CN113838117A - 基于足底压力的身高估算方法 - Google Patents
基于足底压力的身高估算方法 Download PDFInfo
- Publication number
- CN113838117A CN113838117A CN202110902733.4A CN202110902733A CN113838117A CN 113838117 A CN113838117 A CN 113838117A CN 202110902733 A CN202110902733 A CN 202110902733A CN 113838117 A CN113838117 A CN 113838117A
- Authority
- CN
- China
- Prior art keywords
- plantar pressure
- image
- region
- value
- characteristic value
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000012417 linear regression Methods 0.000 claims abstract description 35
- 238000003062 neural network model Methods 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000013528 artificial neural network Methods 0.000 claims abstract description 7
- 210000001872 metatarsal bone Anatomy 0.000 claims description 21
- 230000002159 abnormal effect Effects 0.000 claims description 16
- 238000011176 pooling Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000007689 inspection Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 7
- 239000006002 Pepper Substances 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 6
- 230000000877 morphologic effect Effects 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 4
- 230000002146 bilateral effect Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000005260 corrosion Methods 0.000 claims description 3
- 230000007797 corrosion Effects 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 abstract description 3
- 230000008859 change Effects 0.000 description 5
- 230000000875 corresponding effect Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000011840 criminal investigation Methods 0.000 description 2
- 241001391944 Commicarpus scandens Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 210000002683 foot Anatomy 0.000 description 1
- 210000004247 hand Anatomy 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 210000003141 lower extremity Anatomy 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 210000001364 upper extremity Anatomy 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/107—Measuring physical dimensions, e.g. size of the entire body or parts thereof
- A61B5/1072—Measuring physical dimensions, e.g. size of the entire body or parts thereof measuring distances on the body, e.g. measuring length, height or thickness
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/107—Measuring physical dimensions, e.g. size of the entire body or parts thereof
- A61B5/1075—Measuring physical dimensions, e.g. size of the entire body or parts thereof for measuring dimensions by non-invasive methods, e.g. for determining thickness of tissue layer
-
- 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
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20076—Probabilistic image processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Veterinary Medicine (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Pathology (AREA)
- Probability & Statistics with Applications (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于足底压力的身高估算方法，所述身高估算方法包括采集足底压力图像样本，并进行预处理；建立并训练神经网络模型；将预处理的图像样本输入训练好的神经网络模型，计算得出足底压力特征值；建立足底压力特征值与身高的多元线性回归模型和用神经网络模型继续计算足底压力特征值，通过多元线性回归模型估算身高等步骤；本发明获取足底压力特征值的方法科学合理，精度高，利用深度学习的神经网络判读图像具有随着判读数量的增加精度会越来越高，同时多元线性回归模型的显著水平和置信度也会进一步提升。
Description
技术领域
本发明属于刑侦技术领域，具体涉及基于足底压力的身高估算方法。
背景技术
利用案发现场的足迹来推测犯罪嫌疑人的身高是刑侦技术领域的重要任务之一，法医人类学已经证明人的身高和身体的一些特殊部位具有一定的关联性，比如手和脚、上肢和下肢，这为利用解剖学和数学思想通过足迹分析进行身高推测提供了理论基础。多年来，诸多专家在该领域的研究成果丰硕，具体的方法是，通过分析阐述足迹的局部特征测算值与身高的密切关系程度，建立达到显著性水平的多元线性回归模型，采集大量的人体正常行走状态下的足迹信息，针对足跖区和足跟区的6个特征点进行测量，提取足迹的局部特征值，利用T检验准则对采集数据进行异常值剔除，并将整理好之后的数据进行相关性分析和模型分析，得到在显著性达到要求水平下的回归参数，每一组参数对应了一个多元线性回归方程，并将方程作为足迹身高推算模型，大量的测试显示，该模型在测算20～35岁年龄段身高的准确率达到了95％以上，35～45岁年龄段的准确率为80％左右，45岁以上的准确率为75％左右。透过准确率的变化趋势，不难看出随着年龄的增长，人的身高会呈现出与足迹特征值非线性变化的趋势，这种趋势变化符合人体生长的自然规律，如此看来，这种推算模型的演化和迭代存在不容易突破的天花板，为了突破这个技术瓶颈，本发明尝试了一条全新的技术路线寻找突破口。
目前，所有的足迹估算身高都是利用测量赤足印或者袜印上的特征点之间的距离作为多元线性回归模型的自变量的输入值，再根据使用的模型进行身高估算，这里不免会产生两个疑问：一是现场足迹往往都是模糊重叠的残缺足迹，这给确定特征点的精确位置带来了诸多不确定因素，那么该怎么去除这些不确定因素的影响；二是足迹信息大多是以模糊的不规则曲面形式呈现，有没有一种工具能够通过对曲面的判读来获取更为精确的曲面参数信息，并且通过这些曲面信息对身高做更为精确的推算。带着这两个疑问，本发明进行了新的判读方式的尝试。
基于与通过足迹特征点测量值推算身高相同的理论基础，不难发现，人的足迹上的各个特征区域更能精确反映出与身高的关联性，当对足底图像进行灰度处理后，这些区域就会转化成不同灰度级别的同心圆区域，而每一个相同灰度级别的区域的外切边框的大小对应的正是人体足底的压力值，这些区域因足底骨骼结构的特性决定彼此之间是相对独立的变化区域，同时每一个区域单独又与身高之间形成了密切关系，这就为将这些足底特征区域的压力值作为多元线性回归模型的回归参数进行回归分析，从而估算身高提供了理论基础，而执行这样的操作，最关键的也是最难解决的技术问题就是该如何准确判读出足底压力特征区域的特征值；所幸的是，近年来随着人工智能的飞速发展和计算机超线程运算能力的大幅提升，特别是GCU在计算领域的跨越式发展，将具有深度学习能力的人工智能神经网络算法引入对足底压力特征区域的智能判读，从而解决足底压力值不易提取的技术问题提供了技术支持，这也代表了本领域的未来发展方向。
发明内容
本发明的目的是：将具有深度学习能力的人工智能神经网络算法引入对足底压力特征区域的判读，提取足底特征区域压力值参数，通过足底特征区域压力值与身高的多元线性回归模型的分析，估算身高。
具体而言，本发明提供一种基于足底压力的身高估算方法，所述身高估算方法包括以下步骤：
步骤1.采集足底压力图像样本并进行预处理；
步骤2.建立并训练神经网络模型；
步骤3.将预处理的图像样本输入训练好的神经网络模型，计算得出足底压力特征值；
步骤4.建立足底压力特征值与身高的多元线性回归模型；
步骤5.继续用神经网络模型计算足底压力特征值，通过多元线性回归模型估算身高。
进一步的，步骤1所述采集足底压力图像样本并进行预处理包括如下步骤：
步骤1.1.定义成年人在行走状态下足底压力图像样本中的足底压力特征区域，包括：第1跖骨区域、第2～3跖骨区域、第4～5跖骨区域、足跟区域、第1趾骨区域、第2～5趾骨区域和足弓区域；
步骤1.2.根据足底压力特征区域对压力特征的表达能力，对采集的足底压力图像样本进行筛选，剔除缺少行走状态下具备的第1跖骨区域、第1趾骨区域或者足跟区域的足底压力图像；
步骤1.3.将筛选后的足底压力图像中的标尺、水印以及网格线不适用于神经网络判读的附加信息去除；
步骤1.4.对于足迹方向和足迹位置不在图像中间的足底压力图像，进行旋转校正与足迹中心化操作；
步骤1.5.以足印上与足印下最突出点向外10像素为切点，将图像裁切成统一规格的矩形图片，并增强分辨率。
进一步的，步骤2所述建立并训练神经网络模型，采用VGG网络在图像判读上具有鲁棒性强的特征并基于VGG16网络建立神经网络模型：
步骤2.1.VGG16网络共16层，包含13个卷积层和3个全连接层，其中13个卷积层又被分成5个卷积块，第一卷积块包含2个3*3*64的卷积层，第二卷积块包含2个3*3*128的卷积层，第三卷积块包含3个3*3*256的卷积层，第四卷积块包含3个3*3*256的卷积层，第五卷积块包含3个3*3*256的卷积层，第一卷积块、第二卷积块、第三卷积块、第四卷积块、第五卷积块后均连接一个最大池化层，第五卷积块连接的最大池化层接3个全连接层，3个全连接层中的最后一个全连接层连接Softmax层，每一个全连接层的输出都作为下一个全连接层的输入；
步骤2.2.输入层向VGG16网络输入224*224*3的局部上下文区域图像，输入图像与卷积块进行卷积操作，得到每一个卷积块后对应的多个特征图；
步骤2.3.激活函数对每一个卷积块后对应的多个特征图进行非线性处理，激活函数选用ReLU函数，输入图像经过卷积和池化层后，经过最后一个全连接层得到的特征图再经过Softmax层操作后得到分类结果，通过输出层输出；
步骤2.4.针对足底压力图像包含色差像素少的特征，基于VGG16网络模型，在每一个池化层后引入批量规范化层(BatchNormalization，BN)加速神经网络模型的训练，设定神经网络模型训练输入样本量不低于4000个，批处理量为128张为1个Batch，迭代次数不低于350次，学习利用率为0.0001。
进一步的，步骤3所述计算得出足底压力特征值包括如下步骤：
步骤3.1.对预处理的图像样本进行去噪声处理，先用双边均值滤波器削减图像中空域内噪声干扰，同时保持足底图像边缘纹理模糊信息，之后再用中值滤波器消除图像中的椒盐噪声(salt-and-pepper noise)，同时保留足底图像边缘的尖锐度；
步骤3.2.对预处理的图像样本进行灰度图转化，并标注足底压力特征区域，标注区域包含足底压力特征区域边缘纹理模糊信息，并与足底压力特征区域边缘曲率最大的弧相切；
步骤3.3.对标注区域进行直方图均衡化，扫描标注区域的所有像素，计算出标注区域的归一化直方图H，计算过程为先列出微分直方图H(rk)的表达式，再对微分直方图H(rk)积分，计算过程表达如下式(1)和(2)：
H′(i)＝∑0≤j≤iH(j)……(2)，
上式(1)和(2)中，n是图像的总数，k是图像中第k个灰度级别，nk是该灰度级的个数，i表示区域内的最高灰度级别，j表示区域内灰度级别变量；
最后进行图像转化，表示为下式(3)：
dst(x，y)＝H′(src(x，y))……(3)，
上式(3)中，dst(x，y)为输出图像，src(x，y)表示输入图像；
步骤3.4.采用邻域块高斯加权的方法对标注区域的图像进行局部自适应二值阈值分割，将标注区域的图像分割为关注区域和余下的区域，并提取出关注区域做进一步分析；
步骤3.5.对感兴趣的区域再次进行中值滤波，得到无干扰图像后，先进行3×3的核腐蚀，再进行12×12的内核膨胀，完成对图像的形态学操作；
步骤3.6.形态学操作后的图像显示为不连续的多边形，对不连续的多边形进行轮廓扫描，轮廓扫描后进行曲率拟合，得到边界闭合曲线；
步骤3.7.提取闭合曲线内的图像，利用网格计算和标注闭合曲线内包含区域的面积，闭合曲线内区域的面积即为边界灰度相同的足底压力特征区域的特征值。
进一步的，步骤4所述多元线性回归模型的建立，包括如下步骤：
步骤4.1.以预估算的身高值作为因变量Y，选择足底压力特征区域的特征值为自变量X，则多元线性回归方程式为下式(4)：
Y＝β0+β1X1+β2X2+β3X3+β4X4+β5X5+β6X6+β7X7+ε……(4)，
上式(4)中，β0，β1，…，β7为回归参数，X1为第1跖骨区域特征值，X2为足跟区域特征值，X3为第2～3跖骨区域特征值，X4为第1趾骨区域特征值，X5为足弓区域特征值，X6为第4～5跖骨区域特征值，X7为第2～5趾骨区域特征值，ε为每次测量时的随机误差，并满足Gauss-Markov假设，即ε～N(0，σ2)，表示ε服从一个数学期望为0、方差为σ2的正态分布；
步骤4.2.采集n组相互独立的实验数据，组成矩阵式方程式组，如下式(5)：
Y＝Xβ+ε……(5)，
上式(5)中，
步骤4.3.采用最小二乘法求取回归参数:
步骤4.3.1 n次观测误差的平方和Q的表达式为下式(6)：
Q＝ε′ε＝(Y-Xβ)′(Y-Xβ)……(6),
上式(6)中Q值越小，误差也就越小，理想状态取Q＝0；
步骤4.3.2对上式(6)两边对β求导，得下式(7)：
步骤4.3.3进一步求解式(7)，得下式(8)：
上式(8)中，
为Q取最小值时的回归参数矩阵；
步骤4.3.4由上式得到经验回归方程(9)：
上式(9)中，
为身高估算经验值，
为经验回归参数；
步骤4.4.对经验回归方程进行显著性检验，显著性水平达到阈值，则确定经验方程式为足底压力特征值与身高的多元线性回归模型。
进一步的，步骤5所述重复使用神经网络模型得出足底压力特征值，并通过多元线性回归模型估算身高，鉴于现场发现的足底压力图像是一个足底印记的一组足底压力图像集合，对足底压力图像集合这组图像的处理，需要先对得到的一组足底压力特征值进行筛选、剔除和标准化之后，再输入多元线性回归模型进行身高估算，包括如下步骤：
步骤5.1.对得到的一组足底压力特征值进行罗曼诺夫斯基准则(T检验准则)检验，首先剔除一个可疑值，然后按照T分布来检验被剔除值为异常值，设样本数据为Xi1,Xi2,…,Xin,i∈{1，2，…，7}，若认为Xij为可疑值，计算n-1个数据的平均值
的标准差Si，n-1如下式(10)、式(11)：
按照T分布检验被剔除的Xij是否为异常值，当
则Xij为异常值，予以剔除，当
则Xij为正常值，予以保留；其中，α为显著水平，n为数据个数，q(n，α)为检测系数；使用T分布检验，直至所有数据均为正常值为止；
步骤5.2.对剔除异常值后的余下的数据进行标准化处理，对余下的数据求取均方根，求取均方根的公式如下式(12)：
上式(12)中，m为剔除异常值后余下的数据个数；
步骤5.3.重复步骤5.1.和步骤5.2.得到多元线性回归模型的各自变量Xi，i∈{1，2，…，7}的值，并将Xi，i∈{1，2，…，7}的值输入多元线性回归模型得到估算身高。
本发明所述身高估算方法与现有技术相比具有以下有益效果：
1.本发明所述身高估算方法，采用足底压力特征区域的压力特征值代替传统的足底特征点间的长度特征值，从而使特征值的获取更具有代表性和科学性，克服了传统的长度特征值在特定年龄区间因生理因素发生的微小变化无法准确映射待测体身高变化的问题，同时相比于长度特征值的获取，压力特征值的获取更为便利和准确，鉴于待测体无论是以何种状态接触地面，都将产生面接触，即产生足底压力区域，而长度特征值却无法在任何状态仍能获取长度特征值。
2.本发明所述身高估算方法，采用具有深度自我学习能力的神经网络模型对足底压力特征区域的边界及面积进行分析研判，随着数据的不断积累，判读的置信度会越来越高，从而有效避免了传统的长度特征值的判读全部由人为操作来完成带来的因判读标准不统一引起的人为误差，并且本发明提出的神经网络模型是在基于VGG16网络引入BN层，计算的工作效率更高，输出结果更稳定，能够满足在实时环境下工作强度对效率的要求，为大量节省人力、物力和时间成本提供了技术支撑。
3.本发明所述身高估算方法，充分考虑了足底压力区域对压力特征表现能力，创造性地定义了七个足底压力特征区域为提取足底特征值的线性独立非相关参数变量，将具有关联强的足底压力区域整合为一个区域进行考虑，从而保证了多元线性回归模型建立的精确性、科学性和样本采集的便利性，同时针对同一足底印会出现一组足底压力图像的现象，在对足底压力区域特征值的样本筛选上，先后采用了T分布检验和均方根标准化的手段，确保样本数据的有效性和精确度。
4.本发明所述身高估算方法，提出了图片预处理的具体方法，对足底压力图像进行筛选的参考值做了定义，并且通过对足底压力图像进行旋转和中心化处理，显著地提升了神经网络判读的速度和准确性。
附图说明
图1为本发明所述身高估算方法流程图；
图2为步骤1所述采集足底压力图像样本并进行预处理的流程图；
图3a为步骤2.1.所述VGG16网络模型图，图3b为步骤2.4.所述引入BN层的VGG16网络模型图；
图4为步骤3所述神经网络模型的计算流程图；
图5为步骤4所述足底压力特征值区域分布图。
具体实施方式
现结合说明书附图，详细说明本发明所述基于足底压力的身高估算方法的具体实施方式。
如图1所示，一种基于足底压力的身高估算方法，包括以下步骤：
步骤1.采集足底压力图像样本并进行预处理；
步骤2.建立并训练神经网络模型；
步骤3.将预处理的图像样本输入训练好的神经网络模型，计算得出足底压力特征值；
步骤4.建立足底压力特征值与身高的多元线性回归模型；
步骤5.继续用神经网络模型计算足底压力特征值，通过多元线性回归模型估算身高。
进一步的，如图2所示，步骤1所述采集足底压力图像样本并进行预处理包括如下步骤：
步骤1.1.定义成年人在行走状态下足底压力图像样本中的足底压力特征区域，包括：第1跖骨区域、第2～3跖骨区域、第4～5跖骨区域、足跟区域、第1趾骨区域、第2～5趾骨区域和足弓区域；
步骤1.2.根据足底压力特征区域对压力特征的表达能力，对采集的足底压力图像样本进行筛选，剔除缺少行走状态下具备的第1跖骨区域、第1趾骨区域或者足跟区域的足底压力图像；
步骤1.3.将筛选后的足底压力图像中的标尺、水印以及网格线不适用于神经网络判读的附加信息去除；
步骤1.4.对于足迹方向和足迹位置不在图像中间的足底压力图像，进行旋转校正与足迹中心化操作；
步骤1.5.以足印上与足印下最突出点向外10像素为切点，将图像裁切成统一大小的矩形图片，并增强分辨率。
进一步的，如图3所示，步骤2所述建立并训练神经网络模型，包括以下步骤：
步骤2.1.如图3a所示，VGG16网络共16层，包含13个卷积层和3个全连接层，其中13个卷积层又被分成5个卷积块，第一卷积块包含2个3*3*64的卷积层，第二卷积块包含2个3*3*128的卷积层，第三卷积块包含3个3*3*256的卷积层，第四卷积块包含3个3*3*256的卷积层，第五卷积块包含3个3*3*256的卷积层，第一卷积块、第二卷积块、第三个卷积块、第四卷积块、第五卷积块后均连接一个最大池化层，第五卷积块连接的最大池化层接3个全连接层，3个全连接层中的最后一个全连接层连接Softmax层，每一个全连接层的输出都作为下一个全连接层的输入；
步骤2.2.输入层向VGG16网络输入224*224*3大小的局部上下文区域图像，输入图像与卷积块进行卷积操作，得到每一个卷积块后对应的多个特征图；
步骤2.3.激活函数对每一个卷积块后对应的多个特征图进行非线性处理，激活函数选用ReLU函数，输入图像经过卷积和池化层后，经过最后一个全连接层得到的特征图再经过Softmax层操作后得到分类结果，通过输出层输出；
步骤2.4.如图3b所示，针对足底压力图像包含色差像素少的特征，基于VGG16网络模型，在每一个池化层后引入批量规范化层(BatchNormalization，BN)加速神经网络模型的训练，设定神经网络模型训练输入样本量不低于4000个，批处理量为128张为1个Batch，迭代次数不低于350次，学习利用率为0.0001。
进一步的，如图4所示，步骤3所述计算得出足底压力特征值包括如下步骤：
步骤3.1.对预处理的图像样本进行去噪声处理，先用双边均值滤波器削减图像中空域内噪声干扰，同时保持足底图像边缘纹理模糊信息，之后再用中值滤波器消除图像中的椒盐噪声(salt-and-pepper noise)，同时保留足底图像边缘的尖锐度；
步骤3.2.对预处理的图像样本进行灰度图转化，并标注足底压力特征区域，标注区域包含足底压力特征区域边缘纹理模糊信息，并与足底压力特征区域边缘曲率最大的弧相切；
步骤3.3.对标注区域进行直方图均衡化，扫描标注区域的所有像素，计算出标注区域的归一化直方图H，计算过程为先列出微分直方图H(rk)的表达式，再对微分直方图H(rk)积分，计算过程表达如下式(1)和(2)：
H′(i)＝∑0≤j≤iH(j)……(2)，
上式(1)和(2)中，n是图像的总数，k是图像中第k个灰度级别，nk是该灰度级的个数，i表示区域内的最高灰度级别，j表示区域内灰度级别变量；
最后进行图像转化，表示为下式(3)：
dst(x，y)＝H′(src(x，y))……(3)，
上式(3)中，dst(x，y)为输出图，src(x，y)表示输入图像；
步骤3.4.采用邻域块高斯加权的方法对标注区域的图像进行局部自适应二值阈值分割，将标注区域的图像分割为感兴趣的区域和余下的区域，并提取出感兴趣的区域做进一步分析；
步骤3.5.对感兴趣的区域再次进行中值滤波，得到无干扰图像后，先进行3×3的核腐蚀，再进行12×12的内核膨胀，完成对图像的形态学操作；
步骤3.6.形态学操作后的图像显示为不连续的多边形，对不连续的多边形进行轮廓扫描，轮廓扫描后进行曲率拟合，得到边界闭合曲线；
步骤3.7.提取闭合曲线内的图像，利用网格计算和标注闭合曲线内包含区域的面积，闭合曲线内区域的面积即为边界灰度相同的足底压力特征区域的特征值。
进一步的，步骤4所述多元线性回归模型的建立，包括如下步骤：
步骤4.1.以预估算的身高值作为因变量Y，选择足底压力特征区域的特征值为自变量X，则多元线性回归方程式为下式(4)：
Y＝β0+β1X1+β2X2+β3X3+β4X4+β5X5+β6X6+β7X7+ε……(4)，
上式(4)中，β0，β1，…，β7为回归参数，如图5所示，X1为第1跖骨区域特征值，X2为足跟区域特征值，X3为第2～3跖骨区域特征值，X4为第1趾骨区域特征值，X5为足弓区域特征值，X6为第4～5跖骨区域特征值，X7为第2～5趾骨区域特征值，ε为每次测量的随机误差，并满足Gauss-Markov假设，ε～N(0，σ2)，表示ε服从一个数学期望为0、方差为σ2的正态分布；
步骤4.2.采集n组相互独立的实验数据，组成矩阵式方程式组，如下式(5)：
Y＝Xβ+ε……(5)，
上式(5)中，
步骤4.3.用最小二乘法求取回归参数：
步骤4.3.1 n次观测误差的平方和Q的表达式为下式(6)：
Q＝ε′ε＝(Y-Xβ)′(Y-Xβ)……(6)，
上式(6)中Q值越小，误差也就越小，理想状态取Q＝0；
步骤4.3.2对上式(6)两边对β求导，得下式(7)：
步骤4.3.3进一步求解式(7)，得下式(8)：
上式(8)中，
为Q取最小值时的回归参数矩阵；
步骤4.3.4由此，得到经验回归方程(9)：
上式(9)中，
为身高估算经验值，
为经验回归参数；
步骤4.4.对经验回归方程进行显著性检验，显著性水平达到阈值，则确定经验方程式为足底压力特征值与身高的多元线性回归模型。
进一步的，步骤5所述重复使用神经网络模型得出足底压力特征值，并通过多元线性回归模型估算身高，鉴于现场发现的足底压力图像是一个足底印记的一组足底压力图像集合，对足底压力图像集合这组图像的处理，需要先对得到的一组足底压力特征值进行筛选、剔除和标准化之后，再输入多元线性回归模型进行身高估算，包括如下步骤：
步骤5.1.对得到的一组足底压力特征值进行罗曼诺夫斯基准则(T检验准则)检验，首先剔除一个可疑值，然后按照T分布来检验被剔除值为异常值，设样本数据为Xi1,Xi2,…,Xin,i∈{1，2，…，7}，若认为Xij为可疑值，计算n-1个数据的平均值
的标准差Si，n-1如下式(10)、(11)：
按照T分布检验被剔除的Xij是否为异常值，当
则Xij为异常值，予以剔除，当
则Xij为正常值，予以保留；其中，α为显著水平，n为数据个数，q(n，α)为检测系数；使用T分布检验，直至所有数据均为正常值为止；
步骤5.2.对剔除异常值后余下的数据进行标准化处理，方式是对余下的数据求取均方根，求取均方根的公式如下式(12)：
上式(12)中，m为剔除异常值后余下的数据个数；
步骤5.3.重复步骤5.1.和步骤5.2.得到多元线性回归模型的各自变量Xi，i∈{1，2，…，7}的值，并将Xi，i∈{1，2，…，7}的值输入多元线性回归模型得到估算身高。
本发明并不限于上述实施方式，在不背离本发明实质内容的情况下，本领域技术人员可以想到的任何变形、改进、替换均落入本发明的保护范围。
Claims (6)
1.一种基于足底压力的身高估算方法，其特征在于，所述身高估算方法包括以下步骤：
步骤1.采集足底压力图像样本并进行预处理；
步骤2.建立并训练神经网络模型；
步骤3.将预处理的图像样本输入训练好的神经网络模型，计算得出足底压力特征值；
步骤4.建立足底压力特征值与身高的多元线性回归模型；
步骤5.继续用神经网络模型计算足底压力特征值，通过多元线性回归模型估算身高。
2.根据权利要求1所述的身高估算方法，其特征在于，步骤1所述采集足底压力图像样本并进行预处理包括如下步骤：
步骤1.1.定义成年人在行走状态下足底压力图像样本中的足底压力特征区域，包括：第1跖骨区域、第2～3跖骨区域、第4～5跖骨区域、足跟区域、第1趾骨区域、第2～5趾骨区域和足弓区域；
步骤1.2.根据足底压力特征区域对压力特征的表达能力，对采集的足底压力图像样本进行筛选，剔除缺少行走状态下具备的第1跖骨区域、第1趾骨区域或者足跟区域的足底压力图像；
步骤1.3.将筛选后的足底压力图像中的标尺、水印以及网格线不适用于神经网络判读的附加信息去除；
步骤1.4.对于足迹方向和足迹位置不在图像中间的足底压力图像，进行旋转校正与足迹中心化操作；
步骤1.5.以足印上与足印下最突出点向外10像素为切点，将图像裁切成统一规格的矩形图片，并增强分辨率。
3.根据权利要求1所述的身高估算方法，其特征在于，步骤2所述建立并训练神经网络模型是基于VGG16网络建立神经网络模型，具体包括以下步骤：
步骤2.1.VGG16网络共16层，包含13个卷积层和3个全连接层，其中13个卷积层又被分成5个卷积块，第一卷积块包含2个3*3*64的卷积层，第二卷积块包含2个3*3*128的卷积层，第三卷积块包含3个3*3*256的卷积层，第四卷积块包含3个3*3*256的卷积层，第五卷积块包含3个3*3*256的卷积层，第一卷积块、第二卷积块、第三卷积块、第四卷积块、第五卷积块后均连接一个最大池化层，第五卷积块连接的最大池化层接3个全连接层，3个全连接层中的最后一个全连接层连接Softmax层，每一个全连接层的输出都作为下一个全连接层的输入；
步骤2.2.输入层向VGG16网络输入224*224*3的局部上下文区域图像，输入图像与卷积块进行卷积操作，得到每一个卷积块后对应的多个特征图；
步骤2.3.激活函数对每一个卷积块后对应的多个特征图进行非线性处理，激活函数选用ReLU函数，输入图像经过卷积和池化层后，经过最后一个全连接层得到的特征图再经过Softmax层操作后得到分类结果，通过输出层输出；
步骤2.4.针对足底压力图像包含色差像素少的特征，基于VGG16网络模型，在每一个池化层后引入批量规范化层(BatchNormalization，BN)加速神经网络模型的训练，设定神经网络模型训练输入样本量不低于4000个，批处理量为128张为1个Batch，迭代次数不低于350次，学习利用率为0.0001。
4.根据权利要求1所述的身高估算方法，其特征在于，步骤3所述计算得出足底压力特征值包括如下步骤：
步骤3.1.对预处理的图像样本进行去噪声处理，先用双边均值滤波器削减图像中空域内噪声干扰，同时保持足底图像边缘纹理模糊信息，之后再用中值滤波器消除图像中的椒盐噪声(salt-and-pepper noise)，同时保留足底图像边缘的尖锐度；
步骤3.2.对预处理的图像样本进行灰度图转化，并标注足底压力特征区域，标注区域包含足底压力特征区域边缘纹理模糊信息，并与足底压力特征区域边缘曲率最大的弧相切；
步骤3.3.对标注区域进行直方图均衡化，扫描标注区域的所有像素，计算出标注区域的归一化直方图H，计算过程为先列出微分直方图H(rk)的表达式，再对微分直方图H(rk)积分，计算过程表达如下式(1)和(2)：
H′(i)＝∑0≤j≤iH(j)……(2)，
上式(1)和(2)中，n是图像的总数，k是图像中第k个灰度级别，nk是该灰度级的个数，i表示区域内的最高灰度级别，j表示区域内灰度级别变量；
最后进行图像转化，表示为下式(3)：
dst(x，y)＝H′(src(x，y))……(3)，
上式(3)中，dst(x，y)为输出图，src(x，y)表示输入图像；
步骤3.4.采用邻域块高斯加权的方法对标注区域的图像进行局部自适应二值阈值分割，将标注区域的图像分割为关注区域和余下的区域，并提取出关注区域做进一步分析；
步骤3.5.对感兴趣的区域再次进行中值滤波，得到无干扰图像后，先进行3×3的核腐蚀，再进行12×12的内核膨胀，完成对图像的形态学操作；
步骤3.6.形态学操作后的图像显示为不连续的多边形，对不连续的多边形进行轮廓扫描，轮廓扫描后进行曲率拟合，得到边界闭合曲线；
步骤3.7.提取闭合曲线内的图像，利用网格计算和标注闭合曲线内包含区域的面积，闭合曲线内区域的面积即为边界灰度相同的足底压力特征区域的特征值。
5.根据权利要求1所述的身高估算方法，其特征在于，步骤4所述多元线性回归模型的建立，包括如下步骤：
步骤4.1.以预估算的身高值作为因变量Y，选择足底压力特征区域的特征值为自变量X，则多元线性回归方程式为下式(4)：
Y＝β0+β1X1+β2X2+β3X3+β4X4+β5X5+β6X6+β7X7+ε……(4)，
上式(4)中，β0，β1，…，β7为回归参数，X1为第1跖骨区域特征值，X2为足跟区域特征值，X3为第2～3跖骨区域特征值，X4为第1趾骨区域特征值，X5为足弓区域特征值，X6为第4～5跖骨区域特征值，X7为第2～5趾骨区域特征值，ε为每次测量时的随机误差，并满足Gauss-Markov假设，即ε～N(0，σ2)，表示ε服从一个数学期望为0、方差为σ2的正态分布；
步骤4.2.采集n组相互独立的实验数据，组成矩阵式方程式组，如下式(5)：
Y＝Xβ+ε……(5)，
上式(5)中，
步骤4.3.采用最小二乘法求取回归参数：
步骤4.3.1n次观测误差的平方和Q的表达式为下式(6)：
Q＝ε′ε＝(Y-Xβ)′(Y-Xβ)……(6)，
上式(6)中Q值越小，误差也就越小，理想状态取Q＝0；
步骤4.3.2对上式(6)两边对β求导，得下式(7)：
步骤4.3.3进一步求解式(7)，得下式(8)：
上式(8)中，
为Q取最小值时的回归参数矩阵；
步骤4.3.4由上式得到经验回归方程(9)：
上式(9)中，
为身高估算经验值，
为经验回归参数；
步骤4.4.对经验回归方程进行显著性检验，显著性水平达到阈值，则确定经验方程式为足底压力特征值与身高的多元线性回归模型。
6.根据权利要求1所述的身高估算方法，其特征在于，步骤5所述重复使用神经网络模型得出足底压力特征值，并通过多元线性回归模型估算身高，包括以下步骤：
步骤5.1.对得到的一组足底压力特征值进行罗曼诺夫斯基准则(T检验准则)检验，首先剔除一个可疑值，然后按照T分布来检验被剔除值为异常值，设样本数据为Xi1，Xi2，.....，Xin，i∈{1，，…，7}，若认为Xij为可疑值，计算n-1个数据的平均值
的标准差Si，n-1如下式(10)、式(11)：
按照T分布检验被剔除的Xij是否为异常值，当
则Xij为异常值，予以剔除，当
则Xij为正常值，予以保留；其中，α为显著水平，n为数据个数，q(n，α)为检测系数；使用T分布检验，直至所有数据均为正常值为止；
步骤5.2.对剔除异常值后的余下的数据进行标准化处理，对余下的数据求取均方根，求取均方根的公式如下式(12)：
上式(12)中，m为剔除异常值后余下的数据个数；
步骤5.3.重复步骤5.1.和步骤5.2.得到多元线性回归模型的各自变量Xi，i∈{1，2，…，7}的值，并将Xi，i∈{1，2，…，7}的值输入多元线性回归模型得到估算身高。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110902733.4A CN113838117A (zh) | 2021-08-06 | 2021-08-06 | 基于足底压力的身高估算方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110902733.4A CN113838117A (zh) | 2021-08-06 | 2021-08-06 | 基于足底压力的身高估算方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113838117A true CN113838117A (zh) | 2021-12-24 |
Family
ID=78963064
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110902733.4A Pending CN113838117A (zh) | 2021-08-06 | 2021-08-06 | 基于足底压力的身高估算方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113838117A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117078735A (zh) * | 2023-08-14 | 2023-11-17 | 广州广电运通智能科技有限公司 | 身高检测方法、系统、电子设备和存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101327126A (zh) * | 2008-07-23 | 2008-12-24 | 天津大学 | 人体赤足迹形态学特征提取方法 |
| CN104473650A (zh) * | 2014-12-25 | 2015-04-01 | 中国科学院合肥物质科学研究院 | 一种基于柔性力敏传感器的运动能耗监测鞋及其监测方法 |
| CN109583273A (zh) * | 2017-09-29 | 2019-04-05 | 大连恒锐科技股份有限公司 | 一种海量足底压力数据的分析处理系统 |
| CN109583276A (zh) * | 2017-09-29 | 2019-04-05 | 大连恒锐科技股份有限公司 | 一种基于cnn的赤足或穿袜足迹的身高判定方法及系统 |
| US20200072931A1 (en) * | 2018-08-30 | 2020-03-05 | Max-Planck-Gesellschaft Zur Foerderung Der Wissenschaften E. V. | Method and apparatus for processing magnetic resonance data |
| CN112766142A (zh) * | 2021-01-15 | 2021-05-07 | 天津大学 | 足底压力图像处理方法、识别方法及步态分析系统 |
-
2021
- 2021-08-06 CN CN202110902733.4A patent/CN113838117A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101327126A (zh) * | 2008-07-23 | 2008-12-24 | 天津大学 | 人体赤足迹形态学特征提取方法 |
| CN104473650A (zh) * | 2014-12-25 | 2015-04-01 | 中国科学院合肥物质科学研究院 | 一种基于柔性力敏传感器的运动能耗监测鞋及其监测方法 |
| CN109583273A (zh) * | 2017-09-29 | 2019-04-05 | 大连恒锐科技股份有限公司 | 一种海量足底压力数据的分析处理系统 |
| CN109583276A (zh) * | 2017-09-29 | 2019-04-05 | 大连恒锐科技股份有限公司 | 一种基于cnn的赤足或穿袜足迹的身高判定方法及系统 |
| US20200072931A1 (en) * | 2018-08-30 | 2020-03-05 | Max-Planck-Gesellschaft Zur Foerderung Der Wissenschaften E. V. | Method and apparatus for processing magnetic resonance data |
| CN112766142A (zh) * | 2021-01-15 | 2021-05-07 | 天津大学 | 足底压力图像处理方法、识别方法及步态分析系统 |
Non-Patent Citations (2)
| Title |
|---|
| 王年;樊旭晨;张玉明;鲁玺龙;陈峰;: "基于足迹图像的FtH-Net预测身高方法", 华南理工大学学报(自然科学版), no. 06, 15 June 2020 (2020-06-15) * |
| 鲍文霞;瞿金杰;王年;唐俊;鲁玺龙;: "基于空间聚合加权卷积神经网络的力触觉足迹识别", 东南大学学报(自然科学版), no. 05, 20 September 2020 (2020-09-20) * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117078735A (zh) * | 2023-08-14 | 2023-11-17 | 广州广电运通智能科技有限公司 | 身高检测方法、系统、电子设备和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107767376B (zh) | 基于深度学习的x线片骨龄预测方法及系统 | |
| Chen et al. | A self organizing map optimization based image recognition and processing model for bridge crack inspection | |
| Shi et al. | Automatic road crack detection using random structured forests | |
| CN110021425B (zh) | 一种比较检测器及其构建方法与宫颈癌细胞检测方法 | |
| CN110097537B (zh) | 一种基于三维纹理特征的肉质定量分析评价方法 | |
| CN108921201B (zh) | 基于特征组合与cnn的大坝缺陷识别与分类方法 | |
| CN111860459B (zh) | 一种基于显微图像的禾本科植物叶片气孔指数测量方法 | |
| CN113706434B (zh) | 基于深度学习对胸部增强ct图像的后处理方法 | |
| CN111008644B (zh) | 基于局部动态能量函数fcn-crf模型的生态变化监测方法 | |
| CN108629762B (zh) | 一种骨龄评测模型减少干扰特征的图像预处理方法及系统 | |
| CN110956183A (zh) | 一种沥青路面裂缝形态提取方法 | |
| CN1912889A (zh) | 基于局部三角结构特征集的形变指纹识别方法 | |
| CN116342586B (zh) | 基于机器视觉的路面质量检测方法 | |
| CN111047559A (zh) | 一种数字病理切片异常区域快速检测的方法 | |
| CN114782948B (zh) | 一种对宫颈液基细胞学涂片的全局判读方法及系统 | |
| CN115272225A (zh) | 一种基于对抗学习网络的带钢表面缺陷检测方法及系统 | |
| CN113838117A (zh) | 基于足底压力的身高估算方法 | |
| CN114965316A (zh) | 一种基于高光谱多参数的水质监测方法、计算机程序产品 | |
| CN114299323A (zh) | 一种结合机器视觉与深度学习技术的印刷品缺陷检测方法 | |
| CN117522862A (zh) | 一种基于ct影像肺炎识别的图像处理方法及处理系统 | |
| CN116309388A (zh) | 一种基于多区域结合的骨龄智能评估方法 | |
| CN116152194A (zh) | 一种物体缺陷检测方法、系统、设备及介质 | |
| CN111259914B (zh) | 一种茶树叶特征信息高光谱提取方法 | |
| CN114359864A (zh) | 基于正射影像的路面病害检测方法、系统及可存储介质 | |
| CN113239790A (zh) | 舌裂纹的特征识别及长度度量方法及系统 |
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 |