CN103955715A - 一种基于赤足或穿袜足迹图像的自动人身认定方法 - Google Patents

Abstract

本发明提供一种基于赤足或穿袜足迹图像的自动人身认定方法，步骤为，S1、统计足迹数量，单枚足迹执行步骤S2，否则执行步骤S3；S2、提取足迹的结构形状类与压力类特征，执行步骤S4；S3、成趟多枚足迹则提取成趟足迹的相关特征，并进行单枚足迹分拆并分别提取结构形状类与压力类特征；执行步骤S4；S4、进行特征查询，将足迹特征与样本库中个体进行相似度分析并打分，执行步骤S5；S5、若数小于一定分值，执行步骤S6，否则执行步骤S7；S6、对提取的足迹特征进行特征训练，更新样本库，认定过程结束；S7、将得分最高的个体作为查询结果输出，认定结束。本方法可以对足迹特征进行量化统计与评分，根据评分结果达到足迹的自动认定，从而实现人身认定。

Description

一种基于赤足或穿袜足迹图像的自动人身认定方法

技术领域

本发明涉及一种自动认定方法，尤其是一种基于赤足或穿袜足迹图像的自动人身认定方法，属于自动识别方法领域。

背景技术

目前基于赤足或穿袜足迹图像的人身认定方法主要以人工鉴定为主，样本库基本是已进行赤足或穿袜足迹采集的人群，采用的是卷宗、现场照片等非数字档案，在比对过程中，为定性分析，缺少比对客观量化标准，因此，整个过程很难达到快速、准确、高效的认定目的，这导致目前还没有一种能利用赤足或穿袜足迹图像自动进行人身认定的方法。

同时，在进行人工认定过程中，量化特征分类的都是硬阈值法，这样在进行比较时，特征边界问题会更加明显，降低了量化特征分类的准确性。从多种赤足与穿袜足迹图像特征综合分析的角度讲，相同维数的特征分析权重并没有经过层次分析，不同维数的特征量并能够结合起来进行综合判定，即：曲线特征与点特征是无法结合在一起进行分析的，这都会使特征之间的关联性变低，增大认定结果误差。

有鉴于此特提出本发明。

发明内容

本发明要解决的技术问题在于克服现有技术的不足，提供一种基于赤足或穿袜足迹图像的自动人身认定方法，能够更高效准确地进行足迹自动认定。

为解决上述技术问题，本发明采用技术方案的基本构思是：

一种基于赤足或穿袜足迹图像的自动人身认定方法，包括以下步骤：

S1、对足迹图像进行足迹数量统计，若为单枚足迹执行步骤S2，否则执行步骤S3；

S2、足迹图像只有单枚足迹，提取足迹特征，所述足迹特征包括结构形状类与压力类两种特征，然后执行步骤S4；

S3、足迹图像为成趟的多枚足迹，提取成趟足迹的相关特征，然后将图像中的足迹进行单枚足迹分拆，并对所有单枚足迹的足迹特征分别进行提取，所述足迹特征包括结构形状类与压力类两种特征，用统计的方法取最稳定的单枚足迹特征并保存；然后执行步骤S4；

S4、进行特征查询，将足迹特征与样本库中所有个体进行相似度分析并打分，执行步骤S5；

S5、得到打分结果，如果相似度的整体分数结果小于一定分值，则认为样本特征库中不存在查询个体或者查询个体中的样本过少，执行步骤S6，否则执行步骤S7；

S6、利用提取的足迹特征进行特征训练，并更新样本库，认定过程结束；

S7、将所有打分结果中得分最高的个体作为查询结果输出，认定结束。

进一步的，特征查询的步骤为：

首先将要查询足迹的每种单值特征与样本库中训练的不同个体相对应的单值特征对比评分，假设提取的特征值为f，训练得到的统计分布特征为a_f，按照公式(1)进行相似度分值S_v计算（k、b是通过统计得出的分数判别系数）：

s_v=kα_f+b           (1)

将要查询足迹的每种结构形状类特征与样本库中训练的不同个体相对应的每种结构形状类特征对比评分；

若查询特征曲线为v_s，样本库特征曲线为v_b，则其相似度分值S_l可由公式(2)计算得到：

s_l=R(v_s,v_b)             (2)

式(2)中，R()为相关评估函数；

接着根据样本库中每个个体的各种特征稳定性计算每种特征的权重，权值是采用稳定度统计的方法来确定的，在进行各个个体特征训练时，相同个体的训练样本，单值特征的标准差与期望之比越小则认为该特征越稳定，向量特征的归一化拟合误差越小则该特征越稳定，越稳定的特征分配越高的权值；

最后对这些特征进行加权求和，求和公式如(3)所示：

$s=\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{w}_i{s}_i---\left(3\right)$

上式中，M为特征总数，w_i为各个特征的权值。

进一步的，根据相同个体特征训练时的特征维数不同，特征训练分为单值特征训练与向量特征训练，

单值特征训练的步骤为：首先将所有足迹特征组成特征值向量，然后通过固定模型拟合得到该单值特征的分布，最后得到该分布的主要参数，以此作为训练结果；

训练某特征向量为L_f={l₁l₂...l_i...l_N}，i=1,2,...,N，N>5且为整数，根据固定模型拟合函数，得到其固定模型分布G(α)，α即某特征的分布特征；

向量特征训练的步骤为：首先将所有向量进行旋转矫正，使曲线可以作为水平坐标的函数，然后对曲线进行横坐标归一化处理，对每枚足迹所采得的归一化曲线进行拟合，设定相同长度的横坐标，根据每条拟合曲线结果得到长度相同的曲线向量，最后对所有曲线进行相同坐标系下的整体拟合，得到最接近的形状曲线。

进一步的，w_i的求取方法如公式(4)所示：

$w_i=\frac{{\mathrm{\δ}}_i}{\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{\mathrm{\δ}}_i}---\left(4\right)$

δ_i表示的是第i个特征的变化率，其计算方式根据特征维数不同而不同，M为特征总数。

进一步的，单值特征的变化率求取如式(5)所示：

${\mathrm{\δ}}_i=\frac{\mathrm{dG}\left(\mathrm{\α}\right)}{\mathrm{d\α}}{|}_{\mathrm{\α}={\mathrm{\α}}_i}---\left(5\right)$

α_i表示的是第i个特征的分布参数，G(α)表示的是某个特征的固定模型拟合分布；向量特征的变化率求取如式(6)所示：

${\mathrm{\δ}}_i=\frac{{\left|\right|x_i-{\hat{x}}_i\left|\right|}_2^2}{{\left|\right|{\hat{x}}_i\left|\right|}_2^2}---\left(6\right)$

x_i表示的是从样本中提取的第i个向量特征，是指每个个体拟合后的向量特征训练结果。

采用上述技术方案后，本发明与现有技术相比具有以下有益效果。

本发明一种基于赤足或穿袜足迹图像的自动人身认定方法，该方法可以对结构形状类与压力类两类特征进行量化统计与评分，根据评分结果达到足迹的自动认定，从而实现自动人身认定的目的。本方法将以往足迹认定中通过特征定性来认定的方式改变为定量认定的方式。在特征查询中，每个足迹特征的查询的结果是量化后的评分结果，整体的特征查询结果也是量化的，而不是定性的，其结果不是现有足迹认定中像、类似、接近之类的定性结果，而是量化的结果，且基于特征稳定度的综合量化特征分析方法，可以充分体现每个特征在综合分析时的可信度，提高综合分析特征的准确性，使得认定的结果更准确。

下面结合附图对本发明的具体实施方式作进一步详细的描述。

附图说明

图1是本发明一种基于赤足或穿袜足迹图像的自动人身认定方法的整体算法流程图。

图2是本发明一种基于赤足或穿袜足迹图像的自动人身认定方法中的单值特征训练过程流程图。

图3是本发明一种基于赤足或穿袜足迹图像的自动人身认定方法中的向量特征训练过程流程图。

图4是本发明一种基于赤足或穿袜足迹图像的自动人身认定方法的特征查询过程流程图。

具体实施方式

如图1所示，本发明一种基于赤足或穿袜足迹图像的自动人身认定方法，包括以下步骤：

S1、录入赤足或穿袜足迹图像，对足迹图像进行足迹数量统计，并根据足迹数量为1个还是多个，进行不同的操作。若为单枚足迹执行步骤S2，否则执行步骤S3；

S2、足迹图像只有单枚足迹，提取足迹特征，所述足迹特征包括结构形状类与压力类两种特征，然后执行步骤S4。

S3、足迹图像为成趟的多枚足迹，提取成趟足迹的相关特征，然后将图像中的足迹进行单枚足迹分拆，并对所有单枚足迹的足迹特征分别进行提取，所述足迹特征包括结构形状类与压力类两种特征，用统计的方法取最稳定的单枚足迹特征并保存；然后执行步骤S4。

S4、进行特征查询，将足迹特征与样本库中所有个体进行相似度分析并打分，执行步骤S5；

S5、得到打分结果，如果相似度的整体分数结果小于一定分值，则认为样本特征库中不存在查询个体或者查询个体中的样本过少，执行步骤S6，否则执行步骤S7；

S6、利用提取的足迹特征进行特征训练，并更新样本库，认定过程结束；

S7、将所有打分结果中得分最高的个体作为查询结果输出，认定结束。

如图4所示，在进行特征查询时，首先将要查询足迹的每种单值特征提取并与样本库中训练的不同个体相对应的单值特征对比评分。

假设提取的特征值为f，训练得到的统计分布特征为a_f，按照公式(1)进行相似度分值S_v计算（k、b是通过统计得出的分数判别系数）：

s_v=kα_f+b          (1)

将要查询足迹的每种结构形状类特征与样本库中训练的不同个体相对应的每种结构形状类特征对比评分。

若查询特征曲线为v_s，样本库特征曲线为v_b，则其相似度分值S_l可由公式(2)计算得到：

s_l=R(v_s,v_b)             (2)

式(2)中，R()为相关评估函数。

接着根据样本库中每个个体的各种特征稳定性计算每种特征的权重，权值是采用稳定度统计的方法来确定的，在进行各个个体特征训练时，相同个体的训练样本，单值特征的标准差与期望之比越小则认为该特征越稳定，向量特征的归一化拟合误差越小则该特征越稳定，越稳定的特征分配越高的权值；

最后对这些特征进行加权求和，求和公式如式(3)所示：

$s=\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{w}_i{s}_i---\left(3\right)$

上式中，M为特征总数，w_i为各个特征的权值。

w_i的求取方法如式(4)所示：

$w_i=\frac{{\mathrm{\δ}}_i}{\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{\mathrm{\δ}}_i}---\left(4\right)$

δ_i表示的是第i个特征的变化率，其计算方式根据特征维数不同而不同。M为特征总数。

单值特征的变化率求取如式(5)所示：

${\mathrm{\δ}}_i=\frac{\mathrm{dG}\left(\mathrm{\α}\right)}{\mathrm{d\α}}{|}_{\mathrm{\α}={\mathrm{\α}}_i}---\left(5\right)$

α_i表示的是第i个特征的分布参数，G(α)表示的是某个特征的固定模型拟合分布；向量特征的变化率求取如式(6)所示：

${\mathrm{\δ}}_i=\frac{{\left|\right|x_i-{\hat{x}}_i\left|\right|}_2^2}{{\left|\right|{\hat{x}}_i\left|\right|}_2^2}---\left(6\right)$

x_i表示的是从样本中提取的第i个向量特征，是指每个个体拟合后的向量特征训练结果。

从整体上讲，向量特征的变化率就是相同个体向量特征与向量特征训练结果的相对距离。

根据加权求和后得到的相似度分值为与样本库中每个个体的相似度评分结果，即此足迹的相似度的整体分数。

设定一个分值，如果相似度的整体分数结果大于设定分值，将所有打分结果中得分最高的个体作为查询结果输出，可以认定得分最高的足迹为与样本库中的足迹为最吻合的足迹，足迹的自动认定结束。

如果相似度的整体分数结果小于设定分值，则认为样本特征库中不存在查询个体或者查询个体中的样本过少，进行特征训练，并将训练结果存入样本库，更新样本库内容。

特征训练是指将所提取的足迹特征进行统计、分析、拟合，得到能够描述该类特征的量化指标，具体训练的方式根据特征的维数不同而变化。主要目的是提取最能描述个体的特征量，去除其他无关信息，不仅可以使数据量降低，而且还可以优化个体比对的过程。

根据相同个体特征训练时的特征维数不同，特征训练分为单值特征训练与向量特征训练。

单值特征训练，其训练的结果是相应特征固定模型的分布参数。

向量特征训练，其训练的结果是相应特征的一维矩阵。

如图2所示，在进行单值特征训练时，首先录入相同个体的某种特征，将所有足迹的此种特征组成特征值向量，然后通过固定模型拟合得到该单值特征的模型分布，然后获取固定模型分布的主要参数，以此作为训练结果。

训练某特征向量，根据固定模型拟合函数，得到其固定模型分布G(α)，α即某特征的分布特征。进行单值特征的训练时，获取足迹的多种单值特征，并分别就某种单值特征进行特征训练。

以足长为例，训练足长向量为L_f={l₁l₂...l_i...l_N}，i=1,2,...,N，N>5且为整数，根据拟合函数得到足长的模型分布G(α_L)，α_L即足长的分布特征。

如图3所示，向量特征训练的步骤为：录入相同个体的所有同种向量特征，将所有向量进行旋转矫正，使曲线可以作为水平坐标的函数，然后对曲线进行横坐标归一化处理，对每枚足迹所采得的归一化曲线进行拟合，设定相同长度的横坐标，根据每条拟合曲线结果得到长度相同的曲线向量，最后对所有曲线进行相同坐标系下的整体拟合，得到最接近的形状曲线，训练结束。样本库中没有与其相同的足迹，认定结束。并且将训练的结果存入样本库，将此足迹特征做为新的样本，更新样本库的信息。

本方法将以往足迹认定中定性认定的东西改变为定量认定。

在特征查询中，每个足迹特征的查询的结果是量化的评分，整体的特征查询结果也是量化的，而不是定性的，其结果不是现有足迹认定中像、类似、接近之类的定性结果，而是量化的结果。

在认定过程中，用某一足迹特征的分布模型的参数进行相应单值特征的评分。在整体特征评分的时候，对各足迹特征的相似度分数采取加权求和的权值求取方法。

该方法先对所有待分析的足迹特征进行特征域的特征变化统计，变化越大（即稳定度越小）的足迹特征分配更小的特征权重，反之分配更大的特征权重，最后计算每个特征权重与相应的特征分析结果量的乘积和，即可得到综合的整体特征分析结果量。

本发明有如下优势：

1.认定方式新：即采用赤足或穿袜足迹图像来自动地进行人身认定，在生物痕迹自动人身认定领域是一种新的方法。

2.量化特征比对稳定：基于固定模型拟合的单值特征训练与相似度评价方法，可以以量化特征的方式更稳定地对单值特征进行相似度量化判定，将离散的分类问题转化为近似连续的评分问题。

3.综合特征分析更加准确：基于特征稳定度的综合量化特征分析方法，可以充分体现每个特征在综合分析时的可信度，提高综合分析特征的准确性。

上述实施例中的实施方案可以进一步组合或者替换，且实施例仅仅是对本发明的优选实施例进行描述，并非对本发明的构思和范围进行限定，在不脱离本发明设计思想的前提下，本领域中专业技术人员对本发明的技术方案作出的各种变化和改进，均属于本发明的保护范围。

Claims (5)

1.一种基于赤足或穿袜足迹图像的自动人身认定方法，其特征在于：包括以下步骤，

S1、对足迹图像进行足迹数量统计，若为单枚足迹执行步骤S2，否则执行步骤S3；

S2、足迹图像只有单枚足迹，提取足迹特征，所述足迹特征包括结构形状类与压力类两种特征，然后执行步骤S4；

S3、足迹图像为成趟的多枚足迹，提取成趟足迹的相关特征，然后将图像中的足迹进行单枚足迹分拆，并对所有单枚足迹的足迹特征分别进行提取，所述足迹特征包括结构形状类与压力类两种特征，用统计的方法取最稳定的单枚足迹特征并保存；然后执行步骤S4；

S4、进行特征查询，将足迹特征与样本库中所有个体进行相似度分析并打分，执行步骤S5；

S5、得到打分结果，如果相似度的整体分数结果小于一定分值，则认为样本特征库中不存在查询个体或者查询个体中的样本过少，执行步骤S6，否则执行步骤S7；

S6、利用提取的足迹特征进行特征训练，并更新样本库，认定过程结束；

S7、将所有打分结果中得分最高的个体作为查询结果输出，认定结束。

2.根据权利要求1所述的一种基于赤足或穿袜足迹图像的自动人身认定方法，其特征在于：特征查询的步骤为：

首先将要查询足迹的每种单值特征与样本库中训练的不同个体相对应的单值特征对比评分，假设提取的特征值为f，训练得到的统计分布特征为a_f，按照公式(1)进行相似度分值S_v计算（k、b是通过统计得出的分数判别系数）：

s_v=kα_f+b        (1)

将要查询足迹的每种结构形状类特征与样本库中训练的不同个体相对应的每种结构形状类特征对比评分；

若查询特征曲线为v_s，样本库特征曲线为v_b，则其相似度分值S_l可由公式(2)计算得到：

s_l=R(v_s,v_b)          (2)

式(2)中，R()为相关评估函数；

接着根据样本库中每个个体的各种特征稳定性计算每种特征的权重，权值是采用稳定度统计的方法来确定的，在进行各个个体特征训练时，相同个体的训练样本，单值特征的标准差与期望之比越小则认为该特征越稳定，向量特征的归一化拟合误差越小则该特征越稳定，越稳定的特征分配越高的权值；

最后对这些特征进行加权求和，求和公式如(3)所示：

$s=\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{w}_i{s}_i---\left(3\right)$

上式中，M为特征总数，w_i为各个特征的权值。

3.根据权利要求1或2所述的一种基于赤足或穿袜足迹图像的自动人身认定方法，其特征在于：根据相同个体特征训练时的特征维数不同，特征训练分为单值特征训练与向量特征训练，

单值特征训练的步骤为：首先将所有足迹特征组成特征值向量，然后通过固定模型拟合得到该单值特征的分布，最后得到该分布的主要参数，以此作为训练结果；

训练某特征向量为L_f={l₁l₂...l_i...l_N}，i=1,2,...,N，N>5且为整数，根据固定模型拟合函数，得到其固定模型分布G(α)，α即某特征的分布特征；

向量特征训练的步骤为：首先将所有向量进行旋转矫正，使曲线可以作为水平坐标的函数，然后对曲线进行横坐标归一化处理，对每枚足迹所采得的归一化曲线进行拟合，设定相同长度的横坐标，根据每条拟合曲线结果得到长度相同的曲线向量，最后对所有曲线进行相同坐标系下的整体拟合，得到最接近的形状曲线。

4.根据权利要求2述的一种基于赤足或穿袜足迹图像的自动人身认定方法，其特征在于：w_i的求取方法如公式(4)所示：

$w_i=\frac{{\mathrm{\δ}}_i}{\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{\mathrm{\δ}}_i}---\left(4\right)$

δ_i表示的是第i个特征的变化率，其计算方式根据特征维数不同而不同，M为特征总数。

5.根据权利要求4所述的一种基于赤足或穿袜足迹图像的自动人身认定方法，其特征在于：单值特征的变化率求取如式(5)所示：

${\mathrm{\δ}}_i=\frac{\mathrm{dG}\left(\mathrm{\α}\right)}{\mathrm{d\α}}{|}_{\mathrm{\α}={\mathrm{\α}}_i}---\left(5\right)$

α_i表示的是第i个特征的分布参数，G(α)表示的是某个特征的固定模型拟合分布；向量特征的变化率求取如式(6)所示：

${\mathrm{\δ}}_i=\frac{{\left|\right|x_i-{\hat{x}}_i\left|\right|}_2^2}{{\left|\right|{\hat{x}}_i\left|\right|}_2^2}---\left(6\right)$

x_i表示的是从样本中提取的第i个向量特征，是指每个个体拟合后的向量特征训练结果。