CN108596269B - 一种基于svm+cnn的足底压力图像的识别方法 - Google Patents

一种基于svm+cnn的足底压力图像的识别方法 Download PDF

Info

Publication number
CN108596269B
CN108596269B CN201810416943.0A CN201810416943A CN108596269B CN 108596269 B CN108596269 B CN 108596269B CN 201810416943 A CN201810416943 A CN 201810416943A CN 108596269 B CN108596269 B CN 108596269B
Authority
CN
China
Prior art keywords
pressure
pressure image
svm
cnn
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.)
Active
Application number
CN201810416943.0A
Other languages
English (en)
Other versions
CN108596269A (zh
Inventor
张艳
王乔
王年
朱明�
唐俊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Anhui University
Original Assignee
Anhui University
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
Application filed by Anhui University filed Critical Anhui University
Priority to CN201810416943.0A priority Critical patent/CN108596269B/zh
Publication of CN108596269A publication Critical patent/CN108596269A/zh
Application granted granted Critical
Publication of CN108596269B publication Critical patent/CN108596269B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种基于SVM+CNN的足底压力图像的识别方法。该方法包括以下步骤：首先，对足底压力图像进行滤波，构建足底压力图像数据集；其次，分别提取特征，包括提取具有明确特征意义的特征和利用卷积神经网络CNN提取的图像特征；然后，将具有明确特征意义的特征和利用CNN提取的图像特征进行融合，经归一化后得到特征数据集；最后，足底压力图像的识别，将特征数据集送入支持向量机SVM进行训练、测试，得到结果。该方法避免了因图像不清楚而导致的特征提取困难等问题，从而提高了方法的鲁棒性。

Description

一种基于SVM+CNN的足底压力图像的识别方法
技术领域
本发明涉及一种基于SVM+CNN的足底压力图像的识别方法，特别是关于一种足底压力图像的识别方法。
背景技术
随着技术的成熟，指纹、人脸、虹膜、DNA等生物识别技术得到了越来越多的应用，不管是在金融支付等领域，还是刑侦和安全等领域，均能见着它们的身影。但这些生物识别技术属于近距离身份识别技术，需要参与者密切配合才能完成。这不仅容易引起人权纠纷，在人流量大的地方使用，比如进入候车厅等，身份认证效率慢，容易造成候车人员拥挤，发生踩踏等事故。足迹识别是一种独特的远距离身份识别技术，足迹信息可以在采集对象不经意间就被采集，也就是说当人在行走时就完成了身份认证，而不需要特意腾出一只手来去采集指纹和伸出头来去刷脸或者虹膜等。
足迹识别是通过人行走时在承痕体上留下的足迹对身份进行识别。当前的足迹识别方法大都是在捺印、墨迹图像等基础上研究的。这些方法的识别准确率受图像的质量影响较大，对于质量较差的图像，特征提取困难，容易造成错误识别的情况，降低方法的鲁棒性。
发明内容
基于背景技术存在的一些问题，本发明提出一种针对足底压力图像的识别方法。
本发明提出的一种基于SVM+CNN的足底压力图像的识别方法，包括以下步骤：
step_1:读取足底压力图像，并进行滤波，构建足底压力图像数据集；
step_2:构建卷积神经网络CNN，将数据带入，进行训练，并保存训练好的模型；
step_3:将数据带入训练好的模型，得到该CNN模型提取的特征向量；
step_4:提取具有明确特征意义的足底压力图像的特征；
step_5:将step_3、step_4分别提取到的特征进行融合，并进行归一化，得到足底压力图像的特征数据集，并按照80％、20％的比例制作训练集和测试集；
step_6:将训练集的特征数据送入到SVM进行训练，得到SVM模型；
step_7:将测试集的特征数据送入到训练好的SVM模型中，进行预测，得到预测结果。
优选地，对图像进行滤波时选择8连通区域滤波法，该方法在滤除足底压力图像的噪声点的同时，不会改变除噪声点外的压力值，极大的保留了压力图像的压力分布。具体包括以下步骤：首先按照8连通区域寻找压力图像的连通区域r，然后计算各个连通区域中的压力点的个数Sr，最后设定阈值t，当Sr≤t时，该认为连通区域中的压力点为噪声点。
优选地，其卷积神经网络CNN的模型结构包含4个交替的卷积层和池化层，1个全连接层。第一个卷积层的过滤器大小为Conv5*5*32，第二个卷积层的过滤器大小为Conv3*3*128，第三个卷积层的过滤器大小为Conv3*3*256，第四个卷积层的过滤器大小为Conv3*3*512，4个池化层的过滤器均为Maxpool2*2，全连接层输出1024维特征向量，输出层采用softmax函数，以交叉熵作为优化目标。
优选地，所提取的具有明确特征意义的特征包括足长足宽fL、fW、足面积area以及足底压力图像的压力直方图Pressure histogram。其中，fL、fW是指压力图像的最小外界矩形的长和宽；area是指压力图像中压力值不为零的压力点的总个数；Pressure histogram是指压力图像中，某一压力值在压力图像中所出现的频率。
优选地，所述的选取的支持向量机SVM的核参数为RBF核。
本发明具有的优点为：1本发明采用的数据为足底压力图像数据，相较于其他足迹图像来说，压力图像采集简单，只要人站在压力测试板上就可将压力图像传送到电脑上，进而进行保存；2本发明融合了CNN模型结构特征和具有明确特征意义的特征，避免了因特征提取不充分而导致的压力图像错误分类的情况，有效的提高了压力图像识别的鲁棒性。
附图说明
图1为本发明的足底压力图像的识别流程图；
图2为本发明的卷积神经网络CNN的模型结构图；
图3为本发明足底压力图像进行滤波前后的对比示意图。
具体实施方式
下面结合附图对本发明进行详细的描述。如图1所示，一种基于SVM+CNN的足底压力图像的识别方法，主要包括以下步骤：
step_1:读取足底压力图像，并进行滤波，构建足底压力图像数据集。滤波采用8连通区域滤波法，首先按照8连通区域寻找压力图像的连通区域r，然后计算各个连通区域中的压力点的个数Sr，最后设定阈值t，当Sr≤t时，该连通区域中的压力点为噪声点。考虑到采集数据所使用的压力测试板的精度为每平方厘米可采集9个点，这里取t＝4，若是使用其它精度的压力测试板，t的取值须做相应调整。
step_2:构建卷积神经网络CNN，将数据带入，进行训练，并保存训练好的模型。CNN的模型结构包含4个交替的卷积层和池化层，1个全连接层。第一个卷积层的过滤器大小为Conv5*5*32，第二个卷积层的过滤器大小为Conv3*3*128，第三个卷积层的过滤器大小为Conv3*3*256，第四个卷积层的过滤器大小为Conv3*3*512，4个池化层的过滤器均选择Maxpool2*2，全连接层输出1024维特征向量，输出层采用softmax函数，以交叉熵作为优化目标。
step_3:将数据带入训练好的模型，得到该CNN模型提取的特征向量。
step_4:提取具有明确特征意义的足底压力图像的特征，即足长足宽、足面积和压力直方图特征。这里，足长足宽是指足底压力图像的最小外接矩形的长宽；足面积
Figure GDA0002957953560000031
其中，s是指压力足迹图像中压力值不为0的总个数；压力直方图是指某一压力值p(p≠0)在其压力图像中出现的频率，
Figure GDA0002957953560000041
其中，sp是指压力图像中某一压力值p出现的总个数。提取特征时，按左足、右足的顺序分别提取特征。
step_5:将step_3、step_4分别提取到的特征进行融合，利用最小最大值标准化法将特征集归一化到[0，1]，得到足底压力图像的特征数据集，并按照80％、20％的比例制作训练集和测试集。
step_6:将训练集的特征数据送入到SVM进行训练，得到SVM模型。SVM的核参数选择RBF核。
step_7:将测试集的特征数据送入到训练好的SVM模型中，进行预测，得到预测结果。
以上所述，仅为本发明较佳的具体实施案例，但本发明的保护范围并不局限于此，任何熟悉、研究本技术领域的研究人员在本发明的基础上，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.一种基于SVM+CNN的足底压力图像的识别方法，其特征在于，包括以下步骤：
step_1:读取足底压力图像，并进行滤波，构建足底压力图像数据集；
step_2:构建卷积神经网络CNN，将数据带入，进行训练，并保存训练好的模型；其特征在于，所述的CNN模型结构中，包含4个交替的卷积层和池化层，1个全连接层，其中：
第一个卷积层的过滤器大小为Conv5*5*32，第二个卷积层的过滤器大小为Conv3*3*128，第三个卷积层的过滤器大小为Conv3*3*256，第四个卷积层的过滤器大小为Conv3*3*512，4个池化层的过滤器均为Maxpool2*2，全连接层输出1024维特征向量，输出层采用softmax函数，以交叉熵作为优化目标；
step_3:将数据带入训练好的模型，得到该CNN模型提取的特征向量；
step_4:提取具有明确特征意义的足底压力图像的特征；其特征在于，所提取的具有明确特征意义的特征包括足长足宽fL、fW、足面积area以及足底压力图像的压力直方图Pressure histogram特征，其中，fL、fW是指压力图像的最小外界矩形的长和宽；area是指压力图像中压力值不为零的压力点的总个数；Pressure histogram是指压力图像中，某一压力值在压力图像中所出现的频率；
step_5:将step_3、step_4分别提取到的特征进行融合，并进行归一化，得到足底压力图像的特征数据集，并按照80％、20％的比例制作训练集和测试集；
step_6:将训练集的特征数据送入到SVM进行训练，得到SVM模型；
step_7:将测试集的特征数据送入到训练好的SVM模型中，进行预测，得到预测结果。
2.根据权利要求1所述的一种基于SVM+CNN的足底压力图像的识别方法，其特征在于，滤波时，选取8连通区域滤波法进行滤波，具体包括以下步骤：首先按照8连通区域寻找压力图像的连通区域r，然后计算各个连通区域中的压力点的个数Sr，最后设定阈值t，当Sr≤t时，则认为该连通区域中的压力点为噪声点。
3.根据权利要求1所述的一种基于SVM+CNN的足底压力图像的识别方法，其特征在于，选取的SVM的核参数为RBF核。
CN201810416943.0A 2018-05-04 2018-05-04 一种基于svm+cnn的足底压力图像的识别方法 Active CN108596269B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810416943.0A CN108596269B (zh) 2018-05-04 2018-05-04 一种基于svm+cnn的足底压力图像的识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810416943.0A CN108596269B (zh) 2018-05-04 2018-05-04 一种基于svm+cnn的足底压力图像的识别方法

Publications (2)

Publication Number Publication Date
CN108596269A CN108596269A (zh) 2018-09-28
CN108596269B true CN108596269B (zh) 2021-04-16

Family

ID=63619741

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810416943.0A Active CN108596269B (zh) 2018-05-04 2018-05-04 一种基于svm+cnn的足底压力图像的识别方法

Country Status (1)

Country Link
CN (1) CN108596269B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109754006A (zh) * 2018-12-26 2019-05-14 清华大学 一种视图及点云融合的立体视觉内容分类方法与系统
CN111382629B (zh) * 2018-12-28 2021-03-05 中国科学院半导体研究所 基于卷积神经网络的足迹识别及信息挖掘方法及系统
CN110427987A (zh) * 2019-07-17 2019-11-08 军事科学院系统工程研究院军需工程技术研究所 一种关节炎患者的足底压力特征识别方法和系统
CN110638455B (zh) * 2019-09-26 2022-06-14 京东方科技集团股份有限公司 用于评估用户康复状态的服务器、系统、设备及介质
GB2591765B (en) * 2020-02-04 2023-02-08 Peratech Holdco Ltd Classifying mechanical interactions
CN116401395B (zh) * 2023-06-07 2023-08-04 安徽大学 一种基于弱化模态差异的跨模态足迹图像检索系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101950464A (zh) * 2010-09-17 2011-01-19 中国科学院深圳先进技术研究院 跌倒监测与报警的方法和系统
CN103584919A (zh) * 2013-11-12 2014-02-19 中国科学院深圳先进技术研究院 多模态生物信号同步检测系统及方法
CN104323780A (zh) * 2014-10-30 2015-02-04 上海交通大学 基于支持向量机的行人步态分类系统及方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11120478B2 (en) * 2015-01-12 2021-09-14 Ebay Inc. Joint-based item recognition

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101950464A (zh) * 2010-09-17 2011-01-19 中国科学院深圳先进技术研究院 跌倒监测与报警的方法和系统
CN103584919A (zh) * 2013-11-12 2014-02-19 中国科学院深圳先进技术研究院 多模态生物信号同步检测系统及方法
CN104323780A (zh) * 2014-10-30 2015-02-04 上海交通大学 基于支持向量机的行人步态分类系统及方法

Also Published As

Publication number Publication date
CN108596269A (zh) 2018-09-28

Similar Documents

Publication Publication Date Title
CN108596269B (zh) 一种基于svm+cnn的足底压力图像的识别方法
Halici et al. Introduction to fingerprint recognition
CN107748877B (zh) 一种基于细节点和纹理特征的指纹图像识别方法
CN100414558C (zh) 基于模板学习的自动指纹识别系统和方法
CN105303173A (zh) 一种降低误识别率的方法和装置
CN105868613A (zh) 一种生物特征识别方法、装置和移动终端
Liu et al. Fingerprint pore matching based on sparse representation
CN102902980B (zh) 一种基于线性规划模型的生物特征图像分析与识别方法
CN103839033A (zh) 一种基于模糊规则的人脸识别方法
CN102254188A (zh) 掌纹识别方法及装置
WO2022088626A1 (zh) 基于猫鼻纹特征提取模型的猫鼻纹识别方法及装置
CN103679136A (zh) 基于局部宏观特征和微观特征结合的手背静脉身份识别方法
CN111178130A (zh) 一种基于深度学习的人脸识别方法、系统和可读存储介质
CN104598888A (zh) 一种人脸性别的识别方法
CN113221086A (zh) 离线人脸认证方法、装置、电子设备及存储介质
CN110443577A (zh) 一种基于人脸识别的校园考勤系统
Gornale Fingerprint based gender classification for biometric security: A state-of-the-art technique
CN103455803B (zh) 基于迭代随机抽样一致算法的非接触式掌纹识别方法
Mali et al. Fingerprint recognition using global and local structures
Cappelli et al. The state of the art in fingerprint classification
Mane et al. Novel multiple impression based multimodal fingerprint recognition system
Wang et al. Fingerprint recognition using directional micropattern histograms and LVQ networks
Mahmood et al. A proposed model for fingerprint recognition based on convolutional neural networks
Soni et al. A survey on state of the art methods of fingerprint recognition
CN103714324B (zh) 一种基于散列算法的快速掌纹辨识方法

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
GR01 Patent grant