基于等变卷积网络的足弓类型识别方法技术

本发明专利技术公开了基于等变卷积网络的足弓类型识别方法，包括：获取足底压力图像并构建等变卷积网络，其中所述等变卷积网络包括第一等变模块及第二等变模块；获取训练测试样本，通过训练测试样本对所述等变卷积网络进行训练及测试，得到优化后的网络；通过优化后的网络对足底压力图像进行识别，得到所述足弓类别结果

【技术实现步骤摘要】
基于等变卷积网络的足弓类型识别方法


[0001]本专利技术涉及足部判断
，特别涉及基于等变卷积网络的足弓类型识别方法
。

技术介绍

[0002]根据足内纵向弓的弯曲程度，足可分为高足
、
正常足和平足
。
足型测量的测量方法有很多种，如立体摄影测量
、
激光扫描
、
光切割
、
红外测量
、
人工观察等
。
然而，这些方法要么价格昂贵，要么需要相关专业人员的干预
。
近年来，压力传感器发展迅速
。
压力传感器将压力信号转换为可用的电信号输出
。
足底压力系统可以简单而清晰地反映足底压力的分布
。
以像素的形式叠加足底压力数据，从而以图像的形式表示压力数据
。
这些压力图像能够提供足部足底方面的压力分布图，可以被相关专业人员用来确定足弓类型
。
[0003]相关专业人员在区分足弓时，主要依靠自己的经验来做出主观判断，这很容易导致分类错误
。
随着计算机计算能力的不断提高，应用深度学习方法对足部类型进行分类越来越流行
。
其中，深度学习中的卷积神经网络
(CNNs)
以其优秀的边缘特征提取能力，在其他图像处理方法中脱颖而出
。CNNs
可以提供客观的标准作为足弓判断的工具，以减轻人力负担
。
但是考虑到实际情况，不同的站立姿势使足底压力图像发生角度偏差即会发生一定角度的旋转，由于传统网络没有旋转等变处理操作，会使
CNNs
对于足弓类别的识别精度有一定的影响
。
现有技术还没有解决相关问题
。
[0004]针对足弓类别判断过程中，基于机器学习的足弓数据判别研究，提出了不同的判别方法
。 例如，
MOBJ
‑
LASSO
算法
、1D
‑
CNN
网络
、
支持向量机算法
、
利用细菌优化算法优化的
FCM
网络，虽然这些相关方法在对足弓类别判别中取得了优异的成绩，但大多数研究只使用了一维压力数据，而忽略了关于足底的几何信息，影响足弓类别判断的准确性
。
近年来，利用深度学习技术，特别是
CNNs
网络，计算机视觉中的图像分类性能得到了显著提高
。
基于
CNNs
处理足型数据的相关研究正在逐渐发展
。
包括 Resnet50、
基于残差网络模型的条件生成对抗网络
。
上述相关技术能够在各自的足型分类任务中取得了一定效果
。
对于脚底多取向的问题，上述现有技术对压力图像均采用预处理方法，如数据增强或图像校正，可提高一定的效率
。
[0005]等变网络的出现使得多方向性
、
等对称性的问题得到了有效的解决
。
对于足弓分类任务，旋转等变意味着使用卷积核对旋转足部图像进行运算的结果与使用旋转卷积核对足部图像进行运算的结果相同
。
众所周知，不变性是等变性的一种特殊情况
。
由于其平移权重共享，
CNNs
具有平移不变性
。
然而，传统
CNNs
没有旋转等变性
。
上述研究均通过数据扩充来解决这个问题
。
例如，融合了多个旋转副本作为预测的输入
。
但是，数据扩展并不能保证针对足弓类型识别网络的每一层结构参数的等变性，而且该网络是不可解释的，进而导致足弓类型判别无法保证其准确性和可解释性
。

技术实现思路

[0006]为解决上述现有技术中所存在的无法对足弓类别进行有效准确识别判断的的问题，本专利技术提供一种基于等变卷积网络的足弓类型识别方法，通过等变卷积网络对足弓类别进行有效准确的识别，同时提高足弓类别输出的可解释性
。
[0007]为了实现上述技术目的，本专利技术提供了如下技术方案：基于等变卷积网络的足弓类型识别方法，包括：获取足底压力图像并构建等变卷积网络，其中所述等变卷积网络包括第一等变模块及第二等变模块；获取训练测试样本，通过训练测试样本对所述等变卷积网络进行训练及测试，得到优化后的网络；通过优化后的网络对足底压力图像进行识别，得到所述足弓类别结果
。
[0008]可选的，所述等变卷积网络的构建过程包括：基于所述卷积神经网络，构建所述等变卷积神经网络，其中，将所述卷积神经网络的第一层卷积层替换为第一等变模块，将所述卷积神经网络的第二层及之后的卷积层替换为第二等变模块，将所述卷积神经网络中的池化层替换为
gpooling
层，得到等变卷积神经网络
。
[0009]可选的，所述卷积神经网络采用
AlexNet、VGGNet11、VGGNet16
及
ResNet18
其中一种
。
[0010]可选的，所述第一等变模块的实现过程为：；其中，为第一层卷积层的输入特征，为第一层卷积对应的卷积核，，，
Z2为整数空间，
g
为群
G
中的一个变换矩阵，
G
为变换矩阵集合，为形参，
s
为第一层卷积层特征图中的某个像素，（
s
）为第一层卷积输入特征图的像素点
s
对应的第
k
个特征图；
k
为卷积核个数，为第
k
个特征图（
s
）对应的卷积核；其中，变换矩阵集合
G
为：；其中，
m
为镜像反转参数
。r
为旋转参数，
u
和
v
分别表示图像的水平和垂直平移，
G(m,r,u,v)
表示不同参数下的变换矩阵集合
。
[0011]可选的，所述第二等变模块的实现过程为：；其中，为除第一层卷积层外其他卷积层的输入特征，为除第一层卷积外其他卷积层对应的卷积核，
h
为特征图
f2中的某个像素，（
h
）为像素
h
对应的第
k
个特征图，为
第
k
个特征图（
h
）对应的卷积核
。
[0012]可选的，所述
gPooling
层的公式实现过程为：；其中，为
gPooling
输出层输出结果，
g1为
gPooling
层的输入特征，
k1为
gPooling
层输入特征对应的像素，
f
（...

【技术保护点】

【技术特征摘要】
1.
基于等变卷积网络的足弓类型识别方法，其特征在于，包括：获取足底压力图像并构建等变卷积网络，其中所述等变卷积网络包括第一等变模块及第二等变模块；获取训练测试样本，通过训练测试样本对所述等变卷积网络进行训练及测试，得到优化后的网络；通过优化后的网络对足底压力图像进行识别，得到所述足弓类别结果
。2.
根据权利要求1所述的足弓类型识别方法，其特征在于：所述等变卷积网络的构建过程包括：基于所述卷积神经网络，构建所述等变卷积神经网络，其中，将所述卷积神经网络的第一层卷积层替换为第一等变模块，将所述卷积神经网络的第二层及之后的卷积层替换为第二等变模块，将所述卷积神经网络中的池化层替换为
gpooling
层，得到等变卷积神经网络
。3.
根据权利要求2所述的足弓类型识别方法，其特征在于：所述卷积神经网络采用
AlexNet、VGGNet11、VGGNet16
及
ResNet18
其中一种
。4.
根据权利要求1所述的足弓类型识别方法，其特征在于：所述第一等变模块的实现过程为：；其中，为第一层卷积层的输入特征，为第一层卷积对应的卷积核，，，
Z2为整数空间，
g
为群
G
中的一个变换矩阵，
G
为变换矩阵集合，为形参，
s
为第一层卷积层特征图中的某个像素，（
s
）为第一层卷积输入特征图的像素点
s
对应的第
k
个特征图；
k
为卷积核个数，为第
k
个特征图（
s
）对应的卷积核；其中，变换矩阵集合
G
为：；其中，
m
为镜像反转参数
。r
为旋转参数，
u
和
v
分别表示图像的水平和垂直平移，
G(m,r,u,v)
表示不同参数下的变换矩阵集合
。5.
根据权利要求1所述的足弓类型识别方法，其...

【专利技术属性】
技术研发人员：郭杰龙，俞辉，张润江，魏宪，邵东恒，张剑锋，李杰，汤璇，
申请(专利权)人：泉州装备制造研究所，
类型：发明
国别省市：