【技术实现步骤摘要】
一种基于鞋印的行人性别预测系统
[0001]本专利技术涉及刑侦领域的性别预测技术,具体涉及一种基于鞋印的行人性别预测系统。
技术介绍
[0002]现有的性别预测方法主要有:(1)通过刑侦过程中积累的经验进行主观判断:男性足迹宽大、步长,起落脚有力,脚弓略高。女性足迹短小,步长也短,起落脚平稳,脚弓低,鞋底花纹细。(2)根据落脚部位动力形态的差异判断性别:在足迹的内侧和外侧各作一条切线,使两切线与前掌内、外两侧最凸出部分及后跟内、外两侧凸出部分分别相切,在前掌两切点之中点和后跟两切点之中点作一连线(并延长)为足迹中心线,由落脚部分的两个端点连线与足迹中心线相交构成的外侧下角作为落脚角。通过运用现场足迹的落脚角度分别与男女相应的样本数据计算绝对值距离,距离小者即说明该现场足迹的落脚角度属于相对应的男性或女性样本数据可能性大,即相应的该足迹为男性或女性所留的可能性大。绝对值距离公式如下:注:其中d表示绝对值距离,x
k
表示样本数据足迹落脚角度,x表示现场足迹落脚角度,n表示样本数据总数。(3)基于生物特征进行性别预测:使用人脸图像、步态能量图像、指纹图像和虹膜图像等生物特征图像进行性别预测,常用的特征提取方法有局部方向模式(LDP)、局部二值模式(LBP)和离散小波变换(DWT)等,结合支持向量机(SVM)、最近邻方法(KNN)和随机森林(RF)等分类器进行性别预测。
[0003]但是通过刑侦过程中积累的经验进行主观判断存在的缺点是:依据理论薄弱,判断的方法落后,侦查人员对于鞋印特征的认识各不相同 ...
【技术保护点】
【技术特征摘要】
1.一种基于鞋印的行人性别预测系统,其特征在于,包括:基于鞋印构建的行人性别预测模型,该行人性别预测模型包括特征提取模块、通道注意力模块、基于鞋长与类别协同约束的行人性别预测模块;离线训练单元,用于训练所述行人性别预测模型;行人性别在线预测单元,用于将鞋印图像输入训练后的行人性别预测模型,获取预测性别。2.根据权利要求1所述一种基于鞋印的行人性别预测系统,其特征在于,所述特征提取模块,使用InceptionV3网络为基础框架,对输入大小为H
′×
W
′×
C
′
的鞋印图像进行特征提取,得到大小为H
×
W
×
C的特征图,H代表图像高度,W代表图像宽度,C代表图像通道数。3.根据权利要求1所述一种基于鞋印的行人性别预测系统,其特征在于,所述通道注意力模块包括一个全局平均池化层、两个全连接层、一个激活函数Relu和一个激活函数Sigmoid,首先由全局平均池化层将共C个大小为H
×
W的特征图压缩为1
×
1,得到1
×1×
C的实数数列,此时鞋印图像变成一维,通过降维比例为r的全连接层降低复杂度后接Relu激活函数,再通过增维比例为r的全连接层起到辅助泛化的作用,最后经Sigmoid激活函数后得到C个特征图权重,大小为1
×1×
C。4.根据权利要求1所述一种基于鞋印的行人性别预测系统,其特征在于,所述基于鞋长与类别协同约束的行人性别预测模块,将大小为H
×
W
×
C的特征图与大小为1
×1×
C的特征图权重进行点积,后接全连接层,最后使用Softmax函数进行激活;该模块设计了鞋长与类别标签协同约束的目标函数L即:L
i
=max(0,P
i
(x
M
‑
x))+max(0,(1
‑
P
i
)(x
‑
x
F
))其中,n表示样本个数,y
i
表示样本i的标签,P
i
表示样本i预测为男性的概率,λ表示约束因子,L
i
表示协同约束项,x
M
表示男性鞋长平均值,x
F
表示女性鞋长平均值,x表示输入鞋长,max(0,P
i
(x
M
‑
x))表示在0和P
i
(x
M
‑
x)中取最大值;使用随机梯度下降法对上述损失函数进行优化。5.根据权利要求1所述一种基于鞋印的行人性别预测系统,其特征在于,所述离线训练单元包括合成鞋印步态能量图模块、数据增广模块、图像分辨率规定化模块和构建模块。6.根据权利要求5所述一种基于鞋印的行人性别预测系统,其特征在于,所述合成鞋印步态能量图模块,具体实现方式为:采用加权平均的方法,以单枚鞋印的方向作为依据划分左右步态能量图,计算公式如下:左右步态能量图,计算公式如下:其中,T表示参与运算的行走周期数,t表示行走周期;T
L
(x,y,t)表示标准化后的第t个行走周期内的左鞋印图像,w(T
L
(x,y,t))为其对应的权重系数;T
R
(x,y,t)表示标准化后的第t个行走周期内的右鞋印图像,w(T
R
(x,y,t))为其对应的权重系数;所述权重系...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。