基于卷积神经网络的足迹识别及信息挖掘方法及系统技术方案

本发明专利技术公开了一种基于卷积神经网络的足迹识别及信息挖掘方法及系统，该系统包括：采集模块，包括压力传感器和摄像头，采集待测人员的足迹图像及生物信息；预测模块，对采集到的足迹图像进行预处理及特征提取，得到身份信息或预测的生物信息；显示模块，显示预测模块得到的身份信息或预测的生物信息；传输模块，将预测模块得到的身份信息或预测的生物信息传输至其他设备端显示。本发明专利技术提供的基于卷积神经网络技术的足迹识别及信息挖掘方法及系统，通过具有方向和尺度信息的卷积层构成的卷积神经网络实现，有效的提高了足迹识别和信息挖掘的准确率。

【技术实现步骤摘要】
基于卷积神经网络的足迹识别及信息挖掘方法及系统
本专利技术涉及生物识别与信息挖掘
，具体涉及一种基于卷积神经网络的足迹识别及信息挖掘方法及系统。
技术介绍
足迹识别及信息挖掘是生物特征识别技术的一种新型的识别技术，主要是利用图像采集模块采集赤足或者其他形式的足迹图像，从而对足迹图像进行身份识别及信息挖掘。足迹是人自重和人体肌力通过脚作用于地面等物质客体上形成的痕迹。足迹按照是否有深度或高度信息可分为立体足迹与平面足迹。立体足迹包含丰富的生理特征和行为特征，是足迹检验鉴定方面的重要研究对象。赤脚足迹具有广泛性、唯一性、稳定性、可采集性的特点，为足迹的模式识别技术和足迹信息挖掘提供了依据和广阔的空间。但是当前的技术对足迹的分析还存在着识别率低，信息挖掘分析准确性不高的问题。因此，如何提出一种足迹识别和信息挖掘的方法，提高足迹识别和信息挖掘的准确率成为足迹研究领域的重要课题。
技术实现思路
针对现有技术中的缺陷，本专利技术提供一种基于卷积神经网络的足迹识别及信息挖掘方法及系统。一方面，本专利技术提出一种基于卷积神经网络的足迹识别及信息挖掘方法，包括：建立并训练预测模型，包括足迹识别和信息挖掘模型；进一步的，预测模型为具有方向和尺度信息的卷积层构成的卷积神经网络，其中，该卷积神经网络中具有方向和尺度信息的卷积层中的卷积模板是具有方向和尺度的函数，包括高斯函数或Gabor函数；更进一步的，Gabor函数为：其中，x代表横坐标，y代表纵坐标，λ代表Gabor函数的尺度信息，θ代表Gabor函数的方向信息，ψ代表相位，σ代表高斯包路线的标准差，γ代表空间长宽比，且x′＝xcosθ+ysinθ；y′＝-xsinθ+ycosθ。采集待测对象的足迹图像及生物信息；对足迹图像进行预处理，得到图像数据信息；进一步的，预处理包括：对足迹图像进行裁剪、压缩和归一化，其中，归一化为：其中，x是输入数据，mean是均值，std是方差，x1是输出数据。预处理得到的图像数据信息输入预测模型进行特征提取，得到生物信息。显示该生物信息；进一步的，该步骤包括：在本设备端直接显示生物信息；或通过无线网络传输到其他设备端显示生物信息；更进一步的，生物信息为通过足迹识别和信息挖掘得到的身份信息或根据足迹图像预测的生物信息。另一方面，本专利技术提出了一种基于卷积神经网络的足迹识别及信息挖掘系统，包括：采集模块，包括压力传感器和摄像头，采集待测对象的足迹图像及生物信息；预测模块，利用足迹识别和信息挖掘模型对采集到的足迹图像进行预处理及特征提取，得到待测对象的身份信息或预测的生物信息；进一步的，预测模块预置一预测模型，该预测模型为具有方向和尺度信息的卷积层构成的卷积神经网络，实现足迹识别和信息挖掘，其中，该具有方向和尺度信息的卷积层中的卷积模板是具有方向和尺度的函数，包括高斯函数或Gabor函数。显示模块，显示预测模块得到的身份信息或预测的生物信息；以及传输模块，将预测模块得到的身份信息或预测的生物信息传输至设备端显示。从上述
技术实现思路
可以看出，本专利技术至少具有以下有益效果之一：(1)系统的图像及信息获得模块不仅可以获得足迹图像，而且也可以获得身高、体重等可测量信息。从而可以一次性获得多标签的数据，应用更加广泛，比如健康指导及刑侦破案。(2)系统的同一个模型预测模块可以对足迹图像进行提取特征，不仅可以得到其身份信息，而且可以预测出其他身高、体重、年龄、性别等信息，减少了多个模型对信息的预测，提高了信息预测的效率。(3)系统的显示及传输模块分别提供了更加便利的显示功能，不仅可以通过设备获得预测数据，也可以将预测数据发送到移动端，为测试人员提供更方便的预览功能和远程服务功能。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术一实施例基于卷积神经网络的足迹识别及信息挖掘方法的流程示意图；图2为本专利技术另一实施例基于具有方向和尺度信息的卷积层构成的卷积神经网络的示意图；图3为本专利技术又一实施例基于卷积神经网络的足迹图像及信息挖掘系统的显示及传输数据结构示意图。具体实施方式为使本专利技术的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。本专利技术一实施例提供了一种基于卷积神经网络的足迹识别及信息挖掘方法，请参照图1，为本专利技术一实施例基于卷积神经网络的足迹识别及信息挖掘方法的流程图，由图所示，本专利技术提供的基于卷积神经网络的足迹识别及信息挖掘方法，包括：首先，建立并训练预测模型，该预测模型包括足迹识别和信息挖掘模型；一些实施例中，该预测模型为具有方向和尺度信息的卷积层构成的卷积神经网络。然后，采集待测对象的足迹图像及生物信息；本实施例中，足迹图像及其他生物信息(包括身高、体重、年龄、性别等信息)主要通过压力传感器及摄像头等工具获得。之后，对采集到的足迹图像进行预处理，得到图像数据信息；本实施例中，预处理主要对足迹图像进行处理，预处理的方式主要包括裁剪、图像压缩和归一化，其中归一化的公式如下：其中，x是输入，mean是均值，std是方差，x1是输出。接着，预处理得到的图像数据信息输入预测模型进行特征提取，得到生物信息；本实施例中，特征提取主要是对预处理后的图像数据信息进行提取特征，卷积神经网络是一种端到端的学习方式，经过卷积神经网络就可以得到其身份信息和预测的生物信息，比如身份ID、年龄、体重、性别和身高等。最后，显示该生物信息；一些实施例中，生物信息为通过足迹识别和信息挖掘得到的身份信息或根据足迹图像预测的生物信息；本实施例中，经过卷积神经网络得到的身份信息及预测的诸如身份ID、年龄、体重、性别和身高等生物信息最终显示在设备端或通过网络显示到其他的移动设备端。基于上述实施例，明显可知，本专利技术通过预测模型完成主要的信息挖掘，一些实施例中，预测模型为具有方向和尺度信息的卷积层构成的卷积神经网络，进一步的，该卷积神经网络中具有方向和尺度信息的卷积层中的卷积模板是具有方向和尺度的函数，优选的，包括高斯函数或Gabor函数。本实施例中，以Gabor函数为例，在此对预测模型的建立和训练过程作出进一步的详细说明，详细的网络结构请参照图2，为本专利技术一实施例基于具有方本文档来自技高网...

【技术保护点】
1.一种基于卷积神经网络的足迹识别及信息挖掘方法，其特征在于，包括：/n建立并训练预测模型，包括足迹识别和信息挖掘模型；/n采集待测对象的足迹图像及生物信息；/n对所述足迹图像进行预处理，得到图像数据信息；/n所述预处理得到的图像数据信息输入所述预测模型进行特征提取，得到生物信息；/n显示所述生物信息。/n

【技术特征摘要】
1.一种基于卷积神经网络的足迹识别及信息挖掘方法，其特征在于，包括：
建立并训练预测模型，包括足迹识别和信息挖掘模型；
采集待测对象的足迹图像及生物信息；
对所述足迹图像进行预处理，得到图像数据信息；
所述预处理得到的图像数据信息输入所述预测模型进行特征提取，得到生物信息；
显示所述生物信息。


2.根据权利要求1所述的基于卷积神经网络的足迹识别及信息挖掘方法，其特征在于，所述预测模型为具有方向和尺度信息的卷积层构成的卷积神经网络。


3.根据权利要求2所述的基于卷积神经网络的足迹识别及信息挖掘方法，其特征在于，所述卷积神经网络中具有方向和尺度信息的卷积层中的卷积模板是具有方向和尺度的函数，包括高斯函数或Gabor函数。


4.根据权利要求3所述的基于卷积神经网络的足迹识别及信息挖掘方法，其特征在于，所述Gabor函数为：



其中，x代表横坐标，y代表纵坐标，λ代表Gabor函数的尺度信息，θ代表Gabor函数的方向信息，ψ代表相位，σ代表高斯包路线的标准差，γ代表空间长宽比，且x′＝xcosθ+ysinθ；y′＝-xsinθ+ycosθ。


5.根据权利要求1所述的基于卷积神经网络的足迹识别及信息挖掘方法，其特征在于，所述预处理包括：
对足迹图像进行裁剪、压缩和归一化，所述归一化为：



其中，x是输入数据，m...

【专利技术属性】
技术研发人员：张亚坤，李卫军，张丽萍，宁欣，路亚旋，
申请(专利权)人：中国科学院半导体研究所，中国科学院大学，
类型：发明
国别省市：北京;11