CN101874738B - 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

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

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

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。

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。

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。

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。

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：

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。

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

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。

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：

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x_ij；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w_i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z_ij，即

$z_{\mathrm{ij}}=\frac{1}{n_{\mathrm{ij}}}{\mathrm{\Σ}}_{y_{\mathrm{ij}}},$

其中w_i ^T为投影映射矩阵w_i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，n_ij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w_i，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z_ij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。

其中，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。

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：

步骤S21：对于已标记的压力累积足印图像向量x_ij，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w_i ^*，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

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_i ^**，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，即将步骤S22得到的主成分分析投影矩阵w_i ^*和线性判别分析投影矩阵w_i ^**相乘，生成了子空间学习投影矩阵为

有益效果：

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

图1是本发明所述方法的整体框架图；

图2是本发明中使用的人体压力累积足印图像；

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

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。

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。

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。

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。

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。

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。

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：

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；

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；

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_i ^**和主成分分析方法得到的投影矩阵w_i ^*。

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z_ij，

$z_{\mathrm{ij}}=\frac{1}{n_{\mathrm{ij}}}{\mathrm{\Σ}}_{y_{\mathrm{ij}}},$

其中w_i ^T为投影映射矩阵w_i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，n_ij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。

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：

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′，运用已获得的性别、年龄区间、体质指数区间和个体的投影映射矩阵w_i，生成低维空间上的未标记压力累积足印图像向量

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w_i，生成低维空间上的未标记压力累积足印图像向量

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z_ij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，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。

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。

以下针对本发明的方法存在几个关键步骤，展开说明：

首先需要对压力累积足印图像的尺寸归一化：

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60×25大小，并将足印置于60×25大小图像的中间位置。

其二，图像特征提取和降维：

本发明中由压力传感器获得的压力累积足印图像大小是60×25，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。

下面就子空间学习方法进行详细阐述：

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。

假设已标记的压力累积足印图像向量为x_ij，其中i∈{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∈{1，2，...，c_ik}，c_ik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(x_ij)，即

$u=\frac{1}{c_{\mathrm{ik}}}\underset{j=1}{\overset{c_{\mathrm{ik}}}{\mathrm{\Σ}}}{x}_{\mathrm{ij}},$

$\mathrm{cov}\left(x_{\mathrm{ij}}\right)=\frac{1}{c_k-1}\underset{i=1}{\overset{c_k}{\mathrm{\Σ}}}(y_i-u){(y_i-u)}^T.$

低维压力累积足印图像向量为可以通过奇异值分解，即cov(x_ij)E＝λE，计算出cov(x_ij)的L个特征值λ₁，λ₂，....，λ_L以及与特征值对应的特征向量e₁，e₂，...，e_L。其中E＝[e₁，e₂，....，e_L]，λ＝[λ₁，λ₂，....，λ_L]。特征值λ_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λ₁≥λ₂≥....≥λ_L，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_i ^*：

$w_i^{*}=[e_1,e_2,...,e_L].$

同时，高维空间上的压力累积足印图像向量x_ij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f_ij：

$f_{\mathrm{ij}}=w_i^{*T}{x}_{\mathrm{ij}},$

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ρ为：

$\mathrm{\ρ}=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\λ}}_i/\underset{j=1}{\overset{L}{\mathrm{\Σ}}}{\mathrm{\λ}}_j.$

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。

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f_ij，期望进一步找到一个最佳的投影矩阵w_i ^**，使得最大化类内样本和类间样本的距离的比值

$\arg \underset{w_i^{**}}{\min }J\left(w_i^{**}\right).$

其中，

$J\left(w_i^{**}\right)=\frac{w_i^{**T}{S}_b{w}_i^{**}}{w_i^{**T}{S}_w{w}_i^{**}},$

$S_b=\underset{i=1}{\overset{4}{\mathrm{\Σ}}}\underset{j=1}{\overset{c_{\mathrm{ik}}}{\mathrm{\Σ}}}(f_{\mathrm{ij}}-u_i){(f_{\mathrm{ij}}-u_i)}^T,$

$S_{\text{w}}=\underset{i=1}{\overset{4}{\mathrm{\Σ}}}(m_i-u){(m_i-u)}^T,$

u_i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。S_b是类间样本的距离，S_w是类内样本的距离，J(w_i ^**)是类内样本和类间样本的距离。

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

$w^{*}=S_w^{-1}(m_1-m).$

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y_ij＝w^**Tf_ij和子空间学习投影矩阵，即

$w_i=w_i^{*}{w}_i^{**}.$

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y_ij，生成模型向量z_ik，即

$z_{\mathrm{ik}}=\frac{1}{c_{\mathrm{ik}}}\underset{j=1}{\overset{c_{\mathrm{ik}}}{\mathrm{\Σ}}}{y}_{\mathrm{ij}}.$

其四，最近邻分类算法实现未标记足印图像分析与识别：

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c_ik个的生理信息和身份信息模型特征向量z_ik的欧氏距离，即：

d＝||x′-z_ik||。

其中模型特征向量z_ik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。

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。

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4GDDRIII，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。

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。

具体训练步骤如下：

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。

分析识别步骤如下：

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。

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)。

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x_ij；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w_i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z_ij，即

$z_{\mathrm{ij}}=\frac{1}{n_{\mathrm{ij}}}\mathrm{\Σ}{y}_{\mathrm{ij}},$

其中

为投影映射矩阵w_i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，n_ij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w_i，生成低维空间上的未标记压力累积足印图像向量 $y_i^{\′}=w_i^T{x}^{\′};$

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z_ij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。

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，对所述获取已标记的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.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x_ij，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

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

相乘，生成了子空间学习投影矩阵为

Images