现勘图像数据库检索技术实例探讨

刘 颖, 范九伦, 李 宗, 黄 源, 燕皓阳

(西安邮电大学 通信与信息工程学院, 陕西 西安 710121)

现勘图像数据库检索技术实例探讨

刘 颖, 范九伦, 李 宗, 黄 源, 燕皓阳

(西安邮电大学 通信与信息工程学院, 陕西 西安 710121)

基于内容的图像检索技术(CBIR) 发展已经有三十多年，但相关技术在公共安全领域的应用尚处于初步阶段。依托公安部重点实验室平台，使用实际刑侦现勘图像数据库，介绍在现勘图像数据库检索、车胎花纹数据库检索方面取得的研究进展情况，讨论现有成果与公共安全行业实际需求之间存在的差距，并分析现勘图像数据库检索研究的未来发展趋势。

基于内容的图像检索；刑侦现勘图像数据库；公安行业实际需求

基于内容的图像检索(Content-based image retrieval，CBIR)技术发展至今，已经有很多算法被提出[1-2]。所谓的CBIR就是从图像内容(像素值)提取图像特征，并利用查询示例图像(query)和数据库中图像的特征矢量之间的距离来度量图像的相似性，以此来实现自动的图像检索，查找与查询图像内容相同或相似的图像。

图像特征提取和图像相似度度量是影响查询准确率的关键因素。图像特征包括所谓的低层数字特征(low-level digital feature)和高层语义特征(high-level semantic feature)。常用的低层数字特征包括色度特征、纹理特征、形状特征和空间位置特征。所谓的高层语义特征是将低层数字特征通过机器学习等算法转换为接近人类语言的文字描述，通常选择事先定义的一组词汇(vocabulary，concepts)。

文[1-2]详细介绍和讨论了各种经典的CBIR 算法和目前的研究热点,而最近几年来CBIR算法及其在医学图像、显微图像甚至模拟场景游戏等不同应用领域的研究依然是研究的热点之一[3-5]。

根据实际调研， CBIR 在我国现勘图像数据库检索方面的研究尚处于初步阶段，目前国内尚无专为刑侦现勘图像数据库设计的CBIR算法。而与此同时，公共安全行业对实用现勘(Crime Scene Investigation, CSI)图像数据库查询比对系统的需求却越来越强烈。

我国公安行业的现勘图像数据库，目前主要还是依靠图像存档时的人工标注，由工作人员根据经验依靠主观判断来进行查询比对。这不仅需要大量的时间，而且影响办案人员实施串并案等工作的效率。因此，研究适用于CSI图像数据的CBIR算法具有重要的应用价值。

实验室获取了实际的CSI图像数据作为实验测试数据，分析结果发现现勘图像数据有区别于学术界常用的CBIR测试数据(比如COREL图像数据库和Internet图像数据库[1-3])的特殊性。例如图像种类的行业特殊性，像血迹、足迹这类图片在其他数据集里是罕见的；此外，图片内容分类方式的特殊性。比如，一幅内容包含草地楼房的图片，刑侦人员可能将其归为“概貌”或者“方位”类中。总而言之，研究适合于CSI图像数据的特征提取算法是CBIR技术应用于现勘图像数据库的重要基础。此外，现勘图像数据的种类有其行业特殊性，从低层数字图像特征到高层语义特征的学习，也有特殊性。

本文拟介绍近年来在现勘图像数据库检索、车胎花纹数据库检索方面的部分研究进展情况，并围绕公共安全行业实际需求，分析现有成果与实际需求之间存在的差距。实验结果可为相关领域科研工作者提供参考。

1 现勘图像数据库

1.1 CSI图像数据采集

实验室获取了1 072幅实际现勘图像数据，包括方位、细目、概貌、现场图和血迹等10类，统计数据详见表1，部分现勘图像示例如图1所示。

表1 原始现勘图像数据分类

(a) 方位类

(b) 细目类

(c) 概貌类

(d) 手印痕迹类

(e) 血迹类

(f) 现场类

1.2 对原始CSI图像进行预处理

原始CSI图像数据的分类是在办案人员收集数据时，由刑侦人员大致进行的，从CBIR研究角度而言这些类别太抽象，所以，需要对这些CSI图像从图像内容角度进行重新分类。

实际分类过程中发现数据存在以下问题。

(1) 一幅图片中包含多个检索目标。如图2(a)中包括建筑、道路等多个目标元素。

(2) 图片场景比较复杂，较难分类。如图2(b)为道路边的一幅图片，图中有人，也有建筑和树木，在未进一步了解案情的情况下难以分类。

(3)目标不确定。如图2(c)中塑料袋包裹的不明物体，在未知案情内容的情况下，目标不确定，无法分类。

(a) 多目标图像

(b) 目标遮挡图像

(c) 目标不明确图像

作为第一阶段实验需要，定义道路、车辆、建筑、门、指纹、血迹、足迹和作案工具等8个现勘图像种类，共800幅CSI图像作为测试数据库，各类的例图如图3所示。

(a) 道路

(b) 车辆

(c) 建筑

(d) 门

(e) 手印

(f) 血迹

(g) 足迹

(h) 作案工具

图3 8类CSI图像示例

2 基于内容的现勘图像数据库检索

本节主要介绍在现勘图像数据库检索方面的一些研究进展，并探讨现有成果与实际需求之间存在的差距。

2.1 常用CBIR算法是否适用于现勘图像数据库

既然已经有很多CBIR算法存在，这些常规算法是否适用于CSI图像呢？为此我们做了一系列实验。实验中将一组常见图像特征应用于学术界常用的COREL图像数据库及获得的CSI现勘图像数据库，并分别用欧氏距离(Euclidean distance)和街区距离(city block distance)来定义图像特征矢量间的距离d, 而图像间的相似度定义为s=1/d(d不为0),d=0时，两幅图像相似度最高[6-7]。

实验中使用的图像特征为颜色特征(HSV直方图)和纹理特征(三级小波变换后对各子带小波系数提取均值、方差组成特征向量)，以及颜色特征与纹理特征加权结合的融合特征。把查准率作为检索性能评估指标，使用颜色特征、纹理特征及融合特征分别在COREL和CSI上进行测试，实验结果如图4，图5和图6所示。

图4 基于颜色特征的检索结果

图5 基于纹理特征的检索结果

图6 基于颜色纹理融合特征的检索结果

从实验结果图可知：数据库检索中CSI的表现不如COREL好，因此需要设计适用于现勘图像检索的算法；街区距离比欧氏距离更适用于定义现勘图像间的相似程度。

2.2 基于区域语义模板的现勘图像数据库检索

通过数据分析发现，CSI图像类(class)和图像中的主要目标物体(object)之间存在一定的对应关系，这个关系也称为本体(ontology)[2]。如图7所示，现勘图像有些类对应多个目标物体，有些类对应单一目标物体。在提出的算法中，8个CSI图像类对应了13种目标物体，包括：车，车牌，车轮，道路，植物等。

图7 CSI 图像数据库本体结构描述

为提高CSI图像库的检索性能，我们提出了一种基于区域语义模板(region semantic template，RST)的检索算法,简称RST-CSI[8]。对CSI数据库中的所有图像进行分割,从所得的图像区域中可获得所有13种“目标物体”的样本区域(sample region)，图8是部分样本区域示例。实验中将“区域模板”定义为一组5个样本区域的区域图像特征的平均值。

图8 样本示例

在图像检索过程中，用户提交查询图像并明确感兴趣的“查询目标区域”(QR，query region)。检索时，系统首先从CSI数据库中找到所有包含此查询目标区域的图像，这一步称为“初选”，通过将图像区域的特征矢量与“区域语义模板”相比较来实现；然后初选得到的结果逐一与查询图像进行比较，根据其与查询图像的相似度进行排序，这一步称为“细选”。RST-CSI的整个流程如图9所示。

图9 RST-CSI流程

RST-CSI是一种基于语义的检索方法。在CSI测试数据集上对RST-CSI进行测试，并与未采用RST-CSI而直接使用低层图像特征进行检索的方法进行了比较，结果如图10、图11所示。实验结果表明，采用基于语义的RST-CSI算法检索性能明显优于仅采用低层图像特征的检索算法。

(a) 查询图像

(b) 采用低层特征进行检索 (查准率为70%)

(c) 采用RST-CSI的结果(查准率为90%)

图11 基于语义的检索RST-CSI与基于低层特征的检索性能比较

另外，实验结果还表明，RST-CSI对不同图像类检索性能的提高程度不同。图12分别给出了对建筑和血迹两个图像类的检索性能。这说明，该算法对不同类图像的检索性能是有差别的。总体而言，RST-CSI被证明对现勘图像数据库检索是有效的。

(a) 建筑类查准率比较

(b) 血迹类查准率比较

2.3 分析讨论

上述的RST-CSI算法实验证明对CSI图像数据库检索有效。其中图像区域特征包括颜色直方图和小波纹理特征，后续我们将引入更有效的图像特征，包括形状特征来进一步提高检索效率。

现有研究结果离公安系统实际应用需求还有多大差距呢？通过与公安部相关技术专家进行的交流，并到陕西省公安厅刑侦局实地调研了解现勘系统的现状，结论是：要真正实现现勘系统的有效管理与查询，还有挺长的一段路要走。现有现勘数据库中的信息包括：现场平面图、现勘照片、以及刑侦人员录入的文字描述信息。如何综合利用各类已有信息，结合从图像本身提取的特征，有效提高现勘数据库检索效率，是下一步工作必然要面对的。然而，要实现这样的系统，一个最大的难点是如何保证刑侦人员录入信息的规范性和准确性。这需要公安系统更广层面统一的规范才可能实现。但无论怎样，还是有很多值得进一步探索的研究内容。

3 车胎花纹图像检索

在犯罪或事故现场，车胎花纹是重要的线索之一。快速检索出轮胎花纹的类型以判断车型可以有效帮助警方侦破案件。对车胎花纹的检索的研究主要分两个方面: 一是空间域纹理特征提取算法[9-10]，二是频域纹理特征提取算法[11-12]。

3.1 车胎花纹图像数据库

不同厂商不同车型商车胎花纹图样不同，据我们调研所知，目前，公安系统尚未建立包括各种车胎花纹完整标准的车胎花纹数据库。为此，我们通过各种方式和渠道收集了包含近200种不同车辆，1 000多幅车胎花纹图片，组成了各类车型轮胎的数据库。图13为轮胎花纹示例。

图13 车胎花纹示例

3.2 改进的Tamura纹理特征提取算法

(1) 改进算法

Tamura纹理特征是以人类视觉感知的心理学研究为基础提出的，是一种经典的空间域纹理特征描述方法，其纹理特征分量对应于心理学角度上的6种属性，分别是：粗糙度(Coarseness)、对比度(Contrast)、方向度(Directionality)、线性度(Linearity)、规整度(Regularity)和粗略度(Roughness)，其中前三项常用于图像检索，后三项可从前三项推导出来[9]。

粗糙度作为最基本的纹理特征，是反应纹理粒度的一个参量。当两种纹理模式只是基元尺寸不同时，具有较大基元尺寸的模式给人的感觉更粗糙。在计算粗糙度时，可以由不同大小窗口在图像上滑动的均值得到，这虽然在一定程度上可以描述纹理图像的粒度特性，但是只有当纹理基元尺寸大小相同时，这种描述才精确，否则将会丢失很多重要纹理信息，不利于图像的特征表达。文[10]提出了对Tamura纹理中粗糙度的改进定义，能够表达具有不同纹理基元的图像或区域，因此更有利于图像检索。我们在实验中采用了这一定义。

Tamura纹理特征中的对比度作为一个全局变量，反应了图像整个区域的亮度统计分布，不能有效地对图像的局部亮度信息进行描述。为此，我们提出了一种基于统计矩的改进算法，该算法以亮度直方图的统计属性为基础，能得到更丰富的图像特征(均值、标准偏差、平滑度、三阶矩、一致性、熵6种纹理特征)，更充分地利用图像的灰度级信息，因此检索结果得到了明显改进[13-14]。

在提取方向度特征时，通过对原始边缘方向直方图进行Fourier变换，并去模作为最终的边缘方向特征，以此来实现旋转不变方向特征的提取。

在所获得的车胎花纹数据库上对上述改进的Tamura纹理特征提取算法进行测试，并与文[10]的算法及基于三级小波变换的频率域小波纹理特征的检索效果进行比较。实验结果表明，所提出的算法查准率更高。图14为检索结果比较，其中K表示图像相似度排序前K幅图像。

图14 改进的Tamura纹理特征和其他算法的检索性能比较

(2) 适用于含隐藏信息的车胎花纹数据库检索

现勘图像作为某些案件的信息来源，其安全性非常重要，往往需要采用适当的水印算法在原始图像中嵌入隐藏信息以保护图像的安全性是行业实际需求[15-16]。上述图像特征提取算法在加有水印的图像数据库中是否依然适用？为此在车胎花纹图像上用LSB(least significant bit)方法加了数字水印。LSB是一种简单加水印算法，将原始图像每个像素亮度值的最低比特位，用二值水印图像的对应位代替。图像嵌入水印后的，通常视觉上看不出改变。图15是加水印前后的在图像举例。

(a) 原始图像 (b) 水印图像 (c) 加LSB水印的图像

图15 加水印前后的轮胎花纹图像

实验结果表明，所提出的算法对加水印前后的车胎花纹数据库检索效率几乎没有改变，图16是加水印后轮胎花纹图像数据库的检索结果(水印信息加在原始图像像素亮度值的不同比特位)。图17的结果说明所提出的算法对车胎花纹的检索性能优于其他两种算法。

图16 所提出的算法对加水印前后数据库检索性能测试

图17 三种方法在加水印轮胎花纹数据库上的检索结果比较

3.3 结合Radon变换及双树复小波的车胎花纹纹理特征提取算法

前述实验结果表明小波纹理特征对轮胎花纹的检索性能不及所提出的改进的Tamura纹理特征。由于离散小波变换分解在下采样时会产生混叠项，两个混叠项造成分解输出的平移敏感性，较小的平移会造成变换系数的较大变化。其次，小波变换不具有旋转不变性，图片旋转后，同一子带的系数发生较大的变化。因此，小波纹理特征不具有平移和旋转不变性，影响了车胎花纹检索效率。本节探讨频域纹理特征提取方法，以小波变换衍生出的各种不同小波为重点的纹理特征提取算法研究。

为了克服上述缺陷，首先使用Radon变换[17]将小波系数投影到0°～180°的各个角度上，这样图像的旋转就对应到Radon域每个角度系数的简单平移，从而克服了旋转所带来的系数变化，具有近似的旋转不变性。在对图像使用Radon变换的基础上，对其系数进行双树复小波变换(DT-CWT)[18], 由于双树复小波变换实树和复树两树间的相位差为π/2，近似地消除了下采样，具有平移不变性，故提出的算法具有近似的旋转和平移不变性[19]。算法框图如图18所示。

图18 基于Radon+DT-CWT的车胎花纹检索算法流程

与基于小波变换、双树复小波变换[18]、以及脊波Ridgelet变换[20]所得的纹理特征的检索性能相比较，实验结果证明：提出的Radon+DT-CWT算法降低了图像旋转和系数平移对于检索效率的影响，具有近似的旋转不变性，与其它几个算法相比具有较高的查准率。图19给出了各种不同算法检索结果的一个示例，图20比较了各种不同算法的平均检索率。

(a) 查询例图

(b) 小波变换方法

(c) 脊波变换方法

(d) 双树复小波变换方法

(e) 提出的方法Radon+DT-CWT

图20 Radon+DT-CWT与其他算法检索结果比较曲线

3.4 分析探讨

上述研究结果表明，所提方式在车胎花纹检索方面取得了一定进展。然后，要开发实用的刑侦车胎花纹检索系统，为破案提供有力证据，还需要更多工作。

(1)实际破案过程中，往往需用轮胎在地面的压痕来判断车胎类型。而要进行这方面的研究，必须先获取足够量的相关实验数据，但目前尚无这样的数据库可用。下一步将设法获取这类数据。利用车胎压痕的纹理和车胎花纹纹理之间的相关性，相信现有的针对车胎花纹纹理的研究可为以后的研究提供参考。

(2)实际现勘现场获得的轮胎压痕图像，往往有印迹不清楚、不完整、甚至重叠的现象。如何利用已有信息，尽可能地提取挖掘有用线索，为公安工作人员破案提供帮助，这是未来还要继续深入研究的课题。

(3)考虑到实际数据的复杂性，仅仅利用图像处理技术不可能解决所有问题，必须和刑侦专家的实际经验和需求相结合，为案件侦破提供越来越多的线索。

4 现勘图像数据库检索研究趋势

根据近年来在现勘图像数据库检索方面的研究经验，以及所了解到的我国公安系统现勘数据库管理和使用的现状，并结合最新技术发展趋势，图像检索技术在现勘数据库中的应用，未来将有以下几个研究方向。

(1) 多元信息跨媒体融合，大数据综合分析

除了现有的常规数据比如现勘图像、文本、平面图，语音、视频信息也越来越成为重要的现勘数据，如何有效管理并综合利用多元跨媒体信息是未来必然遇到的研究课题[21-23]。此外，随着信息获取的便捷，海量信息的出现，大数据处理技术在公安行业已是势在必行。而现有的公安警务数据中心无论在数据规模还是架构方面都难以适应海量数据场景下的数据管理和分析需求，这直接影响了公安行业刑事预判和决策的效率[24]。

建设面向各警种的大数据管理和分析平台，通过对海量数据的获取、整理、分析、预测，从多元、复杂的数据中挖掘出其背后所蕴含的规律，实现对海量数据的深度应用、综合应用。通过公安大数据系统的建设，向各警种提供集中资源、集中管理、集中监控和配套实施统一的大数据应用环境[24]。

为了支持海量多元跨媒体信息的快速检索，必然需要建立相应的数据库索引机制。设计支持海量跨媒体检索的集成索引结构，也是未来研究热点之一[25]。

(2) 加密现勘图像数据库检索

大数据和云计算背景下，数据的安全性尤为重要，尤其对于公安现勘数据而言，数据的保密性、安全性要求更高。图像加密后，像素信息发生改变，研究加密后的现勘图像数据库检索，是未来建设实用现勘管理与应用系统的方向。这方面的研究已经受到越来越多的重视[16,26-28]. 文[26]提出一种同态加密方法，目的是在不需要解密的情况下可以进行各项图像处理，实验中对加密图像进行了滤波等一系列操作，结果和不加密图像的处理结果没有差别。而文[16]的算法注重在巧妙设计图像处理算法，使得加密前后的图像处理结果几乎没有差别。文[28]探讨了公安行业大数据背景下云计算中图像处理的隐私及安全保证方法。

(3) 图像处理技术与公安行业实战经验深度有机结合

实践证明，仅靠图像处理技术难以完全解决问题，在公安行业破案工作中，刑事侦查人员的专业破案经验始终发挥着不可替代的作用。如何进一步将行业经验与图像处理技术深入有机地结合在一起，提高现勘数据管理和应用的效率，是一个需要继续深入研究的课题，带有用户反馈的检索系统相比全自动系统将是一个更为中道的解决方案。

5 结束语

本文介绍了过去数年在现勘图像数据库检索方面取得的科研成果，并围绕公安行业在现勘数据库管理和检索方面的实际需求，分析了现有成果和实际需求之间的差距。此外，文中分析了图像检索技术在公安行业现勘数据库检索应用方面的未来研究热点。总而言之，实用、高效的现勘图像数据库检索领域的研究还任重道远。实验结果希望为相关领域的科研和技术工作者提供参考。

[1] 刘颖,范九伦.基于内容的图像检索技术综述[J].西安邮电学院学报,2012,17(2):1-8.

[2] Liu Ying, Zhang Dengsheng, Lu Guojun, et al. A survery of content-based image retrieval with high-level semantics[J]. Pattern Recognition, 2007, 40(1): 262-282.

[3] Milovanovic M, Belgrade S, Minovic M, et al. Walking in Colors: Human Gait Recognition Using Kinect and CBIR[J]. IEEE Transactions on MultiMedia，2013,20(4):28-36.

[4] Akakin H C, Gurcan M N. Content-Based Microscopic Image Retrieval System for Multi-Image Queries[J]. IEEE Transactions on Information Technology in Biomedicine, 2012,16(4):758-769.

[5] 刘颖,黄源,高梓铭.刑侦图像检索中的特征提取及相似性度量研究[J]. 西安邮电大学学报,2014,19(6):11-16.

[6] Sung H C, Comprehensive Survey on Distance/Similarity Measures between Probability Density Functions[J]. International Journal of Mathematical Models and Methods in Applied Sciences, 2007, 4(1): 299-306.

[7] Huang Yuan, Liu Ying. Region-based image retrieval for forensic image retrieval[C]//Proceedings of 2014 Seventh International Symposium on Computational Intelligence and Design.China Hangzhou:IEEE,2014:13-14.

[8] Huang Yuan, Liu Ying. Study on Forensic Image Retrieval[C]//Proceedings of 9th IEEE Conference on Industrial Electronics and Applications. China Hangzhou: IEEE, 2014: 89-94.

[9] Tamura H, Mori S, Yamwaki T. Texture features corresponding to visual perception[J]. IEEE Transactions on Systems, Man and Cybernetics, 1978, 8(6): 460-473.

[10] 郝玉保,王仁礼,马军,等. 改进Tamura纹理特征的图像检索方法[J]. 测绘科学, 2010, 35(4): 136-139.

[11] Stephane G M. A Theory for Multiresolution Signal Decomposition: The Wavelet Representation[J]. IEEE Transactions on Pattern Analysis And Machine Intelligence, 1989, 11(7): 674-693.

[12] Do M N, Vetterli M. Wavelet-based texture retrieval using generalized Guassian density and Kullback-leibler distance[J]. IEEE Transactions on Image Processing, 2002, 11( 2): 146-158.

[13] Liu Ying, Li Zong, Gao Ziming. An Improved Texture Feature Extraction Method for Tyre Tread Patterns[C]//International Conference on Intelligence Science and Big Data Engineering. China Bdijing: IEEE, 2013:705-713.

[14] Li Zong, Liu Ying, Li Daxiang. A New Texture Feature Extraction Method for Image Retrieval[C]//2013 Fourth International Conference on Intelligent Control and Information Processing. China Beijing: IEEE, 2013:482-486.

[15] 钟桦,张小华,焦李成.数字水印与图像认证:算法与应用[M]. 西安: 西安电子科技大学出版社，2006:12-16.

[16] Liu Ying, Li Zong. Study on Texture Feature Extraction from Forensic Images with Watermark[C]//Proceedings of 9th IEEE Conference on Industrial Electronics and Applications. China Hangzhou: IEEE, 2014:1471-1475.

[17] 安志勇,崔江涛,曾智勇,等.基于Radon和小波变换的图像检索[J].红外与毫米波学报，2008, 27(2):147-151.

[18] Kingsbury N G. Complex wavelets for shift invariant analysis and filtering of signals[J]. Applied and Computational Harmonic Analysis, 2000, 10(3):234-253.

[19] Yan Haoyang, Liu Ying. An improved Texture Feature Extraction Method based on Radon transform[C]//Proceedings of 2014 Seventh International Symposium on Computational Intelligence and Design. China Hangzhou: IEEE, 2014: 13-14.

[20] Candès E J, Donoho D L. Ridgelets: theory and applications[D]. Stanford: Stanford University, 1998:315-316.

[21] 张鸿, 吴飞, 庄越挺. 跨媒体相关性推理与检索研究[J]. 计算机研究与发展, 2008(5):134-142.

[22] 吴飞, 庄越挺. 互联网跨媒体分析与检索:理论与算法[J]. 计算机辅助设计与图形学学报, 2010(1):236-239.

[23] 杨易, 郭同强, 庄越挺,等. 基于综合推理的多媒体语义挖掘和跨媒体检索[J]. 计算机辅助设计与图形学学报, 2009(9):1307-1315.

[24] 中安网.浅谈公安大数据的建设[EB/OL].(2014-11-25)[2014-12-01]. http://news.cps.com.cn/article/201411/921504.html.

[25] 庄毅,庄越挺,吴飞. 一种支持海量跨媒体检索的集成索引结构[J]. 软件学报, 2008(10):135-141.

[26] Gomathisankaran M, Yuan X, Kamongi P. Ensure Privacy and Security in the Process of Medical Image Analysis[C]//IEEE International Conference on Granular Computing. Chian Beijing: IEEE, 2013:120-125.

[27] 刘颖. 现场勘验图像检索技术研究[C]//2014年度公安部电子信息现场勘验领域图像与视频处理研讨会.西安:电子信息现场勘验应用技术公安部重点实验室,2014:16-17.

[28] 袁晓辉. 云计算中图像处理的隐私和安全问题及方法[C]//2014年度公安部大数据和云时代的变革与安全国际研讨会.杭州:基于大数据架构的公安信息化应用公安部重点实验室,2014.

[责任编辑:陈文学]

Case study on content-based image retrieval for crime scene investigation image database

LIU Ying, FAN Jiulun, LI Zong, HUANG Yuan, YAN Haoyang

(School of Communication and Information Engineering, Xi’an University of Posts and Telecommunications, Xi’an 710121, China)

Content-based image retrieval (CBIR) has been developed for over thirty years, but its application in public security area is still at its infant stage. Taking advantage of the real-world crime scene investigation (CSI) image data from the key laboratory of the ministry of public security, progresses have been made in our research in CSI image database retrieval. This paper introduces our research outcome in CSI image database retrieval and in tire pattern retrieval. In addition, the gap between techniques and practical requirements in public security area is analyzed, and a few future research directions are discussed.

content-based image retrieval, crime scene investigation(CSI)image database, practical requirements in public-security area

2014-12-01

国家自然科学基金青年基金资助项目(61202183)；陕西省国际科技合作计划资助项目(2013KW04-05)

刘颖(1972-)，女，博士，高级工程师，从事数字图像处理研究。E-mail: ly_yolanda@sina.com 范九伦(1964-)，男，博士，教授，从事模式识别与图像处理研究。E-mail：jiulunf@xupt.edu.cn

10.13682/j.issn.2095-6533.2015.03.002

TN911.7

A

2095-6533(2015)03-0011-10