CN112115909A - 一种基于区域加权梯度分布的足迹表达方法 - Google Patents

一种基于区域加权梯度分布的足迹表达方法 Download PDF

Info

Publication number
CN112115909A
CN112115909A CN202011034090.8A CN202011034090A CN112115909A CN 112115909 A CN112115909 A CN 112115909A CN 202011034090 A CN202011034090 A CN 202011034090A CN 112115909 A CN112115909 A CN 112115909A
Authority
CN
China
Prior art keywords
footprint
block
gradient
image
area
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.)
Granted
Application number
CN202011034090.8A
Other languages
English (en)
Other versions
CN112115909B (zh
Inventor
王新年
杨锦
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.)
Dalian Maritime University
Original Assignee
Dalian Maritime 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 Dalian Maritime University filed Critical Dalian Maritime University
Priority to CN202011034090.8A priority Critical patent/CN112115909B/zh
Publication of CN112115909A publication Critical patent/CN112115909A/zh
Application granted granted Critical
Publication of CN112115909B publication Critical patent/CN112115909B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

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

Abstract

本发明提供一种基于区域加权梯度分布的足迹表达方法，包括以下步骤：基于PCA的足迹图像校正；对足迹轮廓点的梯度分布进行提取；对足迹非轮廓点的梯度分布进行提取；所述足迹轮廓点和所述足迹非轮廓点梯度分布相结合的足迹表达。本发明根据PCA原理求取图像的主方向进行旋转校正，不易受噪声的影响。本发明兼顾足迹的局部轮廓形状信息，体现了不同区域足底压力梯度的重要性。本发明区分了足迹轮廓点区域与足迹非轮廓点区域的压力梯度分布特征，很好的体现了人行走时足底压力梯度的分布特点。

Description

一种基于区域加权梯度分布的足迹表达方法
技术领域
本发明涉及足迹表达的技术领域，具体而言，尤其涉及一种基于区域加权梯度分布的足迹表达方法。
背景技术
在基于足迹的生物特征识别研究中，常提取足迹图像的纹理信息、几何形状和压力分布信息。对于获取的足迹纹理信息，通常利用傅里叶变换、离散余弦变换、小波变换以及主成分分析和独立主成分分析的方法进行足迹识别。对于几何形状特征的获取，主要方法有：1)提取足长、掌宽、跟宽、足跟中心到每个脚趾中心与横轴的角度以及脚掌面积等形态学特征[1]；2)分别提取前后足压力中心点到足迹图像边缘点的距离，然后将特征进行傅里叶变换并取模，以此作为足迹的形状特征[2]；3)分别提取前后足迹图像边缘点，计算每个特征点与邻近的多个特征点的距离并分配不同的权重，连接所有特征以此作为足迹的形状特征[3]。对于压力分布特征的获取，主要方法有：1)提取足迹压力中心(cop)与区域几何中心的位置关系进行身份认定[4]；2)利用足底压力中心(cop)轨迹信息构建足底平均、最大、最小压力时间曲线，直接利用曲线上的点构建足迹特征向量[5]；3)提取足迹图像的压力径向梯度图来表征一个人的压力分布[2,6]；4)提取足迹图像的压力分布方向强度并按照距离中心块的远近分配不同的权重[7]。
目前已有方法存在以下缺陷：
(1)获取足迹纹理需要使用照相机拍摄足底图像，这对于用户而言受到一定程度的制约，同时精确提取足迹的纹理信息需要拍摄高分辨率的足迹图像，适用性在一定程度上受到制约。
(2)几何形状特征容易受到随机噪声和足迹残损的影响，导致识别精度降低。
(3)提取足迹的压力中心(cop)特征、压力变化曲线以及压力分布特征，都未能区分足迹的轮廓区域与非轮廓区域的重要性，而且压力的分布偏差较大时会导致识别精度降低。
[1]Robert B.Kennedy.Uniqueness of bare feet and its use as a possiblemeans of identification,Elsevier science Ireland Ltd.,82(1):81-87,1996.
[2]X.Wang,H.Wang,Q.Cheng,N.L.Nankabirwa and T.Zhang.Single 2Dpressure footprint based person identification.2017IEEE International JointConference on Biometrics(IJCB),Denver,CO,2017,pp.413-419.
[3]王新年等一种基于加权局部结构的脚印表达方法.中国，申请公开的发明专利，201910447667.9.
[4]K.Nakajima,Y.Mizukami,K.Tanaka,and T.Tamura.Footprint-basedpersonal recognition.IEEE Transactions on Biomedical Engineering,47(11):1534–1537,2000.
[5]Jung WJ,Park HK,Bien Z.Person Recognition Method using SequentialWalking Footprints via Overlapped Foot Shape and Center-Of-PressureTrajectory.International Technical Conference on Circuits/Systems,Computersand.2004:1393-1400.
[6]王新年等一种足迹压力分布特征表示方法.中国，申请公开的发明专利，201710099973.9.
[7]王新年等一种结合区域置信度和压力分布方向强度的足迹表达方法.中国，申请公开的发明专利，201910194508.2.
发明内容
根据上述提出适用性在一定程度上受到制约及识别精度降低的技术问题，而提供一种基于区域加权梯度分布的足迹表达方法。本发明主要利用一种基于区域加权梯度分布的足迹表达方法，其特征在于，包括以下步骤：
步骤S1：基于PCA的足迹图像校正；
步骤S2：对足迹轮廓点的梯度分布进行提取；以前足区域为例，首先将前足区域F均匀细分为高度和宽度分别为l和h的L×H个非重叠块，使用GSSR方法获取前足区域的足迹轮廓点及其位置，统计轮廓点在非重叠块中的数量和位置分布，得到前足区域F的足迹轮廓点分布图像A；同样地，得到后足区域H的足迹轮廓点分布图像B；
步骤S3：对足迹非轮廓点的梯度分布进行提取；
步骤S4：所述足迹轮廓点和所述足迹非轮廓点梯度分布相结合的足迹表达；
将所述足迹轮廓点和所述足迹非轮廓点的向量加权组合成一维向量，得到整个前足分块图像A的加权压力梯度分布特征
Figure BDA0002704596790000031
同理，得到后足图像B的加权压力梯度分布特征
Figure BDA0002704596790000032
再使用加权方式将前足区域特征
Figure BDA0002704596790000033
和后足区域特征
Figure BDA0002704596790000034
连接成足迹图像的特征M。
进一步地，所述基于PCA的足迹图像校正还包括以下步骤：
步骤S11：去除噪声；通过大津法得到足迹区域的阈值，将小于该阈值的像素判为噪声，消除背景噪声；通过寻找整个足迹图像的连通区域，获取包含足迹区域的最小外接矩形；
步骤S12：基于PCA的倾斜校正；为了减小噪声对足迹图像校正的影响，使用PCA对包含足迹区域的最小外接矩形图像进行校正；
对去噪后的图像二值化并得到图像的全部白色像素数量Nwhite；将获取的Nwhite个白色像素的坐标值按从左往右、自上而下的顺序形成位置矩阵Pwhite，其中
Figure BDA0002704596790000035
R表示实数；求位置矩阵的协方差矩阵，并求出协方差矩阵的特征向量；构建旋转矩阵
Figure BDA0002704596790000036
在矩阵ROT中，α表示最大特征向量与水平方向的夹角；使用旋转矩阵左乘位置坐标得到旋转后的位置坐标，从而得到校正后的足迹图像；再按照3:2的高度比例对足迹图像进行分区，得到前足区域和后足区域。
更进一步地，所述对足迹轮廓点的梯度分布进行提取还具有以下步骤：
步骤S21：以前足轮廓点分布图像A为例，计算前足区域图像的梯度为：
Gv(x,y)＝A(x+1,y)-A(x-1,y) (1)；
Gu(x,y)＝A(x,y+1)-A(x,y-1) (2)；
其中，Gv(x,y)，Gu(x,y)分别表示前足分块图像中像素点(x,y)处的水平方向梯度、垂直方向梯度；像素点(x,y)处的梯度幅值和梯度方向为：
Figure BDA0002704596790000041
Figure BDA0002704596790000042
步骤S22：从所述前足分块图像的左上角开始按照从左往右、从上往下的顺序遍历图像块ki，i∈{1,2,3,...,L×H}，统计所述图像块ki中包含的轮廓点数量
Figure BDA0002704596790000043
将每个所述非重叠块内得到的轮廓点数量
Figure BDA0002704596790000044
进行归一化后按照图像块读取的顺序连接成一个L×H维权重向量；
Figure BDA0002704596790000045
其中，ai表示第i个块的第一个权重，i∈{1,2,3,…,L×H}；
Figure BDA0002704596790000046
表示第i个块内轮廓点的数量；
步骤S23：将0°到180°的梯度方向平均划分为9个区间，对每个块内所有像素的梯度幅值在各个方向区间进行直方图统计：
Figure BDA0002704596790000047
其中，M1(ki,j)表示第i个块中第j个方向区间的梯度幅值直方图，i∈{1,2,3,…,L×H},j∈{1,2,3,…,9}；θ’j表示的是第j个方向区间的起始角度，Δ表示的是方向区间的间隔，
Figure BDA0002704596790000048
表示第i个块内所有像素点坐标的集合；
统计第i个块的梯度直方图M1(ki)，与对应块的权值相乘即ai×M1(ki)，将所有块的加权梯度直方图连接形成第一部分的特征向量M1。
进一步地，所述对足迹非轮廓点的梯度分布进行提取还具有以下步骤：
步骤S31：将前足部分剩下的区域以中心点所在的块为中心块，统计区域内每个块的像素值之和与中心块像素值之和的差值：
Figure BDA0002704596790000051
其中，bi表示第i个块的第二个权重，i∈{1,2,3,…,L×H}，第二个权重向量中轮廓点区域的块权重设置为零，
Figure BDA0002704596790000052
表示非中心块中第wi个像素值，wi∈{1,2,3,…,Wi}。
Figure BDA0002704596790000053
表示中心块中第wF个像素值，wF∈{1,2,3,…,WF}。
步骤S32：把0°到180°的梯度方向平均划分为9个区间，对每个块内所有像素的梯度幅值在各个方向区间进行直方图统计。
Figure BDA0002704596790000054
其中，M2(ki,j)表示第i个块中第j个方向区间的梯度幅值直方图，i∈{1,2,3,…,L×H},j∈{1,2,3,…,9}；θ’j表示第j个方向区间的起始角度，Δ表示方向区间的间隔，
Figure BDA0002704596790000055
表示第i个块内所有像素点坐标的集合；统计第i个块的梯度直方图M2(ki)，并与对应块的权值相乘即bi×M2(ki)，将所有块的加权梯度直方图连接形成第二部分的特征向量M2。
较现有技术相比，本发明具有以下优点：
(1)本发明根据PCA原理求取图像的主方向进行旋转校正，不易受噪声的影响。
(2)本发明兼顾足迹的局部轮廓形状信息，体现了不同区域足底压力梯度的重要性。
(3)本发明区分了足迹轮廓点区域与足迹非轮廓点区域的压力梯度分布特征，很好的体现了人行走时足底压力梯度的分布特点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明区分足迹轮廓点区域与足迹非轮廓点区域的图像，其中图(a)为足迹轮廓点区域图像(前足)；(b)为足迹轮廓点区域图像(后足)；(c)为足迹非轮廓点区域图像(前足)；(b)为足迹非轮廓点区域图像(后足)。
图2为本发明的整体流程示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
如图1-2所示，本发明提供了一种基于区域加权梯度分布的足迹表达方法，包括以下步骤：
步骤S1：基于PCA的足迹图像校正。所述基于PCA的足迹图像校正还包括以下步骤：
步骤S11：去除噪声；通过大津法得到足迹区域的阈值，将小于该阈值的像素判为噪声，消除背景噪声；通过寻找整个足迹图像的连通区域，获取包含足迹区域的最小外接矩形；
步骤S12：基于PCA的倾斜校正；为了减小噪声对足迹图像校正的影响，使用PCA对包含足迹区域的最小外接矩形图像进行校正；
对去噪后的图像二值化并得到图像的全部白色像素数量Nwhite；将获取的Nwhite个白色像素的坐标值按从左往右、自上而下的顺序形成位置矩阵Pwhite，其中
Figure BDA0002704596790000071
R表示实数；求位置矩阵的协方差矩阵，并求出协方差矩阵的特征向量；构建旋转矩阵
Figure BDA0002704596790000072
在矩阵ROT中，α表示最大特征向量与水平方向的夹角；使用旋转矩阵左乘位置坐标得到旋转后的位置坐标，从而得到校正后的足迹图像；再按照3:2的高度比例对足迹图像进行分区，得到前足区域和后足区域。
步骤S2：对足迹轮廓点的梯度分布进行提取；以前足区域为例，首先将前足区域F均匀细分为高度和宽度分别为l和h的L×H个非重叠块，使用GSSR方法获取前足区域的足迹轮廓点及其位置，统计轮廓点在非重叠块中的数量和位置分布，得到前足区域F的足迹轮廓点分布图像A；同样地，得到后足区域H的足迹轮廓点分布图像B。
步骤S2还具有以下步骤：S21：以前足轮廓点分布图像A为例，计算前足区域图像的梯度为：
Gv(x,y)＝A(x+1,y)-A(x-1,y) (1)；
Gu(x,y)＝A(x,y+1)-A(x,y-1) (2)；
其中，Gv(x,y)，Gu(x,y)分别表示前足分块图像中像素点(x,y)处的水平方向梯度、垂直方向梯度；像素点(x,y)处的梯度幅值和梯度方向为：
Figure BDA0002704596790000073
Figure BDA0002704596790000074
步骤S22：从所述前足分块图像的左上角开始按照从左往右、从上往下的顺序遍历图像块ki，i∈{1,2,3,...,L×H}，统计所述图像块ki中包含的轮廓点数量
Figure BDA0002704596790000075
将每个所述非重叠块内得到的轮廓点数量
Figure BDA0002704596790000076
进行归一化后按照图像块读取的顺序连接成一个L×H维权重向量；
Figure BDA0002704596790000081
其中，ai表示第i个块的第一个权重，i∈{1,2,3,…,L×H}；
Figure BDA0002704596790000082
表示第i个块内轮廓点的数量；
步骤S23：将0°到180°的梯度方向平均划分为9个区间，对每个块内所有像素的梯度幅值在各个方向区间进行直方图统计：
Figure BDA0002704596790000083
其中，M1(ki,j)表示第i个块中第j个方向区间的梯度幅值直方图，i∈{1,2,3,…,L×H},j∈{1,2,3,…,9}；θ’j表示的是第j个方向区间的起始角度，Δ表示的是方向区间的间隔，
Figure BDA0002704596790000084
表示第i个块内的所有像素点坐标的集合；
统计第i个块的梯度直方图M1(ki)，并与对应块的权值相乘即ai×M1(ki)，将所有块的加权梯度直方图连接形成第一部分的特征向量M1。
步骤S3：对足迹非轮廓点的梯度分布进行提取。
所述对足迹非轮廓点的梯度分布进行提取还具有以下步骤：
步骤S31：将前足部分剩下的区域以中心点所在的块为中心块，统计区域内每个块的像素值之和与中心块像素值之和的差值：
Figure BDA0002704596790000085
其中，bi表示第i个块的第二个权重，i∈{1,2,3,…,L×H}，第二个权重向量中轮廓点区域的块权重设置为零，
Figure BDA0002704596790000086
表示非中心块中第wi个像素值，wi∈{1,2,3,…,Wi}；
Figure BDA0002704596790000087
表示中心块中第wF个像素值，wF∈{1,2,3,…,WF}；
步骤S32：把0°到180°的梯度方向平均划分为9个区间，对每个块内所有像素的梯度幅值在各个方向区间进行直方图统计；
Figure BDA0002704596790000088
其中，M2(ki,j)表示第i个块中第j个方向区间的梯度幅值直方图，i∈{1,2,3,…,L×H},j∈{1,2,3,…,9}；θ’j表示第j个方向区间的起始角度，Δ表示方向区间的间隔，
Figure BDA0002704596790000091
表示第i个块内的所有像素点坐标的集合；统计第i个块的梯度直方图M2(ki)，并与对应块的权值相乘即bi×M2(ki)，将所有块的加权梯度直方图连接形成第二部分的特征向量M2。
步骤S4：所述足迹轮廓点和所述足迹非轮廓点梯度分布相结合的足迹表达；
将所述足迹轮廓点和所述足迹非轮廓点的向量加权组合成一维向量，得到整个前足分块图像A的加权压力梯度分布特征
Figure BDA0002704596790000092
同理，得到后足图像B的加权压力梯度分布特征
Figure BDA0002704596790000093
再使用加权方式将前足区域特征
Figure BDA0002704596790000094
和后足区域特征
Figure BDA0002704596790000095
连接成足迹图像的特征M。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (4)

1.一种基于区域加权梯度分布的足迹表达方法，其特征在于，包括以下步骤：
S1：基于PCA的足迹图像校正；
S2：对足迹轮廓点的梯度分布进行提取；以前足区域为例，首先将前足区域F均匀细分为高度和宽度分别为l和h的L×H个非重叠块，使用GSSR方法获取前足区域的足迹轮廓点及其位置，统计轮廓点在非重叠块中的数量和位置分布，得到前足区域F的足迹轮廓点分布图像A；同样地，得到后足区域H的足迹轮廓点分布图像B；
S3：对足迹非轮廓点的梯度分布进行提取；
S4：所述足迹轮廓点和所述足迹非轮廓点梯度分布相结合的足迹表达；
将所述足迹轮廓点和所述足迹非轮廓点的向量加权组合成一维向量，得到整个前足分块图像A的加权压力梯度分布特征
Figure FDA0002704596780000013
同理，得到后足图像B的加权压力梯度分布特征
Figure FDA0002704596780000014
再使用加权方式将前足区域特征
Figure FDA0002704596780000015
和后足区域特征
Figure FDA0002704596780000016
连接成足迹图像的特征M。
2.根据权利要求1所述的一种基于区域加权梯度分布的足迹表达方法，其特征在于，所述基于PCA的足迹图像校正还包括以下步骤：
S11：去除噪声；通过大津法得到足迹区域的阈值，将小于该阈值的像素判为噪声，消除背景噪声；通过寻找整个足迹图像的连通区域，获取包含足迹区域的最小外接矩形；
S12：基于PCA的倾斜校正；为了减小噪声对足迹图像校正的影响，使用PCA对包含足迹区域的最小外接矩形图像进行校正；
对去噪后的图像二值化并得到图像的全部白色像素数量Nwhite；将获取的Nwhite个白色像素的坐标值按从左往右、自上而下的顺序形成位置矩阵Pwhite，其中
Figure FDA0002704596780000011
R表示实数；求位置矩阵的协方差矩阵，并求出协方差矩阵的特征向量；构建旋转矩阵
Figure FDA0002704596780000012
在矩阵ROT中，α表示最大特征向量与水平方向的夹角；使用旋转矩阵左乘位置坐标得到旋转后的位置坐标，从而得到校正后的足迹图像；再按照3:2的高度比例对足迹图像进行分区，得到前足区域和后足区域。
3.根据权利要求1所述的一种基于区域加权梯度分布的足迹表达方法，其特征在于，所述对足迹轮廓点的梯度分布进行提取还具有以下步骤：
S21：以前足轮廓点分布图像A为例，计算前足区域图像的梯度为：
Gv(x,y)＝A(x+1,y)-A(x-1,y) (1)；
Gu(x,y)＝A(x,y+1)-A(x,y-1) (2)；
其中，Gv(x,y)，Gu(x,y)分别表示前足分块图像中像素点(x,y)处的水平方向梯度、垂直方向梯度；像素点(x,y)处的梯度幅值和梯度方向为：
Figure FDA0002704596780000021
Figure FDA0002704596780000022
S22：从所述前足分块图像的左上角开始按照从左往右、从上往下的顺序遍历图像块ki，i∈{1,2,3,...,L×H}，统计所述图像块ki中包含的轮廓点数量
Figure FDA0002704596780000023
将每个所述非重叠块内得到的轮廓点数量
Figure FDA0002704596780000024
进行归一化后按照图像块读取的顺序连接成一个L×H维权重向量；
Figure FDA0002704596780000025
其中，ai表示第i个块的第一个权重，i∈{1,2,3,…,L×H}；
Figure FDA0002704596780000026
表示第i个块内轮廓点的数量；
S23：将0°到180°的梯度方向平均划分为9个区间，对每个块内所有像素的梯度幅值在各个方向区间进行直方图统计：
Figure FDA0002704596780000027
其中，M1(ki,j)表示第i个块中第j个方向区间的梯度幅值直方图，i∈{1,2,3,…,L×H},j∈{1,2,3,…,9}；θ′j表示的是第j个方向区间的起始角度，Δ表示的是方向区间的间隔，
Figure FDA0002704596780000028
表示第i个块内的所有像素点坐标的集合；
统计第i个块的梯度直方图M1(ki)，与对应块的权值相乘即ai×M1(ki)，将所有块的加权梯度直方图连接形成第一部分的特征向量M1。
4.根据权利要求1所述的一种基于区域加权梯度分布的足迹表达方法，其特征在于，所述对足迹非轮廓点的梯度分布进行提取还具有以下步骤：
S31：将前足部分剩下的区域以中心点所在的块为中心块，统计区域内每个块的像素值之和与中心块像素值之和的差值：
Figure FDA0002704596780000031
其中，bi表示第i个块的第二个权重，i∈{1,2,3,…,L×H}，第二个权重向量中轮廓点区域的块权重设置为零，
Figure FDA0002704596780000032
表示非中心块中第wi个像素值，wi∈{1,2,3,…,Wi}；
Figure FDA0002704596780000033
表示中心块中第wF个像素值，wF∈{1,2,3,…,WF}；
S32：把0°到180°的梯度方向平均划分为9个区间，对每个块内所有像素的梯度幅值在各个方向区间进行直方图统计；
Figure FDA0002704596780000034
其中，M2(ki,j)表示第i个块中第j个方向区间的梯度幅值直方图，i∈{1,2,3,…,L×H},j∈{1,2,3,…,9}；θ′j表示第j个方向区间的起始角度，Δ表示方向区间的间隔，
Figure FDA0002704596780000035
表示第i个块内的所有像素点坐标的集合；统计第i个块的梯度直方图M2(ki)，并与对应块的权值相乘即bi×M2(ki)，将所有块的加权梯度直方图连接形成第二部分的特征向量M2。
CN202011034090.8A 2020-09-27 2020-09-27 一种基于区域加权梯度分布的足迹表达方法 Active CN112115909B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011034090.8A CN112115909B (zh) 2020-09-27 2020-09-27 一种基于区域加权梯度分布的足迹表达方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011034090.8A CN112115909B (zh) 2020-09-27 2020-09-27 一种基于区域加权梯度分布的足迹表达方法

Publications (2)

Publication Number Publication Date
CN112115909A true CN112115909A (zh) 2020-12-22
CN112115909B CN112115909B (zh) 2024-01-09

Family

ID=73798662

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011034090.8A Active CN112115909B (zh) 2020-09-27 2020-09-27 一种基于区域加权梯度分布的足迹表达方法

Country Status (1)

Country Link
CN (1) CN112115909B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113807372A (zh) * 2021-10-25 2021-12-17 安徽大学 基于四区域分割法的足迹关键点智能提取系统
CN114155264A (zh) * 2021-12-08 2022-03-08 安徽大学 基于双模块的足迹信息提取方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101288949B1 (ko) * 2012-06-20 2013-07-24 동국대학교 산학협력단 신발 발자국 이미지를 이용한 사용자 인식방법 및 그 장치
KR20130142723A (ko) * 2012-06-20 2013-12-30 동국대학교 산학협력단 발자국 에너지 이미지를 이용한 사용자 인식방법 및 그 장치
CN109325546A (zh) * 2018-10-19 2019-02-12 大连海事大学 一种结合步法特征的成趟足迹识别方法
CN109871827A (zh) * 2019-03-14 2019-06-11 大连海事大学 一种结合区域置信度和压力分布方向强度的足迹表达方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101288949B1 (ko) * 2012-06-20 2013-07-24 동국대학교 산학협력단 신발 발자국 이미지를 이용한 사용자 인식방법 및 그 장치
KR20130142723A (ko) * 2012-06-20 2013-12-30 동국대학교 산학협력단 발자국 에너지 이미지를 이용한 사용자 인식방법 및 그 장치
CN109325546A (zh) * 2018-10-19 2019-02-12 大连海事大学 一种结合步法特征的成趟足迹识别方法
CN109871827A (zh) * 2019-03-14 2019-06-11 大连海事大学 一种结合区域置信度和压力分布方向强度的足迹表达方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李孟歆;贾燕雯;姜佳楠;: "基于灰度-梯度二维最大熵阈值法的赤足迹轮廓提取", 电子技术与软件工程, no. 16 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113807372A (zh) * 2021-10-25 2021-12-17 安徽大学 基于四区域分割法的足迹关键点智能提取系统
CN114155264A (zh) * 2021-12-08 2022-03-08 安徽大学 基于双模块的足迹信息提取方法
CN114155264B (zh) * 2021-12-08 2024-03-12 安徽大学 基于双模块的足迹信息提取方法

Also Published As

Publication number Publication date
CN112115909B (zh) 2024-01-09

Similar Documents

Publication Publication Date Title
Peruch et al. Simpler, faster, more accurate melanocytic lesion segmentation through meds
CN106887019B (zh) 一种足迹压力分布特征表示方法
US7072523B2 (en) System and method for fingerprint image enhancement using partitioned least-squared filters
WO2016066038A1 (zh) 一种图像主体提取方法及系统
CN105659253B (zh) 指纹提取方法和装置
CN102254188B (zh) 掌纹识别方法及装置
CN109871827B (zh) 一种结合区域置信度和压力分布方向强度的足迹表达方法
CN112115909B (zh) 一种基于区域加权梯度分布的足迹表达方法
CN111199197B (zh) 一种人脸识别的图像提取方法及处理设备
CN106127735B (zh) 一种设施蔬菜边缘清晰类叶面病斑分割方法及装置
CN111402202B (zh) 足底压力图像相似度评价方法
CN104268550B (zh) 特征提取方法及装置
CN107016414A (zh) 一种脚印的识别方法
CN111127407B (zh) 一种基于傅里叶变换的风格迁移伪造图像检测装置及方法
CN116342968B (zh) 一种双通道人脸识别方法及装置
CN110751200B (zh) 一种基于多元高斯的鞋印身高估计方法
KR100489430B1 (ko) 위치이동, 회전에 무관한 지문인식 방법 및 지문인식 장치및 그 방법을 실행시키기 위한 프로그램을 기록한기록매체
JP4181313B2 (ja) シーン内容情報付加装置及びシーン内容情報付加プログラム
CN113408416B (zh) 指纹频率估计方法及装置、指纹信息提取方法及装置
CN112330704B (zh) 一种足底轮廓表达方法
Jayalakshmi et al. A study of Iris segmentation methods using fuzzy C-means and K-means clustering algorithm
CN115578594A (zh) 基于计算机视觉的边缘定位方法、装置及相关设备
Kubanek et al. Feature extraction of palm vein patterns based on two-dimensional density function
CN112749713A (zh) 一种基于人工智能的大数据图像识别系统及方法
JP6580201B2 (ja) 被写体検出装置、被写体検出方法及びプログラム

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