足迹图像中的标尺检测与测量算法的设计与实现开题报告

1. 研究目的与意义

由于近年科学技术的发展，在理论方法和应用等方面，人工智能技术都有着长足的发展，而且也广泛的应用与各个领域。例如图像识别是人工智能热门方向之一，其他方向还有推荐系统、自然语言处理、点云等。我们平时在行走于各个地方，那这些地方都会留下我们的脚印，通过脚印我们可以了解到这个脚印的人的相关特征，这是脚印为啥成为现场遗留的重要线索之一。足迹图像中的标尺检测与测量算法可以有效地把足迹图像中的标尺给分割、标记出来，利用人工智能ai算法技术代替人力进行对足迹图像的识别，把凶手的足迹(尺)标记、分割出来，毫无疑问成为公安在犯罪现场通过凶手的足迹获取重要特征的重要组成部分。在传统的图像处理和识别方法中，使用特征提取作为一种手段，但由于特征提取很多，造成数据冗余，占用内存过大，识别速度慢，获取区域目标比较耗时等不利因素，反而阻碍了图像识别。故在设计该算法时需要用到深度学习的技术和相关理论，与传统方法相比，深度学习里的卷积神经网络可提供基于学习的特征表示，并在自动特征提取和分割识别准确度方面表现更好，使用这个方法来完成足迹图像中标尺检测与测量算法的设计可以较大程度降低网络复杂度，而且也能提高模型的性能，还能提高模型的鲁棒性和泛化能力。在犯罪现场实际应用时，对罪犯足迹图像进行处理，识别和标记出标尺的位置，在提取出足迹中标尺刻度的相关信息，来获取的犯罪者足迹的一系列特征和信息，提高抓捕犯罪者的概率。

2. 研究内容与预期目标

本课题主要对基于深度学习的足迹图像中的标尺识别进行了深入的研究，研究的内容主要包括标尺检测、标尺识别、标尺测量，最后实现足迹图像中标尺识别与测量算法。

同时可以结合基于全卷积神经网络(fcn)的语义分割来设计足迹图像中标尺识别技术方案，该方案由基于fcn思想的unet网络或者maskrcnn网络设计的足迹图像中的标尺识别模块组成。该方案实现了把足迹图像中的标尺给显示出来，进一步得知足迹的大小。

3. 研究方法与步骤

研究方法：

使用lableme\labelimg、u-net、maskrcnn、语义分割、实例分割等方法

4. 参考文献

[1]陈鸿翔. 基于卷积神经网络的图像语义分割[d]. 浙江大学, 2016.

[2]fully convolutional networks for semantic segmentation evan shelhamer#8727; , jonathan long#8727; , and trevor darrell, member, ieee 2016

[3]shelhamer e, long j, darrell t (april 2017). 'fully convolutional networks for semantic segmentation'. ieee transactions on pattern analysis and machine intelligence. 39

5. 工作计划

3.01--3.20，熟悉课题背景，查阅中英文资料，完成毕设开题。 3.21--4.30，开展课题内容，完成课题的主要实验工作和程序调试。 5.01--5.10，撰写毕设论文初稿并完成中英文翻译。 5.11--5.23，修改毕设论文，并完成论文查重。 5.24—5.29，制作PPT等材料，准备答辩。