CN101874738A - 基于压力累积足印图像的人体生理分析与身份识别的方法 - Google Patents

基于压力累积足印图像的人体生理分析与身份识别的方法 Download PDF

Info

Publication number
CN101874738A
CN101874738A CN 200910243728 CN200910243728A CN101874738A CN 101874738 A CN101874738 A CN 101874738A CN 200910243728 CN200910243728 CN 200910243728 CN 200910243728 A CN200910243728 A CN 200910243728A CN 101874738 A CN101874738 A CN 101874738A
Authority
CN
Grant status
Application
Patent type
Prior art keywords
image
pressure
footprint
gt
lt
Prior art date
Application number
CN 200910243728
Other languages
English (en)
Other versions
CN101874738B (zh )
Inventor
谭铁牛
郑帅
黄凯奇
Original Assignee
中国科学院自动化研究所
Priority date (The priority date 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 date listed.)
Filing date
Publication date

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06KRECOGNITION OF DATA; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K9/00Methods or arrangements for reading or recognising printed or written characters or for recognising patterns, e.g. fingerprints
    • G06K9/00362Recognising human body or animal bodies, e.g. vehicle occupant, pedestrian; Recognising body parts, e.g. hand

Abstract

本发明公开一种基于压力累积足印图像的人体生理分析与身份识别的方法,获取压力累积足印图像和预处理;运用子空间学习的方法针对已标记好的不同性别、年龄区间、体质指数区间人群以及不同人的压力累积足印图像,生成对应的生理信息和身份信息的投影矩阵,以及低维空间上对应的压力累积足印图像模型向量;对于未标记的压力累积足印图像,通过已获得的不同生理信息和身份信息的投影矩阵,生成低维空间上未标记的图像向量;在低维空间上,通过最近邻算法,计算比较未标记的压力累积足印图像向量和不同生理身份信息的压力累积足印图像模型向量之间的距离,得到关于未标记压力累积足印图像对应人的性别、年龄区间、体质指数区间和身份的判别。

Description

基于压力累积足印图像的人体生理分析与身份识别的方法

技术领域

[0001] 本发明属于模式识别领域,涉及基于人体足印生物特征的人体基本生理信息分 析、推断、身份识别方法。

背景技术

[0002] 生物特征识别技术是指计算机根据人体所固有的一些生理特征(指纹、虹膜、面 相、DNA等)或行为特征(步态等)来进行个人身份鉴定的技术。在美国911恐怖袭击事 件和伦敦爆炸案等事件发生后,各国对于身份识别等技术越来越重视。以指纹、虹膜为代表 的第一代生物特征识别技术已经在许多商业和法律机构中得到实际应用。然而第一代生物 特征识别技术虽然在准确度上已经达到了相当的高度,但是其获取数据的方式依赖于测试 人员的配合。以步态为代表的行为特征在最近的几年得到了深入的研究,相对第一代生物 特征而言,其主要的优势在于能够实现无需用户配合的人体生理身份分析与识别。然而该 项技术由于依赖于对视频图像数据的质量和相关的预处理过程,实际使用中往往存在识别 准确度较低的问题。因此有必要研究一种能够无需用户配合同时具有较高准确度的人体生 理身份信息分析与识别方法。

[0003] 人体足印指人类生活中足与地面等物质接触时留下的痕迹,即人在进行站立、行 走等活动时自身重量和人体肌力通过足作用于地面等物体上形成的痕迹。作为两足支撑 直立行走的人类,在从事各种活动中往往会留下足印等痕迹。已有的医学、体育学、刑侦科 学等领域中的研究表明,人体运动留下的足印痕迹中包含了丰富的个体生理信息和运动状 态信息。其中,美国波士顿贝丝以色列女执事医学中心(Beth IsraelDeaconess Medical Center)在2000年根据足底压力传感器获取得到的实时足印数据,实现了对糖尿病足部溃 疡等病人的非接触式监测。Addidas等体育用品公司下属的研发中心则根据压力传感器实 时获取跑步状态中运动员的足部压力情况,有针对性地设计最适合的跑鞋。加拿大皇家刑 侦技术研究机构在1996年给出的一份研究报告证明了身份鉴别中人体足印的唯一性,从 而使得人体足印在刑侦司法领域中的应用进一步得到了实验上的确认。

[0004] 2000年日本国立长寿科学研究所提出了一种基于成对足印图像匹配的个人识别 方法,首次开始把足印作为一种生物特征。其后2004年,韩国高等科学与技术研究所通过 压力传感器获取的人体行走产生的动态中心压力点轨迹,并提出了基于隐马尔科夫模型的 方法实现了更加精确地基于足印的个人识别方法。奥地利萨尔茨堡大学计算机系的研究人 员总结了已有的足部特征提取和识别方法,设计出了基于赤足的几何、形状和纹理等算法 的个人身份验证系统。

[0005] 综上所述,相对指纹、虹膜等第一代生物特征识别技术而言,足印特征识别技术的 优势在于其获取数据方式具有较强的隐蔽性和友好性;相对已有的步态特征识别技术而 言,足印特征识别技术获取的数据方式更加直接且无需复杂的图像预处理过程,因而准确 度更高的同时能够实现在无需用户配合下完成数据采集。

[0006] 尽管具有很大的优势,然而现有的足印识别相关研究仍然存在很多问题,影响了该项技术的发展和应用。现有基于足印的人体分析识别技术中的主要的缺点有:

[0007] 1、采用COP轨迹分析或者许多基于形状的经验判断比较方法,要求用户配合设备 采集,因此在实际使用中会影响用户的体验。实际采集过程中,由于用户行走的快慢以及落 脚的轻重,往会出现局部形变或残缺的现象,如果对用户加以限制约束,则将影响到该项技 术的用户体验性。

[0008] 2、基于足印形状和轮廓尺寸等特征的方法一方面对于足印图像有严格的要求,另 一方面则依赖于对数据样本的分布和专家经验。在已有的刑侦等领域中,足印形状的经验 分析方法往往只是作为一种辅助手段,其应有的作用并未得到充分应用。

发明内容

[0009] 为了解决现有技术中存在的上述缺点,本发明的目的是提供了一种基于压力累积 足印图像的人体生理分析与身份识别的方法。

[0010] 为了实现上述目的,本发明一种基于压力累积足印图像的人体生理分析与身份识 别方法,包含压力累积足印图像获取步骤、训练步骤和识别与分析步骤;通过压力传感器获 取得到人体压力累积足印图像,同时通过如下所述步骤实现对行走人体的生理分析与身份 识别:

[0011] 步骤S1 :获取已标记的压力累积足印图像,归一化所有已标记压力累积足印图 像;

[0012] 步骤S2 :对已标记的压力累积足印图像矩阵进行向量化处理,即得到压力累积 足印图像向量\〃针对已标记好的不同性别人群、不同年龄区间人群、不同体质指数区 间人群以及不同人的压力累积足印图像,运用子空间学习方法,分别计算得到性别、年龄 区间、体质指数区间和个体的投影映射矩阵以及计算得到低维压力累积足印图像向量 A ;针对不同生理信息和身份信息,选择已标记的低维压力累积足印图像向量集的 均值,生成不同生理信息和身份信息的压力累积足印图像模型向量Zij,即

[0013]

[0014] 其中WiT为投影映射矩阵Wi的转置,i = 1表示性别,i = 2表示年龄区间,i = 3 表示体质指数区间,i = 4表示个体,niJ表示第i类信息中属性j对应的已标记累积足底 压力图像向量的个数;

[0015] 步骤S3 :对于未标记的压力累积足印图像进行向量化处理,即得到压力累积足印 图像向量x',运用已获得的性另U、年龄区间、体质指数区间和个体的投影映射矩阵〜生成 低维空间上的未标记压力累积足印图像向量二 ;

[0016] 步骤S4 :在低维空间上,运用最近邻算法,对未标记压力累积足印图像向量y'和 不同生理信息和身份信息的压力累积足印图像模型向量Zij的距离进行计算,得到关于未 标记压力累积足印图像对应人的性别、年龄区间、体质指数区间和身份的判别结果,实现基 于压力累积足印图像的人体生理分析与身份识别。

[0017] 其中,对所述获取压力累积足印图像的预处理步骤如下:

[0018] 步骤S11 :通过压力传感器获取的完整压力累积足印图像,通过采集卡和USB设备 将压力累积足印图像接入计算机;[0019] 步骤S12 :对于分类后的完整压力累积足印图像进行图像归一化预处理,使得完 整压力累积足印图像尺寸大小得到统一。

[0020] 其中,所述子空间学习方法是主成份分析和线性判别分析,其步骤如下:

[0021] 步骤S21 :对于已标记的压力累积足印图像向量Xij,针对不同的生理信息和身份 信息划分生成不同的压力累积足印图像向量集;

[0022] 步骤S22 :运用主成分分析,针对不同的生理信息和身份信息对应划分的压力累 积足印图像向量集,生成主成分分析投影矩阵wA保留已标记的压力累积足印图像向量中 含有主要信息的部分,得到低维空间上已标记的压力累积足印图像向量,即二 <7xv ;

[0023] 步骤S23 :运用线性判别分析,针对不同的生理信息和身份信息对应划分的压力 累积足印图像向量集,生成线性判别分析投影矩阵w广,使得对应相同信息的压力累积足印 图像向量之间距离和对应不同信息的压力累积足印图像向量之间距离的比值最大化,得到 低维空间上已标记的压力累积足印图像向量,即只=化“7"/,将步骤S22得到的主成分分析 投影矩阵 < 和线性判别分析投影矩阵w广相乘,生成了子空间学习投影矩阵为w, = 。

[0024] 有益效果:

[0025] 通过本发明可以实现基于压力累积足印图像的人体生理信息分析与身份识别。通 过隐藏在路面下的压力传感装置,该方法能够隐蔽地获取人体正常行走留下的压力累积足 印图像。本发明作为一种生物特征识别技术,不仅具有获取数据的较强隐蔽性,同时具有较 高准确识别率。此外,相对已有的足印特征识别技术,本发明能够实现在无需用户配合自动 且准确地完成整个行走人体生理分析与身份识别。

附图说明

[0026] 图1是本发明所述方法的整体框架图;

[0027] 图2是本发明中使用的人体压力累积足印图像;

[0028] 图3是本发明中根据子空间学习方法,训练模型和得到投影矩阵的具体实施步骤 示意图。

具体实施方式

[0029] 为了便于对本发明的理解,下面结合附图详细说明本发明技术方案中所涉及的各 个细节问题。应指出的是,所描述的实施例对本发明不起任何限定作用。

[0030] 本发明基于压力累积足印图像的行走人体生理分析与身份识别方法,通过隐藏在 路面下的压力传感装置,该方法能够隐蔽地获取人体正常行走留下的压力累积足印图像。 压力累积足印图像描述了人体在行走或者跑步过程中与地面接触过程的累积情况,反映了 人体行走过程中的行为特征。该压力累积足印图像是压力传感器实时采集压力数据的累 积,具有一定的信息冗余性,保证了在部分压力数据缺失下,仍然能够反映出人体行为特 征。本发明以此作为研究对象,提供了一种对该压力累积足印图像进行特征抽取、分类器学 习和测试的方法,最终实现了对于人体生理、身份信息的分析和识别。

[0031] 区别于类似的基于足印的人体生理分析与身份识别方法,本发明在研究对象、特 征选择抽取以及分类器训练测试具有显著的差异,能够实现在数据出现一定缺失下保持识 别的正确率。实验表明,该方法优于已公开发表的论文中的方法。此外,实验结果是在规模更大的数据库上完成,更具有可信度。

[0032] 区别于已有的经验分析方法,本发明提供了一种基于统计机器学习、模式识别理 论的方法。实验表明,该方法能够更加精确地利用压力累积足印图像信息用于人体生理分 析和身份识别。

[0033] 为了解决上述问题和实现相应功能,如图1所示,本发明方法包含压力累积足印 图像获取步骤,训练步骤,识别与分析步骤。

[0034] 压力累积足印图像获取步骤是通过压力传感器得到标记好个人生理信息和身份 信息的人体压力累积足印图像并进行预处理。

[0035] 训练的目的是为了学习得到不同性别、不同年龄区间、不同体质指数区间的人群 之间以及不同人之间的压力累积足印图像规律。首先需要在用户配合的情况下,收集大量 完整的足印样本,并根据用户的生理和身份情况加以标注。这些标注了生理和身份信息的 足印用户训练分析和识别模型。训练步骤如下:

[0036] 步骤S11 :根据用户生理和身份信息,标记分类通过压力传感器获取的完整压力 累积足印图像;

[0037] 步骤S12 :对于分类后的压力累积足印图像进行图像归一化预处理,使得图像尺 寸大小得到统一;

[0038] 步骤S13 :对于具有不同生理信息人群的累积足印和不同人的压力累积足印图像 特征通过主成分分析方法去掉其中冗余的图像特征点,将压力累积足印图像特征投影到低 维空间,并获得投影矩阵;通过线性判别分析方法进一步使得图像特征维数下降,获得最具 区分能力的图像特征。提取并合并线性判别分析方法得到的投影矩阵w广和主成分分析方 法得到的投影矩阵w广。

[0039] 步骤S15 :针对不同生理信息和身份信息,选择已标记的低维空间上的压力累积 足印图像向量集& =<xy_,生成不同生理信息和身份信息的压力累积足印图像模型向量 Zij'

[0040]

[0041] 其中WiT为投影映射矩阵Wi的转置,i = 1表示性别,i = 2表示年龄区间,i = 3 表示体质指数区间,i = 4表示个体,niJ表示第i类信息中属性j对应的已标记累积足底 压力图像向量的个数。

[0042] 识别分析的目的是为了实现通过人体压力累积足印图像分析人体生理信息和识 别出训练库中存在过的人。在人步行通过隐蔽着压力传感器的区域后,压力累积足印图像 通过采集卡接入计算机。首先利用不同生理信息和身份信息对应的投影矩阵对图像完成特 定目的的特征选择和数据降维,然后将特征输入训练阶段所得的各种生理信息和身份信息 的分类模型,输出分类结果。具体分析识别步骤如下:

[0043] 步骤S21 :压力传感器获取得到压力累积足印图像通过采集卡接入计算机。对该 图像依次完成包括图像尺寸归一化预处理。对于未标记的压力累积足印图像进行向量化处 理,即得到压力累积足印图像向量x',运用已获得的性另U、年龄区间、体质指数区间和个体 的投影映射矩阵^,生成低维空间上的未标记压力累积足印图像向量只;

[0044] 步骤S22 :利用步骤S14中得到的针对不同生理信息和身份信息的投影矩阵,使得压力累积足印图像维数降低,获取其中冗余最小且最具区分能力的特征。对于未标记的压 力累积足印图像进行向量化处理,即得到压力累积足印图像向量x',运用已获得的性别、 年龄区间、体质指数区间和个体的投影映射矩阵Wi,生成低维空间上的未标记压力累积足 印图像向量X ;

[0045] 步骤S23 :将步骤S22提取得到的特征,输入步骤S15得到的模型中,在相同维数 的低维空间上运用最近邻算法实现距离计算,对未标记压力累积足印图像向量y'和不同 生理信息和身份信息的压力累积足印图像模型向量Zij的距离进行计算,得到关于未标记 压力累积足印图像对应人的性另U、年龄区间、体质指数区间和身份的判别结果,实现基于压 力累积足印图像的人体生理分析与身份识别,输出分类结果。其中系统针对性别、年龄区 间、体质指数区间等每项依次给出若干个(如4个)概率最大的可能值(或区间),对于身 份信息同样给出若干个(如4个)概率最大的可能人员。

[0046] 分析识别过程中提到的距离计算是指最近邻算法。该算法通过计算未标记足印图 像的特征向量与同样维数空间中标记好的足印图像特征向量的欧式距离,距离最近的标记 好的足印图像特征向量对应人的性别、年龄范围、体质指数范围以及身份等即是未标记样 本对应人的生理和身份信息。

[0047] 以下针对本发明的方法存在几个关键步骤,展开说明:

[0048] 首先需要对压力累积足印图像的尺寸归一化:

[0049] 由于每个人足部形状和每次行走情况等差异,压力传感器得到的人体压力累积足 印图像并不是一样大小。为了消除这些差异的影响,将压力累积足印图像的轮廓保持长宽 比归一化到60X25大小,并将足印置于60X25大小图像的中间位置。

[0050] 其二,图像特征提取和降维:

[0051] 本发明中由压力传感器获得的压力累积足印图像大小是60X25,在图像矩阵向量 化后,每张压力累积足印图像向量维数将达4400。高维向量一方面计算代价高,另外其中也 存在着大量冗余信息,因此需要运用子空间学习方法中的主成分分析和线性判别分析,将 向量从高维空间映射到低维空间。运用主成分分析方法可以实现对压力累积足印图像向量 中含有主要信息部分的抽取。运用线性判别分析方法可以使得对应相同信息的压力累积足 印图像向量之间距离和对应不同信息的压力累积足印图像向量之间距离的比值最大化,进 一步降低压力累积足印图像特征维数。

[0052] 下面就子空间学习方法进行详细阐述:

[0053] 压力累积足印图像通常在计算机中以矩阵的形式存储。本发明中首先把图像矩 阵向量化,该过程是:对于压力累积足印图像矩阵,将其中每一行数据依次拼接成一个长向量。

[0054] 假设已标记的压力累积足印图像向量为Xij,其中i G {1,2,3,4}表示不同的生理

信息和身份信息,i = 1表示性别,i = 2表示年龄区间,i = 3表示体质指数区间,i = 4

表示个体;j e {1,2,...,cik},cik是第i类信息中第k类的已标记压力累积足印图像向量

的个数。其中首先计算原有样本集中的均值u和协方差矩阵cov(Xip,即 1 c>k

[0055] u=一,[0056]

[0057] 低维压力累积足印图像向量为只=w/x;可以通过奇异值分解,gp cov(XiJ.)E = 入E,计算出C0V(Xij)的L个特征值Xy A2, .... , Xl以及与特征值对应的特征向量ei, e2,... ,eLO其中E= [ei,e2,....,e J,人=[人丄,人2,....,人J。特征值入i反映了原始数 据的变化,该值越大意味着对应的原始数据的变化越大,表明对应的该特征向量在原始数 据中是含有主要信息量,即变化信息量。对特征值进行排序,使得入工> X 2 > .... >入„ 保留前m个最大的特征值对应的特征向量。这样可以得到主成分分析投影矩阵w广:

[0058] w,* =[e丨,e”...,。」。

[0059] 同时,高维空间上的压力累积足印图像向量Xij可以投影到低维空间上,生成低维 空间上的压力累积足印图像向量、:

[0060] = w'Txu,

[0061] 这样特征维数就从高维降低到了 L维。前L个成分中含有主要信息,它们所含信 息比重P为:

[0062]

[0063] 主成分分析方法使得原始数据的维数下降,降低系统的计算复杂。然而降低了维 数后的特征并不具有区分能力。已有研究表明,线性判别分析方法能够从统计优化目标出 发,提取得到具有区分能力的特征。

[0064] 运用线性判别分析方法提取具有区分能力的特征步骤如下。对于前一步得到的压 力累积足印图像向量为fu,期望进一步找到一个最佳的投影矩阵《广,使得最大化类内样本 和类间样本的距离的比值

[0065]

[0066]

[0067]

[0068]

[0069]

[0070] Ui是第i类信息中所有主成分分析降维后的已标记压力累积足印图像向量,m是 该类信息中所有主成分分析降维后的已标记压力累积足印图像向量按不同对应信息划分 集合后的均值。Sb是类间样本的距离,Sw是类内样本的距离,J(w广)是类内样本和类间样 本的距离。

[0071] 以性别分析为例,该问题是两类问题,线性判别分析投影矩阵可以求解为

[0072] w* = S^ (m, - m)。

[0073] 而对于年龄区间和体质指数区间分析以及身份识别的问题,可以通过类似的方法 得到线性判别分析投影矩阵,区别在于年龄区间分析、体质指数区间分析和身份识别问题

argminJCw/)为多类问题。于是,在主成分分析的基础上,可以通过下面的方程得到低维且具有较强区分 能力的压力累积足印图像向量Yij = W^fij和子空间学习投影矩阵,即

[0074]

[0075] 其三,对于运用子空间学习,降维后的已标记不同生理信息和身份信息的压力累 积足印图像yij,生成模型向量zik,即

[0076]〜=—ΣΛ。

Cik /=1

[0077] 其四,最近邻分类算法实现未标记足印图像分析与识别:

[0078] 给定低维空间中未标记足印图像向量X',最近算法寻找X'与其他在同样维数 空间中的Cik个的生理信息和身份信息模型特征向量Zik的欧氏距离,即:

[0079] d = Mx' -zik| |。

[0080] 其中模型特征向量Zik表征对于第i类信息人群中第k类对应压力累积足印图像。

[0081] 整个基于压力累积足印图像的行走人体生理分析与身份识别方法主要包括训练 和识别两个过程,为了详细说明该发明的具体实施方式,以基于该方法的门禁系统为例说 明。

[0082] 该系统通过嵌入地表方式隐蔽布置在出入口处。这个系统能够记录下人行走通 过时所产生的压力累积足印图像。该压力传感板总共有2m长,0.5m宽,上面每平方厘米有 4个压力传感器。压力传感板由USB数据线与计算机的USB 口连接。实际部署中采用联想 M8000台式计算机,基本配置为Intel酷睿2四核CPU,内存4⑶DRIII,硬盘500G,操作系统 windows XP。在该计算机上部署有相应的分析软件。

[0083] 如图3所示,本系统训练阶段将得到不同生理信息和不同身份信息区分模型,以 及相应的投影矩阵。本系统实际分析识别阶段将得到关于新的未标记压力累积足印图像输 入的生理信息和身份信息判别结果。

[0084] 具体训练步骤如下:

[0085] 首先收集整理好标记了个人生理信息和身份信息的人体压力累积足印图像。然 后,在预处理的基础上,通过特征抽取分类器训练模块提取这些数据中的图像特征,并生成 相应的分类器训练参数和特征投影矩阵。最后,将这些数据存入生成的模型文件。

[0086] 分析识别步骤如下:

[0087] 首先导入训练过的相应模型文件。然后在预处理基础上,导入未标记的压力累积 足印图像。通过模型文件中的特征投影矩阵使得该足印图像特征维数降低,并具有强区分 能力的性质。最后输入分类器后得出关于该压力累积足印图像对应人体的生理信息和身份 信息。即,给出年龄区间、体质指数区间和性别判断值及其概率;给出该人是否出现在训练 集名单中的判断。

[0088] 为了验证算法的有效性,使用CASIA人体压力累积足印图像数据库对提出的算法 进行测试。CASIA人体压力累积足印图像数据库是由中科院自动化所和沈阳中国刑事警察 学院创建的一个数据库,用于评测基于人体压力累积足印图像的算法优劣。CASIA人体压力 累积足印图像数据库包含88个人,其中男性78名,女性10名。每个人都完成了 10次行走 通过压力传感器,每次提供了 3张压力累积足印图像。在该数据库上进行算法的测试,身份 识别正确识别率为91%,性别识别正确率为99%,年龄区间识别正确率为71%,体质指数区间识别正确率为83%。实验结果表明,该算法的识别率优于其他已公开文献中的类似方 法(通过足印压力分布几何形状估算)。

[0089] 以上所述,仅为本发明中的具体实施方式,但本发明的保护范围并不局限于此,任 何熟悉该技术的人在本发明所揭露的技术范围内,可理解想到的变换或替换,都应涵盖在 本发明的包含范围之内,因此 ,本发明的保护范围应该以权利要求书的保护范围为准。

Claims (3)

  1. 一种基于压力累积足印图像的人体生理分析与身份识别的方法,其特征在于,通过压力传感器获取得到人体压力累积足印图像,同时通过如下所述步骤实现对行走人体的生理分析与身份识别:步骤S1:获取已标记的压力累积足印图像,归一化所有已标记压力累积足印图像;步骤S2:对已标记的压力累积足印图像矩阵进行向量化处理,即得到压力累积足印图像向量xij;针对已标记好的不同性别人群、不同年龄区间人群、不同体质指数区间人群以及不同人的压力累积足印图像,运用子空间学习方法,分别计算得到性别、年龄区间、体质指数区间和个体的投影映射矩阵wi以及计算得到低维压力累积足印图像向量针对不同生理信息和身份信息,选择已标记的低维压力累积足印图像向量集的均值,生成不同生理信息和身份信息的压力累积足印图像模型向量zij,即 <mrow> <msub> <mi>z</mi> <mi>ij</mi> </msub> <mo>=</mo> <mfrac> <mn>1</mn> <msub> <mi>n</mi> <mi>ij</mi> </msub> </mfrac> <msub> <mi>&Sigma;y</mi> <mi>ij</mi> </msub> <mo>,</mo> </mrow>其中wiT为投影映射矩阵wi的转置,i=1表示性别,i=2表示年龄区间,i=3表示体质指数区间,i=4表示个体,nij表示第i类信息中属性j对应的已标记累积足底压力图像向量的个数;步骤S3:对于未标记的压力累积足印图像进行向量化处理,即得到压力累积足印图像向量x′,运用已获得的性别、年龄区间、体质指数区间和个体的投影映射矩阵wi,生成低维空间上的未标记压力累积足印图像向量步骤S4:在低维空间上,运用最近邻算法,对未标记压力累积足印图像向量y′和不同生理信息和身份信息的压力累积足印图像模型向量zij的距离进行计算,得到关于未标记压力累积足印图像对应人的性别、年龄区间、体质指数区间和身份的判别结果,实现基于压力累积足印图像的人体生理分析与身份识别。F2009102437286C00011.tif,F2009102437286C00013.tif
  2. 2.根据权利要求1所述基于压力累积足印图像的人体生理分析与身份识别的方法,其 特征在于,对所述获取压力累积足印图像的预处理步骤如下:步骤S11 :通过压力传感器获取的完整压力累积足印图像,通过采集卡和USB设备将压 力累积足印图像接入计算机;步骤S12:对于分类后的完整压力累积足印图像进行图像归一化预处理,使得完整压 力累积足印图像尺寸大小得到统一。
  3. 3.根据权利要求1所述基于压力累积足印图像的人体生理分析与身份识别的方法,其 特征在于,所述子空间学习方法是主成份分析和线性判别分析,其主要步骤如下:步骤S21 :对于已标记的压力累积足印图像向量Xij,针对不同的生理信息和身份信息 划分生成不同的压力累积足印图像向量集;步骤S22 :运用主成分分析,针对不同的生理信息和身份信息对应划分的压力累积足 印图像向量集,生成主成分分析投影矩阵wA保留已标记的压力累积足印图像向量中含有 主要信息的部分,得到低维空间上已标记的压力累积足印图像向量,即厶;步骤S23 :运用线性判别分析,针对不同的生理信息和身份信息对应划分的压力累积 足印图像向量集,生成线性判别分析投影矩阵w广,使得对应相同信息的压力累积足印图像 向量之间距离和对应不同信息的压力累积足印图像向量之间距离的比值最大化,得到低维2空间上已标记的压力累积足印图像向量,即M 二 ,将步骤S22得到的主成分分析投影 矩阵和线性判别分析投影矩阵W广相乘,生成了子空间学习投影矩阵为W, = wy;。
CN 200910243728 2009-12-23 2009-12-23 基于压力累积足印图像的人体生理分析与身份识别的方法 CN101874738B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN 200910243728 CN101874738B (zh) 2009-12-23 2009-12-23 基于压力累积足印图像的人体生理分析与身份识别的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN 200910243728 CN101874738B (zh) 2009-12-23 2009-12-23 基于压力累积足印图像的人体生理分析与身份识别的方法

Publications (2)

Publication Number Publication Date
CN101874738A true true CN101874738A (zh) 2010-11-03
CN101874738B CN101874738B (zh) 2011-11-09

Family

ID=43017493

Family Applications (1)

Application Number Title Priority Date Filing Date
CN 200910243728 CN101874738B (zh) 2009-12-23 2009-12-23 基于压力累积足印图像的人体生理分析与身份识别的方法

Country Status (1)

Country Link
CN (1) CN101874738B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102106734A (zh) * 2011-02-15 2011-06-29 河北工业大学 一种人体身份识别系统
WO2014101003A1 (zh) * 2012-12-26 2014-07-03 大连恒锐科技股份有限公司 一种压感光影成像系统及所成足迹图像的处理方法
CN104346604A (zh) * 2013-07-26 2015-02-11 株式会社日立制作所 血管图像获取装置以及终端
CN104978782A (zh) * 2014-04-11 2015-10-14 南京视察者信息技术有限公司 基于触屏技术的客流分析方法
CN105335753A (zh) * 2015-10-29 2016-02-17 小米科技有限责任公司 图像识别方法和装置
CN105929113A (zh) * 2016-04-20 2016-09-07 重庆大学 一种带子空间投影的电子鼻信号误差自适应学习方法

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102106734A (zh) * 2011-02-15 2011-06-29 河北工业大学 一种人体身份识别系统
CN102106734B (zh) 2011-02-15 2012-05-23 河北工业大学 一种人体身份识别系统
WO2014101003A1 (zh) * 2012-12-26 2014-07-03 大连恒锐科技股份有限公司 一种压感光影成像系统及所成足迹图像的处理方法
US20150254821A1 (en) * 2012-12-26 2015-09-10 Dailian Everspry Sci & Tech Co., Ltd. Processing method of pressure-sensitive light and shadow imaging system and formed footprint image
US9390483B2 (en) * 2012-12-26 2016-07-12 Dalian Everspry Sci & Tech Co., Ltd. Processing method of pressure-sensitive light and shadow imaging system and formed footprint image
CN104346604A (zh) * 2013-07-26 2015-02-11 株式会社日立制作所 血管图像获取装置以及终端
CN104346604B (zh) * 2013-07-26 2017-09-15 株式会社日立制作所 血管图像获取装置以及终端
CN104978782A (zh) * 2014-04-11 2015-10-14 南京视察者信息技术有限公司 基于触屏技术的客流分析方法
CN105335753A (zh) * 2015-10-29 2016-02-17 小米科技有限责任公司 图像识别方法和装置
CN105929113A (zh) * 2016-04-20 2016-09-07 重庆大学 一种带子空间投影的电子鼻信号误差自适应学习方法
CN105929113B (zh) * 2016-04-20 2017-10-10 重庆大学 一种带子空间投影的电子鼻信号误差自适应学习方法

Also Published As

Publication number Publication date Type
CN101874738B (zh) 2011-11-09 grant

Similar Documents

Publication Publication Date Title
Liu et al. Learning expressionlets on spatio-temporal manifold for dynamic facial expression recognition
Han et al. Demographic estimation from face images: Human vs. machine performance
Jing et al. A face and palmprint recognition approach based on discriminant DCT feature extraction
Uludag et al. Biometric template selection and update: a case study in fingerprints
Chao et al. Facial age estimation based on label-sensitive learning and age-oriented regression
Unar et al. A review of biometric technology along with trends and prospects
Lu et al. Gait recognition for human identification based on ICA and fuzzy SVM through multiple views fusion
Sun et al. Graph matching iris image blocks with local binary pattern
Dantcheva et al. What else does your biometric data reveal? A survey on soft biometrics
Schwartz et al. Face identification using large feature sets
US8194938B2 (en) Face authentication using recognition-by-parts, boosting, and transduction
Kepenekci Face recognition using gabor wavelet transform
Hermosilla et al. A comparative study of thermal face recognition methods in unconstrained environments
US20110135165A1 (en) Robust Human Authentication Using Holistic Anthropometric and Appearance-Based Features and Boosting
Nanni et al. Descriptors for image-based fingerprint matchers
Savič et al. Personal recognition based on an image of the palmar surface of the hand
Wan et al. Fingerprint recognition using model-based density map
Xu et al. Bimodal biometrics based on a representation and recognition approach
Nandakumar Integration of multiple cues in biometric systems
Sim et al. Multimodal biometrics: Weighted score level fusion based on non-ideal iris and face images
Perez et al. Methodological improvement on local Gabor face recognition based on feature selection and enhanced Borda count
Matta et al. Person recognition using facial video information: A state of the art
Mei et al. Novel approaches to improve robustness accuracy and rapidity of iris recognition systems
Bereta et al. Local descriptors in application to the aging problem in face recognition
Sun et al. Iris image classification based on hierarchical visual codebook

Legal Events

Date Code Title Description
C06 Publication
C10 Entry into substantive examination
C14 Grant of patent or utility model