像恢復(fù)和識(shí)別中的應(yīng)用性能,模糊字跡圖像分別設(shè)定在白色背景和黑色背景中,設(shè)定模糊字跡圖像的背景灰度值是255,文字灰度值是0,初始的PSNR為24.78d B,圖像分布網(wǎng)格大小為240×120,灰度平均梯度為1.36,根據(jù)上述參數(shù)設(shè)定,得到原始的模糊字跡圖像如圖5所示。

圖5 原始含噪模糊字跡圖像

以圖5的圖像為測(cè)試對(duì)象,對(duì)導(dǎo)致圖像模糊的噪音進(jìn)行提取,結(jié)果如圖6所示。

圖6 模糊字跡圖像噪聲提取結(jié)果

為了使模糊字跡圖像識(shí)別效果更好,采用本文方法和傳統(tǒng)方法為對(duì)比進(jìn)行去噪分析,結(jié)果如表1所示:

表1 輸出峰值信噪比對(duì)比表(單位:dB)

根據(jù)去噪結(jié)果得到去噪效果如圖7-8所示:

圖7 去噪結(jié)果對(duì)比

圖8 圖像識(shí)別結(jié)果

分析可知,采用傳統(tǒng)方法時(shí),經(jīng)過(guò)去噪結(jié)果,其去噪有一定的效果,但圖像多處存在降噪效果差的問(wèn)題,導(dǎo)致對(duì)模糊字跡圖像不能準(zhǔn)確識(shí)別的現(xiàn)象。反之,采用文中方法進(jìn)行去噪后,模糊字跡圖像含噪聲較少,且能高效識(shí)別圖像,增加了識(shí)別準(zhǔn)確度,具有一定的優(yōu)勢(shì)。

4 結(jié) 語(yǔ)

提出基于深度卷積神經(jīng)網(wǎng)絡(luò)的模糊字跡圖像識(shí)別方法,采用匹配濾波檢測(cè)器進(jìn)行模糊字跡圖像的多級(jí)尺度分解和細(xì)節(jié)特征提取,對(duì)提取的模糊字跡圖像細(xì)節(jié)特征實(shí)現(xiàn)信息融合和優(yōu)化檢測(cè),根據(jù)多尺度機(jī)器學(xué)習(xí)結(jié)果,進(jìn)行模糊字跡圖像的特征細(xì)節(jié)識(shí)別,采用深度卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法進(jìn)行模糊字跡圖像修復(fù)處理,實(shí)現(xiàn)模糊字跡圖像的優(yōu)化檢測(cè)和識(shí)別。研究得知,進(jìn)行模糊字跡圖像識(shí)別的峰值信噪比較高,辨識(shí)度較高,提高了模糊字跡圖像的修復(fù)和識(shí)別能力。