CN112633338A - 基于鞋印的嫌疑人性别预测方法 - Google Patents

Abstract

基于鞋印的嫌疑人性别预测方法，属于刑事侦查技术领域。方案如下：对倾斜鞋印进行矫正与提取：对鞋印图像进行Radon变换，并对鞋印图像进行倾斜矫正,提取鞋印；提取鞋印7维特征：提取鞋印特征中的鞋长和鞋宽,将鞋印图像分割为前足区和后足区，提取鞋印特征中的前后足区质心距离,提取鞋印特征中的前足区的鞋掌长宽和后足区的鞋跟长宽；建立基于鞋印的性别预测模型：建立特征集,对特征集进行降维,训练基于支撑向量机的性别预测模型,对性别进行预测。有益效果：本发明所述的基于鞋印的嫌疑人性别预测方法，该方法能减小现有技术中存在的误差，覆盖更大的犯罪群体，提高了嫌疑人性别预测的准确性。

Description

基于鞋印的嫌疑人性别预测方法

技术领域

本发明属于刑事侦查技术领域，尤其涉及一种基于嫌疑人鞋印的通过SVM预测性别的方法。

背景技术

现有的性别分类方法主要有以下几种：

(1)通过刑侦过程中积累的经验进行主观判断：男性足迹宽大、步长，起落脚有力，脚弓略高。女性足迹短小，步长也短，起落脚平稳，脚弓低，鞋底花纹细。

根据落脚部位动力形态的差异判断性别：在足迹的内侧和外侧各作一条切线，使两切线与前掌内、外两侧最凸出部分及后跟内、外两侧凸出部分分别相切，连接(并延长)在前掌两切点之中点和后跟两切点之中点作一连线，作为足迹的中心线，由落脚部分的两个端点连线与足迹中心线相交构成的外侧下角作为落脚角。通过运用现场足迹的落脚角度分别与男女相应的样本数据计算距离，距离小者即说明该现场足迹的落脚角度属于相对应的男性或女性样本数据可能性大，即相应的该足迹为男性或女性所留的可能性大。

绝对值距离公式如下：

注：其中d表示绝对值距离，x_k表示样本数据，x表示现场足迹落脚角度，n表示样本数据总和。

通过刑侦过程中积累的经验进行主观判断：依据的理论薄弱，判断的方法落后，侦查人员对于鞋印特征的认识各不相同，很多处于盲从状态。主要依靠人眼观察、测量对比、归纳整理。使用仪器观测验证的方法用的较少，在研究和检验中缺少直观形象的影像资料，导致判断效果不理想。

根据落脚部位动力形态的差异判断性别：实验采用概率统计的方法分析研究落足部位动力形态男女性别差异，对收集样本数要求很大，在样本数据较少的情况下，实验结果存在一定误差。且实验中收取的样本足迹均为青年男女，未覆盖中老年龄段，实战中存在中老年犯罪现象，对判断结果存在一定影响。

发明内容

为了解决上述现有技术中存在的问题，本发明提供一种基于鞋印的嫌疑人性别预测方法，该方法能减小现有技术中存在的误差，覆盖更大的犯罪群体，提高了嫌疑人性别预测的准确性。

技术方案如下：

一种基于鞋印的嫌疑人性别预测方法，步骤如下：

S1、对倾斜鞋印进行矫正与提取：

S1.1、对鞋印图像进行Radon变换，并对鞋印图像进行倾斜矫正；

S1.2、提取鞋印：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形，其四个顶点分别记为(x_left,y_top)，(x_right,y_top)，(x_left,y_bottom)，(x_right,y_bottom)。

S2、提取鞋印7维特征：

S2.1、提取鞋印特征中的鞋长和鞋宽；

S2.2、将鞋印图像分割为前足区和后足区；

S2.3、提取鞋印特征中的前后足区质心距离；

S2.4、提取鞋印特征中的前足区的鞋掌长宽和后足区的鞋跟长宽；

S3、建立基于鞋印的性别预测模型：

S3.1、建立特征集；

S3.2、对特征集进行降维；

S3.3、训练基于支撑向量机的性别预测模型；

S4、对性别进行预测。

进一步的，步骤S1.1具体如下：

将鞋印图像转化为灰度图像，使用最大类间方差法找到鞋印灰度图像的一个合适的阈值，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；

对去噪后的鞋印灰度图像进行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；根据倾斜角度，对鞋印图像进行倾斜校正。

进一步的，步骤S2.1具体如下：

鞋印特征的鞋长为|y_bottom-y_top|，鞋宽为|x_right-x_left|。

进一步的，步骤S2.2具体如下：

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。

进一步的，步骤S2.3具体如下：

分别计算出前足区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)：

其中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；

计算前后足区质心距离x⁽³⁾：

进一步的，步骤S2.4具体如下：

对步骤S2.2中鞋印前足区图像进行行列扫描，得到鞋掌部分最小外接矩形，按步骤S2.1计算得到鞋掌长宽；对步骤S2.2中鞋印后足区图像进行行列扫描，得到鞋跟部分最小外接矩形，按步骤S2.1计算得到鞋跟长宽。

进一步的，步骤S3.1具体如下：

提取数据集中的每幅鞋印的7维特征，形成鞋印图像特征集X，鞋印图像的性别标签记为H，

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，

为第n个鞋印图像样本的前后足区质心距离，

为第n个鞋印图像样本的鞋掌长，

为第n个鞋印图像样本的鞋掌宽，

为第n个鞋印图像样本的鞋跟长，

为第n个鞋印图像样本的鞋跟宽，h_n为第n个鞋印图像样本对应的性别，h_n∈{0,1}，0为男性、1为女性。

进一步的，步骤S3.2具体如下：

对鞋印训练集X的每一列进行零均值化，求出协方差矩阵Σ及其特征值与特征向量；

将特征向量按对应特征值从大到小按列排列成矩阵，取前3列组成投影矩阵P，根据P，将特征集X中每个样本由7维降至3维，形成后的降维后的特征集Y，即：

Y＝XP；

进一步的，步骤S3.3具体如下：

输入降维后的特征集Y与性别标签H，按7:3的比例划分训练集与测试集，采用K折验证训练分类器，得到基于支撑向量机的性别预测模型。

进一步的，步骤S3.4具体如下：

输入待测鞋印图像样本，利用步骤S1倾斜矫正后提取鞋印图像中鞋印的最小外接矩形，利用步骤S2提取出鞋长、鞋宽、前后足区质心距离、鞋掌长、鞋掌宽、鞋跟长、鞋跟宽共7维特征，形成行向量L；利用步骤S3中的步骤S3.2，将待测鞋印提取出的特征L与矩阵P相乘，得到降维后特征Y_L，将Y_L输入步骤S3中的性别预测模型进行性别预测，最终获得嫌疑人性别信息。

本发明的有益效果是：

本发明所述的基于鞋印的嫌疑人性别预测方法，该方法能减小现有技术中存在的误差，覆盖更大的犯罪群体，提高了嫌疑人性别预测的准确性。

附图说明

图1为本发明基于鞋印的嫌疑人性别预测方法流程示意图。

具体实施方式

下面结合附图1对基于鞋印的嫌疑人性别预测方法做进一步说明。

1.鞋印倾斜矫正与提取

(1)基于Radon变换的鞋印图像倾斜矫正

将鞋印图像转化为灰度图像，使用最大类间方差法找到鞋印灰度图像的一个合适的阈值，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；

对去噪后的鞋印灰度图像进行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。根据倾斜角度，对鞋印图像进行倾斜校正。

(2)提取鞋印

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形，其四个顶点分别记为(x_left,y_top)，(x_right,y_top)，(x_left,y_bottom)，(x_right,y_bottom)。

2.提取鞋印7维特征

根据男性足迹宽大偏长偏宽，总体结构和各部花纹较宽粗，后跟宽大，女性足迹偏短偏窄，总体结构和各部位花纹较窄细，后跟高又窄的特点。针对男女鞋印差异提取了鞋长、鞋宽、前后足区质心距离、鞋掌长、鞋掌宽、鞋跟长、鞋跟宽共7维特征。

(1)提取鞋印特征中的鞋长和鞋宽

鞋印特征的鞋长为|y_bottom-y_top|，鞋宽为|x_right-x_left|。

(2)将鞋印图像分割为前足区和后足区

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。

(3)提取鞋印特征中的前后足区质心距离

分别计算出前足区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)：

其中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；

计算前后足区质心距离x⁽³⁾：

(4)提取鞋印特征中的前足区的鞋掌长宽和后足区的鞋跟长宽

对(2)步骤中鞋印前足区图像进行行列扫描，得到鞋掌部分最小外接矩形，按(1)步骤计算得到鞋掌长宽。对(2)步骤中鞋印后足区图像进行行列扫描，得到鞋跟部分最小外接矩形，按(1)步骤计算得到鞋跟长宽。

3.基于鞋印的性别预测模型

(1)训练集的建立

提取数据集中的每幅鞋印的7维特征，形成鞋印图像特征集X，鞋印图像的性别标签记为H，

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，

为第n个鞋印图像样本的前后足区质心距离，

为第n个鞋印图像样本的鞋掌长，

为第n个鞋印图像样本的鞋掌宽，

为第n个鞋印图像样本的鞋跟长，

为第n个鞋印图像样本的鞋跟宽，h_n为第n个鞋印图像样本对应的性别，h_n∈{0,1}，0为男性、1为女性。

(2)基于PCA的特征降维

对鞋印特征集X的每一列进行零均值化，然后求出协方差矩阵Σ及其特征值与特征向量；

将特征向量按对应特征值从大到小按列排列成矩阵，取前3列组成投影矩阵P，根据P，将特征集X中每个样本由7维降至3维，形成后的降维后的特征集Y，即：

Y＝XP；

(3)基于支撑向量机的性别预测模型训练

输入降维后的特征集Y与性别标签H，按7:3的比例划分训练集与测试集，采用K折验证训练分类器，得到基于支撑向量机的性别预测模型。

4.基于鞋印的性别预测

输入待测鞋印图像样本，利用步骤1倾斜矫正后提取鞋印图像中鞋印的最小外接矩形，利用步骤2中的(1)(2)(3)(4)，提取出鞋长、鞋宽、前后足区质心距离、鞋掌长、鞋掌宽、鞋跟长、鞋跟宽共7维特征，形成行向量L；利用步骤3中的(2)，将待测鞋印提取出的特征L与矩阵P相乘，得到降维后特征Y_L，将Y_L输入步骤3中的性别预测模型进行性别预测，最终获得嫌疑人性别信息。

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 (9)

1.一种基于鞋印的嫌疑人性别预测方法，其特征在于，步骤如下：

S1、对倾斜鞋印进行矫正与提取：

S1.1、对鞋印图像进行Radon变换，并对鞋印图像进行倾斜矫正；

S1.2、提取鞋印：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形，其四个顶点分别记为(x_left,y_top)，(x_right,y_top)，(x_left,y_bottom)，(x_right,y_bottom)，

S2、提取鞋印7维特征：

S2.1、提取鞋印特征中的鞋长和鞋宽；

S2.2、将鞋印图像分割为前足区和后足区；

S2.3、提取鞋印特征中的前后足区质心距离；

S2.4、提取鞋印特征中的前足区的鞋掌长宽和后足区的鞋跟长宽；

S3、建立基于鞋印的性别预测模型：

S3.1、建立特征集；

S3.2、对特征集进行降维；

S3.3、训练基于支撑向量机的性别预测模型；

S4、对性别进行预测。

2.如权利要求1所述的基于鞋印的嫌疑人性别预测方法，其特征在于，步骤S1.1具体如下：

将鞋印图像转化为灰度图像，使用最大类间方差法找到鞋印灰度图像的一个合适的阈值，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；

对去噪后的鞋印灰度图像进行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；根据倾斜角度，对鞋印图像进行倾斜校正。

3.如权利要求1所述的基于鞋印的嫌疑人性别预测方法，其特征在于，步骤S2.1具体如下：

鞋印特征的鞋长为|y_bottom-y_top|，鞋宽为|x_right-x_left|，

步骤S2.2具体如下：

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。

4.如权利要求1所述的基于鞋印的嫌疑人性别预测方法，其特征在于，步骤S2.3具体如下：

分别计算出前足区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)：

其中x，y分别表示鞋印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；

计算前后足区质心距离x⁽³⁾：

5.如权利要求1所述的基于鞋印的嫌疑人性别预测方法，其特征在于，步骤S2.4具体如下：

对步骤S2.2中鞋印前足区图像进行行列扫描，得到鞋掌部分最小外接矩形，按步骤S2.1计算得到鞋掌长宽；对步骤S2.2中鞋印后足区图像进行行列扫描，得到鞋跟部分最小外接矩形，按步骤S2.1计算得到鞋跟长宽。

6.如权利要求1所述的基于鞋印的嫌疑人性别预测方法，其特征在于，步骤S3.1具体如下：

提取数据集中的每幅鞋印的7维特征，形成鞋印图像特征集X，鞋印图像的性别标签记为H，

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，

为第n个鞋印图像样本的前后足区质心距离，

为第n个鞋印图像样本的鞋掌长，

为第n个鞋印图像样本的鞋掌宽，

为第n个鞋印图像样本的鞋跟长，

为第n个鞋印图像样本的鞋跟宽，h_n为第n个鞋印图像样本对应的性别，h_n∈{0,1}，0为男性、1为女性。

7.如权利要求1所述的基于鞋印的嫌疑人性别预测方法，其特征在于，步骤S3.2具体如下：

对鞋印特征集X的每一列进行零均值化，然后求出协方差矩阵Σ及其特征值与特征向量；

将特征向量按对应特征值从大到小按列排列成矩阵，取前3列组成投影矩阵P，根据P，将特征集X中每个样本由7维降至3维，形成后的降维后的特征集Y，即：

Y＝XP；

8.如权利要求1所述的基于鞋印的嫌疑人性别预测方法，其特征在于，步骤S3.3具体如下：

输入降维后的特征集Y与性别标签H，按7:3的比例划分训练集与测试集，采用K折验证训练分类器，得到基于支撑向量机的性别预测模型。

9.如权利要求1所述的基于鞋印的嫌疑人性别预测方法，其特征在于，步骤S4具体如下：

输入待测鞋印图像样本，利用步骤S1倾斜矫正后提取鞋印图像中鞋印的最小外接矩形，利用步骤S2提取出鞋长、鞋宽、前后足区质心距离、鞋掌长、鞋掌宽、鞋跟长、鞋跟宽共7维特征，形成行向量L；利用步骤S3中的步骤S3.2，将待测鞋印提取出的特征L与矩阵P相乘，得到降维后特征Y_L，将Y_L输入步骤S3中的性别预测模型进行性别预测，最终获得嫌疑人性别信息。

Images