基于足跡圖像的FtH-Net預(yù)測身高方法

王年 樊旭晨 張玉明 魯璽龍 陳峰

(1.安徽大學(xué)電子信息工程學(xué)院，安徽合肥230601;2.公安部物證鑒定中心，北京100038)

足跡識別是指根據(jù)足跡信息來確定身高、年齡、性別等身份信息。近年來，足跡識別被廣泛運用在刑偵與法醫(yī)等領(lǐng)域，利用足跡信息快速、準確地得到人員的身份信息對案件的偵破以及法醫(yī)鑒定有著重大意義［1］。其中身高信息是身份信息中最為重要的，同時基于足跡信息的身高預(yù)測也是足跡識別領(lǐng)域的難點。

傳統(tǒng)的基于足跡信息預(yù)測身高的算法大多是基于足跡圖像獲取腳長、腳寬等特征信息，之后建立特征信息與身高的回歸方程［2-5］。隨后，人們以該算法為基準，相繼提出了一些新的算法。例如增加特征的種類和數(shù)量，文獻 ［6］提出在腳長、腳寬的基礎(chǔ)上增加腳掌區(qū)域的面積和拓寬的長度，有效地提升了預(yù)測的準確性;文獻 ［7-8］提出一種基于鞋印預(yù)測身高的方法，通過將鞋底類型按照相應(yīng)公式轉(zhuǎn)化為腳部特征來預(yù)測身高，該方法的弊端在于需要依據(jù)鞋底類型來確定參數(shù)，但是一般情況下根據(jù)鞋印圖像很難判斷出鞋底類型;基于足底壓力圖像結(jié)合CNN(卷積神經(jīng)網(wǎng)絡(luò))、SVM(支持向量機)等方法進行身份識別［9-10］，該方法由于足底壓力圖像獲取方式相對復(fù)雜且成本高昂，所以實用性有所欠缺。上述方法雖然能在一定程度上基于足跡圖像預(yù)測出身高，但是由于足跡特征的有效提取依賴于手工標注，并且實驗樣本較少，所以最終得到的回歸方程準確率低、泛化能力弱。

近年來深度學(xué)習(xí)技術(shù)飛速進步，并被廣泛應(yīng)用于回歸問題中，諸如人群計數(shù)［11-13］、年齡預(yù)測［14-16］等。在上述問題中，諸如圖像隨機縮放的數(shù)據(jù)增廣方法可以提升模型的準確率和泛化能力，但是對于足跡預(yù)測身高這一問題，該操作會導(dǎo)致模型無法收斂。本文在總結(jié)當前方法所存在問題的基礎(chǔ)上提出一種新的算法。該算法首先進行圖像的預(yù)處理，包括對采集到的5000張足跡圖像進行全自動數(shù)據(jù)清洗、進行有效區(qū)域提取以及旋轉(zhuǎn)與中心化;然后根據(jù)足跡數(shù)據(jù)的特性構(gòu)建FtH-Net框架，結(jié)合FtH-Net的訓(xùn)練目的定義了損失函數(shù);最后將數(shù)據(jù)處理結(jié)果按照特定比例劃分為訓(xùn)練集和測試集并輸入網(wǎng)絡(luò)參與訓(xùn)練和測試。

1 足跡圖像的預(yù)處理

1.1 數(shù)據(jù)來源

本文所使用的采集設(shè)備為足跡捺印采集儀，該設(shè)備可以采集到類似油墨捺印的足跡圖像。樣本數(shù)據(jù)采集自500名成年男性，平均每人左右赤腳共采集10張，共計5000張足跡圖像。在數(shù)據(jù)采集過程中，由于電流干擾、個人站立姿勢不同，部分圖像存在噪聲且足跡位置分布不一致，如圖1所示，圖1(b)中足跡位置分布有偏移且含有少量噪聲。

圖1 原始圖像示意圖Fig.1 Schematic diagram of raw data

1.2 數(shù)據(jù)清洗

考慮到在錄入身份信息的時候可能會存在一些人為錯誤，本文對初期篩選出的5000張圖像進行了數(shù)據(jù)清洗工作。首先剔除身高異常數(shù)據(jù) (身高低于140cm或大于190cm的樣本)，剔除異常數(shù)據(jù)后樣本集的身高-密度分布曲線如圖2所示，可知樣本集的身高-密度分布曲線近似服從正態(tài)分布，同時證明了樣本選擇以及數(shù)據(jù)采集的有效性。需要說明的是，本文針對1.1節(jié)得到的圖像，在數(shù)據(jù)清洗階段進行了濾噪操作并統(tǒng)一去除了圖像左側(cè)的標尺。

圖2 身高-密度分布曲線Fig.2 Curve of height-density distribution

1.3 圖像的中心化以及旋轉(zhuǎn)

本文所使用的采集系統(tǒng)在進行數(shù)據(jù)采集的過程中，由于被采集人員的姿態(tài)差異等因素，導(dǎo)致采集的腳印在每張圖像中的分布位置與傾斜角度不統(tǒng)一。該信息差異與身高無直接關(guān)聯(lián)，但是會被CNN作為特征進行提取并參與訓(xùn)練，最終會影響模型的性能。針對該問題，本文對圖像中的有效像素區(qū)域進行中心化平移并旋轉(zhuǎn)，該操作能夠?qū)D像中腳印的有效區(qū)域統(tǒng)一變換到圖像中心并且保持豎直，使得CNN能夠在較小的固定區(qū)域內(nèi)提取出有效的特征，以提高模型訓(xùn)練的效果。

中心化是將圖像中腳印的有效區(qū)域變換到圖像的中心位置，算法大致分為3步:首先通過統(tǒng)計圖像灰度值的變化來找到腳印上、下、左、右最外緣的4個點，以此為基準確定圖像中腳印的有效區(qū)域，如圖3所示 (圖中E、F、G、H分別對應(yīng)腳印上、下、左、右最外緣的4個點，矩形框為腳印的等效區(qū)域);其次，計算出等效矩形框區(qū)域的中心點與圖像中心點之間的坐標偏移;最后根據(jù)該坐標偏移對腳印區(qū)域進行移動進而達到了中心化的效果，如圖4所示。

圖3 等效矩形示意圖Fig.3 Schematic diagram of equivalent rectangle

圖4 中心化示意圖Fig.4 Schematic diagram of centralization

旋轉(zhuǎn)操作的目的是讓所有圖像中的腳印區(qū)域都呈豎直狀態(tài)，以消除因腳印傾斜角度不同而導(dǎo)致CNN需要額外學(xué)習(xí)與傾斜角度相關(guān)的信息。該信息會導(dǎo)致訓(xùn)練過程不易收斂。腳印圖像旋轉(zhuǎn)算法的核心思想是以腳前掌的中心點與腳后跟的中心點之間的連線為轉(zhuǎn)軸;以腳前掌的中心點為旋轉(zhuǎn)點，以轉(zhuǎn)軸在豎直方向的傾斜角為旋轉(zhuǎn)角度進行旋轉(zhuǎn)。主要實現(xiàn)過程如下:首先將圖像中的腳印大致分為4個區(qū)域 (腳趾區(qū)A、腳掌區(qū)B、足弓區(qū)C、腳跟區(qū)D)，如圖5所示 (其中a、b、c、d分別是區(qū)域A、B、C、D的豎直長度，h是足跡區(qū)域最高點與最低點之間的豎直長度)。為了讓程序能夠自動識別出腳印的A、B、C、D 4個區(qū)域，本文采用了統(tǒng)計學(xué)的方法進行分析，計算了在200張隨機抽樣的足跡圖像上a、b、c、d所占h的平均比例，并得到式(1)-(4):

根據(jù)上述關(guān)系，該算法通過計算每張圖像中腳印的豎直長度h來確定b與d的長度;其次為了找到區(qū)域B與D的中心點，本文采取了與中心化類似的步驟，根據(jù)計算出的b與d的長度對區(qū)域B和D采用了矩形等效法，如圖5所示:用矩形的中心點代替兩個區(qū)域的中心點，最后以兩個中心點的連線為轉(zhuǎn)軸、轉(zhuǎn)軸與豎直方向的夾角為旋轉(zhuǎn)角進行自動旋轉(zhuǎn)。在實際的程序運行過程中，部分圖像出現(xiàn)了矩形框中心偏離到了腳印有效像素之外的問題。針對偏離問題，本文采取了對區(qū)域矩形進行適當放縮來修正，使區(qū)域矩形放縮到對應(yīng)區(qū)域的內(nèi)部，如圖6所示。從圖中可以看出，這一方法解決了偏離的問題，以前后腳掌中心點的連線與豎直方向之間的夾角為旋轉(zhuǎn)角度、前掌區(qū)矩形中心點作為旋轉(zhuǎn)點進行旋轉(zhuǎn)，最終中心化旋轉(zhuǎn)效果如圖7所示，從圖中可以看出，經(jīng)過處理后的腳印分布于圖像中心且呈豎直狀態(tài)。

圖5 區(qū)域框示意圖Fig.5 Schematic diagram of regional frame

圖6 區(qū)域縮放示意圖Fig.6 Schematic diagram of area zoom

圖7 旋轉(zhuǎn)示意圖Fig.7 Schematic diagram of rotate

2 FtH-Net

2.1 框架介紹

2.1.1 主框架

文獻［2］指出，足跡的油墨圖像中，與身高有關(guān)聯(lián)的特征一般來自于足跡的外緣輪廓，與圖像內(nèi)部紋理無關(guān)。本文所采用的采集設(shè)備在采集數(shù)據(jù)的過程中，由于被采集人員站姿、油墨濃度、采集儀表面貼膜磨損等因素，導(dǎo)致采集出的足跡圖像內(nèi)部灰度值分布不均勻，干擾了CNN對足跡圖像有效信息的提取。為消除腳印內(nèi)部灰度值分布不均勻?qū)︻A(yù)測結(jié)果的影響，如圖8(a)所示，F(xiàn)tH-Net的第1部分由邊緣提取網(wǎng)絡(luò)構(gòu)成，該網(wǎng)絡(luò)能夠準確提取足跡的邊緣信息，使用BSDS500(包含500張彩圖、500張與彩圖對應(yīng)的邊緣輪廓圖)對邊緣提取網(wǎng)絡(luò)進行訓(xùn)練;第2部分由回歸網(wǎng)絡(luò)構(gòu)成，如圖8(b)所示，通過腳印的邊緣數(shù)據(jù)預(yù)測對應(yīng)的身高信息。

2.1.2 邊緣提取

邊緣提取部分本質(zhì)上是一個圖到圖的網(wǎng)絡(luò)。已有的圖到圖網(wǎng)絡(luò)通常是基于GAN(生成對抗網(wǎng)絡(luò))的雙向網(wǎng)絡(luò)，如文獻 ［17］中提出的一種基于補丁判別器的條件GAN(Pix2pixGAN)，其利用補丁結(jié)構(gòu)增強網(wǎng)絡(luò)對圖像細節(jié)的關(guān)注度;文獻［18］提出的一種基于潛在空間的無監(jiān)督GAN(UNIT)，是將不同域的圖像轉(zhuǎn)化到同一潛在空間，解決了傳統(tǒng)圖到圖網(wǎng)絡(luò)需要訓(xùn)練樣本成對輸入的問題。上述方法大多用于風(fēng)格遷移，其用復(fù)雜的損失函數(shù)去關(guān)注圖像細節(jié)之間的聯(lián)系，生成的圖像紋理細節(jié)特征明顯，但網(wǎng)絡(luò)訓(xùn)練時間長，且基于GAN的模型易崩潰［19］。人的身高主要依賴于腳印的邊緣信息［2］，與內(nèi)部紋理細節(jié)特征無關(guān)，所以現(xiàn)有的方法無法滿足該要求。為克服當前已有方法的不足，本文提出一種基于潛在空間的單向網(wǎng)絡(luò)去關(guān)注圖像邊緣信息。與文獻［18］不同的是，該網(wǎng)絡(luò)未采用GAN模型，而是以更合適的結(jié)構(gòu)和相應(yīng)的損失函數(shù)去關(guān)注圖像的邊緣信息，并且訓(xùn)練時間短，模型更容易收斂。

圖8 FtH-Net示意圖Fig.8 Schematic diagram of FtH-Net

本文提出的邊緣提取網(wǎng)絡(luò)分為3個部分。①編碼部分，利用編碼器對油墨數(shù)據(jù)編碼，編碼器由改進的VGG-16［20］構(gòu)成，具體結(jié)構(gòu)如圖9(a)所示。VGG按照對區(qū)域取最大值的方式進行降采樣，保留數(shù)據(jù)的紋理信息，與足跡數(shù)據(jù)的要求不符。本文使用隨機池化［21］代替最大值池化，對特征圖中的元素按照概率值的大小隨機取值進行下采樣，減少模型對腳印內(nèi)部信息的關(guān)注度，增加模型的穩(wěn)定性，為保持特征圖信息的空間完整性，編碼部分去除了VGG最后的全連接層。②轉(zhuǎn)換部分，如圖9(b)所示，由6個殘差模塊構(gòu)成，其中每個殘差模塊包含兩個卷積層。該設(shè)計可以有效轉(zhuǎn)化不同域圖像之間的特征［22］，將油墨數(shù)據(jù)的編碼轉(zhuǎn)換成邊緣數(shù)據(jù)。③解碼部分，如圖9(c)所示，利用解碼器將邊緣特征編碼轉(zhuǎn)化為邊緣輪廓圖，由于編碼部分含有5個下采樣層，為保證編解碼操作前后尺寸的一致性，解碼部分包含5個反卷積層。

圖9 邊緣提取網(wǎng)絡(luò)示意圖Fig.9 Schematic diagram of extraction network

2.1.3 回歸預(yù)測

目前的回歸模型多用于基于人臉的年齡預(yù)測以及人群計數(shù)等領(lǐng)域。其中，基于人臉的年齡預(yù)測常用較為復(fù)雜的網(wǎng)絡(luò)去提取面部細微的特征，且年齡為整數(shù)，可做特殊的分類處理，如文獻 ［23］中提出一種多分類后再回歸的模型 (OR-CNN);而人群計數(shù)一般是基于全卷積網(wǎng)絡(luò)的點到點的回歸［24］，通過輸入人群圖像，生成人群密度圖，進而得到人群數(shù)量。這些方法更關(guān)注于圖像的細節(jié)特征，與本文實驗要求有本質(zhì)的區(qū)別。本文提出的回歸網(wǎng)絡(luò)由兩個部分 (編碼器與全連接層)構(gòu)成，如圖10所示。編碼器的結(jié)構(gòu)同圖9(a)，首先通過編碼器對輸入的數(shù)據(jù)進行編碼，其次利用全連接層將二維編碼展開，每個全連接層末尾使用ReLU(修正線性單元)激活函數(shù)進行激活，最終通過回歸層輸出身高信息。本文在

3.2.1節(jié)中采取對比實驗的方式，分析不同結(jié)構(gòu)的編碼器對預(yù)測準確率的影響。

圖10 回歸網(wǎng)絡(luò)示意圖Fig.10 Schematic diagram of regression network

2.2 損失函數(shù)

損失函數(shù)包含邊緣損失與回歸損失，邊緣損失的計算如式 (5)、(6)所示:Lpixel為交叉熵函數(shù)，計算預(yù)測圖與標簽圖對應(yīng)每一個像素點之間的損失。由于邊緣輪廓圖的背景部分像素值為0，而邊緣部分像素值為255，將像素歸一化到0-1之間，規(guī)定像素值為1的為正樣本區(qū)域、為0的為負樣本區(qū)域，利用交叉熵函數(shù)計算對應(yīng)點之間的分類損失。p(x，y)為歸一化后標簽圖中對應(yīng)坐標 (x，y)處的像素值;ypx，y為預(yù)測圖中對應(yīng)坐標 (x，y)處的像素值。Lprofile為最終的邊緣損失，計算預(yù)測圖與真實圖之間所有像素點的Lpixel損失之和。其中i、j分別為輸出圖像的長與寬?；貧w損失如式 (7)所示:

式中:n為樣本的總量，Hk為樣本中第k個圖像對應(yīng)的標簽身高;Hpk為網(wǎng)絡(luò)根據(jù)第k個圖像預(yù)測的身高。本文選用MSE作為FtH-Net的回歸損失，計算預(yù)測身高與真實身高之間的均方誤差。

2.3 訓(xùn)練及測試

本文提出一種分訓(xùn)練、整測試的方法對FtHNet進行訓(xùn)練及測試，具體流程如圖11所示。將經(jīng)過預(yù)處理的數(shù)據(jù)按照8∶2的比例分為訓(xùn)練集與測試集。首先訓(xùn)練邊緣提取網(wǎng)絡(luò) (如圖11中①所示)，使用邊緣檢測數(shù)據(jù)集BSDS500訓(xùn)練邊緣提取網(wǎng)絡(luò)，得到一個邊緣提取模型;其次訓(xùn)練回歸網(wǎng)絡(luò)(如圖11中②所示)，將訓(xùn)練集數(shù)據(jù)輸入邊緣提取模型中得到輪廓數(shù)據(jù)，使用輪廓數(shù)據(jù)訓(xùn)練出一個預(yù)測身高的回歸模型;最后將測試集數(shù)據(jù)輸入訓(xùn)練完成的模型中進行測試 (如圖11中③所示)，可以得到每張數(shù)據(jù)對應(yīng)的輪廓信息 (如圖12所示)與身高信息。

3 實驗

3.1 實驗設(shè)備及相關(guān)參數(shù)

本文有關(guān)CNN模型訓(xùn)練的實驗均在GPU型號為NVIDIA 1080Ti、CPU型號為Intel i7-8700的機器上進行，每輪訓(xùn)練都包含32個樣本，每張圖像的尺寸均為256像素×128像素。訓(xùn)練時采用AdamOptimizer優(yōu)化器，學(xué)習(xí)率設(shè)置初始值為0.001，每訓(xùn)練10輪當前學(xué)習(xí)率下降1%。

圖11 FtH-Net訓(xùn)練及測試流程圖Fig.11 Flow chart of FtH-Net training and testing

圖12 邊緣提取示意圖Fig.12 Schematic diagram of edge extraction

3.2 對比實驗

3.2.1 邊緣提取效果

本文將FtH-Net中的邊緣提取網(wǎng)絡(luò)與Pix2pixGAN和UNIT在BSDS500數(shù)據(jù)集上進行對比實驗，實驗效果如圖13所示。對比實驗表明Pix2pixGAN和UNIT更關(guān)注于對細節(jié)信息的刻畫，而FtH-Net更關(guān)注于邊緣輪廓信息，與真實標簽信息更接近，所以FtH-Net更適用于預(yù)測身高時的特征提取。為了更準確地評價對比實驗中3種網(wǎng)絡(luò)的性能，該部分統(tǒng)計了輸出圖像的SSIM(結(jié)構(gòu)相似性)均值以及訓(xùn)練時間，如表1所示，相比于Pix2pixGAN與UNIT，本文所提出的網(wǎng)絡(luò)更適用于邊緣的提取，并且訓(xùn)練時間短，與2.1.2節(jié)論述相符，滿足本文實驗需求。

3.2.2 不同編碼器結(jié)構(gòu)效果對比

本文采取對比實驗的方式，探究不同編碼器結(jié)構(gòu)對回歸網(wǎng)絡(luò)性能的影響。由于足跡圖像均為單通道二值圖像，并且像素低、特征少，不宜使用層數(shù)過深的網(wǎng)絡(luò)進行解碼，本文選取LeNet-5與VGG-16進行對比實驗，將訓(xùn)練集數(shù)據(jù)分別在不同編碼器結(jié)構(gòu)的回歸網(wǎng)絡(luò)上進行訓(xùn)練，訓(xùn)練結(jié)果如表2所示 (其中ACC_i表示預(yù)測出的身高與真實身高差絕對值≤i cm的概率)。從表中可以看出，針對本文的數(shù)據(jù)集，VGG-16在準確率與收斂速度方面都要明顯優(yōu)于LeNet-5。

圖13 不同網(wǎng)絡(luò)邊緣提取的對比示意圖Fig.13 Schematic diagram of edge extraction using different networks

表1 不同網(wǎng)絡(luò)邊緣提取實驗結(jié)果對比Table 1 Comparison of experimental results of edge extraction using different networks

表2 不同編碼器實驗結(jié)果對比Table 2 Comparison of experimental results of different encoders

3.2.3 算法有效性驗證

為了驗證中心化旋轉(zhuǎn)等預(yù)處理算法的有效性，本文利用設(shè)置好的FtH-Net分別對已進行以及未進行預(yù)處理的數(shù)據(jù)進行了訓(xùn)練及測試，實驗結(jié)果如表3所示。為探究FtH-Net邊緣提取部分對回歸精度的影響，本文僅使用FtH-Net的回歸網(wǎng)絡(luò)對足跡數(shù)據(jù)進行了訓(xùn)練及測試，實驗結(jié)果如表3所示。從表中可以看出，每經(jīng)過一步數(shù)據(jù)處理，網(wǎng)絡(luò)對身高的預(yù)測準確率便有一定上升，并且經(jīng)過中心化旋轉(zhuǎn)的數(shù)據(jù)提升幅度最大。實驗結(jié)果表明，本文所采用的回歸算法有效，并且消除了足跡數(shù)據(jù)平移、旋轉(zhuǎn)等問題對回歸精度的影響。

表3 經(jīng)過不同處理的數(shù)據(jù)的回歸實驗結(jié)果Table 3 Regression experimental results of different processed data

3.2.4 左右腳實驗差異對比

為探究區(qū)分左右腳對身高預(yù)測是否存在影響，本文將預(yù)處理完成的4000個數(shù)據(jù)進行左右腳的篩選，最終篩選出2250個左腳數(shù)據(jù)與1750個右腳數(shù)據(jù)。分別對左、右腳的數(shù)據(jù)進行模型的訓(xùn)練以及身高的預(yù)測，預(yù)測結(jié)果如表4所示。從表中可以看出，單獨使用左腳或右腳訓(xùn)練的模型預(yù)測身高的準確率與未區(qū)分左右的準確率接近，此結(jié)果表明是否區(qū)分左右腳對身高預(yù)測沒有影響。

表4 左、右腳數(shù)據(jù)分別在FtH-Net上的實驗結(jié)果Table 4 Experimental results of left and right feet on FtH-Net

3.2.5 不同回歸算法對比

為證明本文方法的有效性和優(yōu)越性，本文對多種具有代表性的方法進行對比實驗，包括線性回歸、機器學(xué)習(xí)領(lǐng)域KNN［25-26］算法以及深度學(xué)習(xí)領(lǐng)域基于人臉預(yù)測年齡的經(jīng)典回歸網(wǎng)絡(luò)OR-CNN。其中線性回歸和KNN算法以腳長和腳寬作為輸入特征，OR-CNN和本文提出的FtH-Net網(wǎng)絡(luò)以足跡圖像為輸入。為保證對比實驗的公平性，所有的輸入圖像均經(jīng)過相同的預(yù)處理操作。實驗結(jié)果如表5所示，從表中可以看出，基于深度學(xué)習(xí)的方法相比于其他方法在實驗效果上具有明顯的優(yōu)越性，并且本文提出的FtH-Net相對于OR-CNN在性能上有了更進一步的提升，表明使用圖9(a)所示結(jié)構(gòu)的編碼器訓(xùn)練模型的效果最優(yōu)。

表5 不同方法對文中數(shù)據(jù)集的預(yù)測結(jié)果Table 5 Prediction results of the data set of this paper obtained by different methods

3.3 實驗結(jié)果分析

根據(jù)3.2節(jié)對比實驗結(jié)果可以得出，利用FtHNet預(yù)測身高的方法較現(xiàn)有回歸算法更加可靠，并且數(shù)據(jù)在經(jīng)過不同的預(yù)處理后，模型的回歸精度均逐步提升，從而證明了本文預(yù)處理算法的有效性。相比于線性回歸的方法，F(xiàn)tH-Net網(wǎng)絡(luò)是非線性模型，能有效地提取邊緣特征，更適合于本文的身高預(yù)測。為了探究身高與腳部特征之間是否存在非線性關(guān)系，本文按照傳統(tǒng)方法，以腳長和腳寬為特征，測量并統(tǒng)計了部分足跡圖像的腳長和腳寬數(shù)據(jù)，并分別繪制了腳長-身高、腳寬-身高分布散點圖，如圖14所示。從圖中可以看出，腳長-身高與腳寬-身高的分布不具有明顯的線性關(guān)系，該結(jié)論和常識相符 (現(xiàn)實條件下存在同一腳長或者腳寬對應(yīng)不同身高的現(xiàn)象)，所以導(dǎo)致回歸模型預(yù)測效果不理想。相比于KNN利用腳長和腳寬為特征進行預(yù)測，F(xiàn)tH-Net模型可以提取出諸如腳印輪廓等更多元化的特征。

圖14 腳長-身高和腳寬-身高分布散點圖Fig.14 Scattered point figure of length-height plot and widthheight plot

4 結(jié)語

本文提出了一種基于足跡圖像，利用深度學(xué)習(xí)預(yù)測身高的算法。在圖像處理階段，本文采用了全自動的方式進行數(shù)據(jù)清洗、濾噪、旋轉(zhuǎn)中心化，并且提出一種預(yù)測身高的回歸網(wǎng)絡(luò)，能夠快速地將采集的足跡圖像轉(zhuǎn)化為網(wǎng)絡(luò)的輸入數(shù)據(jù)，進而預(yù)測出相應(yīng)的身高。在實際應(yīng)用中，該方法能夠為刑偵人員提供一種高速處理大規(guī)模足跡數(shù)據(jù)的方式，提高了辦案的效率。文中使用CNN訓(xùn)練足跡數(shù)據(jù)，在傳統(tǒng)經(jīng)驗性特征的基礎(chǔ)上，還能提取到深層次特征，為后續(xù)根據(jù)足跡數(shù)據(jù)的年齡預(yù)測以及身份識別奠定了基礎(chǔ)。但CNN模型的好壞一定程度上取決于數(shù)據(jù)量的多少，目前足跡未建立公開數(shù)據(jù)集并且數(shù)據(jù)匱乏，所以數(shù)據(jù)量不足仍是該方面研究需要解決的問題之一。