CN110751200B - 一种基于多元高斯的鞋印身高估计方法 - Google Patents

Abstract

一种基于多元高斯的鞋印身高估计方法,属于身高估计方法及系统技术领域。技术方案：通过基于Radon变换的鞋印图像进行旋转矫正，进行鞋印提取；对足迹特征三元组中鞋长、鞋宽进行提取，对足迹特征三元组中前后足质心距离进行提取；建立数据集，处理异常数据，计算多元高斯模型参数；计算身高类别概率，估计基于身高所属类别融合的身高。有益效果是:本发明所述的基于多元高斯的鞋印身高估计方法无需人工进行测量，能有效减小测量误差，在刑侦领域，对于非赤足或穿袜足迹鞋印，也能有效提高测量的精确度。

Description

一种基于多元高斯的鞋印身高估计方法

技术领域

本发明属于身高估计方法及系统技术领域，尤其涉及一种基于多元高斯模型的通过鞋印估计身高的方法及系统。

背景技术

现有技术中的的身高估计方法主要有以下三种：

(1)基于人工测量的身高估计方法：通过人工测量的方式，记录鞋长，建立简单的线性数学模型估计身高。

(2)基于穿鞋足迹图像的身高分析方法：使用图像滤波操作去除穿鞋足迹图像中鞋底花纹的影响，对穿鞋足迹进行多层压力面提取，获得足迹形态特征：足长，建立足长与身高之间的数学模型：身高＝足长×7，计算该足迹所有人的身高。

(3)基于CNN的赤足或穿袜足迹的身高判定方法：应用PCA算法将赤足灰度图像进行旋转矫正，通过阈值的像素分割确定足迹边缘四个关键点：足趾內缘突点，足趾外缘突点，足跟后缘突点，最长趾前缘突点，来确定足迹位置并将边缘噪声裁剪补零，将处理后的图像按男女分别分成五组，构建Alexnet网络构架的卷积神经网络，输入处理过的赤足或穿袜图像，输出身高预测区间。

上述现有技术中身高估计方法存在的问题是：

(1)基于人工测量的身高估计方法：需要人工测量，耗费时间和人力，引起测量误差因素较多，测量误差较大，估计身高的数学模型过于简单，估计出的身高误差较大。

(2)基于穿鞋足迹图像的身高分析方法：只使用足长一个足迹形态特征，并且建立的足长与身高的数学模型过于简单，计算出的身高值误差较大。

(3)基于CNN的赤足或穿袜足迹的身高判定方法：在实际的应用中，在刑侦领域，正常情况下现场留下的是鞋印而非赤足或穿袜足迹。而且这种身高估计出的是身高区间，精确度不够高。

发明内容

为了解决上述现有技术中存在的问题，本发明提出一种基于多元高斯的鞋印身高估计方法，该方法无需人工进行测量，能有效减小测量误差，在刑侦领域，对于非赤足或穿袜足迹鞋印，也能有效提高测量的精确度。

技术方案如下：

一种基于多元高斯的鞋印身高估计方法，步骤如下：

S1、对倾斜的鞋印进行矫正与提取：

S1.1、通过基于Radon变换的鞋印图像进行旋转矫正；

S1.2、进行鞋印提取；

S2、对足迹特征三元组进行提取：

S2.1、对足迹特征三元组中鞋长、鞋宽进行提取；

S2.2、对足迹特征三元组中前后足质心距离进行提取；

S3、构建基于多元高斯模型的身高分类器：

S3.1、建立数据集；

S3.2、处理异常数据；

S3.3、计算多元高斯模型参数；

S4、估计基于多类融合的身高：

S4.1、计算身高类别概率；

S4.2、估计基于身高所属类别融合的身高。

进一步的，步骤S1.1详细步骤如下：

S1.1.1、将鞋印图像转化为灰度图像，使用最大类间方差法得到使类间方差最大的阈值，并将鞋印图像的灰度图像转化为二值图像；

S1.1.2、采用5×5的方形结构元

对二值化后的二值图像先进行闭运算，连接鞋印细小花纹去除鞋印花纹影响,再进行开运算滤除鞋印图像中的噪声点以及鞋印周围的噪声点；

S1.1.3、对去噪后的鞋印二值图像进行Radon变换，获取投影值最大的角度，将其与90度的差作为倾斜角度θ；

S1.1.4、根据计算的倾斜角度θ，将鞋印灰度图像进行倾斜校正，使鞋印脚掌区域在脚跟区域上方，且鞋印大脚趾区域最上边缘点与脚跟最外边缘点的连线和水平线垂直。

进一步的，步骤S1.2中通过行列扫描的方式，得到矫正后鞋印图像中鞋印的最小外接矩，其四个顶点分别记为(x_left,y _top)，(x_right,y_top)，(x_right,y_bottom)，(x_left,y_bottom)。

进一步的，步骤S2中足迹特征三元组中鞋长为|y_bottom-y_top|，鞋宽为|x_right-x_left|；

将鞋印图像以矫正后鞋印图像中鞋印的最小外接矩形的水平中位线为界分为上下两部分，上半部分区域为前足区，下半部分区域为后足区，分别计算出前足区质心和后足区的质心坐标：

前足区质心坐标(c₁,c₂)：

后足区质心坐标(c₃,c₄)：

x，y分别表示图像在水平和垂直方向上的坐标，f(x,y)为矫正后图像的灰度值，h表示矫正后鞋印图像中鞋印的最小外接矩形的长度；

计算前后足质心距离x⁽³⁾：

进一步的，步骤S3.1详细步骤如下：用提取出的鞋印图像足迹特征三元组组建数据集X，

为第n个鞋印图像样本的鞋长，/>为第n个鞋印图像样本的鞋宽，/>第n个鞋印图像样本的前后足质心距离，h_n为第n个鞋印图像样本对应的身高值，n∈{1,2,3,...,N}，N为数据集X的样本个数；

将数据集X按照身高以1cm为间隔分成M类:

X_M为第M类的数据集，M为身高类别，t∈{1,2,3,...,T_M}，T_M为X_M中的样本数。

进一步的，步骤S3.2详细步骤如下：对每一类身高X_M按照鞋长进行直方图统计，组数为K组,组距为等间距，统计出每一组包含样本数num_k；

计算每一组包含样本个数占总样本数的百分比：

第k组包含的样本数为num_k，k∈{1,2,3,...,K}，直方图组数为K，第k组包含样本个数占总样本数的百分比为pct_k；

如果pct_k≤20％，则该组包含的样本为异常数据，将异常数据从数据集X_M中移除,剔除异常数据后的数据集X^M为：

身高类别为M，j∈{1,2,3,...,J_M}，J_M表示X^M剔除异常数据后的样本数。

进一步的，步骤S3.3详细步骤如下：对给定的分类后的数据集X^M，计算X^M中足迹特征三元组的均值和协方差：

第M类身高的足迹特征三元组的均值为μ_M，第M类身高的足迹特征三元组的协方差为Σ_M，第j个样本的足迹特征三元组为X^M(j)。

进一步的，步骤S4.1详细步骤如下：对于待估计样本，通过步骤S1和步骤S2，计算其足迹特征三元组S＝(x⁽¹⁾,x⁽²⁾,x⁽³⁾)；

x⁽¹⁾为待估计样本的鞋长，x⁽²⁾为待估计样本的鞋宽，x⁽³⁾为待估计样本的前后足质心距离；

根据S与每一个身高类别X^M所对应的均值μ_M以及协方差Σ_M，计算出该样本属于身高类别X^M的概率P_m；

进一步的，步骤S4.2详细步骤如下：计算出需要估计的样本属于每一类身高的概率P_m后，根据设定概率阈值θ，将低于概率阈值θ的该类身高概率设置为0，消除低于概率类别对身高估计准确度的影响，即：

令H＝(h₁,h₂,h₃,...,h_M)表示各类别表示的身高，则样本的身高估计值为：

本发明的有益效果是：

本发明所述的基于多元高斯的鞋印身高估计方法无需人工进行测量，能有效减小测量误差，在刑侦领域，对于非赤足或穿袜足迹鞋印，也能有效提高测量的精确度。

附图说明

图1是本发明鞋印身高估计流程图。

具体实施方式

下面结合附图1对基于多元高斯的鞋印身高估计方法做进一步说明。

1.一鞋印倾斜矫正与提取

(1)基于Radon变换的鞋印图像旋转矫正

将鞋印图像转化为灰度图像，使用最大类间方差法得到使类间方差最大的阈值，并将鞋印图像的灰度图像转化为二值图像。

采用5×5的方形结构元

对二值化后的二值图像先进行闭运算连接鞋印细小花纹去除鞋印花纹影响,再进行开运算滤除鞋印图像中的噪声点以及鞋印周围的噪声点。

对去噪后的鞋印二值图像进行Radon变换，获取投影值最大的角度，将其与90度的差作为倾斜角度θ。

根据计算的倾斜角度θ，将鞋印灰度图像进行倾斜校正，使鞋印脚掌区域在脚跟区域上方，且鞋印大脚趾区域最上边缘点与脚跟最外边缘点的连线和水平线垂直。

(2)鞋印提取

通过行列扫描的方式，得到矫正后鞋印图像中鞋印的最小外接矩，其四个顶点分别记为(x_left,y_top)，(x_right,y_top)，(x_right,y_bottom)，(x_left,y_bottom)。

2.足迹特征三元组提取

(1)足迹特征三元组中鞋长，鞋宽的提取

足迹特征三元组中鞋长为|y_bottom-y_top|，鞋宽为|x_right-x_left|。

(2)足迹特征三元组中前后足质心距离的提取

将鞋印图像以矫正后鞋印图像中鞋印的最小外接矩形的水平中位线为界分为上下两部分，上半部分区域为前足区，下半部分区域为后足区，分别计算出前足区质心和后足区的质心坐标。

前足区质心坐标(c₁,c₂)：

后足区质心坐标(c₃,c₄)：

x，y分别表示图像在水平和垂直方向上的坐标，f(x,y)为矫正后图像的灰度值。h表示矫正后鞋印图像中鞋印的最小外接矩形的长度为。

计算前后足质心距离x⁽³⁾：

3.基于多元高斯模型的身高分类器构建

(1)数据集的建立

用提取出的鞋印图像足迹特征三元组组建数据集X，

为第n个鞋印图像样本的鞋长，/>为第n个鞋印图像样本的鞋宽，/>第n个鞋印图像样本的前后足质心距离，h_n为第n个鞋印图像样本对应的身高值，n∈{1,2,3,...,N}，N为数据集X的样本个数。

将数据集X按照身高以1cm为间隔分成M类:

X_M为第M类的数据集，M为身高类别，t∈{1,2,3,...,T_M}，T_M为X_M中的样本数。

(2)异常数据的处理

对每一类身高X_M按照鞋长进行直方图统计，组数为K组,组距为等间距，统计出每一组包含样本数num_k。

计算每一组包含样本个数占总样本数的百分比：

第k组包含的样本数为num_k，k∈{1,2,3,...,K}，直方图组数为K，第k组包含样本个数占总样本数的百分比为pct_k。

如果pct_k≤20％，则该组包含的样本为异常数据，将异常数据从数据集X_M中移除,剔除异常数据后的数据集X^M为：

身高类别为M，j∈{1,2,3,...,J_M}，J_M表示X^M剔除异常数据后的样本数。

(3)多元高斯模型参数的计算

对给定的分类后的数据集X^M，计算X^M中足迹特征三元组的均值和协方差：

第M类身高的足迹特征三元组的均值为μ_M，第M类身高的足迹特征三元组的协方差为Σ_M，第j个样本的足迹特征三元组为X^M(j)。

4.基于多类融合的身高估计

(1)身高类别概率计算

对于待估计样本，通过步骤1和2，计算其足迹特征三元组S＝(x⁽¹⁾,x⁽²⁾,x⁽³⁾)。

x⁽¹⁾为待估计样本的鞋长，x⁽²⁾为待估计样本的鞋宽，x⁽³⁾为待估计样本的前后足质心距离。

根据S与每一个身高类别X^M所对应的均值μ_M以及协方差Σ_M，计算出该样本属于身高类别X^M的概率P_m。

(2)基于身高所属类别融合的身高估计

计算出需要估计的样本属于每一类身高的概率P_m后，根据设定概率阈值θ，将低于概率阈值θ的该类身高概率设置为0，消除低于概率类别对身高估计准确度的影响，即：

令H＝(h₁,h₂,h₃,...,h_M)表示各类别表示的身高，则样本的身高估计值为：

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 (8)

1.一种基于多元高斯的鞋印身高估计方法，其特征在于，步骤如下：

S1、对倾斜的鞋印进行矫正与提取：

S1.1、通过基于Radon变换的鞋印图像进行旋转矫正；

S1.2、进行鞋印提取；

S2、对足迹特征三元组进行提取：

S2.1、对足迹特征三元组中鞋长、鞋宽进行提取；

S2.2、对足迹特征三元组中前后足质心距离进行提取；

S3、构建基于多元高斯模型的身高分类器：

S3.1、建立数据集；

S3.2、处理异常数据；

S3.3、计算多元高斯模型参数；

S4、估计基于多类融合的身高：

S4.1、计算身高类别概率；

S4.2、估计基于身高所属类别融合的身高；

其中，步骤S1.1详细步骤如下：

S1.1.1、将鞋印图像转化为灰度图像，使用最大类间方差法得到使类间方差最大的阈值，并将鞋印图像的灰度图像转化为二值图像；

S1.1.2、采用5×5的方形结构元

对二值化后的二值图像先进行闭运算，连接鞋印细小花纹去除鞋印花纹影响,再进行开运算滤除鞋印图像中的噪声点以及鞋印周围的噪声点；

S1.1.3、对去噪后的鞋印二值图像进行Radon变换，获取投影值最大的角度，将其与90度的差作为倾斜角度θ；

S1.1.4、根据计算的倾斜角度θ，将鞋印灰度图像进行倾斜校正，使鞋印脚掌区域在脚跟区域上方，且鞋印大脚趾区域最上边缘点与脚跟最外边缘点的连线和水平线垂直。

2.如权利要求1所述的基于多元高斯的鞋印身高估计方法，其特征在于，步骤S1.2中通过行列扫描的方式，得到矫正后鞋印图像中鞋印的最小外接矩，其四个顶点分别记为(x_left,y_top)，(x_right,y_top)，(x_right,y_bottom)，(x_left,y_bottom)。

3.如权利要求2所述的基于多元高斯的鞋印身高估计方法，其特征在于，步骤S2中足迹特征三元组中鞋长为|y_bottom-y_top|，鞋宽为|x_right-x_left|；

将鞋印图像以矫正后鞋印图像中鞋印的最小外接矩形的水平中位线为界分为上下两部分，上半部分区域为前足区，下半部分区域为后足区，分别计算出前足区质心和后足区的质心坐标：

前足区质心坐标(c₁,c₂)：

后足区质心坐标(c₃,c₄)：

x，y分别表示图像在水平和垂直方向上的坐标，f(x,y)为矫正后图像的灰度值，h表示矫正后鞋印图像中鞋印的最小外接矩形的长度；

计算前后足质心距离x⁽³⁾：

4.如权利要求1所述的基于多元高斯的鞋印身高估计方法，其特征在于，步骤S3.1详细步骤如下：用提取出的鞋印图像足迹特征三元组组建数据集X，

为第n个鞋印图像样本的鞋长，/>为第n个鞋印图像样本的鞋宽，/>第n个鞋印图像样本的前后足质心距离，h_n为第n个鞋印图像样本对应的身高值，n∈{1,2,3,...,N}，N为数据集X的样本个数；

将数据集X按照身高以1cm为间隔分成M类:

X_M为第M类的数据集，M为身高类别，t∈{1,2,3,...,T_M}，T_M为X_M中的样本数。

5.如权利要求1所述的基于多元高斯的鞋印身高估计方法，其特征在于，步骤S3.2详细步骤如下：对每一类身高X_M按照鞋长进行直方图统计，组数为K组,组距为等间距，统计出每一组包含样本数num_k；

计算每一组包含样本个数占总样本数的百分比：

第k组包含的样本数为num_k，k∈{1,2,3,...,K}，直方图组数为K，第k组包含样本个数占总样本数的百分比为pct_k；

如果pct_k≤20％，则该组包含的样本为异常数据，将异常数据从数据集X_M中移除,剔除异常数据后的数据集X^M为：

身高类别为M，j∈{1,2,3,...,J_M}，J_M表示X^M剔除异常数据后的样本数。

6.如权利要求1所述的基于多元高斯的鞋印身高估计方法，其特征在于，步骤S3.3详细步骤如下：对给定的分类后的数据集X^M，计算X^M中足迹特征三元组的均值和协方差：

第M类身高的足迹特征三元组的均值为μ_M，第M类身高的足迹特征三元组的协方差为Σ_M，第j个样本的足迹特征三元组为X^M(j)。

7.如权利要求1所述的基于多元高斯的鞋印身高估计方法，其特征在于，步骤S4.1详细步骤如下：对于待估计样本，通过步骤S1和步骤S2，计算其足迹特征三元组S＝(x⁽¹⁾,x⁽²⁾,x⁽³⁾)；

x⁽¹⁾为待估计样本的鞋长，x⁽²⁾为待估计样本的鞋宽，x⁽³⁾为待估计样本的前后足质心距离；

根据S与每一个身高类别X^M所对应的均值μ_M以及协方差Σ_M，计算出该样本属于身高类别X^M的概率P_m；

8.如权利要求1所述的基于多元高斯的鞋印身高估计方法，其特征在于，步骤S4.2详细步骤如下：计算出需要估计的样本属于每一类身高的概率P_m后，根据设定概率阈值θ，将低于概率阈值θ的该类身高概率设置为0，消除低于概率类别对身高估计准确度的影响，即：

令H＝(h₁,h₂,h₃,...,h_M)表示各类别表示的身高，则样本的身高估计值为：