CN109583276B - 一种基于cnn的赤足或穿袜足迹的身高判定方法及系统 - Google Patents
一种基于cnn的赤足或穿袜足迹的身高判定方法及系统 Download PDFInfo
- Publication number
- CN109583276B CN109583276B CN201710903985.2A CN201710903985A CN109583276B CN 109583276 B CN109583276 B CN 109583276B CN 201710903985 A CN201710903985 A CN 201710903985A CN 109583276 B CN109583276 B CN 109583276B
- Authority
- CN
- China
- Prior art keywords
- height
- image
- theta
- footprint
- barefoot
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06V10/24—Aligning, centring, orientation detection or correction of the image
- G06V10/243—Aligning, centring, orientation detection or correction of the image by compensating for image skew or non-uniform image deformations
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Multimedia (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Human Computer Interaction (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
一种基于CNN的赤足或穿袜足迹的身高判定方法及系统,具体包括:S1:将赤足或穿袜足迹图像进行预处理;S2:对预处理后图像的进行身高段分类,所述身高段分类具体包括:S21:将身高数据离散化;S22:制作数据集;S23:构建身高分类网络;S24:基于区间概率进行身高判断。本申请大大降低了在破案中对人员经验的需求,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
本发明涉及一种身高判定方法及系统,具体说是一种基于CNN 的赤足或穿袜足迹的身高判定方法及系统。
背景技术
目前,用于测量身高的方法很多,最简单的就是使用尺子直接测量,这种测量方法需要人工操作来读取数据。随着测量技术逐渐向数字化发展,出现了利用超声波测量人体身高的方法,通过被测物体的反射回波接受后的时差来测量身高,这需要将超声波发射器置于头顶才能实现测量。随着图像处理技术的迅速发展,出现了利用图像测量人体身高的方法,实现了无接触式测量身高,但这需要用户与摄像头保持固定的距离才能实现测量。
足迹图像在各个场合都能广泛的产生,应用好足迹图像,挖掘其蕴含的信息,对于生物识别具有重要的意义。在警界传统基于足迹的身高预测模型都具有较大的误差,并且严重依赖人员的经验。
发明内容
本申请提供了一种基于CNN的赤足或穿袜足迹的身高判定方法及系统,大大降低了在破案中对人员经验的需求,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的赤足或穿袜足迹的身高判定方法,包括:
S1:将赤足或穿袜足迹图像进行预处理;
S2:对预处理后图像的进行身高段分类,所述身高段分类具体包括:
S21:将身高数据离散化;
S22:制作数据集;
S23:构建身高分类网络;
S24:基于区间概率进行身高判断。
进一步的,将身高数据离散化具体是:根据身高段不同,将男性分为N组,将女性分为N组。
进一步的,构建身高分类网络具体是:使用训练集的数据针对男性和女性分别构建一个基于Alexnet网络架构的卷积神经网络,对赤足或穿袜足迹图像进行分类;该网络输入为赤足或穿袜足迹图像,输出为属于某一个身高段的概率值。
进一步的,制作数据集具体是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,又各自定义两个部分:
a)训练集:用于深度学习,每个赤足或者穿袜足迹数据采样带有从属身高信息;
b)验证集:用于验证深度学习结果的好坏,每个赤足或者穿袜足迹数据采样带有从属身高信息。
进一步的,所述身高分类网络中各层之间的激活函数为Relu激活函数,各层参数初始化采用截断正态分布进行,其均值为0,方差为0.1,该网络采用自适应学习率优化算法Adadelta进行优化,学习率为η=0.5,动量参数为γ=0.9。
更进一步的,基于区间概率进行身高判断具体为:使用验证集来预测该赤足或穿袜足迹的身高范围,设身高区间为M={m1,m2,...,mN},隶属于各个区间的概率为P={p1,p2,...,pN},则最后预测的身高区间为 分别表示区间mi的上边界和下边界;
本申请的第二种技术方案是:一种足底压力可视化分析系统,包括:
图像预处理模块:将赤足或穿袜足迹图像进行预处理;
分类模块:对预处理后图像的进行身高段分类;
所述分类模块,包括:
数据离散化模块:将身高数据离散化;
数据集制作模块,包括训练集模块和验证集模块;
构建模块:构建身高分类网络;
判断模块:基于区间概率进行身高判断。
进一步的,数据离散化模块,根据身高段不同,将男性分为N 组,将女性分为N组。
进一步的,数据集制作模块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,又包括以下两部分:
a)训练集模块:用于深度学习,每个赤足或者穿袜足迹数据采样带有从属身高信息;
b)验证集模块:用于验证深度学习结果的好坏,每个赤足或者穿袜足迹数据采样带有从属身高信息。
进一步的,构建模块,使用训练集模块的数据针对男性和女性分别构建一个基于Alexnet网络架构的卷积神经网络,对赤足或穿袜足迹图像进行分类;该网络输入为赤足或穿袜足迹图像,输出为属于某一个身高段的概率值。
进一步的,所述身高分类网络中各层之间的激活函数为Relu激活函数,各层参数初始化采用截断正态分布进行,其均值为0,方差为0.1,该网络采用自适应学习率优化算法Adadelta进行优化,学习率为η=0.5,动量参数为γ=0.9。
更进一步的,判断模块使用验证集模块来预测该赤足或穿袜足迹的身高范围,设身高区间为M={m1,m2,...,mN},隶属于各个区间的概率为P={p1,p2,...,pN},则最后预测的身高区间为 分别表示区间mi的上边界和下边界;
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自己,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,利用深度学习的方式实现对于人体身高的预估。
附图说明
本发明共有附图2幅:
图1为实施例中PCA足迹旋转矫正图;
图2为边缘噪声处理图。
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的赤足或穿袜足迹的身高判定方法,包括:
S1:将赤足或穿袜足迹图像进行预处理;
A、赤足或穿袜足迹图像矫正:由于图像采集过程中,每个人站位不同导致图像有偏斜。应用PCA算法将赤足灰度图像进行旋转矫正如图1所示。首先设定一个灰度阈值θ,然后对灰度图像的每一个像素进行遍历,如果灰度值大于θ,则将该像素的位置信息储存到特征矩阵中,具体是一个n行2列的矩阵,n的值等于该灰度图像中像素值大于θ的像素个数,第一列代表像素的位置信息,第二列代表位置信息。在此基础上对特征矩阵进行PCA运算可得到两个二维的特征向量,这两个特征向量相互正交,即为原图中足迹的两个方向向量,通过选择变换即可将图像矫正。
B、基于特征点的足迹分割:经过PCA图像矫正后边缘处噪声也被相应的旋转至图像内部,因此在图像旋转后对其进行降噪处理。为了保证原图信息不损失,本实施例通过基于阈值的像素分割确定足迹边缘的四个关键点,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,来确定足迹的大体位置,然后通过裁剪的方式,将边缘噪声裁剪掉,并将其补0,结果如图2所示。具体步骤如下:
SB1:将PCA矫正后图像作为输入input。
SB2:对图像input进行逐列扫描,并返回每列最大值,保存至M 向量中。
SB3:搜索内外缘突点。
SB3.1:设定像素分割阈值θ;
SB3.2:对M向量从左至右依次扫描;
SB3.3:如果元素Mi>θ,则终止扫描,并返回数值i记为il;
SB3.4:对M向量从右至左依次扫描;
SB3.5:如果元素Mi>θ,则终止扫描,并返回数值i记为ir。
SB4:对图像input进行逐行扫描,并返回每列最大值,保存至向量M中。
SB5:搜索前后缘突点。
SB5.1:设定像素分割阈值θ;
SB5.2:对M向量从上至下依次扫描;
SB5.3:如果元素Mi>θ,则终止扫描,并返回数值i记为it;
SB5.4:对M向量从下至上依次扫描;
SB5.5:如果元素Mi>θ,则终止扫描,并返回数值i记为ib。
SB6:通过ib,it,il,ir四个关键点对足迹图像进行裁剪。
SB7:结束。
S2:对预处理后图像的进行身高段分类,所述身高段分类具体包括:
S21:将身高数据离散化:首先男性和女性的身高在分布上有很大差别,因此所构建的预测模型将男性和女性分别研究。其次将人群按照不同身高段进行分类。本实施例根据身高段不同将男性分为五组,将女性也分为五组。对于不在以下身高段的人群暂不研究,分类的表如表1所示:
表1身高分类区间
男 | 身高 | 女 | 身高 | 编码 |
M1 | [165,170) | W1 | [150,155) | [1,0,0,0,0] |
M2 | [170,175) | W2 | [155,160) | [0,1,0,0,0] |
M3 | [175,180) | W3 | [160,165) | [0,0,1,0,0] |
M4 | [180,185) | W4 | [160,170) | [0,0,0,1,0] |
M5 | [185,190) | W5 | [170,175] | [0,0,0,0,1] |
S22:制作数据集,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,又各自定义两个部分:
a)训练集:用于深度学习用,每个赤足或者穿袜足迹数据采样带有从属身高信息(标签);
b)验证集:用于验证深度学习结果的好坏,每个赤足或者穿袜足迹数据采样带有从属身高信息(不参与训练用来衡量体重判定的准确度)。
S23:构建身高分类网络;使用训练集的数据针对男性和女性分别构建一个基于Alexnet网络架构的卷积神经网络,对赤足或穿袜足迹图像进行分类;该网络输入为赤足或穿袜足迹图像,输出为属于某一个身高段的概率值。网络结构参数如表2所示。各层之间激活函数我们采用Relu激活函数(Rectified linearunit,修正线性单元),各层参数初始化采用截断正态分布进行,其均值为0,方差为0.1,该网络采用自适应学习率优化算法Adadelta进行优化,学习率为η=0.5,动量参数为γ=0.9。
表2改进Alexnet各层网络参数
这里,Conv代表卷积层,Max_pooling代表池化层,Fc代表全连接层。
S24:基于区间概率进行身高判断,在身高分类网络中通过一个改进的AlexNet卷积神经网络,得到的赤足或穿袜足迹图像属于某个身高段的概率值,在此基础上基于各个区间的概率值,对区间合并,使用验证集来预测该赤足或穿袜足迹的身高范围;设身高区间为 M={m1,m2,...,mN},隶属于各个区间的概率为P={p1,p2,...,pN},则最后预测的身高区间为 分别表示区间mi的上边界和下边界;
实施例2
本申请的第二种技术方案是:一种足底压力可视化分析系统,包括:
图像预处理模块:将赤足或穿袜足迹图像进行预处理;
分类模块:对预处理后图像的进行身高段分类;
所述分类模块,包括:
数据离散化模块:将身高数据离散化;首先男性和女性的身高在分布上有很大差别,因此所构建的预测模型将男性和女性分别研究。其次将人群按照不同身高段进行分组。本实施例根据身高段不同将男性分为五组,将女性也分为五组。对于不在以下身高段的人群暂不研究,分类的表如表1所示。
数据集制作模块,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,又各自定义两个部分:
a)训练集模块:用于深度学习用,每个赤足或者穿袜足迹数据采样带有从属身高信息(标签);
b)验证集模块:用于验证深度学习结果的好坏,每个赤足或者穿袜足迹数据采样带有从属身高信息(不参与训练用来衡量体重判定的准确度)。包括训练集模块和验证集模块;
构建模块:构建身高分类网络;针对男性和女性分别构建一个基于Alexnet网络架构的卷积神经网络,对赤足或穿袜足迹图像进行分类;该网络输入为赤足或穿袜足迹图像,输出为属于某一个身高段的概率值。网络结构参数如表2所示。各层之间激活函数我们采用Relu 激活函数(Rectifiedlinearunit,修正线性单元),各层参数初始化采用截断正态分布进行,其均值为0,方差为0.1,该网络采用自适应学习率优化算法Adadelta进行优化,学习率为η=0.5,动量参数为γ=0.9。
判断模块:基于区间概率进行身高判断。使用训练集模块的数据在身高分类网络中通过一个改进的AlexNet卷积神经网络,得到的赤足或穿袜足迹图像属于某个身高段的概率值,在此基础上基于各个区间的概率值,对区间合并,使用验证集模块来预测该赤足或穿袜足迹的身高范围;设身高区间为M={m1,m2,...,mN},隶属于各个区间的概率为P={p1,p2,...,pN},则最后预测的身高区间为 分别表示区间mi的上边界和下边界;
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 (10)
1.一种基于CNN的赤足或穿袜足迹的身高判定方法,其特征在于,包括:
S1:将赤足或穿袜足迹图像进行预处理;
A、赤足或穿袜足迹图像矫正:应用PCA算法将赤足灰度图像进行旋转矫正;首先设定一个灰度阈值θ,然后对灰度图像的每一个像素进行遍历,如果灰度值大于θ,则将该像素的位置信息储存到特征矩阵中,具体是一个n行2列的矩阵,n的值等于该灰度图像中像素值大于θ的像素个数,第一列代表像素的位置信息,第二列代表位置信息;在此基础上对特征矩阵进行PCA运算得到两个二维的特征向量,这两个特征向量相互正交,即为原图中足迹的两个方向向量,通过选择变换即可将图像矫正;
B、基于特征点的足迹分割:经过PCA图像矫正后边缘处噪声也被相应的旋转至图像内部,因此在图像旋转后对其进行降噪处理;通过基于阈值的像素分割确定足迹边缘的四个关键点,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,来确定足迹的大体位置,然后通过裁剪的方式,将边缘噪声裁剪掉,并将其补0,具体步骤如下:
SB1:将PCA矫正后图像作为输入input;
SB2:对图像input进行逐列扫描,并返回每列最大值,保存至M向量中;
SB3:搜索内外缘突点;
SB3.1:设定像素分割阈值θ;
SB3.2:对M向量从左至右依次扫描;
SB3.3:如果元素Mi>θ,则终止扫描,并返回数值i记为il;
SB3.4:对M向量从右至左依次扫描;
SB3.5:如果元素Mi>θ,则终止扫描,并返回数值i记为ir;
SB4:对图像input进行逐行扫描,并返回每列最大值,保存至向量M中;
SB5:搜索前后缘突点;
SB5.1:设定像素分割阈值θ;
SB5.2:对M向量从上至下依次扫描;
SB5.3:如果元素Mi>θ,则终止扫描,并返回数值i记为it;
SB5.4:对M向量从下至上依次扫描;
SB5.5:如果元素Mi>θ,则终止扫描,并返回数值i记为ib;
SB6:通过ib,it,il,ir四个关键点对足迹图像进行裁剪;
SB7:结束;
S2:对预处理后图像的进行身高段分类,所述身高段分类具体包括:
S21:将身高数据离散化;
S22:制作数据集;
S23:构建身高分类网络;
S24:基于区间概率进行身高判断。
2.根据权利要求1所述一种基于CNN的赤足或穿袜足迹的身高判定方法,其特征在于,将身高数据离散化具体是:根据身高段不同,将男性分为N组,将女性分为N组。
3.根据权利要求2所述一种基于CNN的赤足或穿袜足迹的身高判定方法,其特征在于,制作数据集具体是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,又各自定义两个部分:
a)训练集:用于深度学习,每个赤足或者穿袜足迹数据采样带有从属身高信息;
b)验证集:用于验证深度学习结果的好坏,每个赤足或者穿袜足迹数据采样带有从属身高信息。
4.根据权利要求1所述一种基于CNN的赤足或穿袜足迹的身高判定方法,其特征在于,构建身高分类网络具体是:使用训练集的数据针对男性和女性分别构建一个基于Alexnet网络架构的卷积神经网络,对赤足或穿袜足迹图像进行分类;该网络输入为赤足或穿袜足迹图像,输出为属于某一个身高段的概率值。
6.一种基于CNN的赤足或穿袜足迹的身高判定系统,其特征在于,包括:
图像预处理模块:将赤足或穿袜足迹图像进行预处理,具体实现方式为:
A、赤足或穿袜足迹图像矫正:应用PCA算法将赤足灰度图像进行旋转矫正;首先设定一个灰度阈值θ,然后对灰度图像的每一个像素进行遍历,如果灰度值大于θ,则将该像素的位置信息储存到特征矩阵中,具体是一个n行2列的矩阵,n的值等于该灰度图像中像素值大于θ的像素个数,第一列代表像素的位置信息,第二列代表位置信息;在此基础上对特征矩阵进行PCA运算得到两个二维的特征向量,这两个特征向量相互正交,即为原图中足迹的两个方向向量,通过选择变换即可将图像矫正;
B、基于特征点的足迹分割:经过PCA图像矫正后边缘处噪声也被相应的旋转至图像内部,因此在图像旋转后对其进行降噪处理;通过基于阈值的像素分割确定足迹边缘的四个关键点,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,来确定足迹的大体位置,然后通过裁剪的方式,将边缘噪声裁剪掉,并将其补0,具体步骤如下:
SB1:将PCA矫正后图像作为输入input;
SB2:对图像input进行逐列扫描,并返回每列最大值,保存至M向量中;
SB3:搜索内外缘突点;
SB3.1:设定像素分割阈值θ;
SB3.2:对M向量从左至右依次扫描;
SB3.3:如果元素Mi>θ,则终止扫描,并返回数值i记为il;
SB3.4:对M向量从右至左依次扫描;
SB3.5:如果元素Mi>θ,则终止扫描,并返回数值i记为ir;
SB4:对图像input进行逐行扫描,并返回每列最大值,保存至向量M中;
SB5:搜索前后缘突点;
SB5.1:设定像素分割阈值θ;
SB5.2:对M向量从上至下依次扫描;
SB5.3:如果元素Mi>θ,则终止扫描,并返回数值i记为it;
SB5.4:对M向量从下至上依次扫描;
SB5.5:如果元素Mi>θ,则终止扫描,并返回数值i记为ib;
SB6:通过ib,it,il,ir四个关键点对足迹图像进行裁剪;
SB7:结束;
分类模块:对预处理后图像的进行身高段分类;
所述分类模块,包括:
数据离散化模块:将身高数据离散化;
数据集制作模块,包括训练集模块和验证集模块;
构建模块:构建身高分类网络;
判断模块:基于区间概率进行身高判断。
7.根据权利要求6所述一种基于CNN的赤足或穿袜足迹的身高判定系统,其特征在于,数据离散化模块,根据身高段不同,将男性分为N组,将女性分为N组。
8.根据权利要求7所述一种基于CNN的赤足或穿袜足迹的身高判定系统,其特征在于,数据集制作模块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,又包括以下两部分:
a)训练集模块:用于深度学习,每个赤足或者穿袜足迹数据采样带有从属身高信息;
b)验证集模块:用于验证深度学习结果的好坏,每个赤足或者穿袜足迹数据采样带有从属身高信息。
9.根据权利要求6所述一种基于CNN的赤足或穿袜足迹的身高判定系统,其特征在于,构建模块,使用训练集模块的数据针对男性和女性分别构建一个基于Alexnet网络架构的卷积神经网络,对赤足或穿袜足迹图像进行分类;该网络输入为赤足或穿袜足迹图像,输出为属于某一个身高段的概率值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710903985.2A CN109583276B (zh) | 2017-09-29 | 2017-09-29 | 一种基于cnn的赤足或穿袜足迹的身高判定方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710903985.2A CN109583276B (zh) | 2017-09-29 | 2017-09-29 | 一种基于cnn的赤足或穿袜足迹的身高判定方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109583276A CN109583276A (zh) | 2019-04-05 |
CN109583276B true CN109583276B (zh) | 2020-12-15 |
Family
ID=65914150
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710903985.2A Active CN109583276B (zh) | 2017-09-29 | 2017-09-29 | 一种基于cnn的赤足或穿袜足迹的身高判定方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109583276B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110660484B (zh) * | 2019-08-01 | 2022-08-23 | 平安科技(深圳)有限公司 | 骨龄预测方法、装置、介质及电子设备 |
CN110751200B (zh) * | 2019-10-15 | 2023-09-29 | 辽宁师范大学 | 一种基于多元高斯的鞋印身高估计方法 |
CN113221854A (zh) * | 2021-06-11 | 2021-08-06 | 公安部物证鉴定中心 | 一种基于多尺度深度特征的赤足足迹图像人身识别方法 |
CN113838117A (zh) * | 2021-08-06 | 2021-12-24 | 公安部物证鉴定中心 | 基于足底压力的身高估算方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101363722A (zh) * | 2008-09-25 | 2009-02-11 | 广州广电运通金融电子股份有限公司 | 一种身高测量方法及其测量装置 |
CN104434113A (zh) * | 2014-12-01 | 2015-03-25 | 江西洪都航空工业集团有限责任公司 | 一种身高测量方法 |
CN104574426A (zh) * | 2015-02-03 | 2015-04-29 | 大连恒锐科技股份有限公司 | 基于赤足或穿袜足迹图像的人身特征分析的方法及装置 |
CN105832337A (zh) * | 2016-03-23 | 2016-08-10 | 中国联合网络通信集团有限公司 | 一种身高测量方法及系统、随身携带设备 |
-
2017
- 2017-09-29 CN CN201710903985.2A patent/CN109583276B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101363722A (zh) * | 2008-09-25 | 2009-02-11 | 广州广电运通金融电子股份有限公司 | 一种身高测量方法及其测量装置 |
CN104434113A (zh) * | 2014-12-01 | 2015-03-25 | 江西洪都航空工业集团有限责任公司 | 一种身高测量方法 |
CN104574426A (zh) * | 2015-02-03 | 2015-04-29 | 大连恒锐科技股份有限公司 | 基于赤足或穿袜足迹图像的人身特征分析的方法及装置 |
CN105832337A (zh) * | 2016-03-23 | 2016-08-10 | 中国联合网络通信集团有限公司 | 一种身高测量方法及系统、随身携带设备 |
Non-Patent Citations (3)
Title |
---|
"Stature Estimation from Foot Length Using Universal Regression Formula in a North Indian Population";Tanuj kanchan etc,;《Journal of Forensic Sciences》;20091231;第55卷(第1期);第163-166页 * |
"基于灰度质心算法对低龄人群平面穿鞋足迹进行身高分析";余梦娜 等;《警察技术》;20170907(第5期);摘要、第一、二节 * |
余梦娜 等."基于灰度质心算法对低龄人群平面穿鞋足迹进行身高分析".《警察技术》.2017,(第5期), * |
Also Published As
Publication number | Publication date |
---|---|
CN109583276A (zh) | 2019-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109583276B (zh) | 一种基于cnn的赤足或穿袜足迹的身高判定方法及系统 | |
CN101777116B (zh) | 一种基于动作跟踪的脸部表情分析方法 | |
CN109829356B (zh) | 神经网络的训练方法及基于神经网络的行人属性识别方法 | |
CN110427807A (zh) | 一种时序事件动作检测方法 | |
CN106909902B (zh) | 一种基于改进的层次化显著模型的遥感目标检测方法 | |
CN109063594A (zh) | 基于YOLOv2的遥感图像快速目标检测方法 | |
CN105825502B (zh) | 一种基于显著性指导的词典学习的弱监督图像解析方法 | |
CN105740891B (zh) | 基于多层次特征提取和上下文模型的目标检测 | |
CN104392223B (zh) | 二维视频图像中的人体姿态识别方法 | |
CN103324938A (zh) | 训练姿态分类器及物体分类器、物体检测的方法及装置 | |
CN104751478A (zh) | 一种基于多特征融合的面向对象的建筑物变化检测方法 | |
CN102324102A (zh) | 一种图像场景空洞区域结构和纹理信息自动填补方法 | |
CN113240691A (zh) | 一种基于u型网络的医学图像分割方法 | |
CN103778435A (zh) | 一种基于视频的行人快速检测方法 | |
CN110472489B (zh) | 一种人脸美丽等级预测方法、装置及存储介质 | |
CN105869178A (zh) | 一种基于多尺度组合特征凸优化的复杂目标动态场景无监督分割方法 | |
CN105405119B (zh) | 基于深度置信网络和三维模型的胎儿正中矢状面自动检测方法 | |
CN104952070B (zh) | 一种类矩形引导的玉米田遥感图像分割方法 | |
CN108961330A (zh) | 基于图像的猪体长测算方法及系统 | |
CN112949408B (zh) | 一种过鱼通道目标鱼类实时识别方法和系统 | |
CN104598871A (zh) | 一种基于相关回归的面部年龄计算方法 | |
CN109567313B (zh) | 一种具有生物特征识别功能的智能鞋垫 | |
CN106529432A (zh) | 一种深度融合显著性检测与先验知识的手部区域分割方法 | |
CN106355607B (zh) | 一种宽基线彩色图像模板匹配方法 | |
CN106295544A (zh) | 一种基于Kinect的视角不变性步态识别方法 |
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 |