“一物寻一物”—用于失物招领的图像匹配功能的实现

魏域蔚，员文莉，韩嘉炜，张池，贾嫣

（甘肃农业大学信息科学技术学院，甘肃兰州，730070）

1 概述

随着校园面积的扩大，学生和老师经常来往于不同的场所和校区，加之各种活动的增多，很容易发生物品丢失无法及时找回以及捡拾到的东西无处归还的情况。在分析调查了校园移动智能化的使用情况以及现有传统失物招领平台和一些网站型失物招领平台的不足之后，建立一个高效、简捷，能缩短找回失物时间的失物招领平台。“一物寻一物”—失物招领平台在传统功能的基础上，加入图像匹配功能，建立了一个高效、简捷，能缩短找回失物时间的失主、拾主交流平台。

2 项目背景

该平台可提高失物找回率，解决大学校园因保管失物而投入的巨大成本，降低管理人员的工作量。通过系统设计、调试和测试，大学失物招领系统可以完成物品挂失和物品招领信息的发布管理，基本可以为用户提供服务。大学校园失物管理系统的开发是学校智能化、信息化管理的一种体现，是提高校内师生生活质量的-种体现。大学校园失物管理系统的发展前景非常广阔,可以为校内师生提供优质服务,因此,需要不断完善大学校园失物管理系统，使其趋于成熟和合理。

通过这个平台可以在一定层面上反映出学生的精神文明状态、道德修养深度、综合素质的高低，对拾金不昧的学生加以表扬和宣传是对新时代大学生在道德修养、精神文明上的一种鼓励，一种正能量的宣传，一种模范效应的推广，可以带动更多的学生参与到这个工作当中，倡导学生积极的参与到其它类似的活动当中，进一步提升学生的精神文明水平，不以小利而谋之。

3 系统的总体设计

该平台采用了Web 端与Android 移动客户端结合的方式来建设高校失物招领系统。系统主要面向高校环境下的失物招领工作，明确了系统的应用环境，采用Web 端和Android 端方式。Web 端包含失物招领系统的全部功能，包括失物招领、拾物扫描发布、寻物启示、寻物信息匹配、用户管理、用户登录等。用户在客户端实现登录、注册、搜索、失物和拾物的发布及匹配、评论点赞、分享等功能。系统管理员在后台实现对用户、捡拾信息、物品类别、校园地址、信息统计的管理。Android 端除不具备用户管理功能，其他功能同时具有，在一定程度上增加系统的安全性。Web 端与Android 端使用相同的数据库设计，保证了Web端与Android 端的数据同步。

图1 平台功能模块图

根据失物招领平台的设计，失物招领功能包括的以下三个内容：

（1）关键字查询。失物者可以进行关键字搜索来查询是否有自己丢失的物品。

（2）失物类别筛选。拾物者可以通过类别筛选来选择自己丢失物品的种类来缩小自己的查找范围。

（3）图像识别匹配。图像识别匹配，通过失物图和拾物图特征提取来确定匹配度，图像特征提取可以分为两个环节,分别为提取和选择，目标图像中可能包含多个特征点，每个特征点对应着不同的特征子集,科学的选择特征点,是保证图片识别高效准确的关键。常见的特征点包括:颜色特征、图像纹理、图像形状、空间关系特征等内容。

该平台最主要的功能是图像识别匹配功能。如图2 所示，用户拾取物品后，可以在平台提交拍摄的拾物的图片，在丢失物品时，可以在平台提交以往拍摄的失物图片或者购物平台的失物图片。通过平台计算后，向用户展示相似度由高到低排序的所有相似物品，来让用户确定是否为自己丢失的物品。从而让用户不再因为物品信息过多、查询过程繁琐而花费很长时间去寻找或者错失自己的物品。

图2 平台图像匹配功能展示图

4 图像匹配算法

该平台的独特之处在于通过加入图像匹配功能，将丢失的物品与拾物者上传的图片进行相似度匹配，方便失主更快捷的找回。

现如今使用最广泛的图像相似度方法是通过均值哈希算法（Average Hash Arithmetic）来实现，该算法主要内容如下：

（1）计算机往往先将图像缩小（如N＊N，N 的一般取值为8），保留要对比的图片原有结构。

（2）去掉图片的大小和纵横比差异来降低图片的信息量，处理成灰度图。或是将RGB 图像，用公式：Gray=0.299 R+0.587G+0.114B 转化为灰度图。

（3）计算出两张图片的像素点平均值来判断图片的相似度。

均值哈希计算速度相对较快，适用于两种相似图片之间的对比，但它丢失了很多图片局部特征，无法准确的对比图片细节。如果将卷积神经网络（Convolutional Neural Network,CNN）提取特征的方法与哈希方法相结合，即可以达到在提高检索精度的同时减少检索时间的效果。改进后的方法核心如下：

（1）将相似矩阵分解为低维的哈希矩阵H，得到每个样本对应的哈希编码。但是这个过程并没有学习到哈希函数，因此无法对新的图像进行哈希编码。

（2）利用（1）得到的哈希编码，以及每个样本对应的类别标签作为ground-truth 来训练网络，从而得到哈希函数。假设（1）的哈希编码有r 个比特位，样本的类别数有c 个，那么网络输出层的节点就共有(r+c)个输出节点。

该方法的输入为原始的图片信息，假设网络已经训练完毕后，对于一张新的测试图片，输出层的前r 个节点就是该图片所对应的哈希编码，后c 个节点则表示了图片的类别信息。

5 实验结果

均值哈希算法的实验结果如表1 所示，从中可以得出结论：该算法对于加滤镜的图像，处理效果理想；对于裁剪、添加水印、增加对比度的图片，效果不理想；哈希、CNN特征提取算法将结合后的实验结果如表2 所示，可以很清楚的看出后一种算法相对与均值哈希算法，对于添加水印和滤镜的图片可以精确识别，对于进行裁剪和增加对比度的图片，也可以得到很好的识别效果。如果将第二种算法加入“一物寻一物”—失物招领平台，与传统失物招领平台相比，会在提高检索精度的同时大大减少检索的时间。

表1 均值哈希实验结果

表2 哈希、CNN提取特征算法结合实验结果

6 结束语

通过对现有的失物招领平台的功能，操作性，找回效率分析，搭建了“一物寻一物”—失物招领平台，该平台为失主和拾捡物品的人提供了一个可以及时交流的场所，解决了校园内失物招领消息闭塞、准确度低，可靠性不高等问题，通过平台来接受和处理失物，失主和拾主可轻松在该平台上发布相关的信息，寻找丢失物品。失物事件频频发生，失主都是小范围寻找，传统平台的缺陷让他们并没有抱太大希望。图像匹配的模式相比于传统模式更加符合网络信息技术飞速发展的今天，本文通过实验研究，将CNN 特征提取与均值哈希结合的方法运用于该平台，通过匹配即可得出结果，提高了搜索时间和搜索精度，为用户在传统的失物招领模式以外提供更多的选择，带来了极大的便利，同时这个算法也可以在人脸识别，深度学习图像匹配等领域发挥诸多作用。