一种基于CNN的赤足或穿袜足迹的性别判定方法技术

本发明专利技术公开了一种基于CNN的赤足或穿袜足迹的性别判定方法，包括：S1：获取赤足或者穿袜足迹图像数据，并对图像数据进行预处理；S2：制作赤足图像数据集；S3：数据训练与特征提取：S4：根据任意一张赤足或者穿袜足迹图像判定该图像的拥有者的性别。本申请利用深度学习的方式实现对于人性别的判断，解放人力的同时，判定的准确率也得到了很大的提高。

A Sex Determination Method Based on CNN for Barefoot or Sock-wearing Footprints

The invention discloses a method for determining the gender of barefoot or sock footprint based on CNN, which includes: S1: acquiring barefoot or sock footprint image data and preprocessing image data; S2: making barefoot image data collection; S3: data training and feature extraction; S4: determining the gender of the owner of the image according to any barefoot or sock footprint image. This application uses in-depth learning to realize gender judgment of human nature, while liberating human resources, the accuracy of judgment has also been greatly improved.

【技术实现步骤摘要】
一种基于CNN的赤足或穿袜足迹的性别判定方法
本专利技术涉及一种性别判定方法，具体说是一种基于CNN的赤足或穿袜足迹的性别判定方法。
技术介绍
性别识别是让计算机根据输入的人的图像信息判断性别的过程，在人工智能、系统监控、模式识别等方面有着重要的前景。应当理解，性别识别在身份识别与验证中可以充当“过滤器”，利用检测出来的性别信息显著降低身份识别的图片搜索数量，提高身份认证识别速度与精度。足迹图像在各个场合都能广泛的产生，应用好足迹图像，挖掘其蕴含的信息，对于生物识别具有重要的意义。
技术实现思路
本申请提供了一种基于CNN的赤足或穿袜足迹的性别判定方法，利用深度学习的方式实现对于人性别的判断，解放人力的同时，判定的准确率也得到了很大的提高。本申请的第一种技术方案是：一种基于CNN的赤足或穿袜足迹的性别判定方法，包括：S1：获取赤足或者穿袜足迹图像数据，并对图像数据进行预处理；S2：制作赤足图像数据集；S3：数据训练与特征提取；S4：根据任意一张赤足或者穿袜足迹图像判定该图像的拥有者的性别。进一步的，制作赤足图像数据集，包括：(1)训练集：用于深度学习的训练过程，每个赤足足迹数据采样带有从属性别信息，这个性别信息则是这个赤足或穿袜足迹的标签；(2)验证集：用于验证深度学习的结果，每个赤足或者穿袜足迹数据采样带有从属性别信息，但是验证集不参与训练，只是用来衡量性别判定的准确度；上述验证集的数据维度不高于训练集的数据维度，待识别集的数据信息量不高于训练集的数据信息量；有效信息数据维度不低于识别数据集的特征维度。进一步的，数据训练与特征提取，包括：1)训练数据准备：对已经完成预处理后的训练集和验证集的二维图像数据，依照标签分成两组；2)分组进行基于CNN网络的训练，此处使用改进的AlexNet网络。进一步的，改进的AlexNet网络具体为：(1)初始网络：网络构成：4层卷积层，2层池化层，2层全连接层；网络连接：conv1+pooling1+relu→conv2+pooling2+relu→conv3+relu→conv4+relu→fc5→fc6其中，conv代表卷积层，pooling代表池化层，fc代表全连接层，relu代表激活函数；(2)通过训练及验证结果调整网络：利用初始网络进行一次完整训练之后，用验证数据测试，假定性别判定准确率不足N％，则认为网络结构需要调整。更进一步的，调整网络如下：对任意一幅图，将每层卷积层结果输出，用每层卷积层结果与其他图像的同层卷积结果做相关比对:A、若某层级出现相关性明显变大的情况，则降低该层级以及其后端的卷积核尺寸，或者直接将该层作为全连接层重新训练；B、若相关性随层级深入，逐渐变高，但某层级后相关性变化不大，则直接将该层作为全连接层重新训练，简化模型；C、若每层级的相关性均很小，则提高与输入层级接近的卷积核大小，或者增加卷积层数量，直至出现其他情况为止；进行循环训练与测试，不断调整网络结构及参数，当测试结果中性别判定准确率大于N％，则网络调整结束，保存训练得到的网络模型，即基于CNN网络的赤足图像性别判定模型A。作为更进一步的，性别判定步骤：首先用训练好的性别判定模型A进行特征提取，规定距离最后端激活层最近的全连接层输出作为每幅图的特征，然后将此特征输入特征分类器softmax，输出赤足图像属于各个类别的概率，以此来判定赤足图像的拥有者的性别。作为更进一步的，性别判定的具体步骤：1)输入：A，待判定(测试)样本I，输出：I的拥有者的性别；2)通过性别判定模型A提取I的分类特征；3)将I的分类特征输入特征分类器softmax中，输出I属于各个类别的概率；4)选择概率值最大的类别作为待判定(测试)样本I的从属类别；如类别0的概率在所有类别中最大，则待判定(测试)样本I的拥有者为女性；如类别1的概率在所有类别中最大，则待判定(测试)样本I的拥有者为男性。本专利技术的有益效果是：本申请从训练数据出发，经过一个端到端的模型直接输出结果，其内部网络可以自发地根据最终任务来不断调整，充分利用海量数据自动学习到某种抽象的表达方式。此表达方式结构丰富且信息覆盖全面，直接解决了人为构造表达方式，形式单一，通用性差的缺点。解放人力的同时，判定的准确率也得到了很大的提高。通过将连续的回归问题转化为离散的分类问题的思想利用深度学习的方式实现对于人体性别的预估。附图说明本专利技术共有附图4幅：图1为本申请的流程图；图2为实施例中包含杂质信息的图像；图3为赤足或者穿袜足迹的足趾内缘突点、足趾外缘突点、足跟后缘突点，最长趾前缘突点4个点信息图像；图4为含有剪裁区域图像。具体实施方式为了使本专利技术的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本专利技术进行详细描述。实施例1本实施例提供一种基于CNN的赤足或穿袜足迹的性别判定方法，包括：S1：获取赤足或者穿袜足迹图像数据，并对图像数据进行预处理；S2：制作赤足图像数据集；1)将完成预处理的赤足图像数据集分为两个部分：(1)训练集：用于深度学习的训练过程，每个赤足足迹数据采样带有从属性别信息，这个性别信息就是这个赤足或穿袜足迹的标签；(2)验证集：用于验证深度学习结果的好坏。每个赤足或者穿袜足迹数据采样带有从属性别信息，但是验证集不参与训练，只是用来衡量性别判定的准确度；2)其中，各部分对数据的要求：(1)验证集的数据维度不得高于训练集数据维度，待识别集的数据信息量不得高于训练集数据的信息量；(2)要保证验证数据的信息完整性，有效信息数据维度不得低于识别数据集的特征维度；(3)用于做训练的数据，每个人的数据，不同种类的至少10组(左右脚各5组)以上，训练的个体数量在万人级。S3：数据训练与特征提取：整体按照两个阶段做训练与特征提取：1)训练数据准备：对已经完成预处理后的训练集和验证集的二维图像数据，依照标签(从属性别信息)分为2组：2)分组进行基于CNN网络的训练，此处使用改进的AlexNet网络，网络改进如下：(1)初始网络：网络构成：4层卷积层，2层池化层，2层全连接层。网络连接：conv1+pooling1+relu→conv2+pooling2+relu→conv3+relu→conv4+relu→fc5→fc6其中，conv代表卷积层，pooling代表池化层，fc代表全连接层，relu代表激活函数；各层网络参数：conv1:卷积核大小：5*5；卷积核数量：16；卷积步长：2；权重初始化方式：xavierpooling1:核大小：2*2；卷积步长：1conv2:卷积核大小：3*3；卷积核数量：32；卷积步长：1；权重初始化方式：xavierpooling2:核大小：2*2；卷积步长：1conv3:卷积核大小：3*3；卷积核数量：64；卷积步长：1；权重初始化方式：xavierconv4:卷积核大小：3*3；卷积核数量：128；卷积步长：1；权重初始化方式：xavierfc5:神经元个数：1024；权重初始化方式：xavierfc6:输出通道数：2；权重初始化方式：xavier(2)通过训练及验证结果调整网络：利用初始网络进行一次完整训练之后，用验证数据测试，假定性别判定准确率不足80％，则认为网络结构需要调整，调整方法如下：对任意一幅图而言本文档来自技高网...

【技术保护点】
1.一种基于CNN的赤足或穿袜足迹的性别判定方法，其特征在于，包括：S1：获取赤足或者穿袜足迹图像数据，并对图像数据进行预处理；S2：制作赤足图像数据集；S3：数据训练与特征提取；S4：根据任意一张赤足或者穿袜足迹图像判定该图像的拥有者的性别。

【技术特征摘要】
1.一种基于CNN的赤足或穿袜足迹的性别判定方法，其特征在于，包括：S1：获取赤足或者穿袜足迹图像数据，并对图像数据进行预处理；S2：制作赤足图像数据集；S3：数据训练与特征提取；S4：根据任意一张赤足或者穿袜足迹图像判定该图像的拥有者的性别。2.根据权利要求1所述一种基于CNN的赤足或穿袜足迹的性别判定方法，其特征在于，制作赤足图像数据集，包括：(1)训练集：用于深度学习的训练过程，每个赤足足迹数据采样带有从属性别信息，这个性别信息则是这个赤足或穿袜足迹的标签；(2)验证集：用于验证深度学习的结果，每个赤足或者穿袜足迹数据采样带有从属性别信息，但是验证集不参与训练，只是用来衡量性别判定的准确度；上述验证集的数据维度不高于训练集的数据维度，待识别集的数据信息量不高于训练集的数据信息量；有效信息数据维度不低于识别数据集的特征维度。3.根据权利要求2所述一种基于CNN的赤足或穿袜足迹的性别判定方法，其特征在于，数据训练与特征提取，包括：1)训练数据准备：对已经完成预处理后的训练集和验证集的二维图像数据，依照标签分成两组；2)分组进行基于CNN网络的训练，此处使用改进的AlexNet网络。4.根据权利要求3所述一种基于CNN的赤足或穿袜足迹的性别判定方法，其特征在于，改进的AlexNet网络具体为：(1)初始网络：网络构成：4层卷积层，2层池化层，2层全连接层；网络连接：conv1+pooling1+relu→conv2+pooling2+relu→conv3+relu→conv4+relu→fc5→fc6其中，conv代表卷积层，pooling代表池化层，fc代表全连接层，relu代表激活函数；(2)通过训练及验证结果调整网络：利用初始网络进行一次完整训练之后，用验证数据测试，假定性别判定准确率不足N％，则认为网络结构需要调整。5.根据权利要求4所述一种基于CNN的赤足或穿袜足迹的性别判定方法，其特征在于，调整网络如下：对任意一幅图，将每层卷积层结果输出，用每层卷积层结果与其他图像的同层卷积结果做相关比对:A、若某层级出现相关性明显变大的情况，则降低该层级以及其后端的卷积核尺寸，或者直接将该层作为全连接层重新训练；B、若相关性随层级深入，逐渐变高，但某层级后相关性变化不大，则直接将该层作为全连接层重...

【专利技术属性】
技术研发人员：郭宝珠，张吉昌，董波，于昕晔，
申请(专利权)人：大连恒锐科技股份有限公司，
类型：发明
国别省市：辽宁,21