基于深度卷积神经网络的模糊字迹图像识别方法①

陆金江

(1合肥工业大学,安徽 合肥 230009;2.安徽财贸职业学院,安徽 合肥230601)

0 引 言

在图像的传输和形成过程中,受到随机噪声以及成像扰动因素的影响,导致出现图像像素差、模糊等现象,在刑侦过程中对此类字迹图像识别存在识别效果差、耗时等现象,需要构建优化的模糊字迹图像修复模型,根据图像退化因素分析,结合图像的规则性特征分布,实现模糊字迹图像的识别,提高模糊字迹图像的检测识别能力[1]。

对模糊字迹图像的识别是建立在对图像信号的特征分析和信息增强处理基础上,构建模糊字迹图像检测的联合特征分析模型,通过统计分析和特征自适应训练方法,进行模糊字迹图像的检测和特征融合[2]。当前,对模糊字迹图像识别方法主要有基于小波分析的模糊字迹图像识别方法以及基于匹配滤波检测的模糊字迹图像识别方法等,构建模糊字迹图像的退化特征检测模型,根据对模糊字迹图像的尺度分解和退化信息的量化检测分析结果,实现对模糊字迹图像的修复和增强处理,提高模糊字迹图像的识别能力[3]。但以上传统方法进行模糊字迹图像识别的辨识度水平不高,检测识别能力不强。对此,提出基于深度卷积神经网络的模糊字迹图像识别方法,并进行实验验证分析。

1 模糊字迹图像退化模型和稀疏特征分析

1.1 模糊字迹图像退化模型

为了实现基于深度卷积神经网络的模糊字迹图像识别方法,通过构建模糊字迹图像采集的退化特征分析模型,引入子带分离和信息度检测方法[4-6],建立模糊字迹图像退化的多维空间参数聚类模型;通过冲激响应特征分布式融合和纹理逼近度分析,进行模糊字迹图像退化特征参数分析,根据对模糊字迹图像退化特征参数分析结果实现模糊字迹图像的信息增强输出[7],模糊字迹图像退化模型结构如图1所示。

图1 模糊字迹图像退化模型

根据图1所示的模糊字迹图像退化模型,采用边缘像素特征重组,进行模糊字迹图像退化模型的结构参数融合,采用点光源是黑暗背景跟踪识别,得到模糊字迹图像的灰度边界特征量,通过寻找原始图像的最佳逼近度参数,结合光学图像的亮点检测方法[8],进行模糊字迹图像退化处理,得到模糊字迹图像的边缘像素特征量估计值为式(1):

式(1)中:H（i）为模糊字迹图像的边界像素点i为中心的像素特征;w（i,j）为模糊字迹图像像素点i和j之间的距离权重;g（j）为边界像素点j的特征。对模糊字迹图像进行分块融合和三维特征重构,结合模糊字迹图像的点空间分布集,得到模糊字迹图像的多维参数特征重构模型。当系统输入为冲激函数f（x）=w·f2/f1,且满足0模糊字迹图像的连续线性系统退化特征参量满足n∈N(0,,其中为模糊字迹图像成像像素强度。则图像的退化模型为式(2):

根据构建的模糊字迹图像退化模型,采用图2所示的点扩展函数进行图像的信息滤波和增强处理。

图2 图像信息处理的点扩展函数

1.2 模糊字迹图像的稀疏特征分析

式中:f（x）为图像边界特征点函数,M为图像输入参数。在不考虑噪声的情况下,引入模糊字迹图像动态特征标志点映射分量H,根据线性移不变特征分析,构建模糊字迹图像退化特征演化分析模型,引入自适应学习权值v,将原始的模拟图像输入到离散的线性系统中,得到将模糊字迹图像的稀疏不变矩为式(4):

假设退化过程的参数模型满足收敛条件,通过带宽有限性补偿的方法,得到模糊字迹图像稀疏性特征分解的最佳准则满足式(6):

式(6)中:p k为支持域有限条件下模糊字迹图像的灰度像素值,m=1,2,...,N。采用K阶概率密度估计方法,进行模糊字迹图像的分布空间融合和聚类分析。在噪声条件下,实现对模糊字迹图像成像的滤波器参数组合控制[9],得到滤波参数组合控制分布模型为式(7):

根据上述模型构建,得到模糊字迹图像的边界有界特征分析模型,得到边界特征分布集为e i,j,结合模糊字迹的文字特征提取,实现对模糊字迹图像的灰度直方图融合,得到灰度直方图分布为S={S1,S2,…,S N A},综上分析,实现模糊字迹图像的稀疏特征分析,根据特征检测结果,实现对文字特征的二值融合检测。

2 模糊字迹图像识别算法优化设计

2.1 模糊字迹图像的文字特征提取

结合边缘轮廓特征提取方法实现对模糊字迹图像的边界信息采样分析,对采集的模糊字迹图像实现多维参数模拟和模糊度增强处理[10],在模糊字迹图像的模糊特征分布区域内进行模糊字迹图像的文字特征参数分析和重构,设R(t)为模糊字迹图像分布域空间为(Ω,F,f(x),P),其标准化参数值为1,表示模糊字迹图像的颜色特征分量,结合双峰分布检测技术,建立模糊字迹图像的一阶和二阶参数检测模型,得到联合自相关检测函数C（i）为式(8):

建立一阶、二阶双峰先验导数灰度特征量,得到模糊字迹图像的动态特征检测输出为G,根据模糊字迹图像的灰度融合结果C（G）,通过对字迹的双峰特征检测,得到模糊字迹图像的动态检测范围在Gmin～Gmax之间的关联特征量为式(9):

采用分块聚类分析方法,构建模糊字迹图像的动态检测的空间聚类模型,采用网格匹配方法,得到模糊字迹图像检测的网格分块组合表示为n c×n r个子图像块,采用图3所示的盲解卷积系统模型,进行模糊字迹图像的文字特征提取。

让我们把时空拉回到三年前的南京。1946年盛夏的一个晚上，素有火炉之称的南京城闷热难当。国民党空军第五大队的飞行员林雨水和他的四位同伴来到位于新街口的一家冷饮店消暑。进屋后，林雨水就发现在里屋的一张桌边坐着两个人，“那不是周恩来先生和邓颖超女士嘛”，他脱口而出。是的，那儿坐着的正是率领中共代表团在南京与国民政府进行和平谈判的周恩来和邓颖超。林雨水他们对中国共产党主张和平民主的真诚态度非常敬佩，早就想见中共代表周先生，不想在这里相遇。

图3 盲解卷积系统模型

根据图3所示的模糊字迹图像的文字特征检测结果,进行模糊字迹图像的边界有界参数融合,构建频域和空间域的联合分块特征检测模型,得到模糊字迹图像盲解卷积融合识别结果,图像的空间域增强输出为式(10):

2.2 模糊字迹图像识别输出

采用匹配滤波检测器进行模糊字迹图像的多级尺度分解和细节特征提取,对提取的模糊字迹图像细节特征实现信息融合和优化检测[12],采用图4所示的深度卷积神经网络模型进行图像特征聚类和识别。

图4 深度卷积神经网络模型

在图4所示的深度卷积神经网络模型中,构建中模糊字迹图像几何特征重构向量e1,e2,...,e l,采用快速傅立叶变换方法,重建模糊字迹图像的动态轮廓分布特征点,计算模糊字迹图像输出梯度信息,在深度神经网络中实现自适应训练,得到盲图像恢复结果表示为式(11):

其中,k和s为模糊字迹图像的文字编号。结合恢复图像的约束参数解析结果,实现对模糊字迹图像的背景值融合,输出为式(12):

根据像素值与背景值的差异性,构建模糊字迹图像的文字特征动态识别模型,得到模糊字迹图像的文字动态特征参数分布序列为:式(13)

上(13)式中,c1表示模糊字迹图像亮点信息,根据文字参数识别结果,进行模糊字迹图像的文字动态识别,输出识别状态参数为式(14):

基于多尺度Kalman滤波方法对模糊字迹图像进行特征图重组,得到迭代步数满足式(15):

其中,d2k为模糊字迹图像暗原色分量,通过图像直方图的双峰特征检测,得到图像的识别输出为式(16):

通过约束化解,得到式(17):

综上分析,根据多尺度机器学习结果,进行模糊字迹图像的特征细节识别,采用深度卷积神经网络训练方法进行模糊字迹图像修复处理,实现模糊字迹图像的优化检测和识别。

3 仿真实验与结果分析

通过仿真实验验证方法在实现模糊字迹图像恢复和识别中的应用性能,模糊字迹图像分别设定在白色背景和黑色背景中,设定模糊字迹图像的背景灰度值是255,文字灰度值是0,初始的PSNR为24.78d B,图像分布网格大小为240×120,灰度平均梯度为1.36,根据上述参数设定,得到原始的模糊字迹图像如图5所示。

图5 原始含噪模糊字迹图像

以图5的图像为测试对象,对导致图像模糊的噪音进行提取,结果如图6所示。

图6 模糊字迹图像噪声提取结果

为了使模糊字迹图像识别效果更好,采用本文方法和传统方法为对比进行去噪分析,结果如表1所示:

表1 输出峰值信噪比对比表(单位:dB)

根据去噪结果得到去噪效果如图7-8所示:

图7 去噪结果对比

图8 图像识别结果

分析可知,采用传统方法时,经过去噪结果,其去噪有一定的效果,但图像多处存在降噪效果差的问题,导致对模糊字迹图像不能准确识别的现象。反之,采用文中方法进行去噪后,模糊字迹图像含噪声较少,且能高效识别图像,增加了识别准确度,具有一定的优势。

4 结 语

提出基于深度卷积神经网络的模糊字迹图像识别方法,采用匹配滤波检测器进行模糊字迹图像的多级尺度分解和细节特征提取,对提取的模糊字迹图像细节特征实现信息融合和优化检测,根据多尺度机器学习结果,进行模糊字迹图像的特征细节识别,采用深度卷积神经网络训练方法进行模糊字迹图像修复处理,实现模糊字迹图像的优化检测和识别。研究得知,进行模糊字迹图像识别的峰值信噪比较高,辨识度较高,提高了模糊字迹图像的修复和识别能力。