一种结合步法特征的成趟足迹识别方法与流程

本发明涉及成趟足迹的识别算法，特别是涉及一种结合步法特征成趟足迹的识别算法。

背景技术：

足迹是犯罪现场中遗留率较高的重要物证之一，在刑事侦查案件中有很重要的作用，一般犯罪现场遗留足迹包括单个足迹和成趟足迹，通过对这些足迹的分析检验可以推测一个人的身高、体重、年龄、走路姿态，也可以分析遗留时间和作案路线等。在条件情况较好时，还可以通过步幅等特征进行追踪，直接抓获犯罪嫌疑人。因为每个人的身高、体重、职业、习惯都不一样，所以每个人的步态特征也不相同，而成趟足迹恰是通过左右脚之间的关系来体现人在行走过程中的行为习惯，且这种行为特征是经过长期习惯后形成的，所以具有相对的稳定性。深入挖掘人在行走过程中由于个人习惯在成趟足迹上体现出来的差异信息，检验分析人的步幅等特征，提出一种可靠的成趟足迹识别方法对未来基层民警在相关犯罪现场的刑侦鉴定和破案有非常积极地作用。

目前针对成趟足迹的主要研究工作有以下几种：

1、将成趟足迹中能够反映个体步幅特征规律的六个随机变量(步长、步角、步宽)作为研究对象，然后结合不同的步幅特征定量化检验方法，来判断足迹的归属。其中，《智能步幅特征分析检验系统的设计与实现》中提出一种智能步幅特征分析检验系统，该系统主要功能包括：足迹提取、图像拼接、基于主分量分析(pca)的步幅特征提取、隶属度检验等关键技术。利用步幅特征综合指标定量检验的方法，该方法通过相机获取犯罪现场遗留的成趟足迹，并求取步长步宽步角的平均值及置信区间，将嫌疑人的步长步宽步角的平均值与罪犯的置信区间进行对比，确定判为凶手的几率。

2、将成趟足迹采集过程中的压力信息作为研究对象，文献[3]中对每只脚的压力分布和采集过程中质心与重心的变化轨迹进行分析，从而达到识别的效果。

目前针对成趟足迹的研究工作中存在的问题是：1)压力变化信息需要动态采集，并不适用于案件现场的成趟足迹识别；2)步幅特征中的步长和步宽相对易受外界环境干扰，并不稳定，作为主要研究特征具有一定局限性；3)针对步幅特征定量化检验的方法，由于步幅特征的不稳定性导致在检验过程中，判别的结果只能得出一个相对的范围，检验结果往往只能大致排除部分嫌疑人，缩小一定范围，对于刑侦人员的帮助有限。

技术实现要素：

根据上述提出的技术问题，而提供一种结合步法特征的成趟足迹识别方法。

本发明提出一种结合步法特征的成趟足迹识别方法，其特征在于，至少包括：离线训练过程和在线识别过程；

所述离线训练过程至少包括以下步骤：

s11：通过采集单元获取待训练的成趟足迹图像，得到初始待训练的成趟足迹图像数据集d＝{fi,i＝1,2,l,n}，其中fi表示第i个人的成趟足迹，n表示人的个数；

s12：提取所述待训练的成趟足迹图像集d中的单枚足迹；

s13：构建所述待训练的成趟足迹图像的步法能量图；

s14：根据单枚足迹提取用于粗粒度分类的待训练成趟足迹图像的步幅特征；

s15：根据提取的步幅特征构建成趟足迹粗粒度分类模型；

s16：根据步法能量图和粗粒度分类模型构建成趟足迹细粒度识别模型。

所述在线识别过程至少包括以下步骤：

s21：通过采集单元获取在线识别的成趟足迹图像；

s22：提取所述在线识别的成趟足迹图像中单枚足迹；

s23：构建所述在线识别的成趟足迹图像的步法能量图；

s24：提取粗粒度分类在线识别的成趟足迹图像的步幅特征；

s25：将提取的步幅特征输入到通过所述离线训练过程步骤s15构建的粗粒度分类模型，得到粗分类结果；

s26：根据粗粒度分类结果和提取的步法能量图，通过s16所构建的细粒度识别模型进行成趟足迹的细粒度识别。

进一步的，所述在线识别的/待训练的成趟足迹图像提取单枚足迹：

首先将所述在线识别的/待训练的成趟足迹图像通过线性空间滤波函数进行去噪；

将单个足迹通过边长为l*h大小的结构元素对图像进行膨胀运算，再对所述膨胀计算后的像素值水平方向投影，获得投影直方图，统计所述投影直方图投影累计像素值大于设定阈值t1的位置并标注索引，低于阈值的部分置零，从而筛除噪声的干扰；获取索引的一阶差分，判断足迹之间的间距，取所述每个足迹对应的中间位置作为分割点，将成趟足迹图像分割为连续的单个足迹图像，去除首尾两步，得到单个足迹第i个人的第j幅单个足迹图像fij，其中i∈[1,n],j∈[1,m]，n表示数据库中人的数量，m表示成趟足迹分割得到的单个足迹数量。

更进一步的，所述构建所述待训练的成趟足迹图像/在线识别的成趟足迹图像的步法能量图：

通过获得单枚足迹的连通区域获得所述单枚足迹的连通区域，标记出所述连通区域面积大于设定连通区域阈值t2，通过矩形框标记，再比较连续两幅单个足迹图像fij与fi(j+1)的所述矩形框的左上角坐标(dx,dy)中dy的大小，dy值小的足迹判定为左脚，dy值大的足迹则判定为右脚；

将连续单个足迹进行二次拼接；其中将每幅拼接图中足迹数量确定为3，按照行走习惯特点以左脚为起始开始拼接，从而构成先后关系为“左右左”的二次拼接图像fip,其中fip表示第i个人的第p幅拼接足迹图像，其中i∈[1,n],q∈[1,p]，n表示数据库中人的数量，p表示每个人的拼接图像数量

对所述二次拼接图像进行步行线矫正和尺度归一化，求取二次拼接图像中单个足迹各自的质心，连接所述二次拼接图像中两只左脚的质心，即为左步行线lip，该直线与图像x方向可以得到一个夹角θip，将图像旋转该角度，使步行线与x方向平行，完成对步行线的矫正，求取所述二次拼接图像中足迹区域的外接矩形，以矩形的左上角坐标为基准，遍历每个人的p幅图像并将其归一化到最大外接矩形的尺寸。

将归一化后的二次拼接图像组合求得步法能量图，构建每人的步法能量图其中表示第i个人的步法能量图像，n表示数据库中人的数量。

在训练过程中，依据足迹步幅特征，采用无监督层次化聚类的方式将足迹数据划分为足迹长度层类别和足迹偏移角度层类别，其中足迹长度层类别是足迹偏移角度层类别的父类别；在识别过程中，根据聚类结果分层次进行判别分类。

其中足迹长度层类别划分方法包括如下步骤：(1)统计数据集中，足迹长度的最大值和最小值，确定取值的区间范围；(2)将所述区间等间隔分为kl个子区间，将每个子区间的中点作为每类的初始中心，其中kl优选为3；(3)根据初始中心，采用k中心点聚类方法，依据足迹长度将数据集划分为kl类，各类结果记为l(i),i＝1,...,kl。

其中足迹偏移角度类别层的划分方法包括如下步骤：(1)在足迹长度层各类l(i)中，统计该类别各足迹偏移角度的最大值和最小值，确定偏移角度的区间范围；(2)将区间等间隔分为ka个子空间，将每个子区间的中点作为每类的初始中心，其中ka优选为3；(3)根据初始中心，采用k中心点聚类方法，基于偏移角度将数据集划分为kai类，其中i表示该类别在足迹长度层对应的类别编号。各类结果记为la(i,j),j＝1,...,kai。

进一步的，所述根据聚类结果分层次进行判别分类的步骤包括：(1)将足迹长度作为输入，计算其与l(i)类中各足迹长度差的绝对值，记为d(i,m),m＝1,...,mi,mi表示l(i)中样本的数目；(2)依据计算待识别足迹与各类的距离；(3)将待识别足迹判别为与其距离最小的那类，记为i*类；(4)在数据集la(i*,j),j＝1,...,kai中，依据待识别足迹角度信息计算与各类的角度距离；(5)将待识别足迹判别为与其角度距离最小的那类，记为j*类，得到该类下所有类别，记为la(i*,j*)，最终将数据集la(i*,j*)中各样本步法能量图作为细粒度识别的输入。

细粒度识别模型的构建是指在足迹偏移角度层的各个类别中，依据各样本的步法能量图进行svm、knn等分类器的构建。优选的，本发明构建了nn分类器。

相似度得分依据步法能量图与数据集la(i*,j*)中各样本步法能量图的归一化互相关系数计算而得。

分类方法是：(1)计算待识别图与数据集中各样本的相似度得分；(2)将相似度得分降序排列，计算其一阶差分的绝对值，记为ds(n),n＝1,...,q，q表示待识别图像所在的偏移角度层对应的图像数目；(3)在从n＝1依次遍历查找首个值大于预定阈值t3的位置n*；(4)根据将前n*幅图像所属类别，通过多数投票表决机制确定细粒度识别的最终结果，阈值t3通过训练确定，通常为0.2。

较现有技术相比，本发明具有以下优点：

1、传统的方法就是直接用步幅特征(步长、步宽、步角)进行识别，这里我们考虑了单个足迹大小信息，作为初步筛选条件，可以快速缩小范围。本发明充分考虑了在成趟足迹图像中，得到的同一方向上的单个足迹长度信息，根据足迹长度信息的大小差异，可以进行初步筛选，缩小识别人员范围。

2、本发明考虑了步幅信息可以体现一个人的行为习惯，但研究显示步长和步宽相对步角稳定性较差，易受心情、步速的影响，所以运用步角特征，只把足迹的偏移角度作为筛选条件，更具稳定性。

3、本发明根据三角形稳定性原理，采用三枚单个足迹组成的图像加权平均，得到步法能量图作为判别图像，通过将不同时间段采集的足迹加权平均，减少了匹配误差，还保持了左右脚的相对关系，是足迹步法特征的融合，充分体现了成趟足迹的差异性。

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为本发明整体流程示意图。

图2为本发明基于步幅特征的成趟足迹粗粒度分类模型示意图。

图3为本发明步法能量示意图。

图4为本发明提取单枚足迹长度和偏移角度图。

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1-4所示，本发明提供了一种结合步法特征的成趟足迹识别方法，至少包括：离线训练过程和在线识别过程；

在本实施方式中，离线训练过程至少包括以下步骤：

s11：通过采集单元获取待训练的成趟足迹图像，得到初始待训练的成趟足迹图像数据集d＝{fi,i＝1,2,…,n}，其中fi表示第i个人的成趟足迹，n表示人的个数；

s12：提取所述待训练的成趟足迹图像集d中的单枚足迹；

s13：构建所述待训练的成趟足迹图像的步法能量图；

s14：根据单枚足迹提取用于粗粒度分类的待训练成趟足迹图像的步幅特征；

s15：根据提取的步幅特征构建成趟足迹粗粒度分类模型；

s16：根据步法能量图和粗粒度分类模型构建成趟足迹细粒度识别模型。

作为优选的实施方式，在线识别过程至少包括以下步骤：

s21：通过采集单元获取在线识别的成趟足迹图像；

s22：提取所述在线识别的成趟足迹图像中单枚足迹；

s23：构建所述在线识别的成趟足迹图像的步法能量图；

s24：提取用于粗粒度分类的在线识别的成趟足迹图像的步幅特征；

s25：将提取的步幅特征输入到通过所述离线训练过程步骤s15构建的粗粒度分类模型，得到粗分类结果；

s26：根据粗粒度分类结果进和提取的步法能量图，通过s16构建的细粒度识别模型进行成趟足迹的细粒度识别。

在本实施方式中，在线识别的/待训练的成趟足迹图像提取单枚足迹：首先将所述在线识别的/待训练的成趟足迹图像通过线性空间滤波函数进行去噪。

作为优选的实施方式，将单枚足迹通过边长为l*h大小的结构元素对图进行膨胀运算，再对所述膨胀后的像素值在水平方向投影，获得投影直方图，统计所述投影直方图累计投影像素值大于设定阈值t1的位置并标记索引，低于阈值的部分置零，筛除噪声的干扰；获取索引的一阶差分，从而判断每个足迹间的间隔，取间隔的中点为分割点，将d中的成趟足迹图像分割为连续的单个足迹，去除首尾两步，得到单个足迹第i个人的第j幅单个足迹图像fij，其中i∈[1,n],j∈[1,m]，n表示数据库中人的数量，m表示成趟足迹分割得到的单个足迹数量。

在本实施方式中，所述构建所述待训练的成趟足迹图像/在线识别的成趟足迹图像的步法能量图：通过连通区域标记法获得所述单枚足迹的连通区域，标记出所述连通区域面积大于设定连通区域阈值t2，通过矩形框标记，再比较连续两幅单个足迹图像fij与fi(j+1)的所述矩形框的左上角坐标(dx,dy)中dy的大小，dy值小的足迹判定为左脚，dy值大的足迹则判定为右脚；

基于左右脚的判定后，将连续单个足迹进行二次拼接；其中每幅拼接图中足迹数量确定为3，按照行走习惯特点以左脚为起始进行拼接，从而构成先后关系为“左右左”的二次拼接图像fip，其中fip表示第i个人的第p幅拼接图像，其中i∈[1,n],q∈[1,p]，n表示数据库中人的数量，p表示每个人的拼接图像数量。可以理解为在其它的实施方式中，图像的选择可以按照实际需求进行选择，只要能够满足能够清楚的提取足迹并进行分析即可。

在本实施方式中，对所述二次拼接图像进行步行线矫正和尺度归一化，求取二次拼接图像中单个足迹各自的质心，连接所述二次拼接图像中两只左脚的质心，即为左步行线lip，该直线与图像x方向可以得到一个夹角θip，将图像旋转该角度，使步行线与x方向平行，完成对步行线的矫正，求取所述二次拼接图像中足迹区域的外接矩形，以矩形的左上角坐标为基准，遍历每个人的p幅图像并将其归一化到最大外接矩形的尺寸。将归一化后的二次拼接图像相加求得步法能量图，构建每个人的步法能量图其中表示第i个人的步法能量图像，n表示数据库中人的数量。

在本实施方式中，在完成图像二次拼接前提取单个足迹的步幅特征，首先确定单枚足迹主轴方向，将单枚足迹图像在过其质心的直线方向上投影，投影区间取最大时的直线取向即为主轴方向，其与图像x方向的夹角即为偏移角度，在x方向的长度即为单个足迹长度，将多个数据求平均得平均偏移角度αi和平均足迹长度hi。

可以理解为，在本实施方式中，所述构建基于步幅特征的成趟足迹粗粒度分类模型是指：在训练过程中，依据足迹步幅特征，采用无监督层次化聚类的方式将足迹数据划分为足迹长度层类别和足迹偏移角度层类别，其中足迹长度层类别是足迹偏移角度层类别的父类别；在识别过程中，根据聚类结果分层次进行判别分类。

其中足迹长度层类别划分方法包括如下步骤：(1)统计数据集中，足迹长度的最大值和最小值，确定取值的区间范围；(2)将所述区间等间隔分为kl个子区间，将每个子区间的中点作为每类的初始中心，其中kl优选为3；(3)根据初始中心，采用k中心点聚类方法，依据足迹长度将数据集划分为kl类，各类结果记为l(i),i＝1,...,kl。

其中足迹偏移角度类别层的划分方法包括如下步骤:(1)在足迹长度层每类中，统计该类别各足迹偏移角度的最大值和最小值，确定偏移角度的区间范围；(2)将区间等间隔分为ka个子空间，将每个子空间的中点作为每类的初始中心，其中ka优选为3；(3)根据初始中心，采用k中心点聚类方法，基于偏移角度将数据集划分为kai类，其中i表示该类别在足迹长度层对应的类别编号。各类结果记为la(i,j),j＝1,...kai。

在本实施方式中，根据聚类结果分层进行判别分类的步骤包括：(1)将足迹长度作为输入，计算其与l(i)中各足迹长度差的绝对值，记为d(i,m),m＝1,...,mi,mi表示l(i)中样本的数目；(2)依据计算待识别足迹与各类的距离；(3)将待识别足迹判别为与其角度距离最小的那类，记为i*类，(4)在数据集la(i*,j),j＝1,...,kai值中，依据待识别足迹角度信息与各类的角度距离；(5)将待识别足迹判别为与其角度距离最小的那类，记为j*类，得到该类下所有类别，记为la(i*,j*)作为细粒度识别的输入。

在本实施方式中，细粒度识别模型的构建是指在足迹偏移角度层的各个类别中，依据各样本的步法能量图进行svm、knn等分类器的构建。优选的，本发明构建了nn分类器。

可以理解为，相似度得分依据步法能量图与数据集中各样本步法能量图的归一化互相关系数计算而得。

分类方法是：(1)计算待识别图与数据集中各样本的相似度得分；(2)将相似度得分降序排列，计算其一阶差分的绝对值，记为ds(n),n＝1,...,q,q表示待识别图像所在的偏移角度层对应类的图像数目；(3)在从n＝1依次遍历查找首个值大于预定阈值t3的位置n*；(4)根据前n*幅图像所属类别，通过多数投票表决机制确定细粒度识别的最终结果，阈值t3通过训练确定，通常为0.2。

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。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

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。