CN109583275B - 一种基于cnn的赤足足迹的体重判定方法 - Google Patents
一种基于cnn的赤足足迹的体重判定方法 Download PDFInfo
- Publication number
- CN109583275B CN109583275B CN201710903972.5A CN201710903972A CN109583275B CN 109583275 B CN109583275 B CN 109583275B CN 201710903972 A CN201710903972 A CN 201710903972A CN 109583275 B CN109583275 B CN 109583275B
- Authority
- CN
- China
- Prior art keywords
- weight
- male
- female
- judgment model
- model
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Abstract
本发明公开了一种基于CNN的赤足或穿袜足迹的体重判定方法,包括:S1:获取赤足或者穿袜足迹图像数据,并对图像数据进行预处理;S2:制作赤足图像数据集;S3:数据训练与特征提取:S4:体重判定。本申请利用深度学习的方式实现对于人体体重的预估,解放人力的同时,判定的准确率也得到了很大的提高。
Description
技术领域
本发明涉及一种体重判定方法,具体说是一种基于CNN的赤足足迹的体重判定方法。
背景技术
体重测量是人们日常生活中经常会做的事情,它在医疗应用、学校体检、家庭应用等领域被普遍采用,上世纪50年代中期电子技术的发展推动体重测量制造业的飞速发展,传统的全机械型体重测量仪不便于携带、功能单一、测量精确度低且智能化程度不高,同时测量受温度变化的影响很大,因此进一步研究体重的测量方法有着非常现实的意义。
发明内容
本申请提供了一种基于CNN的赤足足迹的体重判定方法,利用深度学习的方式实现对于人体体重的预估,解放人力的同时,判定的准确率也得到了很大的提高。
本申请的第一种技术方案是:一种基于CNN的赤足足迹的体重判定方法,包括:
S1:获取赤足足迹图像数据,并对图像数据进行预处理;
S2:制作赤足图像数据集;
S3:数据训练与特征提取;
S4:根据任意一张赤足足迹图像判定该图像的拥有者的体重。
进一步的,将完成预处理的数据集分为两类,男性数据和女性数据;针对每一类,又定义以下两个部分:
(1)训练集:用于深度学习的训练过程,每个赤足足迹数据采样带有从属体重信息;
(2)验证集:用于验证深度学习的结果,每个赤足足迹数据采样带有从属体重信息,但是验证集不参与训练,只是用来衡量体重判定的准确度;
上述验证集的数据维度不高于训练集的数据维度,待识别集的数据信息量不高于训练集的数据信息量;有效信息数据维度不低于识别数据集的特征维度;
进一步的,数据训练与特征提取,包括:
1)训练数据准备:对已经完成预处理后的男女性训练集和验证集的二维图像数据,依照标签进行分组分类;
2)分组进行基于CNN网络的训练,此处使用改进的AlexNet网络。
进一步的,依照标签进行分组分类,具体为:
A组:0类:储存体重<m(kg)的样本;1类:储存体重≥m(kg)的样本;
B1组:0类:储存体重<m-n(kg)的样本;1类:储存体重≥m-n(kg)的样本;
B2组:0类:储存体重<m-2n(kg)的样本;1类:储存体重≥m-2n(kg)的样本;
…
Bk组:0类:储存体重<m-kn(kg)的样本;1类:储存体重≥m-kn(kg)的样本;
…
C1组:0类:储存体重<m+n(kg)的样本;1类:储存体重≥m+n(kg)的样本;
C2组:0类:储存体重<m+2n(kg)的样本;1类:储存体重≥m+2n(kg)的样本;
…
Ck组:0类:储存体重<m+kn(kg)的样本;1类:储存体重≥m+kn(kg)的样本;
m=(max+min)/2;其中max和min分别代表获取到的样本的体重标签中的最大值和最小值;
…
经过A组标签进行训练得到的模型分别为男性体重判定模型MA、女性体重判定模型FA;经过B1组标签进行训练得到的模型分别为男性体重判定模型MB1、女性体重判定模型FB1;经过C1组标签进行训练得到的模型分别为男性体重判定模型MC1、女性体重判定模型FC1;经过Bk组标签进行训练得到的模型分别为男性体重判定模型MBk、女性体重判定模型FBk;经过Ck组标签进行训练得到的模型分别为男性体重判定模型MCk、女性体重判定模型FCk;经过B(k+1)组标签进行训练得到的模型分别为男性体重判定模型MB(k+1)、女性体重判定模型FB(k+1);经过C(k+1)组标签进行训练得到的模型分别为男性体重判定模型MC(k+1)、女性体重判定模型FC(k+1)。
进一步的,改进的AlexNet网络具体为:
(1)初始网络:
网络构成:4层卷积层,2层池化层,2层全连接层;
网络连接:
conv1+pooling1+relu→conv2+pooling2+relu→conv3+relu→conv4+relu→fc5→fc6
其中,conv代表卷积层,pooling代表池化层,fc代表全连接层,relu代表激活函数;
(2)通过训练及验证结果调整网络:利用初始网络进行一次完整训练之后,用验证数据测试,假定体重判定准确率不足N%,则认为网络结构需要调整;
至此,获得训练好的基于CNN网络的赤足图像体重判定模型MA,MB1,…,MBk,MC1,MC2,…MCk;FA,FB1,FB2,…,FBk,FC1,FC2,…,FCk,其中,M开头为男性体重判定模型;F开头为女性体重判定模型。
更进一步的,改进的AlexNet网络的各层参数为:
conv1:卷积核大小:5*5;卷积核数量:16;卷积步长:2;权重初始化方式:xavier
pooling1:核大小:2*2;卷积步长:1
conv2:卷积核大小:3*3;卷积核数量:32;卷积步长:1;权重初始化方式:xavier
pooling2:核大小:2*2;卷积步长:1
conv3:卷积核大小:3*3;卷积核数量:64;卷积步长:1;权重初始化方式:xavier
conv4:卷积核大小:3*3;卷积核数量:128;卷积步长:1;权重初始化方式:xavier
fc5:神经元个数:1024;权重初始化方式:xavier
fc6:输出通道数:2;权重初始化方式:xavier。
更进一步的,调整网络如下:对任意一幅图,将每层卷积层结果输出,用每层卷积层结果与其他图像的同层卷积结果做相关比对:
A、若某层级出现相关性明显变大的情况,则降低该层级以及其后端的卷积核尺寸,或者直接将该层作为全连接层重新训练;
B、若相关性随层级深入,逐渐变高,但某层级后相关性变化不大,则直接将该层作为全连接层重新训练,简化模型;
C、若每层级的相关性均很小,则提高与输入层级接近的卷积核大小,或者增加卷积层数量,直至出现其他情况为止;
进行循环训练与测试,不断调整网络结构及参数,当测试结果中体重判定准确率大于N%,则网络调整结束,保存训练得到的网络模型。
作为更进一步的,体重判定步骤:首先用训练好的MA(FA)模型进行特征提取,规定距离最后端激活层最近的全连接层输出作为每幅图的特征,然后将此特征输入特征分类器softmax,输出赤足图像属于各个类别的概率,以此来判定赤足图像的拥有者的体重类别,然后根据判定出的类别决定继续使用MB(FB)或MC(FC)类的模型进行区间缩小,接着使用MB(FB)或MC(FC)类的模型重复进行特征提取、分类的过程,逐步缩小体重区间范围。
作为更进一步的,根据各步骤的判别结果的相互关系给出赤足图像的拥有者的体重的具体数值:
1)待判定样本I输入男性体重判定模型MA或女性体重判定模型FA,输出为I的拥有者的体重;
2)通过MA或FA进行特征提取,得到I的男性分类特征Ma或女性分类特征Fa;
3)将男性分类特征Ma或女性分类特征Fa输入特征分类器softmax中,输出I属于各个类别(此处共2类)的概率;
4)选择概率值最大的类别作为待判定(测试)样本I的从属类别;
5)若经过模型MA或FA得到的从属类别为0,则输入MB1或FB1和待判定(测试)样本I,重复2)、3)、4)然后进行6)步;若得到从属类别为1,则输入MC1或FC1和待判定(测试)样本I,重复2)、3)、4)然后进行9)步;
7)若经过模型MBk或FBk得到的从属类别为1,则输出待判定样本I的拥有者的体重为(2m-2kn+n)/2(kg);若从属类别为0,则将待判定样本I输入男性体重判定模型MB(k+1)或女性体重判定模型FB(k+1),重复2)、3)、4)后,执行6);
10)若经过模型MCk或FCk得到的从属类别为0,则输出待判定样本I的拥有者的体重为(2m+2kn-n)/2(kg);若从属类别为1,则输入MB(k+1)或FB(k+1)和待判定样本I,重复2)、3)、4)后,执行9);
本发明的有益效果是:本申请从训练数据出发,经过一个端到端的模型直接输出结果,其内部网络可以自发地根据最终任务来不断调整,充分利用海量数据自动学习到某种抽象的表达方式。此表达方式结构丰富且信息覆盖全面,直接解决了人为构造表达方式,形式单一,通用性差的缺点。解放人力的同时,判定的准确率也得到了很大的提高。通过将连续的回归问题转化为离散的分类问题的思想利用深度学习的方式实现对于人体体重的预估。
附图说明
本发明共有附图5幅:
图1为本申请的流程图;
图2为体重判定流程图;
图3为实施例中包含杂质信息的图像;
图4为赤足足迹的足趾内缘突点、足趾外缘突点、足跟后缘突点,最长趾前缘突点4个点信息图像;
图5为含有剪裁区域图像。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面结合附图和具体实施例对本发明进行详细描述。
实施例1
本实施例提供一种基于CNN的赤足足迹的体重判定方法,包括:
S1:获取赤足足迹图像数据,并对图像数据进行预处理;
S2:制作赤足图像数据集;
1)将完成预处理的赤足图像数据集分为两个部分:
(1)训练集:用于深度学习的训练过程,每个赤足足迹数据采样带有从属体重信息,这个体重信息就是这个赤足足迹的标签;
(2)验证集:用于验证深度学习结果的好坏。每个赤足足迹数据采样带有从属体重信息,但是验证集不参与训练,只是用来衡量体重判定的准确度。
2)其中,各部分对数据的要求:
(1)验证集的数据维度不得高于训练集数据维度,待识别集的数据信息量不得高于训练集数据的信息量;
(2)要保证验证数据的信息完整性,有效信息数据维度不得低于识别数据集的特征维度;
(3)用于做训练的数据,每个人的数据,不同种类的至少10组(左右脚各5组)以上,训练的个体数量在万人级。
S3:数据训练与特征提取:整体按照两个阶段做训练与特征提取:
1)训练数据准备:
对已经完成预处理后的男性和女性训练集和验证集的二维图像数据,依照标签(从属体重信息)进行分组分类(整体的上下界由标准体重对照表得到,对于男性样本,对于女性样本,本实施例中可以用n=5,k=5进行解释说明):
A组:0类:储存体重<m(kg)的样本;1类:储存体重≥m(kg)的样本;
B1组:0类:储存体重<m-5(kg)的样本;1类:储存体重≥m-5(kg)的样本;
B2组:0类:储存体重<m-10(kg)的样本;1类:储存体重≥m-10(kg)的样本;
B3组:0类:储存体重<m-15(kg)的样本;1类:储存体重≥m-15(kg)的样本;
B4组:0类:储存体重<m-20(kg)的样本;1类:储存体重≥m-20(kg)的样本;
B5组:0类:储存体重<m-25(kg)的样本;1类:储存体重≥m-25(kg)的样本;
C1组:0类:储存体重<m+5(kg)的样本;1类:储存体重≥m+5(kg)的样本;
C2组:0类:储存体重<m+10(kg)的样本;1类:储存体重≥m+10(kg)的样本;
C3组:0类:储存体重<m+15(kg)的样本;1类:储存体重≥m+15(kg)的样本;
C4组:0类:储存体重<m+20(kg)的样本;1类:储存体重≥m+20(kg)的样本;
C5组:0类:储存体重<m+25(kg)的样本;1类:储存体重≥m+25(kg)的样本;
采用这种分组方式主要是因为经过实验得出利用足迹样本训练的网络对于2分类的正确率最高,分类结果更准确,另外使用多个2分类网络迭代的方式也可以减轻网络压力,简化网络结构,从而减小单个网络的训练难度。
2)分组进行基于CNN网络的训练,此处使用改进的AlexNet网络,网络改进如下:
(1)初始网络:
网络构成:4层卷积层,2层池化层,2层全连接层。
网络连接:
conv1+pooling1+relu→conv2+pooling2+relu→conv3+relu→conv4+relu→fc5→fc6
其中,conv代表卷积层,pooling代表池化层,fc代表全连接层,relu代表激活函数;
各层网络参数:
conv1:卷积核大小:5*5;卷积核数量:16;卷积步长:2;权重初始化方式:xavier
pooling1:核大小:2*2;卷积步长:1
conv2:卷积核大小:3*3;卷积核数量:32;卷积步长:1;权重初始化方式:xavier
pooling2:核大小:2*2;卷积步长:1
conv3:卷积核大小:3*3;卷积核数量:64;卷积步长:1;权重初始化方式:xavier
conv4:卷积核大小:3*3;卷积核数量:128;卷积步长:1;权重初始化方式:xavier
fc5:神经元个数:1024;权重初始化方式:xavier
fc6:输出通道数:2;权重初始化方式:xavier
(2)通过训练及验证结果调整网络:
利用初始网络进行一次完整训练之后,用验证数据测试,假定体重判定准确率不足80%,则认为网络结构需要调整,调整方法如下:
对任意一幅图而言,将每层卷积层结果输出,用每层卷积的结果与其他图像的同层卷积结果做相关比对:
a.若某层级出现相关性明显变大的情况,则降低该层级以及其后端的卷积核尺寸,或者直接将该层作为全连接层重新训练;
b.若相关性随层级深入,逐渐变高,但某层级后相关性变化不大,则直接将该层作为全连接层重新训练,简化模型;
c.若每层级的相关性均很小,则提高与输入层级接近的卷积核大小,或者增加卷积层数量,直至出现其他情况为止。
进行循环训练与测试,不断调整网络结构及参数,当测试结果中体重判定准确率大于80%则网络调整结束,保存训练得到的网络模型。
3)至此,获得训练好的基于CNN网络的赤足图像体重判定模型MA,MB1,MB2,MB3,MB4,MB5,MC1,MC2,MC3,MC4,MC5;FA,FB1,FB2,FB3,FB4,FB5,FC1,FC2,FC3,FC4,FC5。其中,M开头为男性体重判定模型;F开头为女性体重判定模型。
S4:体重判定:根据任意一张赤足足迹图像判定该图像的拥有者的体重;
体重判定步骤:首先用训练好的MA(FA)模型进行特征提取,规定距离最后端激活层最近的全连接层输出作为每幅图的特征,然后将此特征输入特征分类器softmax,输出赤足图像属于各个类别的概率,以此来判定赤足图像的拥有者的体重类别,然后根据判定出的类别决定继续使用MB(FB)或MC(FC)类的模型进行区间缩小,接着使用MB(FB)或MC(FC)类的模型重复进行特征提取、分类的过程,逐步缩小体重区间范围,根据各步骤的判别结果的相互关系给出赤足图像的拥有者的体重的具体数值:
1)输入:MA(FA),待判定(测试)样本I,输出:I的拥有者的体重;
2)通过MA(FA)进行特征提取,得到I的分类特征Ma(Fa);
3)将Ma(Fa)输入特征分类器softmax中,输出I属于各个类别(此处共2类)的概率;
4)选择概率值最大的类别作为待判定(测试)样本I的从属类别;
5)若经过模型MA(FA)得到的从属类别为0,则输入MB1(FB1)和待判定(测试)样本I,重复2)、3)、4)然后进行6)步;若得到从属类别为1,则输入MC1(FC1)和待判定(测试)样本I,重复2)、3)、4)然后进行7)步;
6)若经过模型MB1(FB1)得到的从属类别为1,则输出待判定(测试)样本I的拥有者的体重为(2m-5)/2(kg);若从属类别0,则输入MB2(FB2)和待判定(测试)样本I,重复2)、3)、4)然后进行8)步;
7)若经过模型MC1(FC1)得到的从属类别为0,则输出待判定(测试)样本I的拥有者的体重为(2m+5)/2(kg);若从属类别1,则输入MC2(FC2)和待判定(测试)样本I,重复2)、3)、4)然后进行9)步;
8)若经过模型MB2(FB2)得到的从属类别为1,则输出待判定(测试)样本I的拥有者的体重为(2m-15)/2(kg);若从属类别0,则输入MB3(FB3)和待判定(测试)样本I,重复2)、3)、4)然后进行10)步;
9)若经过模型MC2(FC2)得到的从属类别为0,则输出待判定(测试)样本I的拥有者的体重为(2m+15)/2(kg);若从属类别1,则输入MC3(FC3)和待判定(测试)样本I,重复2)、3)、4)然后进行11)步;
10)若经过模型MB3(FB3)得到的从属类别为1,则输出待判定(测试)样本I的拥有者的体重为(2m-25)/2(kg);若从属类别0,则输入MB4(FB4)和待判定(测试)样本I,重复2)、3)、4)然后进行12)步;
11)若经过模型MC3(FC3)得到的从属类别为0,则输出待判定(测试)样本I的拥有者的体重为(2m+25)/2(kg);若从属类别1,则输入MC4(FC4)和待判定(测试)样本I,重复2)、3)、4)然后进行13)步;
12)若经过模型MB4(FB4)得到的从属类别为1,则输出待判定(测试)样本I的拥有者的体重为(2m-35)/2(kg);若从属类别0,则输入MB5(FB5)和待判定(测试)样本I,重复2)、3)、4)然后进行14)步;
13)若经过模型MC4(FC4)得到的从属类别为0,则输出待判定(测试)样本I的拥有者的体重为(2m+35)/2(kg);若从属类别1,则输入MC5(FC5)和待判定(测试)样本I,重复2)、3)、4)然后进行15)步;
14)若经过模型MB5(FB5)得到的从属类别为1,则输出待判定(测试)样本I的拥有者的体重为(2m-45)/2=42.5kg;若从属类别0,则输出待判定(测试)样本I的拥有者的体重小于40kg(30kg);
15)若经过模型MC5(FC5)得到的从属类别为0,则输出待判定(测试)样本I的拥有者的体重为(2m+45)/2(kg);若从属类别1,则输出待判定(测试)样本I的拥有者的体重大于90kg(80kg)。
实施例2
本实施例作为对实施例1的进一步补充,
步骤S1:获取赤足足迹图像数据,并对图像数据进行预处理,具体为:
1)赤足足迹图像数据获取:
(1)动态赤足足迹数据:该类数据是通过采集设备采集到的实时赤足足迹数据,体现的是某个时刻下的赤足足迹状态,更能反映每时每刻赤足足迹的变化;
(2)静态赤足足迹数据:数据是通过采集设备采集到的某段时间内赤足足迹平均状态,体现的是整体脚底的平衡状态,更能反映客观赤足足迹的稳定特征。
其中,赤足足迹数据包括但不限于一维压力轨迹数据、二维实时动态赤足足迹(有或者无压力信息)、三维赤足足迹形状点云数据。
2)数据属性统一(类型):
(1)实时动态数据需要通过某段时间的平均处理,转换成静态数据,在平均过程中,无法获取的动态数据做特征提取,直接形成一维数据做训练或者测试;
(2)对于可以获取行走过程中步幅特征信息的数据,要通过自动特征提取,以同名点轨迹的方式形成一维数据,做训练或者测试。
3)数据属性统一(维度):
(1)对三维点云数据,采用仿真碰撞的方法,构建虚拟硬质成痕客体,记录三维脚(有形变,非刚体)与客体碰撞的点集,记录点集到成痕客体的垂直距离,以高度为信息形成高度图;
(2)二维赤足足迹数据,对于背景复杂的痕迹图,可以生成或者采集多种含赤足足迹的背景图用于训练,也可以进行人工或者自动去除背景的方式提出赤足足迹前景图;
(3)一维数据认为是经过初始特征提取的量,可以经过降维投影,与其他数据特征结合使用。
4)数据预处理:
(1)由于每个赤足足迹的采集方式不同(包括但不限于采集以不同,采集条件不同),导致分辨率的不同以及背景的不同。体现在图像上即不同采集仪得到的脚印图像的大小不一致,背景也不一致,部分脚印图像上除目标脚印外还包含其他杂质信息。具体包含杂质信息的图像参考图3.
这里通过人工剪裁的方进行目标区域提取,然后将所有图像归一化到统一大小,以确保后续算法的可行性,具体操作如下:
a.人工剪裁:需要标记出赤足足迹的足趾内缘突点、足趾外缘突点、足跟后缘突点,最长趾前缘突点4个点的位置,此4点的位置与定义参考图4,每幅图按照这四个关键点做外切矩形再进行剪裁即可,如图5;
b.将剪裁后的图像通过补0的方式填补成正方形图像(以补0前图像长宽值中较大值为正方形边长),最后将得到的正方形图像统一归一化后续模型所需的输入图像的尺寸(一般为正方形)。
(2)训练前数据调整:这是与后续训练模型相关的,由于进行训练的数据集里,数据意义不在同一等级(特征级、数据级),所以需要进行数据分类。将得到的数据按照一维特征、二维图像区分,二维图像中是灰度图的,要全部通过通道合并的方式转换为彩色图,即有3个颜色通道。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明披露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (6)
1.一种基于CNN的赤足足迹的体重判定方法,其特征在于,包括:
S1:获取赤足足迹图像数据,并对图像数据进行预处理;
S2:制作赤足图像数据集;
S3:数据训练与特征提取,包括:
1)训练数据准备:对已经完成预处理后的男女性训练集和验证集的二维图像数据,依照标签进行分组分类;
2)分组进行基于CNN网络的训练,此处使用改进的AlexNet网络;
依照标签进行分组分类,具体为:
A组:0类:储存体重<m(kg)的样本;1类:储存体重≥m(kg)的样本;
B1组:0类:储存体重<m-n(kg)的样本;1类:储存体重≥m-n(kg)的样本;
B2组:0类:储存体重<m-2n(kg)的样本;1类:储存体重≥m-2n(kg)的样本;
…
Bk组:0类:储存体重<m-kn(kg)的样本;1类:储存体重≥m-kn(kg)的样本;
…
C1组:0类:储存体重<m+n(kg)的样本;1类:储存体重≥m+n(kg)的样本;
C2组:0类:储存体重<m+2n(kg)的样本;1类:储存体重≥m+2n(kg)的样本;
…
Ck组:0类:储存体重<m+kn(kg)的样本;1类:储存体重≥m+kn(kg)的样本;
m=(max+min)/2;其中max和min分别代表获取到的样本的体重标签中的最大值和最小值;
…
经过A组标签进行训练得到的模型分别为男性体重判定模型MA、女性体重判定模型FA;经过B1组标签进行训练得到的模型分别为男性体重判定模型MB1、女性体重判定模型FB1;经过C1组标签进行训练得到的模型分别为男性体重判定模型MC1、女性体重判定模型FC1;经过Bk组标签进行训练得到的模型分别为男性体重判定模型MBk、女性体重判定模型FBk;经过Ck组标签进行训练得到的模型分别为男性体重判定模型MCk、女性体重判定模型FCk;经过B(k+1)组标签进行训练得到的模型分别为男性体重判定模型MB(k+1)、女性体重判定模型FB(k+1);经过C(k+1)组标签进行训练得到的模型分别为男性体重判定模型MC(k+1)、女性体重判定模型FC(k+1);
S4:根据任意一张赤足足迹图像判定该图像的拥有者的体重,具体为:
1)待判定样本I输入男性体重判定模型MA或女性体重判定模型FA,输出为I的拥有者的体重;
2)通过男性体重判定模型MA或女性体重判定模型FA进行特征提取,得到I的男性分类特征Ma或女性分类特征Fa;
3)将男性分类特征Ma或女性分类特征Fa输入特征分类器softmax中,输出I属于各个类别的概率;
4)选择概率值最大的类别作为待判定样本I的从属类别;
5)若经过男性体重判定模型MA或女性体重判定模型FA得到的从属类别为0,则输入男性体重判定模型MB1或女性体重判定模型FB1和待判定样本I,重复2)、3)、4)然后进行6)步;若得到从属类别为1,则输入男性体重判定模型MC1或女性体重判定模型FC1和待判定样本I,重复2)、3)、4)然后进行9)步;
7)若经过男性体重判定模型MBk或女性体重判定模型FBk得到的从属类别为1,则输出待判定样本I的拥有者的体重为(2m-2kn+n)/2(kg);若从属类别为0,则将待判定样本I输入男性体重判定模型MB(k+1)或女性体重判定模型FB(k+1),重复2)、3)、4)后,执行6);
8)若经过男性体重判定模型MBk或女性体重判定模型FBk得到的从属类别为1,则输出待判定样本I的拥有者的体重为(2m-2kn+n)/2(kg);若从属类别为0,则输出待判定样本I的拥有者的体重小于m-kn(kg);
10)若经过男性体重判定模型MCk或女性体重判定模型FCk得到的从属类别为0,则输出待判定样本I的拥有者的体重为(2m+2kn-n)/2(kg);若从属类别为1,则输入男性体重判定模型MC(k+1)或女性体重判定模型FC(k+1)和待判定样本I,重复2)、3)、4)后,执行9);
2.根据权利要求1所述一种基于CNN的赤足足迹的体重判定方法,其特征在于,将完成预处理的数据集分为两类,男性数据和女性数据;针对每一类,又定义以下两个部分:
(1)训练集:用于深度学习的训练过程,每个赤足足迹数据采样带有从属体重信息;
(2)验证集:用于验证深度学习的结果;
上述验证集的数据维度不高于训练集的数据维度,待识别集的数据信息量不高于训练集的数据信息量;有效信息数据维度不低于识别数据集的特征维度。
3.根据权利要求1所述一种基于CNN的赤足足迹的体重判定方法,其特征在于,改进的AlexNet网络具体为:
(1)初始网络:
网络构成:4层卷积层,2层池化层,2层全连接层;
网络连接:
conv1+pooling1+relu→conv2+pooling2+relu→conv3+relu→conv4+relu→fc5→fc6
其中,conv代表卷积层,pooling代表池化层,fc代表全连接层,relu代表激活函数;
(2)通过训练及验证结果调整网络:利用初始网络进行一次完整训练之后,用验证数据测试,假定体重判定准确率不足80%,则认为网络结构需要调整;
至此,获得训练好的基于CNN网络的赤足图像体重判定模型MA,MB1,…,MBk,…MC1,MC2,…MCk;FA,FB1,FB2,…,FBk,…FC1,FC2,…,FCk…,其中,M开头为男性体重判定模型;F开头为女性体重判定模型。
4.根据权利要求3所述一种基于CNN的赤足足迹的体重判定方法,其特征在于,改进的AlexNet网络的各层参数为:
conv1:卷积核大小:5*5;卷积核数量:16;卷积步长:2;权重初始化方式:xavier
pooling1:核大小:2*2;卷积步长:1
conv2:卷积核大小:3*3;卷积核数量:32;卷积步长:1;权重初始化方式:xavier
pooling2:核大小:2*2;卷积步长:1
conv3:卷积核大小:3*3;卷积核数量:64;卷积步长:1;权重初始化方式:xavier
conv4:卷积核大小:3*3;卷积核数量:128;卷积步长:1;权重初始化方式:xavier
fc5:神经元个数:1024;权重初始化方式:xavier
fc6:输出通道数:2;权重初始化方式:xavier。
5.根据权利要求3所述一种基于CNN的赤足足迹的体重判定方法,其特征在于,调整网络如下:对任意一幅图,将每层卷积层结果输出,用每层卷积层结果与其他图像的同层卷积结果做相关比对:
A、若某层级出现相关性明显变大的情况,则降低该层级以及其后端的卷积核尺寸,或者直接将该层作为全连接层重新训练;
B、若相关性随层级深入,逐渐变高,但某层级后相关性变化不大,则直接将该层作为全连接层重新训练,简化模型;
C、若每层级的相关性均很小,则提高与输入层级接近的卷积核大小,或者增加卷积层数量,直至出现其他情况为止;
进行循环训练与测试,不断调整网络结构及参数,当测试结果中体重判定准确率大于80%,则网络调整结束,保存训练得到的网络模型。
6.根据权利要求1所述一种基于CNN的赤足足迹的体重判定方法,其特征在于,体重判定步骤:首先用训练好的男性体重判定模型MA或女性体重判定模型FA进行特征提取,规定距离最后端激活层最近的全连接层输出作为每幅图的特征,然后将此特征输入特征分类器softmax,输出赤足图像属于各个类别的概率,以此来判定赤足图像的拥有者的体重类别,然后根据判定出的类别决定继续使用男性体重判定模型MB或女性体重判定模型FB、或继续使用男性体重判定模型MC或女性体重判定模型FC进行区间缩小,接着使用男性体重判定模型MB或女性体重判定模型FB,或接着使用男性体重判定模型MC或女性体重判定模型FC重复进行特征提取、分类的过程,逐步缩小体重区间范围。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710903972.5A CN109583275B (zh) | 2017-09-29 | 2017-09-29 | 一种基于cnn的赤足足迹的体重判定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710903972.5A CN109583275B (zh) | 2017-09-29 | 2017-09-29 | 一种基于cnn的赤足足迹的体重判定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109583275A CN109583275A (zh) | 2019-04-05 |
CN109583275B true CN109583275B (zh) | 2021-06-18 |
Family
ID=65914873
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710903972.5A Active CN109583275B (zh) | 2017-09-29 | 2017-09-29 | 一种基于cnn的赤足足迹的体重判定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109583275B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112329507B (zh) * | 2020-07-17 | 2024-04-26 | 袁国平 | 赤足足迹图像检测方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105335710A (zh) * | 2015-10-22 | 2016-02-17 | 合肥工业大学 | 一种基于多级分类器的精细车辆型号识别方法 |
CN105784083A (zh) * | 2016-04-05 | 2016-07-20 | 北京农业信息技术研究中心 | 基于立体视觉技术的奶牛体型测量方法和系统 |
CN106485251A (zh) * | 2016-10-08 | 2017-03-08 | 天津工业大学 | 基于深度学习的鸡蛋胚胎分类 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016059300A (ja) * | 2014-09-17 | 2016-04-25 | 国立大学法人広島大学 | 牛体診断システムおよび牛体診断方法 |
CN104598891B (zh) * | 2015-02-03 | 2017-09-22 | 大连恒锐科技股份有限公司 | 基于穿鞋足迹图像的人身特征分析的方法及装置 |
-
2017
- 2017-09-29 CN CN201710903972.5A patent/CN109583275B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105335710A (zh) * | 2015-10-22 | 2016-02-17 | 合肥工业大学 | 一种基于多级分类器的精细车辆型号识别方法 |
CN105784083A (zh) * | 2016-04-05 | 2016-07-20 | 北京农业信息技术研究中心 | 基于立体视觉技术的奶牛体型测量方法和系统 |
CN106485251A (zh) * | 2016-10-08 | 2017-03-08 | 天津工业大学 | 基于深度学习的鸡蛋胚胎分类 |
Non-Patent Citations (2)
Title |
---|
人工神经网络在种猪体重预估中的应用;李志忠等;《万方数据库》;20080828;摘要和第4节最后1段 * |
运用多元回归分析法估算身高和体重;甘霖;《中国刑警学院学报》;20151231(第4期);第5节第3段 * |
Also Published As
Publication number | Publication date |
---|---|
CN109583275A (zh) | 2019-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108615010B (zh) | 基于平行卷积神经网络特征图融合的人脸表情识别方法 | |
CN108182441B (zh) | 平行多通道卷积神经网络、构建方法及图像特征提取方法 | |
GB2581758A (en) | Human hair style generation method based on multi-feature search and deformation | |
CN110309856A (zh) | 图像分类方法、神经网络的训练方法及装置 | |
CN109101938B (zh) | 一种基于卷积神经网络的多标签年龄估计方法 | |
CN111553419B (zh) | 一种图像识别方法、装置、设备以及可读存储介质 | |
CN112446302B (zh) | 一种人体姿态检测方法、系统、电子设备和存储介质 | |
CN105160400A (zh) | 基于l21范数的提升卷积神经网络泛化能力的方法 | |
CN106022273A (zh) | 基于动态样本选择策略的bp神经网络手写体识别系统 | |
CN110287873A (zh) | 基于深度神经网络的非合作目标位姿测量方法、系统及终端设备 | |
CN109299701A (zh) | 基于gan扩充多人种特征协同选择的人脸年龄估计方法 | |
CN104680178B (zh) | 基于迁移学习多吸引子细胞自动机的图像分类方法 | |
CN112949740B (zh) | 一种基于多级度量的小样本图像分类方法 | |
CN112733602B (zh) | 关系引导的行人属性识别方法 | |
CN110543916A (zh) | 一种缺失多视图数据的分类方法及系统 | |
CN104881684A (zh) | 一种立体图像质量客观评价方法 | |
CN112668486A (zh) | 一种预激活残差深度可分离卷积网络面部表情识别方法、装置和载体 | |
CN113449776A (zh) | 基于深度学习的中草药识别方法、装置及存储介质 | |
CN111354463B (zh) | 人体健康测量方法、装置、计算机设备及存储介质 | |
CN112084842A (zh) | 一种基于深度语义模型的水文遥感图像目标识别方法 | |
CN109583275B (zh) | 一种基于cnn的赤足足迹的体重判定方法 | |
CN111860601B (zh) | 预测大型真菌种类的方法及装置 | |
CN116612339B (zh) | 一种核性白内障图像分级模型的构建装置及分级装置 | |
CN103927540B (zh) | 一种基于生物视觉分层模型的不变特征提取方法 | |
CN113283465B (zh) | 一种弥散张量成像数据分析方法及装置 |
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 |