图像检索系统总体构架

　　
　　数字图像在公安科技中应用日益广泛，庞大的图像资料对检索技术提出了更高的要求。本文通过对几种典型图像数据库的分析建立了图像检索系统的总体构架，该系统以基于内容图像检索技术为核心，可快速的对所给图像进行检索，找出一组相似图像，从而提高案件的侦破速度。

　　随着平安建设的深入，视频监控系统每天都有大量新图像产生，库容量增大，这就使得图像检索工作成为巨大的负担。传统的人工查找耗时耗力，有时对于庞大的图像库几乎不可能。基于文字描述的检索需要对每幅图像有准确的文字描述，而对图像内容的文字描述并不能做到准确。因此，客观要求急需将基于内容的图像检索应用于图像数据库的检索中。

　　基于内容的图像检索技术

　　随着大规模数字图像库的出现，上世纪90年代初期，基于内容的图像检索技术（Content-Based Image Retrieval）应运而生。基于内容的图像检索系统具有与传统基于文本的检索系统完全不同的构架。由于图像依赖其视觉特征而非文本描述进行索引，查询将根据图像视觉特征的相似度进行。用户通过选择具有代表性的一幅或多幅示例图像来构造查询，然后由系统查找与示例图像在视觉内容上比较相似的图像，按相似度大小排列返回给用户。

　　图像特征的提取与表达是基于内容的图像检索技术的基础。图像的视觉特征可分为通用的视觉特征和领域相关的视觉特征。前者用于描述所有图像共有的特征，与图像的具体类型或内容无关，主要包括色彩、纹理和形状；后者则建立在对所描述图像内容的某些先验知识的基础上，与具体的应用紧密有关，例如人的面部特征或指纹特征等。

　　几种典型图像库

　　本节针对几种典型图像库，讨论基于内容的图像检索的应用。

　　指纹图像

　　人类指纹有三种基本形态：弓型纹（Arches）、箕型纹（Loops）和斗型纹（Whorls）。用这些形态作为指纹分类依据，然后进一步细化提取指纹特征。最常用的手工指纹分类的方法就是Henry分类法。这种分类方法可以追溯到上世纪初期对指纹手工分类的方法，然而这种分类方法对于今天的自动指纹识别系统（Automatic Fingerprint Identification Systems AFIS）并不实用。

　　大多AFIS中使用了以下三种方法：

　　基于语法的方法：脊线的形状和细节被归纳为某种符号组成的表示字符串，当有新指纹输入，其表示字符串会被格式化，然后通过语法分析确定其所属类别。这种方法也可以利用图形数据结构提取细节特征，利用特征的拓扑结构进行模式匹配。

　　基于人工神经网络的方法：利用人工神经网络可以提取指纹图像的隐性特征，通过对网络的训练可以识别指纹图像。目前已经有几种神经网络被用于指纹识别。

　　 基于统计的方法：利用基于图像统计学的方法，可以对指纹图片进行分类和识别。

　　目前，主流的指纹识别系统应用是：用户把单指放在棱镜面上或玻璃板上，通过CCD传感器件进行扫描。获得的指纹图像被数字化和处理分析并被最终提取为可以接受的指纹数字特征信息，被存贮在存储器上或卡上，作为参照样板。使用时，通过指纹读取器扫入的信息与样板信息进行对比，做出身份鉴定。

　　然而提取的指纹图像匹配常会因为伤疤、墨迹等非正常的干扰而不能得到全面的细节特征，因此识别仍需要人工干预。但是利用图像提取的特征可以对指纹图像库进行检索以缩小人工比对识别的范围。

　　人脸图像

　　人脸图像在视频图像中是很常见的，但人脸图像的识别相当困难，因为不同的角度、光照、缩放条件下形成的人脸图像变化会很大，另外发型、胡须、化妆、首饰等都会对识别产生影响。

　　计算机人脸识别技术是近20年才逐渐发展起来的，90年代成为科研热点。近年来，随着高速度高性能计算机的发展，人脸模式识别方法有了较大的突破，国内外多所大学和研究机构已研制出一些较好的人脸识别原型系统，一些较成熟的商业人脸识别系统也已投入应用。目前人脸识别技术分为两大类:基于几何特征的识别方法、基于代数特征的识别方法。

　　基于几何特征的识别方法是用人脸器官的形状和几何关系构成识别特征向量，其分量通常包括人脸指定两点间的欧氏距离、曲率、角度等。这些特征利用了人脸的先验结构知识，比较简单和直观，是最容易想到的人脸特征。

　　基于代数特征的识别方法是基于整体的研究把一幅人脸图像看成是高维空间中的一个点，所有人脸图像将形成高维空间中的一个分布。包括特征脸方法、奇异值分解(SVD)方法、隐马尔可夫模型(HMM)方法等。由于基于代数特征的识别方法具有一定的稳定性和较快的识别速度而受到较大的关注。

　　人脸图像的检索不同于识别，其结果是给出相似的一组图像，而并非认定同一。因此利用目前成熟的人脸识别技术可以实现检索，缩短时间。人脸图像的检索还可以扩展到对模拟画像的检索。

　　笔迹图像

　　笔迹是一种行为特征，这是一个动态的过程，它受写字人的身体和情绪的影响很大。有些人的笔迹变化很大，即使连续的笔迹都有很大的差别。此外，经过专门训练，模仿出来的笔迹可以达到以假乱真的地步。尽管笔迹专家可以鉴别出笔迹的真伪，但是用计算机来描述笔迹的特征，自动地进行笔迹识别还是个非常困难的问题。

　　 笔迹图像是通过扫描仪或照相机将写在纸上的字符转化为计算机能处理的数字图像。计算机笔迹鉴别可分为文本依存（Text-dependent）鉴别和文本独立 (Text-independent) 鉴别两大类。前一种方法从检验笔迹和参考笔迹中选择相同的单字（称为特征字）进行比较，在相同字的基础上鉴别，因而提取的笔迹特征是依赖于字符类别的，由于可以提取更多的特征并对字符进行细致深入的分析，故可得到较高的鉴别率和可靠性。后一种方法的特征是从大量字符集中提取的，通过多数字符统计平均得到，待鉴别笔迹并不依赖于文本的内容，鉴别难度较大。国外已出现很多优秀的笔迹鉴别系统，其中最具代表性的是德国的Fish系统和荷兰的Script系统。这两个系统都是通过扫描特定字符并对其进行分析。

　　检索系统构架

　　不同的图像库其检索系统构架也不同，针对以上几种图像库给出统一的总体构架。如图1所示，对输入的图像首先进行预处理，即对图像归一化和增强处理。然后提取图像的低层特征，包括：形状、颜色、纹理结构等。对于不同的图像特征的选取也不相同，比如指纹图像选取形状和结构特征，而人脸图像选取颜色、形状和纹理特征。通过低层特征，结合具体图像内容的先验知识就可以得到某类图像的高级特征。比如人脸图像中可根据眼睛、鼻子和嘴巴的特征识别人脸。最终特征被表示为可以反映图像内容差别的描述算子。用这种算子对图像库中的图像建立索引以提高检索速度。检索是根据模式图像的描述算子对图像库中的描述算子索引进行检索。检索需要给定相似性量度，这种量度可根据结果在反馈训练中得到。

　　总结

　　综上所述，基于内容的图像检索在公安图像库中有很大利用空间。随着图像资料在公安科技中的比重大幅增加，对图像的检索、处理技术逐渐受到重视。将先进的图像检索技术应用于侦查破案还处于起步阶段。本文给出了针对三种不同图像库的统一的图像检索系统构架。该系统利用基于内容的图像检索技术，对库中图像进行检索，缩小了排查范围，从而增强了图像检索速度。


作者单位：马利克，陕西警官职业学院；马月娜，空军工程大学