基于反向傳播神經(jīng)網(wǎng)絡(luò)的三維足跡觸覺(jué)步態(tài)特征識(shí)別

高毅，王彪，王夢(mèng)陽(yáng)，穆治亞，龍兵

(1.中國(guó)刑事警察學(xué)院刑事科學(xué)技術(shù)學(xué)院，沈陽(yáng) 110035；2.中國(guó)科學(xué)院長(zhǎng)春光學(xué)精密機(jī)械與物理研究所，長(zhǎng)春 1300333.四川警察學(xué)院刑事檢驗(yàn)四川高校重點(diǎn)實(shí)驗(yàn)室，瀘州 646000)

目前，很多案件中都會(huì)用足跡步態(tài)特征檢驗(yàn)來(lái)進(jìn)行前期的案件偵查和后續(xù)的法庭審判，中國(guó)的步態(tài)特征檢驗(yàn)仍然主要依賴于專家的經(jīng)驗(yàn)來(lái)進(jìn)行分析判斷。以審判為中心增加了專家、律師和刑事技術(shù)等相關(guān)領(lǐng)域人員對(duì)步態(tài)特征檢驗(yàn)的質(zhì)疑。其質(zhì)疑的焦點(diǎn)集中在步態(tài)特征檢驗(yàn)是一種經(jīng)驗(yàn)性的技術(shù)，科學(xué)性不強(qiáng)，很大程度依靠人的主觀判斷，甚至在一些案件中檢驗(yàn)人員會(huì)出現(xiàn)先入為主的現(xiàn)象，導(dǎo)致整個(gè)鑒定結(jié)果不具有法律效力。步態(tài)特征檢驗(yàn)在推斷年齡、身高、體態(tài)、下肢結(jié)構(gòu)和運(yùn)動(dòng)幅度等方面有著至關(guān)重要的作用，因此運(yùn)用足跡步態(tài)特征進(jìn)行人身個(gè)體識(shí)別已成為公安技術(shù)領(lǐng)域亟待解決的重要課題。而解決這些問(wèn)題，已不再局限于傳統(tǒng)的理論和技術(shù)，急切需要輔以現(xiàn)代信息化技術(shù)。王文君等[1]通過(guò)計(jì)算足底壓力數(shù)據(jù)，從步態(tài)運(yùn)動(dòng)過(guò)程中落腳與起腳相對(duì)位置描述參數(shù)以及壓力中心軌跡線在冠狀面上的變化幅度，論證了步態(tài)特征的穩(wěn)定性。雖然是從足底壓力的測(cè)量分析角度來(lái)加以研究，但依然更多依賴傳統(tǒng)的足跡步態(tài)特征檢驗(yàn)方法。Nina等[2]總結(jié)了法醫(yī)步態(tài)在荷蘭、英國(guó)和丹麥的使用情況，利用步態(tài)特征數(shù)據(jù)庫(kù)和似然比估計(jì)的知識(shí)，擴(kuò)展了關(guān)于受試者間和受試者內(nèi)步態(tài)變異性，步態(tài)特征的區(qū)分強(qiáng)度和相互依賴性。李若愚[3]將傳統(tǒng)的石膏制模的立體足跡提取方法升級(jí)為深度相機(jī)光學(xué)采集，滿足了立體足跡的非接觸式無(wú)損采集的要求，并采用Mask-RCNN算法進(jìn)行了特征識(shí)別，但僅停留在識(shí)別應(yīng)用層面，并沒(méi)有針對(duì)性的對(duì)其關(guān)于立體足跡的檢測(cè)進(jìn)行改進(jìn)，無(wú)法較為準(zhǔn)確地進(jìn)行個(gè)體識(shí)別。馬天嬌等[4]利用結(jié)構(gòu)光點(diǎn)云算法分割方法實(shí)現(xiàn)對(duì)足部模型的點(diǎn)云配準(zhǔn)，與傳統(tǒng)的(iterative closest point，ICP)點(diǎn)云配準(zhǔn)算法相比，較大地改善了特征的配準(zhǔn)速度和精度。但沒(méi)有將立體足跡深度信息采集和圖像處理算法有機(jī)結(jié)合。

反向傳播(back propagation，BP)神經(jīng)網(wǎng)絡(luò)已應(yīng)用在醫(yī)療、銷售市場(chǎng)等領(lǐng)域，并取得了一定的成績(jī)[5-6]。但在刑事技術(shù)的足跡識(shí)別的應(yīng)用研究尚處于探索階段。為此，將BP神經(jīng)網(wǎng)絡(luò)應(yīng)用于步態(tài)特征檢驗(yàn)中，利用光柵投影技術(shù)提取立體赤足足跡，并以點(diǎn)云數(shù)據(jù)的形式進(jìn)行保存分析，用立體足跡各區(qū)域的深度數(shù)據(jù)表達(dá)觸覺(jué)步態(tài)的足底壓力特征，并強(qiáng)化特征處理，再使用 BP神經(jīng)網(wǎng)絡(luò)對(duì)量化后步態(tài)特征進(jìn)行學(xué)習(xí)、建模，進(jìn)行識(shí)別研究，為今后的三維足跡步態(tài)特征識(shí)別提供科學(xué)依據(jù)。

1 步態(tài)特征選擇

隨著法治的完善，在審判過(guò)程中對(duì)證據(jù)科學(xué)的標(biāo)準(zhǔn)愈發(fā)嚴(yán)格，這就極大提高了對(duì)證據(jù)科學(xué)性和客觀性的要求。目前中國(guó)立體足跡檢驗(yàn)鑒定的方法主要涉及赤足跡特征、鞋襪足跡特征和步法特征，而對(duì)于單枚立體赤足足跡而言，步態(tài)特征無(wú)疑是很好的選擇[7-8]。在實(shí)際運(yùn)用中，步態(tài)特征也存在很多限制因素，如現(xiàn)場(chǎng)環(huán)境和檢驗(yàn)人員的水平?，F(xiàn)場(chǎng)形成足跡的承痕客體多種多樣，單獨(dú)用肉眼或者石膏制模來(lái)觀察步態(tài)特征，會(huì)受到光照等外界環(huán)境的影響，給足跡的檢驗(yàn)分析造成麻煩。且步態(tài)特征的種類雖然繁多，但主要以特征形成的原因?qū)μ卣鬟M(jìn)行描述，還處于定性階段，無(wú)法對(duì)特征進(jìn)行精確表達(dá)，在進(jìn)行檢驗(yàn)時(shí)，需要檢驗(yàn)人員大量的經(jīng)驗(yàn)積累[8]?；谝陨厦媾R的難題，采用將步態(tài)特征用深度信息數(shù)據(jù)來(lái)表示的方法，對(duì)步態(tài)特征進(jìn)行量化。

一個(gè)完整的立體足跡主要包括：足趾區(qū)、足跖區(qū)、足弓區(qū)和足跟區(qū)所形成的痕跡。由于足弓可分為高弓型形態(tài)、窄弓型形態(tài)、中等弓型形態(tài)、扁平弓型形態(tài)和膨脹弓型形態(tài)，足弓區(qū)的深度信息相對(duì)于足趾區(qū)、足跖區(qū)和足跟區(qū)而言變化太大，有時(shí)會(huì)出現(xiàn)足弓區(qū)深度信息較少，甚至沒(méi)有足弓區(qū)深度信息的情況[9-12]。這將會(huì)影響后面的深度信息數(shù)據(jù)分析精確性，不利于實(shí)驗(yàn)結(jié)果。因此，將深度信息選取的部位主要定位在足趾區(qū)、足跖區(qū)和足跟區(qū)這3個(gè)部位。

選取具體特征時(shí)，根據(jù)足部骨骼結(jié)構(gòu)、足跡重壓部位、行走特點(diǎn)等理論分析，將立體赤足足跡的步態(tài)特征分為：深度差特征、區(qū)域面積特征、區(qū)域體積特征，3種特征的研究方法如圖1所示。

T1～T5為第1～5趾頭中心點(diǎn)；Z1為足跖區(qū)內(nèi)緣最突點(diǎn)；Z2為足跖區(qū)外緣最突點(diǎn)；Z3為點(diǎn)Z1與點(diǎn)Z2連線的中點(diǎn)；Z4為點(diǎn)Z2與點(diǎn)Z3的中點(diǎn)；B1為足跟區(qū)內(nèi)緣最突點(diǎn)；B2為足跟區(qū)外緣最突點(diǎn)；O為足后跟邊緣最突點(diǎn)；Y線為第2趾頭中心點(diǎn)與足跟后緣邊緣最突點(diǎn)連線；X線為與OY垂直水平線，箭頭指向?yàn)樽悴客饩?；L為足跡在Y線的最遠(yuǎn)點(diǎn)圖1 立體赤足足跡特征圖Fig.1 Stereo barefoot footprint characteristic figure

1.1 深度差特征

人在行走過(guò)程中，由于環(huán)境、行走習(xí)慣和心理等因素的影響，即使是在同一趟足跡中，任何兩枚足跡也不會(huì)完全相同，會(huì)出現(xiàn)一些細(xì)微的變化，這些變化在足跡定性化檢驗(yàn)中不會(huì)有太大的影響。但在足跡定量化檢驗(yàn)中，特別是引用深度學(xué)習(xí)，這些變化是不容忽視的。因此，為了保證檢驗(yàn)結(jié)果的準(zhǔn)確性和可信度，在進(jìn)行足跡檢驗(yàn)之前，足跡特征的提取測(cè)量必須嚴(yán)格依照足跡學(xué)和深度學(xué)習(xí)的標(biāo)準(zhǔn)進(jìn)行[13]。深度差特征的測(cè)量過(guò)程如下。

步驟1過(guò)足跟后緣向后最突出點(diǎn)(設(shè)為原點(diǎn)O)和第二趾頭中心點(diǎn)(設(shè)為點(diǎn)T2)作直線并雙向延長(zhǎng)，延長(zhǎng)線與第二趾頭中心點(diǎn)前端相交于一點(diǎn)(設(shè)為點(diǎn)L)，計(jì)算點(diǎn)O與點(diǎn)L之間深度信息形成的高程差，即為足跡中心線的深度差(設(shè)為H0)。

步驟2選取足跖區(qū)內(nèi)緣最突點(diǎn)(設(shè)為Z1)和外緣最突點(diǎn)(設(shè)為Z2)，計(jì)算點(diǎn)Z1與點(diǎn)Z2之間深度信息形成的深度差，即為跖斜寬深度差(設(shè)為H1)。

步驟3選取足跟區(qū)內(nèi)緣最突點(diǎn)(設(shè)為B1)和外緣最突點(diǎn)(設(shè)為B2)，計(jì)算點(diǎn)B1與點(diǎn)B2之間深度信息形成的深度差，即為足跟寬深度差(設(shè)為H2)。

步驟4根據(jù)足跡學(xué)標(biāo)準(zhǔn)，分別作出拇趾至第五趾各趾趾頭的中點(diǎn)，作為計(jì)算深度差的特征點(diǎn)，依次設(shè)為T(mén)1～T5。

步驟5計(jì)算點(diǎn)Z1和點(diǎn)B1之間深度信息形成的深度差，即為內(nèi)緣深度差(設(shè)為H3)，計(jì)算點(diǎn)Z2與點(diǎn)B2之間深度信息形成的深度差，即是外緣深度差(設(shè)為H4)。

步驟6作點(diǎn)Z1與點(diǎn)Z2連線的中點(diǎn)Z3，點(diǎn)Z2與點(diǎn)Z3的中點(diǎn)Z4(跖內(nèi)緣1/4點(diǎn))，點(diǎn)B1與點(diǎn)B2的中點(diǎn)B3，計(jì)算點(diǎn)Z3與點(diǎn)B3之間深度信息形成的深度差，即為趾跟中點(diǎn)深度差(設(shè)為H5)。

步驟7以點(diǎn)Z4為中心，分別作點(diǎn)Z4與點(diǎn)T1、T2、T3、T4、T5的連線，并計(jì)算出Z4與T1、T2、T3、T4、T5之間深度信息形成的深度差，即為跖趾深度差(分別設(shè)為H6、H7、H8、H9、H10)。

步驟8將足后跟邊緣最突點(diǎn)(O點(diǎn))作為中心，分別作點(diǎn)O與T1、T2、T3、T4、T5的連線，并計(jì)算出點(diǎn)O與點(diǎn)T1、T2、T3、T4、T5之間深度信息形成的深度差，即為跟趾深度差(分別設(shè)為H11、H12、H13、H14、H15)。

步驟9將足后跟邊緣最突點(diǎn)(O點(diǎn))作為中心，分別作點(diǎn)O和點(diǎn)Z1、Z2的連線，并計(jì)算出點(diǎn)O與點(diǎn)Z1、Z2之間深度信息形成的深度差，即為跟跖深度差(分別設(shè)為H16、H17)。

按照上述操作流程，整個(gè)足底12個(gè)特征點(diǎn)和18個(gè)深度差特征便可表示并計(jì)算出，其數(shù)據(jù)可通過(guò)立體足跡提取系統(tǒng)計(jì)算得出，為通過(guò)深度差特征檢驗(yàn)分析立體赤足足跡提供科學(xué)、準(zhǔn)確、客觀的依據(jù)，深度差特征的概念如表1所示。

表1 立體赤足足跡的深度差特征Table 1 Depth difference characteristics of three-dimensional barefoot footprints

1.2 區(qū)域面積特征

每個(gè)人足底結(jié)構(gòu)都不是完全相同的，它的長(zhǎng)短、寬窄以及各部位的肌肉脂肪情況也是各不相同的。在行走過(guò)程中，每個(gè)人特異的行走習(xí)慣與各不相同的足底結(jié)構(gòu)相結(jié)合，在相同的承痕客體上形成了可以作為分析識(shí)別人身的特征[14-15]。當(dāng)遺留足跡為立體赤足足跡時(shí)，足是直接與承痕客體相接觸的，當(dāng)足的某一部位與承痕客體接觸程度較高時(shí)，這部分的痕跡面積大且深度深，當(dāng)足的某一部位與承痕客體接觸程度較低時(shí)，這部分的痕跡面積小且深度淺。此時(shí)，可以通過(guò)計(jì)算足跡重壓面積來(lái)分析識(shí)別人身[16]?；谧阚E學(xué)中赤足足跡區(qū)域及部位劃分，采取如下步驟對(duì)區(qū)域重壓面積特征進(jìn)行測(cè)量。

步驟1采用多點(diǎn)形成的轉(zhuǎn)折線圍繞拇趾邊緣輪廓以相同深度差為邊界進(jìn)行重壓面選取。當(dāng)轉(zhuǎn)折線的起點(diǎn)和終點(diǎn)圍繞重壓面輪廓一周重合時(shí)，拇趾的區(qū)域重壓面積就自動(dòng)計(jì)算并顯示出，獲得拇趾重壓面積特征。依次對(duì)第2趾、第3趾、第4趾、第5趾，重復(fù)此步驟，獲得第2趾重壓面積特征、第3趾重壓面積特征、第4趾重壓面積特征、第5趾重壓面積特征，依次表示為S1、S2、S3、S4、S5。由于趾頭間組合形態(tài)會(huì)出現(xiàn)重疊分布型組合，這種組合會(huì)造成個(gè)別趾形成不了重壓，更沒(méi)有面積特征，將此種情況的趾重壓面積設(shè)為0。

步驟2采用多點(diǎn)形成的轉(zhuǎn)折線圍繞足跖區(qū)邊緣輪廓進(jìn)行重壓面選取。當(dāng)轉(zhuǎn)折線的起點(diǎn)和終點(diǎn)圍繞重壓面輪廓一周重合時(shí)，足跖區(qū)的區(qū)域重壓面積就自動(dòng)計(jì)算并顯示出，獲得足跖區(qū)重壓面積特征，表示為S6。

步驟3采用多點(diǎn)形成的轉(zhuǎn)折線圍繞足跟邊緣輪廓進(jìn)行重壓面選取。當(dāng)轉(zhuǎn)折線的起點(diǎn)和終點(diǎn)圍繞重壓面輪廓一周重合時(shí)，足跟的區(qū)域重壓面積就自動(dòng)計(jì)算并顯示出，獲得足跟重壓面積特征，表示為S7。

以上7個(gè)部位的重壓面積特征由于其穩(wěn)定性和出現(xiàn)率高，所以引用入步態(tài)特征識(shí)別。但是，足跡步態(tài)特征的伴生痕跡會(huì)與以上7個(gè)部位的重壓面積相連，如坐痕、擰痕等。所以在進(jìn)行重壓面積特征測(cè)量時(shí)，要注意采用統(tǒng)一標(biāo)準(zhǔn)劃開(kāi)所需的重壓面積和伴生痕跡，如表2所示。

表2 立體赤足足跡的區(qū)域重壓面積特征Table 2 Regional weight area characteristics of three-dimensional barefoot footprints

1.3 區(qū)域體積特征

重壓部位低于水平面的凹陷部分的容積稱之為體積特征。區(qū)域面積特征反映了足跡各區(qū)域重壓面積之間的關(guān)系，但各區(qū)域內(nèi)的深度信息并不是完全甚至部分相同的，這是因?yàn)槊總€(gè)坐標(biāo)點(diǎn)都具有自己深度信息且不甚相同，所以將區(qū)域面積內(nèi)的所有深度信息體積作為區(qū)域體積特征計(jì)算出有利于步態(tài)特征識(shí)別。在區(qū)域面積特征的基礎(chǔ)上，將區(qū)域體積特征分為拇趾體積特征、第2趾體積特征、第3趾體積特征、第4趾體積特征、第5趾體積特征、足跖區(qū)體積特征和足跟區(qū)體積特征，依次表示為V1、V2、V3、V4、V5、V6、V7。

區(qū)域體積特征的定義參照區(qū)域面積特征，所選取部位與區(qū)域面積特征完全一致，但計(jì)算的是選取區(qū)域的體積，只需使用分析系統(tǒng)中的體積測(cè)量工具即可像區(qū)域面積特征一樣自動(dòng)計(jì)算，如表3所示。

表3 立體赤足足跡的區(qū)域重壓體積特征Table 3 Regional volume characteristics of three-dimensional barefoot footprints

2 基于BP神經(jīng)網(wǎng)絡(luò)的人身識(shí)別研究

由于建模涉及多種分類問(wèn)題，且大量的數(shù)據(jù)之間的劃分與非線性和多維空間的分類有關(guān)，為了盡可能地將數(shù)據(jù)正確分類，將對(duì)模型的參數(shù)進(jìn)行調(diào)節(jié)[17]。

Multillayer Perceptron分類器涉及參數(shù)較多，選取模型影響較大的4個(gè)參數(shù)進(jìn)行調(diào)試，分別為：Epoch(訓(xùn)練的迭代次數(shù))、Momentum(增加的波動(dòng)阻尼)、Learning Rate(學(xué)習(xí)速率)和Batch Size(批量大小)。在進(jìn)行參數(shù)調(diào)整時(shí)，嚴(yán)格按照控制變量法標(biāo)準(zhǔn)進(jìn)行，當(dāng)一個(gè)參數(shù)變化時(shí)，其余參數(shù)保持原有默認(rèn)數(shù)值。

當(dāng)一個(gè)完整的數(shù)據(jù)集通過(guò)了神經(jīng)網(wǎng)絡(luò)一次并且返回了一次，這個(gè)過(guò)程稱為一個(gè)Epoch。然而，當(dāng)一個(gè)Epoch對(duì)于計(jì)算機(jī)而言太龐大的時(shí)候，就需要把它分成多個(gè)小塊。在神經(jīng)網(wǎng)絡(luò)中傳遞完整的數(shù)據(jù)集一次是不夠的，需要將完整的數(shù)據(jù)集在同樣的神經(jīng)網(wǎng)絡(luò)中傳遞多次[18]。由于所使用的是有限數(shù)據(jù)集，并且一個(gè)迭代過(guò)程即梯度下降，因此僅更新權(quán)重一次或者使用一個(gè)Epoch是不夠的[19]。但是隨著Epoch數(shù)量增加，神經(jīng)網(wǎng)絡(luò)中的權(quán)重的更新次數(shù)也增加，曲線從欠擬合變得過(guò)擬合，無(wú)法適用于新的數(shù)據(jù)分類。對(duì)于不同的數(shù)據(jù)集，Epoch的數(shù)量也不同。

如表4所示，Epoch越大，正確率越高，均方根誤差越小。但是過(guò)大的話，會(huì)造成模型的過(guò)度擬合，使得無(wú)法適應(yīng)新的數(shù)據(jù)，不利于后續(xù)的驗(yàn)證和實(shí)踐。

表4 Epoch數(shù)值調(diào)整結(jié)果Table 4 Results of numerical adjustment of Epoch

在對(duì)訓(xùn)練集開(kāi)始處理之前，BP神經(jīng)網(wǎng)絡(luò)模型存在初始數(shù)據(jù)。這些初始數(shù)據(jù)搭建了簡(jiǎn)單的基礎(chǔ)模型，初始數(shù)據(jù)對(duì)整個(gè)模型的構(gòu)建具有重要影響，主要表現(xiàn)在：合適的參數(shù)可以極大地縮短訓(xùn)練時(shí)間，提高模型的準(zhǔn)確率。然而，關(guān)于BP神經(jīng)網(wǎng)絡(luò)對(duì)步態(tài)特征進(jìn)行訓(xùn)練的研究尚鮮見(jiàn)報(bào)道，缺乏合適的初始參數(shù)。這就導(dǎo)致在研究中可能會(huì)被局部最優(yōu)解所迷惑，而無(wú)法得到全局最優(yōu)解。Momentum越大時(shí)，其轉(zhuǎn)換為勢(shì)能的能量也就越大，就越有可能擺脫局部凹域的束縛，進(jìn)入全局凹域[20]。

如表5所示，Momentum越大，正確率越高，當(dāng)Momentum達(dá)到一定程度時(shí)，正確率趨于穩(wěn)定，但均方根誤差會(huì)減小。

表5 Momentum數(shù)值調(diào)整結(jié)果Table 5 Momentum numerical adjustment results

Learning Rate(學(xué)習(xí)速率)對(duì)權(quán)值更新的速度有著巨大的影響，學(xué)習(xí)速率過(guò)大會(huì)錯(cuò)過(guò)最優(yōu)解，太小又會(huì)減緩訓(xùn)練速度。學(xué)習(xí)率過(guò)大，在算法優(yōu)化的前期會(huì)加速學(xué)習(xí)，使得模型更容易接近局部或全局最優(yōu)解。但是在后期會(huì)有較大波動(dòng)，甚至出現(xiàn)損失函數(shù)的值圍繞最小值徘徊，波動(dòng)很大，始終難以達(dá)到最優(yōu)，因此引入學(xué)習(xí)率衰減的概念，是在模型訓(xùn)練初期，會(huì)使用較大的學(xué)習(xí)率進(jìn)行模型優(yōu)化，隨著迭代次數(shù)增加，學(xué)習(xí)率會(huì)逐漸進(jìn)行減小，保證模型在訓(xùn)練后期不會(huì)有太大的波動(dòng)，從而更加接近最優(yōu)解。如表6所示，Learning Rate值越大，正確率越高，均方根誤差越小。

表6 Learning Rate數(shù)值調(diào)整結(jié)果Table 6 Learning Rate numerical adjustment results

Batch Size是指一次訓(xùn)練所選取的樣本數(shù)。Batch Size的大小影響模型的優(yōu)化程度和速度。在沒(méi)有使用Batch Size之前，這意味著網(wǎng)絡(luò)在訓(xùn)練時(shí)，是一次將所有數(shù)據(jù)(整個(gè)數(shù)據(jù)庫(kù))輸入網(wǎng)絡(luò)，然后計(jì)算它們的梯度進(jìn)行反向傳播，由于在計(jì)算梯度時(shí)使用了整個(gè)數(shù)據(jù)庫(kù)，所以計(jì)算得到的梯度方向更為準(zhǔn)確。但在這情況下，計(jì)算得到不同梯度值差別巨大，難以使用一個(gè)全局的學(xué)習(xí)率，所以這時(shí)一般使用Rprop這種基于梯度符號(hào)的訓(xùn)練算法，單獨(dú)進(jìn)行梯度更新。在小樣本數(shù)的數(shù)據(jù)庫(kù)中，不使用Batch Size是可行的，而且效果也很好。但是針對(duì)大型數(shù)據(jù)庫(kù)，一次性將所有數(shù)據(jù)輸進(jìn)網(wǎng)絡(luò)，肯定會(huì)引起內(nèi)存的爆炸，因此要使用Batch Size，其優(yōu)點(diǎn)在于：①單個(gè)epoch的迭代次數(shù)減少了，參數(shù)的調(diào)整也慢了，假如要達(dá)到相同的識(shí)別精度，需要更多的Epoch；②適當(dāng)Batch Size使得梯度下降方向更加準(zhǔn)確。如表7所示，Batch Size達(dá)到一定值時(shí)，正確率趨于穩(wěn)定，正確率趨于穩(wěn)定。

表7 Batch Size數(shù)值調(diào)整結(jié)果Table 7 Batch Size numerical adjustment results

上述實(shí)驗(yàn)通過(guò)對(duì)Epoch、Momentum、Learning Rate和Batch Size的參數(shù)不斷調(diào)試，選取了最合適的參數(shù)作為步態(tài)特征識(shí)別的BP神經(jīng)網(wǎng)絡(luò)模型，即Epoch為500，Momentum為0.2，Learning Rate為0.3，Batch Size為100的BP神經(jīng)網(wǎng)絡(luò)模型。

3 實(shí)驗(yàn)與結(jié)果分析

將30名實(shí)驗(yàn)者的類型依次命名為a,b,…,z，A,B,C,D，參照WEKA軟件自帶示例文本的格式，將30名實(shí)驗(yàn)者的特征數(shù)據(jù)保存為WEKA可以使用的“.arff”格式。然后用WEKA軟件打開(kāi)“.arff”格式的數(shù)據(jù)，利用WEKA軟件中的Multillayer Perceptron分類器，點(diǎn)擊Start開(kāi)始人身識(shí)別模型的訓(xùn)練，通過(guò)不斷地調(diào)試模型的參數(shù)，來(lái)建立一個(gè)準(zhǔn)確、高效的人身識(shí)別模型。在進(jìn)行訓(xùn)練之前，已經(jīng)隨機(jī)從30人中挑選3人，每人隨機(jī)挑出一組數(shù)據(jù)，共3組數(shù)據(jù)不進(jìn)行訓(xùn)練，而是作為檢測(cè)數(shù)據(jù)來(lái)驗(yàn)證訓(xùn)練得到的BP神經(jīng)網(wǎng)絡(luò)模型效果。

例如，現(xiàn)場(chǎng)遺留了一枚犯罪嫌疑人的立體足跡。經(jīng)過(guò)偵查人員調(diào)查后發(fā)現(xiàn)，只有30人有作案時(shí)間和作案嫌疑，但是卻無(wú)法將嫌疑鎖定在具體哪個(gè)人身上。此時(shí)可以用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行步態(tài)特征的識(shí)別研究，具體步驟如下。

步驟1將現(xiàn)場(chǎng)立體赤足足跡用光柵立體足跡提取儀進(jìn)行采集，作為檢材。

步驟2對(duì)30名嫌疑人依次進(jìn)行立體足跡的提取。讓嫌疑人在與現(xiàn)場(chǎng)相同的承痕客體上正常行走，隨后按照相同的提取標(biāo)準(zhǔn)對(duì)嫌疑人的連續(xù)5枚相同足跡進(jìn)行提取，作為樣本。

步驟3對(duì)檢材和樣本進(jìn)行相同的圖像增強(qiáng)處理，有利于后續(xù)步態(tài)特征的提取。隨后，按照之前特征提取的標(biāo)準(zhǔn)提取樣本和檢材的3大類32種特征并計(jì)算。

步驟4將提取到的檢材和樣本特征數(shù)據(jù)各寫(xiě)成“.arff”格式的文本，檢材作為測(cè)試集，樣本作為訓(xùn)練集。使用WEKA軟件用BP神經(jīng)網(wǎng)絡(luò)對(duì)訓(xùn)練集數(shù)據(jù)進(jìn)行處理，不斷調(diào)整參數(shù)增強(qiáng)模型的效果，最終選取準(zhǔn)確性較強(qiáng)的一個(gè)模型作為步態(tài)特征識(shí)別模型。

行a～ag為30名實(shí)驗(yàn)者的數(shù)據(jù)；列a～WW為識(shí)別分組；1為測(cè)試樣本圖2 實(shí)驗(yàn)1分類結(jié)果Fig.2 Classification result diagram of experiment 1

步驟5將測(cè)試集的文本加載到WEKA軟件中，使用步驟4 得到的步態(tài)特征識(shí)別模型對(duì)測(cè)試集進(jìn)行分類，觀察分類結(jié)果，再結(jié)合之前訓(xùn)練集的準(zhǔn)確度，則可將檢材歸屬于具體嫌疑人。

3.1 實(shí)驗(yàn)一

建立一個(gè)模擬現(xiàn)場(chǎng)，讓實(shí)驗(yàn)者p在模擬現(xiàn)場(chǎng)留下一枚立體赤足足跡作為檢材，對(duì)這枚足跡進(jìn)行提取，增強(qiáng)，提取特征數(shù)據(jù)作為模型檢驗(yàn)的測(cè)試集VV。隨后讓包含p的30名實(shí)驗(yàn)者在相同承痕客體正常行走留下足跡樣本，重復(fù)上述步驟，得到30組數(shù)據(jù)作為訓(xùn)練集。通過(guò)訓(xùn)練集建立識(shí)別模型，再將測(cè)試集的數(shù)據(jù)加載到識(shí)別模型中，得到的結(jié)果如圖2所示。

由圖2可知，1被模型分類PP行，p列這個(gè)位置，表示模型將命名為PP的測(cè)試集分類給實(shí)驗(yàn)者p，這與實(shí)驗(yàn)設(shè)定的條件一致，表明試驗(yàn)成功。

3.2 實(shí)驗(yàn)二

建立一個(gè)模擬現(xiàn)場(chǎng)，讓實(shí)驗(yàn)者a、p、w在模擬現(xiàn)場(chǎng)留下3枚立體赤足足跡作為檢材，對(duì)這枚足跡進(jìn)行提取，增強(qiáng)，提取特征數(shù)據(jù)作為模型檢驗(yàn)的測(cè)試集AA、PP、WW。隨后讓包含a、p、w的30名實(shí)驗(yàn)者在相同承痕客體正常行走留下足跡樣本，重復(fù)上述步驟，得到30足數(shù)據(jù)作為訓(xùn)練集。通過(guò)訓(xùn)練集建立識(shí)別模型，再將測(cè)試集的數(shù)據(jù)加載到識(shí)別模型中，得到結(jié)果，如圖3所示。

行a～ag為30名實(shí)驗(yàn)者的數(shù)據(jù)；列a～WW為識(shí)別分組；1為測(cè)試樣本圖3 實(shí)驗(yàn)2分類結(jié)果Fig.3 Classification result diagram of experiment 2

通過(guò)圖3可以看出，1分別被模型分類AA行，a列；PP行，p列；WW行，w列這幾個(gè)位置，表示模型將命名為AA的測(cè)試集分類給實(shí)驗(yàn)者a；將命名為PP的測(cè)試集分類給實(shí)驗(yàn)者p；將命名為WW的測(cè)試集分類給實(shí)驗(yàn)者w，這與實(shí)驗(yàn)設(shè)定的條件一致，試驗(yàn)成功。

經(jīng)過(guò)上述兩個(gè)實(shí)踐表明，通過(guò)30名實(shí)驗(yàn)者的步態(tài)特征數(shù)據(jù)作為訓(xùn)練集得到的BP神經(jīng)網(wǎng)絡(luò)模型可以進(jìn)行這30人的步態(tài)特征識(shí)別。

為了進(jìn)一步驗(yàn)證所提出的基于BP神經(jīng)網(wǎng)絡(luò)的步態(tài)特征識(shí)別方法對(duì)于人體足跡檢驗(yàn)的準(zhǔn)確性，對(duì)實(shí)驗(yàn)2進(jìn)行了1 000次重復(fù)試驗(yàn)，并與傳統(tǒng)人工鑒別方法進(jìn)行準(zhǔn)確性比對(duì)，其結(jié)果如表8所示。結(jié)果表明，所提出的基于BP神經(jīng)網(wǎng)絡(luò)的步態(tài)特征識(shí)別方法能夠客觀、準(zhǔn)確的進(jìn)行人體身份鑒別，相較于人工鑒別最高84.7%的準(zhǔn)確率，本文方法的準(zhǔn)確率達(dá)到90%以上，進(jìn)一步驗(yàn)證了本文方法的有效性。

表8 本文方法與傳統(tǒng)人工比對(duì)方法準(zhǔn)確率比對(duì)結(jié)果Table 8 The accuracy ratio of the method is compared with that of the proposed traditional manual comparison method

4 結(jié)論

以立體赤足足跡作為研究對(duì)象，提出了一種基于BP神經(jīng)網(wǎng)絡(luò)的步態(tài)特征識(shí)別。首先，對(duì)立體赤足足跡的深度差、區(qū)域面積、區(qū)域體積3種步態(tài)特征進(jìn)行選取和測(cè)量，然后，首次引入BP神經(jīng)網(wǎng)絡(luò)理論，對(duì)MultillayerPerceptron分類器參數(shù)進(jìn)行優(yōu)化調(diào)整，然后通過(guò)一系列實(shí)驗(yàn)測(cè)試本文方法的有效性，并與傳統(tǒng)的人工檢驗(yàn)結(jié)果進(jìn)行比對(duì)，相對(duì)于人工鑒別方法只有84.7%的準(zhǔn)確率，所提出步態(tài)特征識(shí)別算法的準(zhǔn)確率達(dá)到90%以上，可以應(yīng)用于刑事技術(shù)足跡檢驗(yàn)和人身個(gè)體識(shí)別領(lǐng)域。