CN104598891A - 基于穿鞋足迹图像的人身特征分析的方法及装置 - Google Patents

Abstract

一种基于穿鞋足迹图像的人身特征分析的方法及装置，属于刑侦技术领域，包括如下步骤；S1.对穿鞋足迹图像预处理：使用图像滤波操作去除穿鞋足迹图像中鞋底花纹的干扰，滤波器的尺度根据花纹的尺寸自适应地确定；S2.对穿鞋足迹图像进行多层压力面提取；S3.获得足迹形态结构特征；S4.分别建立足迹形态结构特征与身高、年龄、体态和性别之间的数学模型；获取人身特征。本发明对人身特征分析可自动化实现，不受鞋底花纹大小的影响，人身特征分析稳定、精确。

Description

基于穿鞋足迹图像的人身特征分析的方法及装置

技术领域

本发明涉及数字图像处理、计算机视觉以及刑侦技术领域，尤其涉及一种基于穿鞋足迹图像的人身特征分析的方法及装置。

背景技术

足迹是刑侦办案中最常见的“手足工枪”四大类痕迹之一。随着犯罪形式的变化以及犯罪特点日趋智能型，作案人的反侦察意识越来越强，犯罪现场能提取到的手印痕迹数量大大减少，因此，足迹分析在侦查破案过程中的重要性越来越突出，而足迹分析中很重要的一个方面就是人身特征分析，即从足迹中分析犯罪嫌疑人的身高、年龄、体态、性别。根据人身特征可大大缩小嫌疑人排查范围，加快案件侦破速度。

我国的足迹检验理论远远走在世界前列，相关著作中对人身特征的分析方法也有大量阐述。人身特征分析主要基于赤足的基本特征进行，基本特征包括足型特征和压力面特征。基于穿鞋足迹进行人身分析的首要任务是从穿鞋足迹中提取到赤足基本特征。鞋的种类、鞋底花纹的类型等都会影响到形成该穿鞋足迹的赤足的基本特征反映情况，目前，国内只有少数专家根据多年实践经验才能相对准确地在穿鞋足迹上标画出所反映赤足的基本特征；而在人身特征分析阶段，也主要采用手工测量、定性推断的形式，因此不可避免地引入人为误差。

发明内容

为了解决上述问题，本发明提供了一种基于穿鞋足迹图像的人身特征分析的方法及装置，通过计算机图像处理手段，可根据自动估算的花纹尺寸去除鞋底花纹对足底压力面的影响，然后自动提取穿鞋足迹图像所反映的压力面信息，进而在像素级上计算得到对应赤足基本特征；在分析人身特征阶段，通过建立科学的模型，将人工经验进行量化，避免足迹检验人员主观影响及人为误差的引入，从而达到快速、定量、准确、客观地人身特征分析的目的，为侦查决策提供参考。

为了实现上述目的，本发明采用的技术方案为：一种基于穿鞋足迹图像的人身特征分析的方法，包括如下步骤：

S1.对穿鞋足迹图像预处理：使用图像滤波操作去除穿鞋足迹图像中鞋底花纹的干扰，滤波器的尺度根据花纹的尺寸自适应地确定；

S2.对穿鞋足迹图像进行多层压力面提取；

S3.根据穿鞋足迹的多层压力面图像，获得至少下述足迹形态结构特征：足长、足宽、跟宽、弓宽以及掌区重压面下缘凸点的位置；

S4.分别建立足迹形态结构特征与身高、年龄、体态和性别之间的数学模型；向各数学模型输入上述形态结构特征，获取人身特征。

作为技术方案的补充，步骤S1中，图像滤波的公式如下：

I＝F*G

I(i，j)＝Σ_mΣ_nF(i，j)G(i-m，j-n)       (1)

其中，*表示卷积，F表示原始穿鞋足迹图像，G表示滤波器，I表示滤波后的足迹图像，(i，j)表示当前像素位置，m、n分别表示滤波窗口在x、y方向的大小。

作为技术方案的进一步补充，滤波器定义为

$G(u,v)=\frac{1}{2\mathrm{\π}{\mathrm{\σ}}^2}{e}^{-(u^2+v^2)/\left({2\mathrm{\σ}}^2\right)}---\left(2\right)$

其中，u、v是坐标变量，σ是标准偏差；

作为技术方案的更进一步补充，自适应确定滤波器尺度的方法为：首先将穿鞋足迹图像进行二值化操作，使穿鞋足迹图像中每个独立花纹对应于二值图像中的一个对象；计算所有对象的面积，并去掉面积小于穿鞋足迹图像0.05％的对象，得到有效对象；计算每个有效对象的等效半径，即与该对象具有相同面积的圆的半径，此半径是表征该对象对应花纹的形状参数，取所有有效对象等效半径的平均值作为滤波器的尺度σ。

作为技术方案的补充，步骤S2中多层压力面提取的步骤为：

S2.1.对自适应滤波后的足迹图像进行双边滤波操作，用如下公式表示：

$I^F=\frac{1}{W_p}{\mathrm{\Σ}}_{x_i\∈\mathrm{\Ω}}I\left(x_i\right)f_r\left(\right||I\left(x_i\right)-I\left(x\right)|\left|\right)g_s\left(\right||x_i-x|\left|\right)---\left(3\right)$

其中，W_p是加权函数，定义如下

$W_p=\underset{x_i\∈\mathrm{\Ω}}{\mathrm{\Σ}}{f}_r\left(\right||I\left(x_i\right)-I\left(x\right)|\left|\right)g_s\left(\right||x_i-x|\left|\right)$

I^F是双边滤波后的足迹图像，I表示自适应滤波后的足迹图像，x表示图像I中当前像素的位置坐标，Ω为以x为中心的当前双边滤波窗口，f_r是平滑亮度差异的值域核函数，g_s是平滑空间差异的空间核函数；

S2.2.量化分级：首先对双边滤波后的足迹图像进行色彩空间转换，从RGB空间转换到Lab空间；取亮度通道L，对其按照足迹压力面层数n进行量化；然后将Lab模式图像再转换到RGB空间，得到足迹多层压力面分布图像。

作为技术方案的进一步补充，步骤S3中获得足迹形态结构特征的方法为：

S3.1.建立足迹坐标系：取多层压力面分布图像中的压力最外层，做掌区和跟区的内、外两侧的公切线，设掌区、跟区的内侧最凸点分别为A、B，掌区、跟区的外侧最凸点分别为C、D，则两公切线AB、CD的夹角的角平分线为足迹中心线，足迹中心线与跟区下缘的交点为O，将足迹调整到其中心线竖直且脚尖向上，则在足迹所在平面中，以O为原点，以中心线为Y轴，竖直向上为Y轴正方向，水平向右为X轴正方向，建立足迹坐标系；

S3.2.计算足迹形态结构特征：由外向内的次外层压力面轮廓的最上缘凸点T，为赤足的拇趾前缘点，点T与原点O的连线在足迹中心线方向上投影的长度为足长；

掌区内、外两侧最凸点的连线AC的长度为足宽；

跟区内、外两侧最凸点的连线BD的长度为跟宽；

最外层足迹压力面在线段AC、BD所夹的部分，且该部分内外两段轮廓在足迹中心线垂直方向上的最短距离MN为弓宽a；

取足迹多层压力面分布图像中由外向内的第三层压力面，得该层上的掌区压力区域，该区域外边缘上与坐标原点O的垂直距离最近的点为掌区压力区域的下缘凸点S。

作为技术方案的进一步补充，步骤S4中的建立足迹形态结构特征与身高、年龄、体态和性别之间的数学模型，并获取人身特征的方法的步骤为：

S4.1.建立足长与身高之间的数学模型：

身高＝足长×7     (4)

根据公式(4)计算该足迹所有人的身高，获取足迹所有人的身高特征；

S4.2.建立年龄、足长、掌压之间的数学模型：

$\mathrm{Age}=\left\{\begin{array}{cc}<20& L>L_{20}\\ 20+10*\frac{L_{20}-L}{L_{20}-L_{30}}& L_{30}\&le;L\&le;L_{20}\\ 30+40*\frac{L_{30}-L}{L_{30}-L_{70}}& L_{70}\&le;L<L_{30}\end{array}\right.---\left(5\right)$

其中：L为掌区压力区域的下缘凸点S与原点O的连线在足迹中心线方向上的长度；Age是年龄，L₂₀是20岁基线，L₃₀是30岁基线，L₇₀是70岁基线；

根据公式(5)计算该足迹所有人的年龄，获取足迹所有人的年龄特征；

S4.3.建立体态、弓宽a及d₀之间的数学模型：a＜d₀，体型偏瘦；a＝d₀，体型中等；a＞d₀，体型偏胖；依此获取足迹所有人的体态特征，其中d₀为弓压外缘线与足迹中心线之间的最短距离；

S4.4.建立性别与足长的数学模型：样本x至总体G的马氏距离为

$d(x,G)=\sqrt{{(x-\mathrm{\&mu;})}^T{\mathrm{\&Sigma;}}^{-1}(x-\mathrm{\&mu;})}---\left(6\right)$

其中：μ和Σ分别为总体G的均值和协方差矩阵；x为足长，男、女的足长分别为服从正态分布和的总体Ｇ_１、Ｇ_２，μ_１、μ_２分别为Ｇ_１、Ｇ_２的均值，分别为Ｇ_１、Ｇ_２的方差；

根据公式(6)计算得到测试足迹足长到总体Ｇ_１、Ｇ_２的距离d₁、d₂，

$\left\{\begin{array}{cc}x\&Element;G_1,& d_1\&le;d_2\\ x\&Element;G_2,& d_2<d_1\end{array}\right.---\left(7\right)$

使用公式(7)，获取足迹所有人的性别特征。

作为技术方案的更进一步补充，上述步骤S4.4被替换为：建立性别与足迹的长宽比的数学模型，足迹的长宽比为：

r＝足长/足宽   (8)

男、女的足迹长宽比分别为服从正态分布和的总体G₃、G₄，其中μ₃、μ₄分别为G₃、G₄的均值，分别为G₃、G₄的方差；参考公式(6)计算得到测试足迹长宽比与总体G₃、G₄的马氏距离d₃、d₄；

$\left\{\begin{array}{cc}r\&Element;G_3,& d_3\&le;d_4\\ r\&Element;G_4,& d_4<d_3\end{array}\right.---\left(9\right)$

使用公式(9)计算获取足迹所有人的性别特征。

作为技术方案的更进一步补充，上述步骤S4.4被替换为：

建立性别与足迹压力面相邻层间压力变化率的数学模型：记S_i，i＝1，２，...，n，为第i层的足迹压力面的面积，相邻层间的足迹压力面的面积相对变化率为

ΔS_i＝(Ｓ_i+1-S_i)/S_i，i＝1，２，...，n-1     (10)

其变异系数为

cv＝σ/μ           (11)

其中，μ、σ分别为{ΔS_i}的均值和方差；

给定阈值T，变异系数cv大于阈值T，则判断该足迹所有人为男性，否则判断该足迹所有人为女性。

作为技术方案的更进一步补充，上述步骤S4.4被替换为：使用上述多个技术方案中步骤S4.4的方法，得到三个性别属性，以0代表男性，1代表女性，计算上述性别属性之和s，若s≤1，则判断该足迹所有人为男性；否则，判断该足迹所有人为女性。

本发明还涉及一种基于穿鞋足迹图像的人身特征分析的装置，包括：

穿鞋足迹图像预处理装置，使用图像滤波操作去除穿鞋足迹图像中鞋底花纹的干扰，滤波器的尺度根据花纹的尺寸的大小自适应地确定；

多层压力面提取装置，用于对穿鞋足迹图像进行多层压力面提取；

足迹形态结构特征获得装置，用于根据穿鞋足迹的多层压力面图像，获得至少下述足迹形态结构特征：足长、足宽、跟宽、弓宽以及掌区重压面下缘凸点的位置；

数学模型建立及人身特征获取装置，用于分别建立足迹形态结构特征与身高、年龄、体态和性别之间的数学模型；向各数学模型输入上述形态结构特征，获取人身特征。

有益效果：

1.本发明对人身特征分析可自动化实现，不受鞋底花纹大小的影响，无需人工干预，直接得到人身特征分析结果。

2.本发明人身特征分析稳定，判定时使用实验统计数据建立数学模型进行，可有效避免人主观因素的影响。

3.身高、年龄分析更为精确，使用高分辨率图像在像素级上计算身高、年龄，避免人为误差引入。

附图说明

图1为穿鞋足迹图像；

图2为穿鞋足迹多层压力面及形态结构特征示意图。

具体实施方式

实施例一：一种基于穿鞋足迹图像的人身特征分析的方法，包括如下步骤：

S1.对穿鞋足迹图像预处理：使用图像滤波操作去除穿鞋足迹图像中鞋底花纹的干扰，滤波器的尺度根据花纹的尺寸的大小自适应地确定：使穿鞋足迹图像进行尺度自适应地滤波操作；

图像滤波的公式如下：

I＝F*G

I(i，j)＝Σ_mΣ_nF(i，j)G(i-m，j-n)       (1)

其中，*表示卷积，F表示原始穿鞋足迹图像，G表示滤波器，I表示滤波后的足迹图像，(i，j)表示当前像素位置，m、n分别表示滤波窗口在x、y方向的大小；

滤波器定义为

$G(u,v)=\frac{1}{2\mathrm{\&pi;}{\mathrm{\&sigma;}}^2}{e}^{-(u^2+v^2)/\left({2\mathrm{\&sigma;}}^2\right)}---\left(2\right)$

其中，u、v是坐标变量，σ是标准偏差；

具体的，自适应确定滤波器尺度的方法为：首先将穿鞋足迹图像进行二值化操作，使穿鞋足迹图像中每个独立花纹对应于二值图像中的一个对象；计算所有对象的面积，并去掉面积小于穿鞋足迹图像0.05％的对象，得到有效对象；计算每个有效对象的等效半径，即与该对象具有相同面积的圆的半径，此半径是表征该对象对应花纹的形状参数；取所有有效对象等效半径的平均值作为高斯滤波器的尺度σ。

由于穿鞋足迹图像中花纹的种类对赤足基本信息的反映影响较大，因此首先要使用图像滤波操作去除花纹的干扰，使用以上自适应高斯滤波器对原始穿鞋足迹图像进行滤波，得到的图像已基本滤除鞋底花纹对赤足基本信息反映的影响，可在此基础上提取到足底压力信息。

S2.对穿鞋足迹图像进行多层压力面提取；

S2.1.对自适应滤波后的足迹图像进行双边滤波操作，可用如下公式表示：

$I^F=\frac{1}{W_p}{\mathrm{\&Sigma;}}_{x_i\&Element;\mathrm{\&Omega;}}I\left(x_i\right)f_r\left(\right||I\left(x_i\right)-I\left(x\right)|\left|\right)g_s\left(\right||x_i-x|\left|\right)---\left(3\right)$

其中，Ｗ_p是加权函数，定义如下

$W_p=\underset{x_i\&Element;\mathrm{\&Omega;}}{\mathrm{\&Sigma;}}{f}_r\left(\right||I\left(x_i\right)-I\left(x\right)|\left|\right)g_s\left(\right||x_i-x|\left|\right)$

I^F是双边滤波后的足迹图像，I表示自适应滤波后的足迹图像，x表示图像I当前像素的位置坐标，Ω为以x为中心的当前双边滤波窗口，f_r是平滑亮度差异的值域核函数，g_s是平滑空间差异的空间核函数；加权函数保证了穿鞋足迹图像经滤波后能量仍能保留。

S2.2.量化分级：首先对双边滤波后的足迹图像进行色彩空间转换，从RGB空间转换到Lab空间；取亮度通道L，对其按照足迹压力面层数n进行量化，本实施例中，压力面层数为8层，即n＝8，由外向内依次为第一层至第八层；然后将Lab模式图像再转换到RGB空间，得到足迹多层压力面分布图像。

S3.根据穿鞋足迹的多层压力面图像，获得至少下述足迹形态结构特征：足长、足宽、跟宽、弓宽以及掌区重压面下缘凸点的位置；

S3.1.建立足迹坐标系：取多层压力面分布图像中的压力最外层，做掌区和跟区的内、外两侧的公切线，设掌区、跟区的内侧最凸点分别为A、B，掌区、跟区的外侧最凸点分别为C、D，则两公切线AB、CD的夹角的角平分线为足迹中心线，足迹中心线与跟区下缘的交点为O，将足迹调整到其中心线竖直且脚尖向上，则在足迹所在平面中，以O为原点，以中心线为Y轴，竖直向上为Y轴正方向，水平向右为X轴正方向，建立足迹坐标系；

S3.2.计算足迹形态结构特征:由外向内的次外层压力面轮廓的最上缘凸点T，为赤足的拇趾前缘点，点T与原点O的连线在足迹中心线方向上投影的长度为足长；

掌区内、外两侧最凸点的连线AC的长度为足宽；

跟区内、外两侧最凸点的连线BD的长度为跟宽；

最外层足迹压力面在线段AC、BD所夹的部分，且该部分内外两段轮廓在足迹中心线垂直方向上的最短距离MN为弓宽a；

取足迹多层压力面分布图像中由外向内的第三层压力面，得该层上的掌区压力区域，该区域外边缘上与坐标原点O的垂直距离最近的点，为掌区压力区域的下缘凸点S。

S4.分别建立足迹形态结构特征与身高、年龄、体态和性别之间的数学模型；向各数学模型输入上述形态结构特征，获取人身特征；

S4.1.建立足长与身高之间的数学模型：

身高＝足长×7     (4)

根据公式(4)计算该足迹所有人的身高，获取足迹所有人的身高特征：

S4.2.建立年龄、足长、掌压之间的数学模型：

足迹横截线、30岁基线L₃₀和70岁基线L₇₀，三者均以坐标原点为基准点，横截线位置的计算方法为：

横截线位置＝足长×0.69

30岁基线的位置可根据足长查表1确定；

表1 30岁基线与足长的对应表

足长(cm)	30岁基线(cm)
		23	12.5
24	13
		25	13.5
26	14
		27	14.5
28	15
		29	15.5

70岁基线计算方法为：

70岁基线位置＝足长×0.27

横截线与30岁基线的中间1/2处，即为20岁基线所在位置L₂₀，由上可得两个年龄区间：20岁与30岁、30岁与70岁。

$\mathrm{Age}=\left\{\begin{array}{cc}<20& L>L_{20}\\ 20+10*\frac{L_{20}-L}{L_{20}-L_{30}}& L_{30}\&le;L\&le;L_{20}\\ 30+40*\frac{L_{30}-L}{L_{30}-L_{70}}& L_{70}\&le;L<L_{30}\end{array}\right.---\left(5\right)$

其中：L为掌区压力区域的下缘凸点S与原点O的连线在足迹中心线方向上的长度；Age是年龄，L₂₀是20岁基线，L₃₀是30岁基线，L₇₀是70岁基线；

根据公式(5)计算该足迹所有人的年龄，获取足迹所有人的年龄特征；

S4.3.建立体态、弓宽a及d₀之间的数学模型：a＜d₀，体型偏瘦；a＝d₀，体型中等；a＞d₀，体型偏胖；依此获取足迹所有人的体态特征，其中d₀为弓压外缘线与足迹中心线之间的最短距离；

S4.4.建立性别与足长的数学模型：样本x至总体G的马氏距离为

$d(x,G)=\sqrt{{(x-\mathrm{\&mu;})}^T{\mathrm{\&Sigma;}}^{-1}(x-\mathrm{\&mu;})}---\left(6\right)$

其中：μ和Σ分别为总体G的均值和协方差矩阵；x为足长，男、女的足长分别为服从正态分布和的总体G₁、G₂，μ₁、μ₂分别为G₁、G₂的均值，分别为G₁、G₂的方差；

根据足长判断性别属性属于统计学中判别分析的范畴，可根据当前检验足迹的足长x与G₁、G₂两个总体的马氏距离d₁、d₂，判断其在足长方面的所属性别。

根据公式(6)计算得到测试足迹足长到总体G₁、G₂的距离d₁、d₂，使用公式(7)，获取足迹所有人的性别特征；

$\left\{\begin{array}{cc}x\&Element;G_1,& d_1\&le;d_2\\ x\&Element;G_2,& d_2<d_1\end{array}\right.---\left(7\right)$

即d₁≤d₂，在足长方面测试足迹属于男性，d₂<d₁，在足长方面测试足迹属于女性。

本实施例中基于足长进行性别判断的方法具有以下有益效果：使用统计学方法进行，且能够定量衡量判别效果。

本实施例还涉及一种基于穿鞋足迹图像的人身特征分析的装置，包括：

穿鞋足迹图像预处理装置，使用图像滤波操作去除穿鞋足迹图像的花纹干扰，滤波器的尺度根据花纹的尺寸自适应地确定；

多层压力面提取装置，用于对穿鞋足迹图像进行多层压力面提取；

足迹形态结构特征获得装置，用于根据穿鞋足迹的多层压力面图像，获得至少下述足迹形态结构特征：足长、足宽、跟宽、弓宽以及掌区重压面下缘凸点的位置；

数学模型建立及人身特征获取装置，用于分别建立足迹形态结构特征与身高、年龄、体态和性别之间的数学模型；向各数学模型输入上述形态结构特征，获取人身特征。

实施例二：技术方案与实施例一相同，其区别点在于：步骤S4.4为建立性别与足迹的长宽比的数学模型，足迹的长宽比为：

r＝足长/足宽；      (8)男、女的足迹长宽比分别为服从正态分布和的总体G₃、G₄，其中μ₃、μ₄分别为G₃、G₄的均值，分别为G₃、G₄的方差；参考公式(6)计算得到测试足迹长宽比与总体G₃、G₄的马氏距离d₃、d₄，使用公式(9)计算获取足迹所有人的性别特征；

$\left\{\begin{array}{cc}r\&Element;G_3,& d_3\&le;d_4\\ r\&Element;G_4,& d_4<d_3\end{array}\right.---\left(9\right)$

即d₃≤d₄，在足迹的长宽比方面测试足迹属于男性，d₄<d₃，在足迹的长宽比方面测试足迹属于女性。

实施例三：技术方案与实施例一相同，其区别点在于：步骤S4.4为建立性别与压力面相邻层间压力变化率的数学模型：记S_i，i＝1，２，...，n，为第i层的足迹压力面的面积，相邻层间的足迹压力面的面积相对变化率为

ΔS_i＝(S_i+1-S_i)/S_i，i＝１，２，...，n-1      (10)

其变异系数为

cv＝σ/μ     (11)

其中，μ、σ分别为{ΔS_i}的均值和方差；

一般而言，女性的足底压力分布均匀，因此对应的相邻层间压力面面积的相对变化率比较稳定，即其变异系数较小，给定阈值T＝0.3，变异系数cv大于阈值T，则判断该足迹所有人为男性，否则判断该足迹所有人为女性。

实施例四：技术方案与实施例一相同，其区别点在于：步骤S4.4为：获取实施例一至三中的步骤S4.4的3种数学模型的性别属性，以0代表男性，1代表女性，计算上述3种数学模型的性别属性之和s，若s≤1，则判断该足迹所有人为男性；否则，判断该足迹所有人为女性。

Claims (10)

1.一种基于穿鞋足迹图像的人身特征分析的方法，其特征在于：包括如下步骤：

S1.对穿鞋足迹图像预处理：使用图像滤波操作去除穿鞋足迹图像中鞋底花纹的干扰，滤波器的尺度根据花纹的尺寸自适应地确定；

S2.对穿鞋足迹图像进行多层压力面提取；

S3.根据穿鞋足迹的多层压力面图像，获得至少下述足迹形态结构特征：足长、足宽、跟宽、弓宽以及掌区重压面下缘凸点的位置；

S4.分别建立足迹形态结构特征与身高、年龄、体态和性别之间的数学模型；向各数学模型输入上述形态结构特征，获取人身特征。

2.如权利要求1所述的一种基于穿鞋足迹图像的人身特征分析的方法，其特征在于：步骤S1中，图像滤波的公式如下：

I＝F*G

I(i，j)＝∑_m∑_nF(i，j)G(i-m，j-n)         (1)

其中，*表示卷积，F表示原始穿鞋足迹图像，G表示滤波器，I表示滤波后的足迹图像，(i，j)表示当前像素位置，m、n分别表示滤波窗口在x、y方向的大小。

3.如权利要求2所述的一种基于穿鞋足迹图像的人身特征分析的方法，其特征在于：步骤S1中的滤波器定义为：

$G(u,v)=\frac{1}{2\mathrm{\&pi;}{\mathrm{\&sigma;}}^2}{e}^{-(u^2+v^2)/\left(2{\mathrm{\&sigma;}}^2\right)}---\left(2\right)$

其中，u、v是坐标变量，σ是标准偏差；

自适应确定滤波器尺度的方法为：首先将穿鞋足迹图像进行二值化操作，使穿鞋足迹图像中每个独立花纹对应于二值图像中的一个对象；计算所有对象的面积，并去掉面积小于穿鞋足迹图像0.05％的对象，得到有效对象；计算每个有效对象的等效半径，即与该对象具有相同面积的圆的半径，此半径是表征该对象对应花纹的形状参数，取所有有效对象等效半径的平均值作为滤波器的尺度σ。

4.如权利要求1或3所述的一种基于穿鞋足迹图像的人身特征分析的方法，其特征在于：步骤S2中多层压力面提取的步骤为：

S2.1.对自适应滤波后的足迹图像进行双边滤波操作，用如下公式表示：

$I^F=\frac{1}{W_p}{\mathrm{\&Sigma;}}_{x_i\&Element;\mathrm{\&Omega;}}I\left(x_i\right)f_r\left(\right||I\left(x_i\right)-I\left(x\right)|\left|\right)g_s\left(\right||x_i-x|\left|\right)---\left(3\right)$

其中，W_p是加权函数，定义如下

$W_p=\underset{x_i\&Element;\mathrm{\&Omega;}}{\mathrm{\&Sigma;}}{f}_r\left(\right||I\left(x_i\right)-I\left(x\right)|\left|\right)g_s\left(\right||x_i-x|\left|\right)$

I^F是双边滤波后的足迹图像，I表示自适应滤波后的足迹图像，x表示图像I中当前像素的位置坐标，Ω为以x为中心的当前双边滤波窗口，f_r是平滑亮度差异的值域核函数，g_s是平滑空间差异的空间核函数；

S2.2.量化分级：首先对双边滤波后的足迹图像进行色彩空间转换，从RGB空间转换到Lab空间；取亮度通道L，对其按照足迹压力面层数n进行量化；然后将Lab模式图像再转换到RGB空间，得到足迹多层压力面分布图像。

5.如权利要求4所述的一种基于穿鞋足迹图像的人身特征分析的方法，其特征在于：步骤S3中获得足迹形态结构特征的方法为：

S3.1.建立足迹坐标系：取多层压力面分布图像中的压力最外层，做掌区和跟区的内、外两侧的公切线，设掌区、跟区的内侧最凸点分别为A、B，掌区、跟区的外侧最凸点分别为C、D，则两公切线AB、CD的夹角的角平分线为足迹中心线，足迹中心线与跟区下缘的交点为O，将足迹调整到其中心线竖直且脚尖向上，则在足迹所在平面中，以O为原点，以中心线为Y轴，竖直向上为Y轴正方向，水平向右为X轴正方向，建立足迹坐标系；

S3.2.计算足迹形态结构特征：由外向内的次外层压力面轮廓的最上缘凸点T，为赤足的拇趾前缘点，点T与原点O的连线在足迹中心线方向上投影的长度为足长；

掌区内、外两侧最凸点的连线AC的长度为足宽；

跟区内、外两侧最凸点的连线BD的长度为跟宽；

最外层足迹压力面在线段AC、BD所夹的部分，且该部分内外两段轮廓在足迹中心线垂直方向上的最短距离MN为弓宽a；

取足迹多层压力面分布图像中由外向内的第三层压力面，得该层上的掌区压力区域，该区域外轮廓上与坐标原点O的垂直距离最近的点为掌区压力区域的下缘凸点S。

6.如权利要求1或5所述的一种基于穿鞋足迹图像的人身特征分析的方法，其特征在于：步骤S4中的建立足迹形态结构特征与身高、年龄、体态和性别之间的数学模型，并获取人身特征的方法的步骤为：

S4.1.建立足长与身高之间的数学模型：

身高＝足长×7                (4)

根据公式(4)计算该足迹所有人的身高，获取足迹所有人的身高特征；

S4.2.建立年龄、足长、掌压之间的数学模型：

$\mathrm{Age}=\left\{\begin{array}{cc}<20& L>L_{20}\\ 20+10*\frac{L_{20}-L}{L_{20}-L_{30}}& L_{30}\&le;L\&le;L_{20}\\ 30+40*\frac{L_{30}-L}{L_{30}-L_{70}}& L_{70}\&le;L<L_{30}\end{array}\right.---\left(5\right)$

其中：L为掌区压力区域的下缘凸点S与原点O的连线在足迹中心线方向上的长度；Age是年龄，L₂₀是20岁基线，L₃₀是30岁基线，L₇₀是70岁基线；

根据公式(5)计算该足迹所有人的年龄，获取足迹所有人的年龄特征；

S4.3.建立体态、弓宽a及d₀之间的数学模型：a＜d₀，体型偏瘦；a＝d₀，体型中等；a＞d₀，体型偏胖；依此获取足迹所有人的体态特征，其中d₀为弓压外缘线与足迹中心线之间的最短距离；

S4.4.建立性别与足长的数学模型：样本x至总体G的马氏距离为

$d(x,G)=\sqrt{{(x-\mathrm{\&mu;})}^T{\mathrm{\&Sigma;}}^{-1}(x-\mathrm{\&mu;})}---\left(6\right)$

其中：μ和Σ分别为总体G的均值和协方差矩阵；x为足长，男、女的足长分别为服从正态分布和的总体G₁、G₂，μ₁、μ₂分别为G₁、G₂的均值，分别为G₁、G₂的方差；

根据公式(6)计算得到测试足迹足长到总体G₁、G₂的距离d₁、d₂，

$\left\{\begin{array}{cc}x\&Element;G_1,& d_1\&le;d_2\\ x\&Element;G_2,& d_2<d_1\end{array}\right.---\left(7\right)$ 使用公式(7)，获取足迹所有人的性别特征。

7.如权利要求6所述的一种基于穿鞋足迹图像的人身特征分析的方法，其特征在于：步骤S4.4被替换为：建立性别与足迹的长宽比的数学模型，足迹的长宽比为：

r＝足长/足宽                 (8)

男、女的足迹长宽比分别为服从正态分布和的总体G₃、G₄，其中μ₃、μ₄分别为G₃、G₄的均值，分别为G₃、G₄的方差；参考公式(6)计算得到测试足迹长宽比与总体G₃、G₄的马氏距离d₃、d₄；

$\left\{\begin{array}{cc}r\&Element;G_3,& d_3\&le;d_4\\ r\&Element;G_4,& d_4<d_3\end{array}\right.---\left(9\right)$

使用公式(9)计算获取足迹所有人的性别特征。

8.如权利要求6所述的一种基于穿鞋足迹图像的人身特征分析的方法，其特征在于：步骤S4.4被替换为：

建立性别与足迹压力面相邻层间压力变化率的数学模型：记S_i，i＝1，2，...，n，为第i层的足迹压力面的面积，相邻层间的足迹压力面的面积相对变化率为

ΔS_i＝(S_i+1-S_i)/S_i，i＝1，2，...，n-1           (10)

其变异系数为

cv＝σ/μ             (11)

其中，μ、σ分别为{ΔS_i}的均值和方差；

给定阈值T，变异系数cv大于阈值T，则判断该足迹所有人为男性，否则判断该足迹所有人为女性。

9.如权利要求6所述的一种基于穿鞋足迹图像的人身特征分析的方法，其特征在于：步骤S4.4被替换为：使用权利要求7-9中的步骤S4.4的方法，得到三个性别属性，以0代表男性，1代表女性，计算上述性别属性之和s，若s≤1，则判断该足迹所有人为男性；否则，判断该足迹所有人为女性。

10.一种基于穿鞋足迹图像的人身特征分析的装置，其特征在于：包括：

穿鞋足迹图像预处理装置，使用图像滤波操作去除穿鞋足迹图像中鞋底花纹的干扰，滤波器的尺度根据花纹的尺寸的大小自适应地确定；

多层压力面提取装置，用于对穿鞋足迹图像进行多层压力面提取；

足迹形态结构特征获得装置，用于根据穿鞋足迹的多层压力面图像，获得至少下述足迹形态结构特征：足长、足宽、跟宽、弓宽以及掌区重压面下缘凸点的位置；

数学模型建立及人身特征获取装置，用于分别建立足迹形态结构特征与身高、年龄、体态和性别之间的数学模型；向各数学模型输入上述形态结构特征，获取人身特征。