輪胎痕跡圖像檢索現(xiàn)狀與未來(lái)

劉 穎，董海濤，樊 安

(1.電子信息現(xiàn)場(chǎng)勘驗(yàn)應(yīng)用技術(shù)公安部重點(diǎn)實(shí)驗(yàn)室，陜西西安710121;2.西安郵電大學(xué)圖像與信息處理研究所，陜西西安710121)

隨著道路交通的不斷改善，交通事故也呈逐年增長(zhǎng)趨勢(shì)。“醉駕入刑”等相關(guān)交通法律的頒布，雖然加大了交通事故的處罰力度，但使得交通肇事逃逸案件發(fā)生頻率更高，產(chǎn)生了大量的民事和刑事糾紛。通常交通事故中會(huì)利用現(xiàn)場(chǎng)留下的痕跡和物證之間的關(guān)系解釋事故的過(guò)程，判斷雙方責(zé)任，而地面輪胎痕跡往往是最有用的痕跡物證之一，根據(jù)輪胎痕跡可以快速查找出對(duì)應(yīng)的車型和運(yùn)動(dòng)方向與軌跡，從而有效的縮短破案時(shí)間。在交通事故中的輪胎壓痕主要是輪胎與地面摩擦所產(chǎn)生的痕跡，從痕跡的信息可以了解到輪胎的表面花紋型號(hào)和輪胎的受損狀況，也可以判定嫌疑人員的逃跑路線和輪胎生產(chǎn)廠家，再通過(guò)分析其它因素，判斷事故車輛的類別。因此，現(xiàn)場(chǎng)輪胎痕跡圖像檢索的研究十分重要［1-11］。

輪胎痕跡檢索用于公安破案或交通事故處理中的線索獲取，行業(yè)應(yīng)用對(duì)輪胎痕跡花紋的分析經(jīng)驗(yàn)對(duì)提高輪胎痕跡檢索性能是很重要的信息。輪胎痕跡圖像內(nèi)容的特殊性和應(yīng)用領(lǐng)域的特殊性，決定了基于內(nèi)容的圖像檢索方法不完全適用于輪胎痕跡花紋圖像檢索。為了提高輪胎痕跡圖像檢索的準(zhǔn)確度，本文對(duì)輪胎痕跡花紋特點(diǎn)進(jìn)行分析，并介紹了幾種適用于輪胎痕跡圖像的預(yù)處理方法和特征提取方法，及國(guó)內(nèi)外學(xué)者對(duì)輪胎痕跡圖像檢索［12-27］的算法，最后對(duì)輪胎痕跡圖像檢索的發(fā)展過(guò)程進(jìn)行分析。

1 輪胎痕跡圖像數(shù)據(jù)庫(kù)與現(xiàn)有系統(tǒng)

1.1 輪胎痕跡圖像數(shù)據(jù)庫(kù)

輪胎痕跡圖像數(shù)據(jù)采集較為困難，主要有幾種原因:(1)車禍現(xiàn)場(chǎng)的環(huán)境情況復(fù)雜，容易受到人為破壞導(dǎo)致部分殘缺輪胎痕跡圖像;(2)汽車在不同的駕駛情況下會(huì)與地面產(chǎn)生各種不一的痕跡［5］，正常行駛下的痕跡和表面花紋圖像一樣，緊急剎車時(shí)，壓痕圖像受損嚴(yán)重，汽車處于滑動(dòng)狀態(tài)時(shí)，導(dǎo)致壓痕圖像相對(duì)于表面花紋圖像花紋更寬。(3)現(xiàn)場(chǎng)輪胎痕跡圖像受到背景干擾很大，采集到的輪胎痕跡圖像不完整，與相應(yīng)的輪胎花紋圖像相比可能是較小的一部分;(4)車輛行駛狀態(tài)可能導(dǎo)致輪胎痕跡圖像發(fā)生變化;(5)車胎氣壓也導(dǎo)致輪胎痕跡發(fā)生改變，低氣壓時(shí)，車胎痕跡中間部分暗淡，寬度逐漸減少;高氣壓時(shí)，車胎與地面接觸面積減少，痕跡寬度也隨之減少，導(dǎo)致車胎痕跡邊緣模糊，中間印記明顯［14］。圖1為輪胎痕跡圖像示例。

圖1 輪胎痕跡圖像示例

輪胎痕跡在實(shí)際采集過(guò)程中并不能大量收集，每個(gè)高校團(tuán)隊(duì)收集方式也有所不同。西安郵電大學(xué)圖像與信息處理研究所(Center for Image and Information Processing，CIIP)依托與公安部共建的重點(diǎn)實(shí)驗(yàn)室平臺(tái)，在不同時(shí)間、不同環(huán)境(光照及氣候)及不同拍攝條件下(視角、距離、尺度、仿射角)采集輪胎痕跡圖像720幅，示例如圖2(a)。大連海事大學(xué)利用油墨式按壓或油式按壓的方式得到496幅輪胎出廠時(shí)的輪胎痕跡圖像，將其中每幅輪胎痕跡圖像隨機(jī)截取成同等大小的5張，創(chuàng)建輪胎痕跡圖像總共2976幅，示例如圖2(b)。吉林大學(xué)選用常見(jiàn)車輛的壓痕圖像40幅，在不同光照情況，尺度下對(duì)痕跡圖像進(jìn)行拍攝，共創(chuàng)建160幅輪胎痕跡圖像。示例如圖2(c)。

圖2 輪胎痕跡圖像庫(kù)示例

1.2 輪胎痕跡圖像檢索現(xiàn)有的系統(tǒng)

輪胎痕跡圖像檢索技術(shù)被應(yīng)用在交通肇事逃逸事故中，目前現(xiàn)有的系統(tǒng)包括車輛痕跡檢驗(yàn)計(jì)算機(jī)系統(tǒng)［3］、輪胎花紋數(shù)據(jù)庫(kù)查詢系統(tǒng)［13］、輪胎痕跡圖像鑒別系統(tǒng)、基于輪胎信息的車輛溯源系統(tǒng)［16］、輪胎花紋識(shí)別原型系統(tǒng)與改進(jìn)系統(tǒng)［17］和事故現(xiàn)場(chǎng)輪胎痕跡智能鑒別系統(tǒng)［20］。

2 輪胎痕跡花紋圖像預(yù)處理算法

通過(guò)對(duì)輪胎痕跡圖像特點(diǎn)的分析，實(shí)際采集到的輪胎痕跡圖像受到噪聲干擾和人為破壞，質(zhì)量比較低，不能達(dá)到圖像檢索的目的。為了提高輪胎痕跡圖像檢索的效果，并且在圖像的特征提取中更加有效，對(duì)采集到的輪胎痕跡圖片進(jìn)行預(yù)處理［34-41］，包括圖像增強(qiáng)，圖像剪裁，圖像旋轉(zhuǎn)，灰度變換，濾波去噪和曝光不足的處理等等，流程如圖3所示。

圖3 輪胎痕跡圖像預(yù)處理流程

通過(guò)預(yù)處理，可以減少甚至消除輪胎痕跡圖片中的噪聲干擾，也可以減少或消除圖像模糊，以及背景對(duì)于輪胎痕跡圖片的影響，方便對(duì)車胎痕跡圖片進(jìn)行特征提取。下面介紹幾種對(duì)圖像進(jìn)行預(yù)處理的方法。

2.1 增強(qiáng)對(duì)比度

增強(qiáng)輪胎痕跡圖片對(duì)比度的目的是便于有效信息的提取，直方圖均衡化是將圖片的灰度值直方圖均勻的分布，經(jīng)過(guò)直方圖均衡的圖片灰度值呈現(xiàn)均勻的概率密度分布，以便實(shí)現(xiàn)對(duì)圖片對(duì)比度的增強(qiáng)。

文獻(xiàn)［27］將分頻理論與矩陣奇異值增強(qiáng)方法進(jìn)行結(jié)合，從而達(dá)到增強(qiáng)輪胎痕跡圖像的對(duì)比度。利用巴特沃斯低通濾波器將輪胎痕跡圖像分成高頻和低頻，對(duì)低頻部分和高頻部分分別采用奇異值增強(qiáng)方法和線性方法進(jìn)行圖像增強(qiáng)。通過(guò)這種方法對(duì)失真的輪胎痕跡圖像和過(guò)曝光和欠曝光的輪胎痕跡圖像都有不錯(cuò)的效果。

文獻(xiàn)［39］通過(guò)輪胎痕跡圖像的特點(diǎn)以及分析其他的圖像增強(qiáng)方法的劣勢(shì)，提出了一種多尺度Retinex圖像增強(qiáng)方法。該方法結(jié)合單尺度Retinex圖像增強(qiáng)方法的3個(gè)尺度優(yōu)點(diǎn)，通過(guò)加權(quán)組合，進(jìn)行圖像增強(qiáng)。該分法具有很好的自適應(yīng)性和魯棒性，實(shí)驗(yàn)結(jié)果證明，使用多尺度Retinex圖像增強(qiáng)方法增強(qiáng)的輪胎痕跡圖像效果令人滿意。

2.2 圖像去噪

非局部均值(non-local means，NLM)去噪算法［33］通過(guò)計(jì)算圖像相似像素點(diǎn)的平均灰度從而達(dá)到減少噪聲的目的。NLM打破了鄰域圖像濾波方法中的空間相鄰約束，消除了其它濾波方法中出現(xiàn)的偽影，通過(guò)得到輪胎痕跡圖像中的強(qiáng)相關(guān)周期性信息，達(dá)到去噪的目的。

中值濾波［40］是一種非線性信號(hào)處理技術(shù)。不但有效的減少了噪聲的干擾，而且還對(duì)圖像的細(xì)節(jié)進(jìn)行了有效地保留。把數(shù)字圖像或序列中某點(diǎn)的領(lǐng)域內(nèi)點(diǎn)的中值重新作為這個(gè)點(diǎn)的值，使得鄰域的像素值和真實(shí)值差不多，達(dá)到消除噪聲的目的。

維納濾波［40］適用于將噪聲和有用信號(hào)分離的情況下，輸出的有用信號(hào)為完整的信號(hào)。利用最小均方誤差準(zhǔn)則，將其輸出與給定的函數(shù)通數(shù)學(xué)運(yùn)算達(dá)到最小，也稱為最小平方濾波器。

決策分析和自適應(yīng)中值濾波算法結(jié)合的消除椒鹽噪聲方法［27］，將有干擾的圖像經(jīng)過(guò)決策分析方法分類，并用對(duì)應(yīng)的方法進(jìn)行處理。在最大限度保存圖像信號(hào)的同時(shí)去除噪聲，適用于不同密度的椒鹽噪聲圖像濾波。

2.3 二值化

圖像二值化是將輪胎痕跡圖像的點(diǎn)的灰度值設(shè)為0或255，然后選擇一個(gè)合理的閾值，用來(lái)反映圖像整體的局部特征，把目標(biāo)圖像和圖像背景進(jìn)行有效的分離。最大類間方差法(OTUS)［38］無(wú)需先驗(yàn)知識(shí)，把目標(biāo)和背景之間的方差設(shè)置為圖像二值化的閾值，具有廣泛的適應(yīng)性，但該方法對(duì)目標(biāo)和背景分布不均勻，偏差較大的情況效果不明顯。

改進(jìn)新的閾值選取方法［15］，通過(guò)分析一致性準(zhǔn)則法和最大類間方差法的原理，應(yīng)用最大熵方法選取最優(yōu)灰度閾值。實(shí)驗(yàn)結(jié)果證明，該算法改善了輪胎痕跡圖像的質(zhì)量，讓輪胎痕跡圖像更加清晰，使不同條件下采集的痕跡花紋圖像生成更好的二值化效果。

3 輪胎痕跡圖像檢索技術(shù)

3.1 車輛輪胎痕跡底層特征提取

輪胎痕跡圖像檢索是基于圖像的紋理特征進(jìn)行的。紋理特征是一種反映圖像中同質(zhì)現(xiàn)象的低層視覺(jué)特征，能夠很好地表征圖像。圖像紋理特征提取算法分為全局特征和局部特征。

3.1.1 全局特征

灰度共生矩陣方法(gray level co-occurrence matrix，GLCM)［29］通過(guò)計(jì)算圖像灰度級(jí)之間的聯(lián)合條件概率密度P(i，j|d，θ)表示紋理，原理是將距離為d的兩個(gè)像素點(diǎn)灰度值作為i和j的概率。θ為0°，45°，90°，135°4 個(gè)角度。之后，14 個(gè)二階統(tǒng)計(jì)量描述圖像的紋理特征被提出，其中角二階矩(能量)，對(duì)比度，相關(guān)系數(shù)，熵和局部平穩(wěn)(逆差矩)應(yīng)用最多。

Gabor濾波器［30］提取紋理特征時(shí)，將輸入圖像分為多個(gè)圖像塊，通過(guò)中心頻率和方向參數(shù)來(lái)構(gòu)建濾波器。例如選取8個(gè)不同的方向，5個(gè)不同的中心頻率，得到40個(gè)Gabor濾波器;Gabor濾波器與每個(gè)圖像塊進(jìn)行卷積，得到40個(gè)濾波器輸出;然后壓縮為40×1的列向量作為圖像塊的紋理特征。

Tamura紋理特征［31］是從心理學(xué)角度給出了用于描述紋理的6個(gè)特征，分別是粗糙度，對(duì)比度，方向度，直線度，規(guī)則度和粗細(xì)度，已廣泛應(yīng)用在圖像檢索領(lǐng)域，特別是前3個(gè)特征應(yīng)用更為頻繁，但這3種特征并不能有效的辨別特別精細(xì)的紋理。文獻(xiàn)［33］提出了一種改進(jìn)的Tamura紋理特征提取算法，利用粗糙度直方圖代替粗糙度，邊緣角度直方圖代替方向度。測(cè)試結(jié)果證明，通過(guò)直方圖刻畫圖像的內(nèi)容比單一數(shù)據(jù)更為全面，查準(zhǔn)率高于Tamura特征。

文獻(xiàn)［36］利用一種基于快速付氏變換圖像配準(zhǔn)方法對(duì)輪胎痕跡圖像進(jìn)行處理?；诟妒献儞Q的配準(zhǔn)算法適合存在低頻噪聲的圖像，例如不同光照情況下的圖片。此外，該算法將二維付氏變換轉(zhuǎn)換為一維付氏變換，對(duì)乘積式做對(duì)數(shù)操作減少了計(jì)算量，準(zhǔn)確率較高，用時(shí)較少。實(shí)驗(yàn)結(jié)果表明，該算法使得待測(cè)圖像與圖像數(shù)據(jù)庫(kù)中的圖像達(dá)到了很高的匹配，降低了圖像檢索時(shí)的誤差，對(duì)車型的判斷更加準(zhǔn)確。算法流程如圖4所示。

圖4 快速付氏變換圖像配準(zhǔn)流程

3.1.2 局部特征

尺度不變特征變換技術(shù)(scale invariant feature transform，SIFT)是一種局部特征提取技術(shù)。SIFT特征對(duì)輪胎花紋圖像具有較高的檢索準(zhǔn)確率，但由于計(jì)算量大、計(jì)算復(fù)雜度高，無(wú)法高效處理。

文獻(xiàn)［16］通過(guò)分析SIFT變換原理和Gabor小波原理，提出了基于SIFT-Gabor變換的輪胎痕跡圖像模式識(shí)別算法。通過(guò)SIFT算子對(duì)輪胎痕跡圖像提取角點(diǎn)，然后經(jīng)二維Gabor變換生成40維的特征向量，從而避免了對(duì)特征區(qū)域圖像進(jìn)行旋轉(zhuǎn)。對(duì)40幅種類不同的輪胎壓痕圖像進(jìn)行實(shí)驗(yàn)，結(jié)果表明，該算法減少了特征向量的維度，消耗時(shí)間相對(duì)于SIFT算法也有明顯減少，提高了匹配精度，適用于輪胎壓痕圖像檢索。

3.2 輪胎痕跡圖像高層語(yǔ)義特征

低層特征往往很難去表征有助人在花紋檢索中理解的語(yǔ)義信息，因此會(huì)導(dǎo)致所謂的語(yǔ)義鴻溝(Semantic gap)。圖像低層特征與高層語(yǔ)義之間存在的“語(yǔ)義鴻溝”很大程度上影響了圖像檢索的準(zhǔn)確率。為了縮小這種語(yǔ)義鴻溝，采用機(jī)器學(xué)習(xí)算法進(jìn)行輪胎花紋圖像的高層語(yǔ)義特征分析與輪胎花紋識(shí)別，進(jìn)一步提高輪胎圖像的分類精度和檢索準(zhǔn)確率。

文獻(xiàn)［12］結(jié)合人腦的無(wú)監(jiān)督學(xué)習(xí)和層次化提取特征提取特性，提出了一種基于稀疏表示和概率潛在語(yǔ)義分析的輪胎痕跡圖像檢索算法。該算法對(duì)輪胎痕圖像先進(jìn)行預(yù)處理，再使用基于輪胎圖像周期性紋理特征提取算法，以單位面積中各個(gè)方位的花紋數(shù)量作為圖像特征，利用不同的Gabor核函數(shù)構(gòu)造Gabor基詞匯表，算出系數(shù)向量代表提出特征。將加權(quán)后的特征作為輪胎痕跡圖像的初級(jí)視覺(jué)特征，表示在概率潛在語(yǔ)義分析的模型之中，構(gòu)成特征主題字典后開(kāi)始稀疏編碼。依照編碼殘缺差與編碼系數(shù)之間的相似度對(duì)輪胎痕跡圖像庫(kù)進(jìn)行檢索實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明，該算法在各種噪聲干擾的仿真圖像上，前0.2%的平均查準(zhǔn)率為99.93%;實(shí)際現(xiàn)場(chǎng)待測(cè)圖檢索結(jié)果的前2.24%的平均查準(zhǔn)率為100%，平均查準(zhǔn)率為71.40%。可有效檢索輪胎痕跡圖像。

文獻(xiàn)［19］提出了一種基于非下采樣Contourlet變換(non-subsampled contourlet transform，NSCT)和GLCM的組合特征提取與多級(jí)支持向量機(jī)(support vector machine，SVM)的輪胎花紋圖像識(shí)別算法。NSCT具有平移不變性、多方向性和多尺度性等優(yōu)良特性，能很好地表征輪胎花紋圖像的邊緣信息。提取出的輪胎痕跡特征更好的描述了圖像的細(xì)微差別。GLCM表征的是二階圖像統(tǒng)計(jì)特征，反映了圖像在變化幅度，方向和間隔上的有用信息。但是，這兩種算法提出的特征融合，在分類識(shí)別過(guò)程中，并不是每一個(gè)特征都是有效的。所以按照選取的有用特征的分離度建立基于決策樹的SVM分類器，最終完成輪胎痕跡圖像的識(shí)別分類。實(shí)驗(yàn)結(jié)果表明，該算法所得輪胎花紋圖像特征分離度高，用SVM對(duì)采集的圖片進(jìn)行分類識(shí)別時(shí)，具有較高的識(shí)別率。算法流程如圖5所示。

圖5 組合特征提取與SVM的輪胎痕跡圖像分類流程

4 輪胎痕跡圖像檢索的發(fā)展趨勢(shì)

隨著嫌疑人利用交通工具進(jìn)行犯罪或者肇事逃逸等交通事故的發(fā)生，輪胎痕跡圖像檢索技術(shù)已經(jīng)成為刑偵破案的主要技術(shù)之一。根據(jù)近年對(duì)現(xiàn)勘圖像檢索的研究以及公安的實(shí)際需求，對(duì)仍需解決的問(wèn)題和研究方向進(jìn)行探討。

4.1 建立標(biāo)準(zhǔn)的數(shù)據(jù)庫(kù)

在國(guó)外，為了盡快處理交通事故，每個(gè)國(guó)家按照自身不同的情況，建立了相應(yīng)的輪胎信息數(shù)據(jù)庫(kù)和車體信息數(shù)據(jù)庫(kù)，并將這些數(shù)據(jù)庫(kù)集成系統(tǒng)。如以色列建立了車輛輪胎花紋和汽車配件數(shù)據(jù)庫(kù)［11-12］，利用采集到的輪胎胎面花紋和汽車配件建立數(shù)據(jù)庫(kù)，在處理交通事故時(shí)，通過(guò)現(xiàn)場(chǎng)的事故痕跡確定嫌疑車輛。美國(guó)建立了輪胎痕跡圖像綜合處理系統(tǒng)［12］。我國(guó)對(duì)輪胎痕跡圖像檢索相關(guān)的研究較遲，沒(méi)有建立相關(guān)數(shù)據(jù)庫(kù)，在輪胎痕跡方面的研究也比較簡(jiǎn)單，主要是通過(guò)判斷嫌疑車輛的逃跑路線和速度，對(duì)輪胎痕跡圖像分類，沒(méi)有標(biāo)準(zhǔn)的輪胎痕跡圖像測(cè)試數(shù)據(jù)庫(kù)，使用是采集規(guī)模不一的數(shù)據(jù)庫(kù)。因此為了加快輪胎痕跡圖像檢索的發(fā)展，并將科研應(yīng)用與實(shí)際當(dāng)中，應(yīng)盡快建立一個(gè)標(biāo)準(zhǔn)的輪胎痕跡數(shù)據(jù)庫(kù)。

4.2 深度學(xué)習(xí)技術(shù)在輪胎痕跡圖像檢索中的應(yīng)用

在2012年ImageNet大規(guī)模圖像識(shí)別競(jìng)賽(ILSVRC2012)中，使用卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network，CNN)進(jìn)行圖像分類，以83.6%的Top5精度戰(zhàn)勝了使用計(jì)算機(jī)視覺(jué)的方法［46］。直到2015年，殘差網(wǎng)(ResNet)在1000類的圖像識(shí)別中以96.43%的Top5準(zhǔn)確率超過(guò)了人類的水平。近年來(lái)，深度學(xué)習(xí)已經(jīng)成為計(jì)算機(jī)視覺(jué)領(lǐng)域的研究熱點(diǎn)，但是在輪胎痕跡圖像檢索中，分類研究并沒(méi)有使用深度學(xué)習(xí)。因此，將深度學(xué)習(xí)技術(shù)應(yīng)用在輪胎痕跡圖像檢索中是非常有必要的。

利用深度學(xué)習(xí)方法對(duì)輪胎痕跡圖像進(jìn)行實(shí)驗(yàn)，結(jié)果好于傳統(tǒng)方法，但輪胎痕跡圖像數(shù)據(jù)庫(kù)規(guī)模太小，神經(jīng)網(wǎng)絡(luò)無(wú)法得到充分訓(xùn)練，不能很好的發(fā)揮卷積神經(jīng)網(wǎng)絡(luò)的性能，還需進(jìn)一步采集輪胎痕跡圖像數(shù)據(jù)庫(kù)。

4.3 輪胎痕跡與輪胎花紋圖像檢索的結(jié)合

在實(shí)際刑偵破案過(guò)程中，需要通過(guò)交通事故現(xiàn)場(chǎng)留下的輪胎痕跡或監(jiān)控視頻拍到的輪胎表面花紋信息判斷肇事車輛信息。因此，輪胎痕跡圖像和輪胎表面花紋圖像之間的比對(duì)，是一個(gè)重要的研究課題，但目前還沒(méi)有這方面的有效研究成果。圖像風(fēng)格遷移［46］是指將圖像A的風(fēng)格轉(zhuǎn)換到圖像B中去，得到新的圖像New-B既包括圖像B的內(nèi)容，也包括圖像A的風(fēng)格。目前嘗試把采集到的輪胎痕跡圖像作為風(fēng)格圖像，將輪胎表面花紋圖像遷移為輪胎痕跡風(fēng)格圖像，然后進(jìn)行圖像比對(duì)檢索，初步實(shí)驗(yàn)得到了不錯(cuò)的效果，還在進(jìn)一步的研究中。

總結(jié)而言，建立基于多種輪胎花紋信息包括輪胎表面花紋、痕跡圖像等大數(shù)據(jù)分析系統(tǒng)是具有理論研究?jī)r(jià)值并有實(shí)際應(yīng)用價(jià)值的研究課題。

5 結(jié)語(yǔ)

刑偵破案及交通事故處理中，需要根據(jù)輪胎痕跡對(duì)比提供的線索，判斷嫌疑車輛從而確定嫌疑人目標(biāo)。圍繞輪胎痕跡圖像的預(yù)處理和特征提取兩項(xiàng)關(guān)鍵技術(shù)歸納總結(jié)了該領(lǐng)域的研究進(jìn)展。此外，介紹了現(xiàn)有的輪胎痕跡圖像數(shù)據(jù)庫(kù)和檢索系統(tǒng)，并指出了輪胎痕跡圖像檢索領(lǐng)域未來(lái)的研究方向。