發(fā)布時間：2024-07-03 01:31

　　鞋印作為案件偵破的重要線索,隨著時間積累,數(shù)量不斷壯大。而如何實現(xiàn)對大規(guī)模鞋印庫的自動分類管理成為刑偵人員亟待解決的一大難題。聚類的目的是將相同花紋的鞋印圖像標記為一類。但鞋印庫存在圖像質(zhì)量層次不齊,類別數(shù)目眾多,類內(nèi)類間密度分布不均勻,類內(nèi)距離大于類間距離以及同類點被非同類點包圍等問題。所以基于以上特點,本文提出了基于密度劃分的自適應鞋印圖像聚類算法,主要工作如下:1)基于密度劃分的聚類參數(shù)自適應計算鞋印數(shù)據(jù)結(jié)構(gòu)復雜,僅通過固定的距離、密度等參數(shù)并不能準確描述類別間關(guān)系,需要深入挖掘各點間的位置關(guān)系,自適應得到聚類結(jié)果。在本文中,所有數(shù)據(jù)先根據(jù)密度閾值進行劃分,再進行聚類,并計算簇間同類點與非同類點的比例,作為判別簇間是否合并的條件,實現(xiàn)了聚類算法的參數(shù)自適應。在兩類公開數(shù)據(jù)集以及鞋印數(shù)據(jù)庫上進行了實驗,聚類結(jié)果接近人工設(shè)置最優(yōu)參數(shù)。2)基于自然鄰域圖的簇劃分自然近鄰是通過自動搜索近鄰點來確定點間位置關(guān)系,根據(jù)自然近鄰點構(gòu)建的自然鄰域圖可以更加準確反映數(shù)據(jù)的復雜結(jié)構(gòu)。本文利用自然鄰域圖對簇進行細劃分,將劃分到一個簇的非同類點成功分離,實現(xiàn)了簇的準確劃分,提高了聚類算法的純度。同時改進...

【文章頁數(shù)】：91 頁

【學位級別】：碩士

【部分圖文】：

圖２．１現(xiàn)場鞋印類別數(shù)目所占百分比??Ｆｉｇ．２．１?Ｐｅｒｃｅｎｔａｇｅ?ｇｒａｐｈ?ｏｆ?ｖａｒｉｏｕｓ?ｃａｔｅｇｏｒｉｅｓ?ｏｆ?ｃｒｉｍｅ?ｓｃｅｎｅ?ｓｈｏｅｐｒｉｎｔｓ??

到的族進行細劃分；第５章，針對簇間相似度進行分析，綜合相鄰簇??間跨簇點的距離關(guān)系、結(jié)構(gòu)特點、密度分布這三個方面，改進了相似度的計算方法。??２．２鞋印圖像數(shù)據(jù)集特點分析??聚類的目的是將具有鞋印花紋相同的標記為一類，算法的輸入為無標簽數(shù)據(jù)??＝?，…；ｃｙｘｄ，Ｗ為數(shù)據(jù)點個數(shù)。....

圖２．?２現(xiàn)場鞋印各類別數(shù)目統(tǒng)計??Ｆｉｇ．２．２?Ｌｉｎｅ?ｃｈａｒｔ?ｏｆ?ｔｈｅ?ｍｅｍｂｅｒ?ｎｕｍｂｅｒ?ｆｏｒ?ｃｒｉｍｅ?ｓｃｅｎｅ?ｓｈｏｅｐｒｉｎｔｓ??

?基于密度劃分的自適應鞋印圖像聚類算法研究???３００?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ?－??２５０?？?＊??皿?２００?－?－??毅??遯??Ｈ１５０＇?＂??Ｅ??不Ｔ＼?１００?■?－??５０?？?丨－??〇｜?．．?ｔｒｒ—???０?１０００?２０００?３０００?４０００?５０....

圖２．?３各類鞋印圖像的密度分布曲線??Ｆｉｇ．２．３?Ｔｈｅ?ｓｈｏｅｐｒｉｎｔ?ｄｅｎｓｉｔｙ?ｄｉｓｔｒｉｂｕｔｉｏｎ?ｃｉｒｃｕｅ?ｏｆ?ｅａｃｈ?ｃｌａｓｓ??

。??標準差的計算公式為：??丄??來）彳」７?２＞?Ｗ?－米））２?］２?（２．４）??其中Ｃ／為第／類，？，為Ｃ，．類的類內(nèi)點數(shù)目，＊ｓ（ｃ，．）表示該類的密度標準差。??３．４１?１?■?＇??■?．．．丨丨??—密度均值??３?２?＇?＾密度最大值ｈ??ｉ?，?密度最小值....

圖２．?６典型鞋印圖像??Ｆｉｇ．２．６?Ｓｏｍｅ?ｔｙｐｉｃａｌ?ｓｈｏｅｐｒｉｎｔ?ｓａｍｐｌｅｓ??

?大連海事大學碩士學位論文???類間密度分布不均勻的情況。如圖２．５各類內(nèi)點的密度分布曲線，其中３２９１個單幅鞋印??圖像類，它的密度值從１．４８到３．１范圍廣泛，密度較小的點到其他類的距離較遠，密度??較大的點距離其他密度稠密類較近，同樣其他數(shù)目較少的類別密度曲線同樣存在這種問....

本文編號：4000320