CN113723427A - 一种基于鞋印的行人性别预测*** - Google Patents
一种基于鞋印的行人性别预测*** Download PDFInfo
- Publication number
- CN113723427A CN113723427A CN202110866139.4A CN202110866139A CN113723427A CN 113723427 A CN113723427 A CN 113723427A CN 202110866139 A CN202110866139 A CN 202110866139A CN 113723427 A CN113723427 A CN 113723427A
- Authority
- CN
- China
- Prior art keywords
- shoe
- print image
- shoe print
- module
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 claims abstract description 21
- 238000000605 extraction Methods 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000007639 printing Methods 0.000 claims abstract description 11
- 230000006870 function Effects 0.000 claims description 22
- 230000005021 gait Effects 0.000 claims description 18
- 238000010586 diagram Methods 0.000 claims description 14
- 230000004913 activation Effects 0.000 claims description 13
- 230000005489 elastic deformation Effects 0.000 claims description 10
- 238000013434 data augmentation Methods 0.000 claims description 9
- 238000006073 displacement reaction Methods 0.000 claims description 9
- 238000013519 translation Methods 0.000 claims description 9
- 238000011176 pooling Methods 0.000 claims description 7
- 230000001174 ascending effect Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 239000002131 composite material Substances 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 6
- 238000011840 criminal investigation Methods 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 10
- 230000007547 defect Effects 0.000 description 4
- 230000015572 biosynthetic process Effects 0.000 description 3
- 238000003786 synthesis reaction Methods 0.000 description 3
- 230000003321 amplification Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 210000000554 iris Anatomy 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 210000000887 face Anatomy 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Printing Methods (AREA)
Abstract
本发明公开了一种基于鞋印的行人性别预测***,涉及刑侦领域的性别预测技术;包括:基于鞋印构建的行人性别预测模型,该行人性别预测模型包括特征提取模块、通道注意力模块、基于鞋长与类别协同约束的行人性别预测模块;离线训练单元,用于训练所述行人性别预测模型;行人性别在线预测单元,用于将鞋印图像输入训练后的行人性别预测模型,获取预测性别。本发明采用的特征提取模块,可以提取鞋印图像的局部、细节信息,通过增大感受野,进一步提取更复杂、更抽象的信息,最终得到鞋印图像在不同尺度的抽象表达,融合通道注意力模块后,达到了重点观察鞋印图像中对性别起显著作用的部分而忽视非重点部分的效果,相比于传统方法有更高的性别预测准确率和更广泛的适用场景。
Description
技术领域
本发明涉及刑侦领域的性别预测技术,具体涉及一种基于鞋印的行人性别预测***。
背景技术
现有的性别预测方法主要有:(1)通过刑侦过程中积累的经验进行主观判断:男性足迹宽大、步长,起落脚有力,脚弓略高。女性足迹短小,步长也短,起落脚平稳,脚弓低,鞋底花纹细。(2)根据落脚部位动力形态的差异判断性别:在足迹的内侧和外侧各作一条切线,使两切线与前掌内、外两侧最凸出部分及后跟内、外两侧凸出部分分别相切,在前掌两切点之中点和后跟两切点之中点作一连线(并延长)为足迹中心线,由落脚部分的两个端点连线与足迹中心线相交构成的外侧下角作为落脚角。通过运用现场足迹的落脚角度分别与男女相应的样本数据计算绝对值距离,距离小者即说明该现场足迹的落脚角度属于相对应的男性或女性样本数据可能性大,即相应的该足迹为男性或女性所留的可能性大。绝对值距离公式如下:注:其中d表示绝对值距离,xk表示样本数据足迹落脚角度,x表示现场足迹落脚角度,n表示样本数据总数。(3)基于生物特征进行性别预测:使用人脸图像、步态能量图像、指纹图像和虹膜图像等生物特征图像进行性别预测,常用的特征提取方法有局部方向模式(LDP)、局部二值模式(LBP)和离散小波变换(DWT)等,结合支持向量机(SVM)、最近邻方法(KNN)和随机森林(RF)等分类器进行性别预测。
但是通过刑侦过程中积累的经验进行主观判断存在的缺点是:依据理论薄弱,判断的方法落后,侦查人员对于鞋印特征的认识各不相同,很多处于盲从状态。主要依靠人眼观察、测量对比、归纳整理。在研究和检验中缺少直观形象的影像资料,导致判断效果不理想。根据落脚部位动力形态的差异判断性别存在的缺点是:实验采用概率统计的方法分析研究落足部位动力形态男女性别差异,对收集样本数要求很大,在样本数据较少的情况下,实验结果存在一定误差。且实验中收取的样本足迹均为青年男女,未覆盖中老年龄段,实际应用中存在中老年犯罪现象,对判断结果存在一定影响。基于生物特征图像进行性别预测存在的缺点是:受种族差异影响大、使用场景单一且对数据要求高,在案发现场这类极端场景中,常常难以获取人脸、步态、虹膜和指纹等生物特征图像,所以这几种性别预测方法在刑侦领域应用价值有限。
传统的特征提取方法采用鞋长、鞋宽等长度特征作为鞋印图像的量化特征,仅表达了静态特征差异,无法表达因行走习惯不同而造成的动态特征差异。
发明内容
针对现有技术存在上述问题,本发明目的在于提供一种基于鞋印的行人性别预测***,相比于传统方式有更高的性别预测准确率和更广泛的适用场景。
为实现上述目的,本申请的技术方案为:一种基于鞋印的行人性别预测***,包括:
基于鞋印构建的行人性别预测模型,该行人性别预测模型包括特征提取模块、通道注意力模块、基于鞋长与类别协同约束的行人性别预测模块;
离线训练单元,用于训练所述行人性别预测模型;
行人性别在线预测单元,用于将鞋印图像输入训练后的行人性别预测模型,获取预测性别。
进一步的,所述特征提取模块,使用InceptionV3网络为基础框架,对输入大小为H′×W′×C′的鞋印图像进行特征提取,得到大小为H×W×C的特征图,H代表图像高度(Height),W代表图像宽度(Width),C代表图像通道数(Channel)。
进一步的,所述通道注意力模块包括一个全局平均池化层、两个全连接层、一个激活函数Relu和一个激活函数Sigmoid,首先由全局平均池化层将共C个大小为H×W的特征图压缩为1×1,得到1×1×C的实数数列,此时鞋印图像变成一维,通过降维比例为r的全连接层降低复杂度后接Relu激活函数,再通过增维比例为r的全连接层起到辅助泛化的作用,最后经Sigmoid激活函数后得到C个特征图权重,大小为1×1×C。
进一步的,所述基于鞋长与类别协同约束的行人性别预测模块,将大小为H×W×C的特征图与大小为1×1×C的特征图权重进行点积,后接全连接层,最后使用Softmax函数进行激活;该模块设计了鞋长与类别标签协同约束的目标函数L即:
Li=max(0,Pi(xM-x))+max(0,(1-Pi)(x-xF))
其中,n表示样本个数,yi表示样本i的标签,Pi表示样本i预测为男性的概率,λ表示约束因子,Li表示协同约束项,xM表示男性鞋长平均值,xF表示女性鞋长平均值,x表示输入鞋长,max(0,Pi(xM-x))表示在0和Pi(xM-x)中取最大值;
使用随机梯度下降法对上述损失函数进行优化。
进一步的,所述离线训练单元包括合成鞋印步态能量图模块、数据增广模块、图像分辨率规定化模块和构建模块。
更进一步的,所述合成鞋印步态能量图模块,具体实现方式为:采用加权平均的方法,以单枚鞋印的方向作为依据划分左右步态能量图,简称LTEM(Left Tread Energy Map)和RTEM(Right Tread Energy Map),计算公式如下:
其中,T表示参与运算的行走周期数,t表示行走周期;TL(x,y,t)表示标准化(对从鞋印序列中截取的包含单枚鞋印的矩形区域进行补零,实现将单枚鞋印图像标准化到相同大小)后的第t个行走周期内的左鞋印图像,w(TL(x,y,t))为其对应的权重系数;TR(x,y,t)表示标准化后的第t个行走周期内的右鞋印图像,w(TR(x,y,t))为其对应的权重系数。
所述权重系数w(TR(x,y,t))的定义为下式:
其中,thR(α)和thH(α)分别表示对[TR(x,y,t),t=1,R,T]进行升序排列,取排在第α位和第T-α位对应的值;
所述权重系数w(TL(x,y,t))的定义为下式:
其中,thR(β)和thH(β)分别表示对[TL(x,y,t),t=1,L,T]进行升序排列,取排在第β位和第T-β位对应的值;
更进一步的,所述数据增广模块,对鞋印步态能量图进行数据增广,采用如下方式:
读取鞋印图像I,对所述鞋印图像图像I进行180度旋转,得到旋转后的鞋印图像Ir;
对鞋印图像I和Ir进行180度水平翻转,得到翻转后的鞋印图像If和Irf;
再对鞋印图像I、Ir、If和Irf使用固定图形进行随机遮挡,所述随机遮挡方式为:在鞋印图像中随机生成10个大小为400*20像素且像素值为0的矩形块,再将鞋印划分为三部分,分别在每部分中随机生成10个大小为50*50像素且像素值为0的矩形块和10个半径为30像素且像素值为0的圆形,遮挡后鞋印图像为Ie、Ire、Ife和Irfe;
再对鞋印图像I、Ir、If和Irf进行随机弹性形变,所述弹性形变方式为:将鞋印图像分割为M×N个相同区域,然后生成Δx和Δy两个平移矩阵;根据所述平移矩阵对各区域进行平移变换,得到随机弹性形变的鞋印图像;
Δx=rand(M,N)×Xmax
Δy=rand(M,N)×Ymax
g(x,y)=f(x+Δx(i,j),y+Δy(i,j))
其中,rand是M×N大小的、在[-1,1]之间均匀分布的随机矩阵,Xmax和Ymax分别为x和y方向的最大位移量,(i,j)表示(x,y)点所在区域对应的块编号,Δx(i,j)表示的是点(x,y)所在区域对应的x方向随机位移量,Δy(i,j)表示的是点(x,y)所在区域对应的y方向随机位移量;f(x,y)表示鞋印图像I、Ir、If和Irf,g(x,y)表示随机弹性形变后的鞋印图像Id、Ird、Ifd和Irfd。
作为更进一步的,所述图像分辨率规定化模块将鞋印图像分辨率规定为统一大小。
作为更进一步的,所述构建模块将经数据增广模块和图像分辨率规定化模块处理后的鞋印图像输入行人性别预测模型中,然后设置学习率、迭代次数等参数,对所述行人性别预测模型进行离线训练。
本发明由于采用以上技术方案,能够取得如下的技术效果:(1)本发明采用的特征提取模块,可以提取鞋印图像的局部、细节信息,通过增大感受野,进一步提取更复杂、更抽象的信息,最终得到鞋印图像在不同尺度的抽象表达,融合通道注意力模块后,达到了重点观察鞋印图像中对性别起显著作用的部分而忽视非重点部分的效果,相比于传统方法有更高的性别预测准确率和更广泛的适用场景。(2)针对男性鞋印与女性鞋印的差异,设计了鞋长与类别标签协同约束的目标函数,有效提升了模型效率。(3)根据男性与女性行走过程中存在的特征差异,通过合成鞋印步态能量图,稳定表达被采集者的运动特征;通过旋转、翻转、随机遮挡、随机弹性形变的方式对鞋印图像数据集进行增广,提高了模型预测准确率和泛化能力。
附图说明
图1为离线训练单元与行人性别在线预测单元实现过程图;
图2为特征提取模块实现过程图;
图3为通道注意力模块实现过程图;
图4为基于鞋长与类别协同约束的行人性别预测模块实现过程图;
图5为离线训练单元实现过程图;
图6为行人性别在线预测单元实现过程图;
图7为旋转后的鞋印图像I和鞋印图像Ir;
图8为水平翻转后的鞋印图像If和鞋印图像Irf;
图9为随机遮挡后的鞋印图像Ie和和鞋印图像Ire;
图10为随机遮挡后的鞋印图像Ife和鞋印图像Irfe;
图11为随机弹性形变后的鞋印图像Id和鞋印图像Ird;
图12为随机弹性形变后的鞋印图像Ifd和鞋印图像Irfd。
具体实施方式
本发明的实施例是在以本发明技术方案为前提下进行实施的,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述实施例。
实施例1
如图1所示,本实施例提供一种基于鞋印的行人性别预测***,包括:
一、基于鞋印构建的行人性别预测模型,该行人性别预测模型包括特征提取模块、通道注意力模块、基于鞋长与类别协同约束的行人性别预测模块;
所述征提取模块,对输入大小为H′×W′×C′的鞋印图像进行特征提取,得到大小为H×W×C的特征图,H代表图像高度(Height),W代表图像宽度(Width),C代表图像通道数(Channel);如图2所示,该模块包括六个卷积层(Conv)、两个池化层(pool)和三类共十层Inception初始模块。
所述通道注意力模块,如图3所示,包括一个全局平均池化层、两个全连接层、一个激活函数Relu和一个激活函数Sigmoid,首先由全局平均池化层将共C个大小为H×W的特征图压缩为1×1,得到1×1×C的实数数列,鞋印图像变成一维,此时获取了全局感受野。通过降维比例为r的全连接层降低模型复杂度后接Relu激活函数,再通过增维比例为r的全连接层起到辅助泛化的作用,最后经Sigmoid激活函数后得到C个特征图权重,大小为1×1×C。
所述基于鞋长与类别协同约束的行人性别预测模块,如图4所示,将特征提取模块提取的大小为H×W×C的特征图与通道注意力模块得到的大小为1×1×C的特征图权重进行点积,后接神经元个数为2048的全连接层,最后一层使用Softmax函数进行激活。该模块设计了鞋长与类别标签协同约束的目标函数L即:
Li=max(0,Pi(xM-x))+max(0,(1-Pi)(x-xF))
其中,n表示样本个数,yi表示样本i的标签,Pi表示样本i预测为男性的概率,λ表示约束因子,Li表示协同约束项,xM表示男性鞋长平均值,xF表示女性鞋长平均值,x表示输入鞋长,max(0,Pi(xM-x))表示在0和Pi(xM-x)中取最大值;
使用随机梯度下降法(Adam)对上述损失函数进行优化。
二、离线训练单元,用于训练所述行人性别预测模型;如图5所示,该单元包括包括合成鞋印步态能量图模块、数据增广模块、图像分辨率规定化模块和构建模块;
所述合成鞋印步态能量图模块,为了保留个体特征的同时缩小各周期间的形态差异,采用加权平均的方法合成了步态鞋印能量图。以单枚鞋印的方向作为依据划分左右步态能量图,计算公式如下:
其中,T表示参与运算的行走周期数,t表示行走周期;TL(x,y,t)表示标准化后的第t个行走周期内的左鞋印图像,w(TL(x,y,t))为其对应的权重系数;TR(x,y,t)表示标准化后的第t个行走周期内的右鞋印图像,w(TR(x,y,t))为其对应的权重系数;
为降低鞋印残缺和外来噪声对能量图的影响,在计算过程中对权重系数做出限制:若图像中一点在t时刻的灰度值极小或极大,则该时刻的灰度值不参与计算。以w(TR(x,y,t))为例给出权重系数的定义为下式:
其中,thR(α)和thH(α)分别表示对[TR(x,y,t),t=1,R,T]进行升序排列,取排在第α位和第T-α位对应的值;w(TL(x,y,t))采用相同的方式计算。
所述权重系数w(TL(x,y,t))的定义为下式:
其中,thR(β)和thH(β)分别表示对[TL(x,y,t),t=1,L,T]进行升序排列,取排在第β位和第T-β位对应的值;
所述数据增广模块,为了提升模型的泛化能力,提升鲁棒性,对鞋印步态能量图进行了数据增广,采用如下方式:
读取鞋印图像I,对所述鞋印图像图像I进行180度旋转,得到旋转后的鞋印图像Ir,如图7所示(为方便观看,对原图进行了反向);
对鞋印图像I和Ir进行180度水平翻转,得到翻转后的鞋印图像If和Irf,如图8所示;
再对鞋印图像I、Ir、If和Irf使用固定图形进行随机遮挡,所述随机遮挡方式为:在鞋印图像中随机生成10个大小为400*20像素且像素值为0的矩形块,再将鞋印划分为三部分,分别在每部分中随机生成10个大小为50*50像素且像素值为0的矩形块和10个半径为30像素且像素值为0的圆形,遮挡后鞋印图像为Ie、Ire、Ife和Irfe,如图9、10所示:
再对鞋印图像I、Ir、If和Irf进行随机弹性形变,所述弹性形变方式为:将鞋印图像分割为M×N个相同区域,然后生成Δx和Δy两个平移矩阵;根据所述平移矩阵对各区域进行平移变换,得到随机弹性形变的鞋印图像;
Δx=rand(M,N)×Xmax
Δy=rand(M,N)×Ymax
g(x,y)=f(x+Δx(i,j),y+Δy(i,j))
其中,rand是M×N大小的、在[-1,1]之间均匀分布的随机矩阵,Xmax和Ymax分别为x和y方向的最大位移量,(i,j)表示(x,y)点所在区域对应的块编号,Δx(i,j)表示的是点(x,y)所在区域对应的x方向随机位移量,Δy(i,j)表示的是点(x,y)所在区域对应的y方向随机位移量;f(x,y)表示鞋印图像I、Ir、If和Irf,g(x,y)表示随机弹性形变后的鞋印图像Id、Ird、Ifd和Irfd,如图11、12所示。
所述图像分辨率规定化模块,为了在不影响特征提取的情况下有效提升神经网络的训练速度,将鞋印图像分辨率规定为统一大小,如256*256*3。
所述构建模块,将经数据增广模块和图像分辨率规定化模块处理后的鞋印图像输入行人性别预测模型中,然后设置学习率、迭代次数等参数,对所述行人性别预测模型进行离线训练。
三、行人性别在线预测单元,用于将鞋印图像输入训练后的行人性别预测模型,获取预测性别。
前述对本发明的具体示例性实施方案的描述是为了说明和例证的目的。这些描述并非想将本发明限定为所公开的精确形式,并且很显然,根据上述教导,可以进行很多改变和变化。对示例性实施例进行选择和描述的目的在于解释本发明的特定原理及其实际应用,从而使得本领域的技术人员能够实现并利用本发明的各种不同的示例性实施方案以及各种不同的选择和改变。本发明的范围意在由权利要求书及其等同形式所限定。
Claims (9)
1.一种基于鞋印的行人性别预测***,其特征在于,包括:
基于鞋印构建的行人性别预测模型,该行人性别预测模型包括特征提取模块、通道注意力模块、基于鞋长与类别协同约束的行人性别预测模块;
离线训练单元,用于训练所述行人性别预测模型;
行人性别在线预测单元,用于将鞋印图像输入训练后的行人性别预测模型,获取预测性别。
2.根据权利要求1所述一种基于鞋印的行人性别预测***,其特征在于,所述特征提取模块,使用InceptionV3网络为基础框架,对输入大小为H′×W′×C′的鞋印图像进行特征提取,得到大小为H×W×C的特征图,H代表图像高度,W代表图像宽度,C代表图像通道数。
3.根据权利要求1所述一种基于鞋印的行人性别预测***,其特征在于,所述通道注意力模块包括一个全局平均池化层、两个全连接层、一个激活函数Relu和一个激活函数Sigmoid,首先由全局平均池化层将共C个大小为H×W的特征图压缩为1×1,得到1×1×C的实数数列,此时鞋印图像变成一维,通过降维比例为r的全连接层降低复杂度后接Relu激活函数,再通过增维比例为r的全连接层起到辅助泛化的作用,最后经Sigmoid激活函数后得到C个特征图权重,大小为1×1×C。
4.根据权利要求1所述一种基于鞋印的行人性别预测***,其特征在于,所述基于鞋长与类别协同约束的行人性别预测模块,将大小为H×W×C的特征图与大小为1×1×C的特征图权重进行点积,后接全连接层,最后使用Softmax函数进行激活;该模块设计了鞋长与类别标签协同约束的目标函数L即:
Li=max(0,Pi(xM-x))+max(0,(1-Pi)(x-xF))
其中,n表示样本个数,yi表示样本i的标签,Pi表示样本i预测为男性的概率,λ表示约束因子,Li表示协同约束项,xM表示男性鞋长平均值,xF表示女性鞋长平均值,x表示输入鞋长,max(0,Pi(xM-x))表示在0和Pi(xM-x)中取最大值;
使用随机梯度下降法对上述损失函数进行优化。
5.根据权利要求1所述一种基于鞋印的行人性别预测***,其特征在于,所述离线训练单元包括合成鞋印步态能量图模块、数据增广模块、图像分辨率规定化模块和构建模块。
6.根据权利要求5所述一种基于鞋印的行人性别预测***,其特征在于,所述合成鞋印步态能量图模块,具体实现方式为:采用加权平均的方法,以单枚鞋印的方向作为依据划分左右步态能量图,计算公式如下:
其中,T表示参与运算的行走周期数,t表示行走周期;TL(x,y,t)表示标准化后的第t个行走周期内的左鞋印图像,w(TL(x,y,t))为其对应的权重系数;TR(x,y,t)表示标准化后的第t个行走周期内的右鞋印图像,w(TR(x,y,t))为其对应的权重系数;
所述权重系数w(TR(x,y,t))的定义为下式:
其中,thR(α)和thH(α)分别表示对[TR(x,y,t),t=1,R,T]进行升序排列,取排在第α位和第T-α位对应的值;
所述权重系数w(TL(x,y,t))的定义为下式:
其中,thR(β)和thH(β)分别表示对[TL(x,y,t),t=1,L,T]进行升序排列,取排在第β位和第T-β位对应的值。
7.根据权利要求5所述一种基于鞋印的行人性别预测***,其特征在于,所述数据增广模块,对鞋印步态能量图进行数据增广,采用如下方式:
读取鞋印图像I,对所述鞋印图像图像I进行180度旋转,得到旋转后的鞋印图像Ir:
对鞋印图像I和Ir进行180度水平翻转,得到翻转后的鞋印图像If和Irf;
再在对鞋印图像I、Ir、If和Irf使用固定图形进行随机遮挡,所述随机遮挡方式为:在鞋印图像中随机生成10个大小为400*20像素且像素值为0的矩形块,再将鞋印划分为三部分,分别在每部分中随机生成10个大小为50*50像素且像素值为0的矩形块和10个半径为30像素且像素值为0的圆形,遮挡后鞋印图像为Ie、Ire、Ife和Irfe:
再对鞋印图像I、Ir、If和Irf进行随机弹性形变,所述弹性形变方式为:将鞋印图像分割为M×N个相同区域,然后生成Δx和Δy两个平移矩阵;根据所述平移矩阵对各区域进行平移变换,得到随机弹性形变的鞋印图像;
Δx=rand(M,N)×Xmax
Δy=rand(M,N)×Ymax
g(x,y)=f(x+Δx(i,j),y+Δy(i,j))
其中,rand是M×N大小的、在[-1,1]之间均匀分布的随机矩阵,Xmax和Ymax分别为x和y方向的最大位移量,(i,j)表示(x,y)点所在区域对应的块编号,Δx(i,j)表示的是点(x,y)所在区域对应的x方向随机位移量,Δy(i,j)表示的是点(x,y)所在区域对应的y方向随机位移量;f(x,y)表示鞋印图像I、Ir、If和Irf,g(x,y)表示随机弹性形变后的鞋印图像Id、Ird、Ifd和Irfd。
8.根据权利要求5所述一种基于鞋印的行人性别预测***,其特征在于,所述图像分辨率规定化模块将鞋印图像分辨率规定为统一大小。
9.根据权利要求1所述一种基于鞋印的行人性别预测***,其特征在于,所述构建模块,将经数据增广模块和图像分辨率规定化模块处理后的鞋印图像输入行人性别预测模型中,然后设置学习率、迭代次数参数,对所述行人性别预测模型进行离线训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110866139.4A CN113723427B (zh) | 2021-07-29 | 2021-07-29 | 一种基于鞋印的行人性别预测*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110866139.4A CN113723427B (zh) | 2021-07-29 | 2021-07-29 | 一种基于鞋印的行人性别预测*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113723427A true CN113723427A (zh) | 2021-11-30 |
CN113723427B CN113723427B (zh) | 2024-07-12 |
Family
ID=78674286
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110866139.4A Active CN113723427B (zh) | 2021-07-29 | 2021-07-29 | 一种基于鞋印的行人性别预测*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113723427B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108960262A (zh) * | 2017-05-19 | 2018-12-07 | 意礴科技有限公司 | 一种预测鞋码的方法、装置和***以及计算机可读存储介质 |
CN109583277A (zh) * | 2017-09-29 | 2019-04-05 | 大连恒锐科技股份有限公司 | 一种基于cnn的赤足或穿袜足迹的性别判定方法 |
CN110222217A (zh) * | 2019-04-18 | 2019-09-10 | 北京邮电大学 | 一种基于分段加权的鞋印图像检索方法 |
CN111340098A (zh) * | 2020-02-24 | 2020-06-26 | 安徽大学 | 基于鞋印图像的STA-Net年龄预测方法 |
CN112633338A (zh) * | 2020-12-14 | 2021-04-09 | 辽宁师范大学 | 基于鞋印的嫌疑人性别预测方法 |
CN112884824A (zh) * | 2021-03-12 | 2021-06-01 | 辽宁师范大学 | 一种基于卷积网络多尺度特征融合的鞋印身高估计方法 |
-
2021
- 2021-07-29 CN CN202110866139.4A patent/CN113723427B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108960262A (zh) * | 2017-05-19 | 2018-12-07 | 意礴科技有限公司 | 一种预测鞋码的方法、装置和***以及计算机可读存储介质 |
CN109583277A (zh) * | 2017-09-29 | 2019-04-05 | 大连恒锐科技股份有限公司 | 一种基于cnn的赤足或穿袜足迹的性别判定方法 |
CN110222217A (zh) * | 2019-04-18 | 2019-09-10 | 北京邮电大学 | 一种基于分段加权的鞋印图像检索方法 |
CN111340098A (zh) * | 2020-02-24 | 2020-06-26 | 安徽大学 | 基于鞋印图像的STA-Net年龄预测方法 |
CN112633338A (zh) * | 2020-12-14 | 2021-04-09 | 辽宁师范大学 | 基于鞋印的嫌疑人性别预测方法 |
CN112884824A (zh) * | 2021-03-12 | 2021-06-01 | 辽宁师范大学 | 一种基于卷积网络多尺度特征融合的鞋印身高估计方法 |
Non-Patent Citations (1)
Title |
---|
王年;樊旭晨;张玉明;鲁玺龙;陈峰;: "基于足迹图像的FtH-Net预测身高方法", 华南理工大学学报(自然科学版), no. 06 * |
Also Published As
Publication number | Publication date |
---|---|
CN113723427B (zh) | 2024-07-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Automatic classification of breast cancer histopathological images based on deep feature fusion and enhanced routing | |
CN113221639B (zh) | 一种基于多任务学习的代表性au区域提取的微表情识别方法 | |
Zhang et al. | GAN-based image augmentation for finger-vein biometric recognition | |
CN108229381A (zh) | 人脸图像生成方法、装置、存储介质和计算机设备 | |
CN110096968A (zh) | 一种基于深度模型优化的超高速静态手势识别方法 | |
Tian et al. | Ear recognition based on deep convolutional network | |
CN107944399A (zh) | 一种基于卷积神经网络目标中心模型的行人重识别方法 | |
JP2018055470A (ja) | 表情認識方法、表情認識装置、コンピュータプログラム及び広告管理システム | |
Zaabi et al. | Alzheimer's disease detection using convolutional neural networks and transfer learning based methods | |
Xu et al. | Face expression recognition based on convolutional neural network | |
Thongtawee et al. | A novel feature extraction for American sign language recognition using webcam | |
Zhou et al. | Intelligent recognition of medical motion image combining convolutional neural network with Internet of Things | |
Chowdhury et al. | Privacy preserving ear recognition system using transfer learning in industry 4.0 | |
Waleed et al. | An effective and accurate CNN model for detecting tomato leaves diseases | |
Dey et al. | Workoutnet: A deep learning model for the recognition of workout actions from still images | |
CN113723427A (zh) | 一种基于鞋印的行人性别预测*** | |
CN112396014A (zh) | 基于特征融合的视触融合步态识别方法 | |
CN111369490B (zh) | 提取骨x光图像特征判断骨质疏松的方法 | |
Sadeghzadeh et al. | BiSign-Net: fine-grained static sign language recognition based on bilinear CNN | |
Zhu et al. | Application of deep convolutional neural networks in attention-deficit/hyperactivity disorder classification: Data augmentation and convolutional neural network transfer learning | |
Altan et al. | Superiorities of deep extreme learning machines against convolutional neural networks | |
Bhattacharya et al. | Simplified face quality assessment (sfqa) | |
CN113469116A (zh) | 一种结合lbp特征和轻量级神经网络的人脸表情识别方法 | |
CN108960275A (zh) | 一种基于深度玻尔兹曼机的图像识别方法及*** | |
CN108537855A (zh) | 一种草图一致的陶瓷花纸图案生成方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |