基于多模块关系网络的2D足迹分类

张艳 吴洛天 王年† 孟树林 胡飞然 鲁玺龙

(1.安徽大学 电子信息工程学院,安徽 合肥 230601；2.公安部物证鉴定中心,北京 100038)

足迹的形成是由身体各器官协调运作与接触面形成痕迹的结果,具有稳定性与特定性。足迹的特定性不仅能够反映出人的身高、年龄等信息,而且通过分析足迹的压力分布特征还能反映出人的身体健康状况。目前,足迹已在多个领域得到了广泛地研究[1],如刑侦领域通过构建足迹分析比对系统提高办案效率;医学领域通过将病人的步态与足底压力相结合来跟踪病人的病情并进行辅助治疗。

足迹分类是足迹研究的难点之一,主要有以下两点原因:一是足迹的样本量较少;二是足迹的特征具有高度相似性。为了解决这些问题,文献[2]提出了一种基于卷积神经网络(Convolutional Neural Network,CNN)的足迹图像检索与匹配方法,通过VGG(Visual Geometry Group Network)提取足迹数据集特征,建立足迹特征向量索引库,然后计算测试足迹图像特征与足迹特征向量索引库中特征的欧氏矩离。文献[3]开展了足迹图片检索中基于Sift算法的匹配研究,该方法采用Sift算法得到足迹图像关键点,将源图像关键点与目标图像关键点进行欧氏距离度量,实现源图像与目标图像的匹配;因为欧氏距离度量是人为设计的固定度量方式,不具有普遍性。文献[4]针对足迹压力数据提出一种基于多模特征的足迹识别算法,该方法首先通过Lenet网络提取卷积特征,然后将该特征与具有物理意义的足迹特征融合,接着使用支持向量机(SVM)分类器进行足迹分类,从而得到了较好的实验结果;该算法的特点是采用大量的足迹数据进行训练,而实际应用中每个实验对象仅有少量足迹数据,所以该方法可能会出现过拟合现象。……