一种结合步法特征的成趟足迹识别方法技术

本发明专利技术提供一种结合步法特征的成趟足迹识别方法，其特征在于，至少包括：离线训练过程和在线识别过程。通过采集单元获取待训练的成趟足迹图像，得到初始待训练的成趟足迹图像数据集。提取所述待训练的成趟足迹图像中单枚足迹。构建所述待训练的成趟足迹图像的步法能量图。提取用于粗粒度分类的待训练成趟足迹图像的步幅特征，根据提取的步幅特征构建成趟足迹粗粒度分类模型，进一步根据步法能量图与粗粒度分类模型再构建细粒度识别模型。本发明专利技术根据三角形稳定性原理，采用三枚单个足迹组成的图像加权平均，得到步法能量图作为判别图像，通过将不同时间段采集的脚印加权平均，减少了匹配误差，还保持了左右脚的相对关系，是足迹步法特征的融合，充分体现了成趟足迹的差异性。

【技术实现步骤摘要】
一种结合步法特征的成趟足迹识别方法
本专利技术涉及成趟足迹的识别算法，特别是涉及一种结合步法特征成趟足迹的识别算法。
技术介绍
足迹是犯罪现场中遗留率较高的重要物证之一，在刑事侦查案件中有很重要的作用，一般犯罪现场遗留足迹包括单个足迹和成趟足迹，通过对这些足迹的分析检验可以推测一个人的身高、体重、年龄、走路姿态，也可以分析遗留时间和作案路线等。在条件情况较好时，还可以通过步幅等特征进行追踪，直接抓获犯罪嫌疑人。因为每个人的身高、体重、职业、习惯都不一样，所以每个人的步态特征也不相同，而成趟足迹恰是通过左右脚之间的关系来体现人在行走过程中的行为习惯，且这种行为特征是经过长期习惯后形成的，所以具有相对的稳定性。深入挖掘人在行走过程中由于个人习惯在成趟足迹上体现出来的差异信息，检验分析人的步幅等特征，提出一种可靠的成趟足迹识别方法对未来基层民警在相关犯罪现场的刑侦鉴定和破案有非常积极地作用。目前针对成趟足迹的主要研究工作有以下几种：1、将成趟足迹中能够反映个体步幅特征规律的六个随机变量(步长、步角、步宽)作为研究对象，然后结合不同的步幅特征定量化检验方法，来判断足迹的归属。其中，《智能步幅特征分析检验系统的设计与实现》中提出一种智能步幅特征分析检验系统，该系统主要功能包括：足迹提取、图像拼接、基于主分量分析(PCA)的步幅特征提取、隶属度检验等关键技术。利用步幅特征综合指标定量检验的方法，该方法通过相机获取犯罪现场遗留的成趟足迹，并求取步长步宽步角的平均值及置信区间，将嫌疑人的步长步宽步角的平均值与罪犯的置信区间进行对比，确定判为凶手的几率。2、将成趟足迹采集过程中的压力信息作为研究对象，文献[3]中对每只脚的压力分布和采集过程中质心与重心的变化轨迹进行分析，从而达到识别的效果。目前针对成趟足迹的研究工作中存在的问题是：1)压力变化信息需要动态采集，并不适用于案件现场的成趟足迹识别；2)步幅特征中的步长和步宽相对易受外界环境干扰，并不稳定，作为主要研究特征具有一定局限性；3)针对步幅特征定量化检验的方法，由于步幅特征的不稳定性导致在检验过程中，判别的结果只能得出一个相对的范围，检验结果往往只能大致排除部分嫌疑人，缩小一定范围，对于刑侦人员的帮助有限。
技术实现思路
根据上述提出的技术问题，而提供一种结合步法特征的成趟足迹识别方法。本专利技术提出一种结合步法特征的成趟足迹识别方法，其特征在于，至少包括：离线训练过程和在线识别过程；所述离线训练过程至少包括以下步骤：S11：通过采集单元获取待训练的成趟足迹图像，得到初始待训练的成趟足迹图像数据集D＝{fi,i＝1,2,L,N}，其中fi表示第i个人的成趟足迹，N表示人的个数；S12：提取所述待训练的成趟足迹图像集D中的单枚足迹；S13：构建所述待训练的成趟足迹图像的步法能量图；S14：根据单枚足迹提取用于粗粒度分类的待训练成趟足迹图像的步幅特征；S15：根据提取的步幅特征构建成趟足迹粗粒度分类模型；S16：根据步法能量图和粗粒度分类模型构建成趟足迹细粒度识别模型。所述在线识别过程至少包括以下步骤：S21：通过采集单元获取在线识别的成趟足迹图像；S22：提取所述在线识别的成趟足迹图像中单枚足迹；S23：构建所述在线识别的成趟足迹图像的步法能量图；S24：提取粗粒度分类在线识别的成趟足迹图像的步幅特征；S25：将提取的步幅特征输入到通过所述离线训练过程步骤S15构建的粗粒度分类模型，得到粗分类结果；S26：根据粗粒度分类结果和提取的步法能量图，通过S16所构建的细粒度识别模型进行成趟足迹的细粒度识别。进一步的，所述在线识别的/待训练的成趟足迹图像提取单枚足迹：首先将所述在线识别的/待训练的成趟足迹图像通过线性空间滤波函数进行去噪；将单个足迹通过边长为L*H大小的结构元素对图像进行膨胀运算，再对所述膨胀计算后的像素值水平方向投影，获得投影直方图，统计所述投影直方图投影累计像素值大于设定阈值t1的位置并标注索引，低于阈值的部分置零，从而筛除噪声的干扰；获取索引的一阶差分，判断足迹之间的间距，取所述每个足迹对应的中间位置作为分割点，将成趟足迹图像分割为连续的单个足迹图像，去除首尾两步，得到单个足迹第i个人的第j幅单个足迹图像fij，其中i∈[1,N],j∈[1,M]，N表示数据库中人的数量，M表示成趟足迹分割得到的单个足迹数量。更进一步的，所述构建所述待训练的成趟足迹图像/在线识别的成趟足迹图像的步法能量图：通过获得单枚足迹的连通区域获得所述单枚足迹的连通区域，标记出所述连通区域面积大于设定连通区域阈值t2，通过矩形框标记，再比较连续两幅单个足迹图像fij与fi(j+1)的所述矩形框的左上角坐标(dx,dy)中dy的大小，dy值小的足迹判定为左脚，dy值大的足迹则判定为右脚；将连续单个足迹进行二次拼接；其中将每幅拼接图中足迹数量确定为3，按照行走习惯特点以左脚为起始开始拼接，从而构成先后关系为“左右左”的二次拼接图像fip,其中fip表示第i个人的第p幅拼接足迹图像，其中i∈[1,N],q∈[1,P]，N表示数据库中人的数量，P表示每个人的拼接图像数量对所述二次拼接图像进行步行线矫正和尺度归一化，求取二次拼接图像中单个足迹各自的质心，连接所述二次拼接图像中两只左脚的质心，即为左步行线lip，该直线与图像x方向可以得到一个夹角θip，将图像旋转该角度，使步行线与x方向平行，完成对步行线的矫正，求取所述二次拼接图像中足迹区域的外接矩形，以矩形的左上角坐标为基准，遍历每个人的P幅图像并将其归一化到最大外接矩形的尺寸。将归一化后的二次拼接图像组合求得步法能量图，构建每人的步法能量图其中表示第i个人的步法能量图像，N表示数据库中人的数量。在训练过程中，依据足迹步幅特征，采用无监督层次化聚类的方式将足迹数据划分为足迹长度层类别和足迹偏移角度层类别，其中足迹长度层类别是足迹偏移角度层类别的父类别；在识别过程中，根据聚类结果分层次进行判别分类。其中足迹长度层类别划分方法包括如下步骤：(1)统计数据集中，足迹长度的最大值和最小值，确定取值的区间范围；(2)将所述区间等间隔分为KL个子区间，将每个子区间的中点作为每类的初始中心，其中KL优选为3；(3)根据初始中心，采用K中心点聚类方法，依据足迹长度将数据集划分为KL类，各类结果记为L(i),i＝1,...,KL。其中足迹偏移角度类别层的划分方法包括如下步骤：(1)在足迹长度层各类L(i)中，统计该类别各足迹偏移角度的最大值和最小值，确定偏移角度的区间范围；(2)将区间等间隔分为KA个子空间，将每个子区间的中点作为每类的初始中心，其中KA优选为3；(3)根据初始中心，采用K中心点聚类方法，基于偏移角度将数据集划分为KAi类，其中i表示该类别在足迹长度层对应的类别编号。各类结果记为LA(i,j),j＝1,...,KAi。进一步的，所述根据聚类结果分层次进行判别分类的步骤包括：(1)将足迹长度作为输入，计算其与L(i)类中各足迹长度差的绝对值，记为d(i,m),m＝1,...,Mi,Mi表示L(i)中样本的数目；(2)依据计算待识别足迹与各类的距离；(3)将待识别足迹判别为与其距离最小的那类，记为i*类；(4)在数据集LA(i*,j),j＝1,本文档来自技高网...

【技术保护点】
1.一种结合步法特征的成趟足迹识别方法，其特征在于，至少包括：离线训练过程和在线识别过程；所述离线训练过程至少包括以下步骤：S11：通过采集单元获取待训练的成趟足迹图像，得到初始待训练的成趟足迹图像数据集为D＝{fi,i＝1,2,L,N}，其中fi表示为第i个人的成趟足迹，N表示人的个数；S12：提取所述待训练的成趟足迹图像集D中的单枚足迹；S13：构建所述待训练的成趟足迹图像的步法能量图；S14：根据单枚足迹提取用于粗粒度分类的待训练成趟足迹图像的步幅特征；S15：根据提取的步幅特征构建成趟足迹粗粒度分类模型；S16：根据步法能量图和粗粒度分类模型构建成趟足迹细粒度识别模型；所述在线识别过程至少包括以下步骤：S21：通过采集单元获取在线识别的成趟足迹图像；S22：提取所述在线识别的成趟足迹图像中单枚足迹；S23：构建所述在线识别的成趟足迹图像的步法能量图；S24：提取用于粗粒度分类的在线识别成趟足迹图像的步幅特征；S25：将提取的步幅特征输入到通过所述离线训练过程步骤S15构建的粗粒度分类型，得到粗分类结果；S26：根据粗粒度分类结果和提取的步法能量图，通过所述步骤S16所构建的细粒度识别模型进行成趟足迹的细粒度识别。...

【技术特征摘要】
1.一种结合步法特征的成趟足迹识别方法，其特征在于，至少包括：离线训练过程和在线识别过程；所述离线训练过程至少包括以下步骤：S11：通过采集单元获取待训练的成趟足迹图像，得到初始待训练的成趟足迹图像数据集为D＝{fi,i＝1,2,L,N}，其中fi表示为第i个人的成趟足迹，N表示人的个数；S12：提取所述待训练的成趟足迹图像集D中的单枚足迹；S13：构建所述待训练的成趟足迹图像的步法能量图；S14：根据单枚足迹提取用于粗粒度分类的待训练成趟足迹图像的步幅特征；S15：根据提取的步幅特征构建成趟足迹粗粒度分类模型；S16：根据步法能量图和粗粒度分类模型构建成趟足迹细粒度识别模型；所述在线识别过程至少包括以下步骤：S21：通过采集单元获取在线识别的成趟足迹图像；S22：提取所述在线识别的成趟足迹图像中单枚足迹；S23：构建所述在线识别的成趟足迹图像的步法能量图；S24：提取用于粗粒度分类的在线识别成趟足迹图像的步幅特征；S25：将提取的步幅特征输入到通过所述离线训练过程步骤S15构建的粗粒度分类型，得到粗分类结果；S26：根据粗粒度分类结果和提取的步法能量图，通过所述步骤S16所构建的细粒度识别模型进行成趟足迹的细粒度识别。2.根据权利要求1所述的一种结合步法特征的成趟足迹识别方法，其特征还在于：所述在线识别的/待训练的成趟足迹图像提取单枚足迹：首先将所述在线识别的/待训练的成趟足迹图像通过线性空间滤波函数进行去噪；将单趟足迹通过边长为L*H大小的结构元素对图像进行膨胀运算，再对所述膨胀计算后的像素值水平方向投影，获得投影直方图，统计所述投影直方图投影累计像素值大于设定阈值t1的位置并标注索引，低于阈值的部分置零，从而筛除噪声的干扰；获取索引的一阶差分，判断单个足迹之间的间距。取所述每个足迹对应间隔的中间位置作为分割点，将D中的成趟足迹图像分割为连续的单个足迹图像，去除首尾两步，得到单枚足迹。第i个人的第j幅单枚足迹图像，记为fij，其中i∈[1,N],j∈[1,M]，N表示数据库中人的数量，M表示成趟足迹分割得到的单个足迹数量。3.根据权利要求1所述的一种结合步法特征的成趟足迹识别方法，其特征还在于：所述构建所述待训练的成趟足迹图像/在线识别的成趟足迹图像的步法能量图：通过获得单枚足迹的连通区域，标记出所述连通区域面积大于设定连通区域阈值t2的部分，通过矩形框标记，再比较连续两幅单个足迹图像fij与fi(j+1)的所述矩形框的左上角坐标(dx,dy)中dy的大小，dy值小的足迹判定为左脚，dy值大的足迹则判定为右脚；将连续单个足迹进行二次拼接；其中将每幅拼接图中足迹数量确定为3，按照行走习惯特点以左脚为起始开始拼接，从而构成先后关系为“左右左”的二次拼接图像fip,其中，fip表示第i个人的第p幅拼接足迹图像，其中i∈[1,N],p∈[1,P]，N表示数据库中人的数量，P表示每个人的拼接图像数量；对所述二次拼接图像进行步行线矫正和尺度归一化，求取二次拼接图像中单个足迹各自的质心，连接所述二次拼接图像中两只左脚的质心，即为左步行线lip该直线与图像x方向可以得到一个夹角θip，将图像旋转该角度，使步行线与x方向平行，完成对步行线的矫正，再求取所述二次拼接图像中足迹区域的外接矩形，以矩形的左上角坐标...

【专利技术属性】
技术研发人员：王新年，王亚玲，于丹，
申请(专利权)人：大连海事大学，
类型：发明
国别省市：辽宁,21