“一物尋一物”—用于失物招領的圖像匹配功能的實現

魏域蔚，員文莉，韓嘉煒，張池，賈嫣

（甘肅農業大學信息科學技術學院，甘肅蘭州，730070）

1 概述

隨著校園面積的擴大，學生和老師經常來往于不同的場所和校區，加之各種活動的增多，很容易發生物品丟失無法及時找回以及撿拾到的東西無處歸還的情況。在分析調查了校園移動智能化的使用情況以及現有傳統失物招領平臺和一些網站型失物招領平臺的不足之后，建立一個高效、簡捷，能縮短找回失物時間的失物招領平臺?！耙晃飳ひ晃铩薄镎蓄I平臺在傳統功能的基礎上，加入圖像匹配功能，建立了一個高效、簡捷，能縮短找回失物時間的失主、拾主交流平臺。

2 項目背景

該平臺可提高失物找回率，解決大學校園因保管失物而投入的巨大成本，降低管理人員的工作量。通過系統設計、調試和測試，大學失物招領系統可以完成物品掛失和物品招領信息的發布管理，基本可以為用戶提供服務。大學校園失物管理系統的開發是學校智能化、信息化管理的一種體現，是提高校內師生生活質量的-種體現。大學校園失物管理系統的發展前景非常廣闊,可以為校內師生提供優質服務,因此,需要不斷完善大學校園失物管理系統，使其趨于成熟和合理。

通過這個平臺可以在一定層面上反映出學生的精神文明狀態、道德修養深度、綜合素質的高低，對拾金不昧的學生加以表揚和宣傳是對新時代大學生在道德修養、精神文明上的一種鼓勵，一種正能量的宣傳，一種模范效應的推廣，可以帶動更多的學生參與到這個工作當中，倡導學生積極的參與到其它類似的活動當中，進一步提升學生的精神文明水平，不以小利而謀之。

3 系統的總體設計

該平臺采用了Web 端與Android 移動客戶端結合的方式來建設高校失物招領系統。系統主要面向高校環境下的失物招領工作，明確了系統的應用環境，采用Web 端和Android 端方式。Web 端包含失物招領系統的全部功能，包括失物招領、拾物掃描發布、尋物啟示、尋物信息匹配、用戶管理、用戶登錄等。用戶在客戶端實現登錄、注冊、搜索、失物和拾物的發布及匹配、評論點贊、分享等功能。系統管理員在后臺實現對用戶、撿拾信息、物品類別、校園地址、信息統計的管理。Android 端除不具備用戶管理功能，其他功能同時具有，在一定程度上增加系統的安全性。Web 端與Android 端使用相同的數據庫設計，保證了Web端與Android 端的數據同步。

圖1 平臺功能模塊圖

根據失物招領平臺的設計，失物招領功能包括的以下三個內容：

（1）關鍵字查詢。失物者可以進行關鍵字搜索來查詢是否有自己丟失的物品。

（2）失物類別篩選。拾物者可以通過類別篩選來選擇自己丟失物品的種類來縮小自己的查找范圍。

（3）圖像識別匹配。圖像識別匹配，通過失物圖和拾物圖特征提取來確定匹配度，圖像特征提取可以分為兩個環節,分別為提取和選擇，目標圖像中可能包含多個特征點，每個特征點對應著不同的特征子集,科學的選擇特征點,是保證圖片識別高效準確的關鍵。常見的特征點包括:顏色特征、圖像紋理、圖像形狀、空間關系特征等內容。

該平臺最主要的功能是圖像識別匹配功能。如圖2 所示，用戶拾取物品后，可以在平臺提交拍攝的拾物的圖片，在丟失物品時，可以在平臺提交以往拍攝的失物圖片或者購物平臺的失物圖片。通過平臺計算后，向用戶展示相似度由高到低排序的所有相似物品，來讓用戶確定是否為自己丟失的物品。從而讓用戶不再因為物品信息過多、查詢過程繁瑣而花費很長時間去尋找或者錯失自己的物品。

圖2 平臺圖像匹配功能展示圖

4 圖像匹配算法

該平臺的獨特之處在于通過加入圖像匹配功能，將丟失的物品與拾物者上傳的圖片進行相似度匹配，方便失主更快捷的找回。

現如今使用最廣泛的圖像相似度方法是通過均值哈希算法（Average Hash Arithmetic）來實現，該算法主要內容如下：

（1）計算機往往先將圖像縮小（如N＊N，N 的一般取值為8），保留要對比的圖片原有結構。

（2）去掉圖片的大小和縱橫比差異來降低圖片的信息量，處理成灰度圖?；蚴菍GB 圖像，用公式：Gray=0.299 R+0.587G+0.114B 轉化為灰度圖。

（3）計算出兩張圖片的像素點平均值來判斷圖片的相似度。

均值哈希計算速度相對較快，適用于兩種相似圖片之間的對比，但它丟失了很多圖片局部特征，無法準確的對比圖片細節。如果將卷積神經網絡（Convolutional Neural Network,CNN）提取特征的方法與哈希方法相結合，即可以達到在提高檢索精度的同時減少檢索時間的效果。改進后的方法核心如下：

（1）將相似矩陣分解為低維的哈希矩陣H，得到每個樣本對應的哈希編碼。但是這個過程并沒有學習到哈希函數，因此無法對新的圖像進行哈希編碼。

（2）利用（1）得到的哈希編碼，以及每個樣本對應的類別標簽作為ground-truth 來訓練網絡，從而得到哈希函數。假設（1）的哈希編碼有r 個比特位，樣本的類別數有c 個，那么網絡輸出層的節點就共有(r+c)個輸出節點。

該方法的輸入為原始的圖片信息，假設網絡已經訓練完畢后，對于一張新的測試圖片，輸出層的前r 個節點就是該圖片所對應的哈希編碼，后c 個節點則表示了圖片的類別信息。

5 實驗結果

均值哈希算法的實驗結果如表1 所示，從中可以得出結論：該算法對于加濾鏡的圖像，處理效果理想；對于裁剪、添加水印、增加對比度的圖片，效果不理想；哈希、CNN特征提取算法將結合后的實驗結果如表2 所示，可以很清楚的看出后一種算法相對與均值哈希算法，對于添加水印和濾鏡的圖片可以精確識別，對于進行裁剪和增加對比度的圖片，也可以得到很好的識別效果。如果將第二種算法加入“一物尋一物”—失物招領平臺，與傳統失物招領平臺相比，會在提高檢索精度的同時大大減少檢索的時間。

表1 均值哈希實驗結果

表2 哈希、CNN提取特征算法結合實驗結果

6 結束語

通過對現有的失物招領平臺的功能，操作性，找回效率分析，搭建了“一物尋一物”—失物招領平臺，該平臺為失主和拾撿物品的人提供了一個可以及時交流的場所，解決了校園內失物招領消息閉塞、準確度低，可靠性不高等問題，通過平臺來接受和處理失物，失主和拾主可輕松在該平臺上發布相關的信息，尋找丟失物品。失物事件頻頻發生，失主都是小范圍尋找，傳統平臺的缺陷讓他們并沒有抱太大希望。圖像匹配的模式相比于傳統模式更加符合網絡信息技術飛速發展的今天，本文通過實驗研究，將CNN 特征提取與均值哈希結合的方法運用于該平臺，通過匹配即可得出結果，提高了搜索時間和搜索精度，為用戶在傳統的失物招領模式以外提供更多的選擇，帶來了極大的便利，同時這個算法也可以在人臉識別，深度學習圖像匹配等領域發揮諸多作用。