基于模式识别技术的立体足迹步态特征提取与分类
发布时间：2021-12-15 22:23
立体足迹步态分析是我国刑事科学技术领域足迹分析理论的重要组成部分,曾经在侦查破案中发挥过重要作用。然而在实战中,基于立体足迹的步态分析理论的应用主要以技术人员的经验为支撑,存在主观性较强的缺点。为解决这些问题,让步态分析理论发挥更大作用,本文以模式识别相关理论和方法为技术手段,研究立体足迹中抠痕和踏痕的自动检测算法,实现立体足迹中步态特征的自动提取与分类。首先,使用犯罪现场立体足迹拍照提取的方法,在沙地上大量采集立体足迹照片,然后使用Matlab编写软件,截取足迹照片中的抠痕、踏痕形态图象,建立了规模约为4000的抠痕和踏痕样本库。其次,选取Haar和LBP（Local Binary Pattern,局部二值特征）作为特征提取方法,用这两种方法分别提取抠痕和踏痕的特征向量,选取Adaboost（Adaptive Boosting）作为分类算法,分别基于Haar特征和LBP特征训练出检测抠痕和踏痕的算法,并进行测试。测试效果显示,对于抠痕和踏痕,使用Haar特征和LBP特征这两种方法均有较好的检测效果。之后,针对同一种痕迹,比较两种检测算法的优劣。实验中采用了绘制ROC曲线（Receiv...
【文章来源】：中国人民公安大学北京市
【文章页数】：70 页
【学位级别】：硕士
【部分图文】：
研究方法流程图
图 3.1 犯罪现场立体足迹照片在本实验中，使用的立体足迹采集场地为长约 15 米，宽约 2 米的矩形沙地充有松软细沙。本实验使用拍照提取的方法，提取在沙地上留下的立体足迹相机为 Nikon D7000 单镜头反光照相机，光照条件为室内灯光。本实验中，首先请受测者在平整沙地上自然走过，在沙地上留下立体足迹。之 Nikon D7000 单反相机，根据刑事图像现场足迹拍照相关要求对留下的每一行拍照提取。拍照完成后，使用工具平整沙地后，再让其他受测者在沙地上走验中，共邀请了 300 名受测者，以保证足底的花纹和立体足迹特征的形态不者均为 18-20 岁本科在校生，共采集立体足迹照片 4000 多张。在采集立体时，没有控制鞋子种类，鞋底花纹种类各异，图 3.2 所示为提取的部分立体。
图 3.2 部分立体足迹图片3.2 样本剪裁软件的设计在一幅按照刑事图像标准拍摄的立体足迹照片中，可能包含抠痕、踏痕、迫痕等有多种立体足迹步态特征，需要将立体足迹步态特征精确截取出来作为学习样本。目前可以使用 PS 等图像软件进行裁剪，但使用相关软件进行裁剪难以控制裁剪图像的宽高比例，并且相关软件运行时占用计算机内存等资源较多，因此本次实验使用自己编写的图像剪裁软件进行样本剪裁。本实验的图像剪裁软件使用 Matlab 2013a 进行编写。主要功能包括：读取图像、图像的缩放、按固定宽高比剪裁图像、将裁剪出的图像保存。同时，在刑事科学技术领域，对于现场的足迹照片，要求调整足迹为实际大小，所以也将此功能加入了样本处理软件中。软件设计的基本流程有：1、读入足迹照片；2、输入照片的 DPI 值；3、选择足迹照片中 5 厘米长度 4、调整足迹照片为实际大小 5、保存调整后的照片 6、使用固
【参考文献】：
期刊论文
[1]基于类Haar特征模板匹配的多镜头步态识别算法[J]. 刘冠群,罗桂琼,谭平. 计算机工程. 2017(12)
[2]浅析对嫌疑立体足迹形态特征的提取技术与生物特征辨析[J]. 计琰翔,袁铭基. 法制与社会. 2016(33)
[3]基于PCA降维的HOG与LBP融合的行人检测[J]. 陈锐,王敏,陈肖. 信息技术. 2015(02)
[4]基于AdaBoost算法的易拉罐检测方法[J]. 肖仁锋. 河北省科学院学报. 2014(03)
[5]基于Adaboost算法的田间猕猴桃识别方法[J]. 詹文田,何东健,史世莲. 农业工程学报. 2013(23)
[6]AdaBoost算法研究进展与展望[J]. 曹莹,苗启广,刘家辰,高琳. 自动化学报. 2013(06)
[7]使用多尺度LBP特征和SVM的火焰识别算法[J]. 严云洋,唐岩岩,刘以安,张天翼. 山东大学学报(工学版). 2012(05)
[8]青年与中年人赤足行走足底压力参数的比较[J]. 汤澄清. 中国人民公安大学学报(自然科学版). 2012(01)
[9]一种基于类Haar特征和改进AdaBoost分类器的车辆识别算法[J]. 文学志,方巍,郑钰辉. 电子学报. 2011(05)
[10]基于小训练样本的AdaBoost人脸检测[J]. 师黎,吴敏,张娟. 计算机工程. 2011(08)
博士论文
[1]基于足底压力分布的步行行为感知关键技术研究[D]. 夏懿.中国科学技术大学 2013
[2]立体足迹三维曲面分割与识别[D]. 丁益洪.解放军信息工程大学 2005
[3]人脸识别中若干关键问题的研究[D]. 山世光.中国科学院研究生院（计算技术研究所） 2004
硕士论文
[1]基于HOG和Haar联合特征的行人检测及跟踪算法研究[D]. 伍叙励.电子科技大学 2017
[2]基于反馈的现场鞋底痕迹花纹检索算法研究[D]. 孙会会.大连海事大学 2014
[3]基于haar特征的运动人体检测[D]. 高宇.吉林大学 2013
[4]实用人脸识别算法研究[D]. 陈叶飞.上海交通大学 2013
[5]基于Adaboost算法的人脸检测研究[D]. 左登宇.中国科学技术大学 2009
[6]基于LBP的人脸识别研究[D]. 黄非非.重庆大学 2009
[7]基于AdaBoost算法的人脸检测研究[D]. 王英明.南京理工大学 2008
[8]基于Adaboost的人脸检测方法及眼睛定位算法研究[D]. 龙伶敏.电子科技大学 2008
[9]立体足迹形态特征提取与生物特征分析[D]. 苗良.解放军信息工程大学 2006
[10]基于ROC的分类算法评价方法[D]. 骆名剑.武汉科技大学 2005
本文编号：3537247
【文章来源】：中国人民公安大学北京市
【文章页数】：70 页
【学位级别】：硕士
【部分图文】：
研究方法流程图
图 3.1 犯罪现场立体足迹照片在本实验中，使用的立体足迹采集场地为长约 15 米，宽约 2 米的矩形沙地充有松软细沙。本实验使用拍照提取的方法，提取在沙地上留下的立体足迹相机为 Nikon D7000 单镜头反光照相机，光照条件为室内灯光。本实验中，首先请受测者在平整沙地上自然走过，在沙地上留下立体足迹。之 Nikon D7000 单反相机，根据刑事图像现场足迹拍照相关要求对留下的每一行拍照提取。拍照完成后，使用工具平整沙地后，再让其他受测者在沙地上走验中，共邀请了 300 名受测者，以保证足底的花纹和立体足迹特征的形态不者均为 18-20 岁本科在校生，共采集立体足迹照片 4000 多张。在采集立体时，没有控制鞋子种类，鞋底花纹种类各异，图 3.2 所示为提取的部分立体。
图 3.2 部分立体足迹图片3.2 样本剪裁软件的设计在一幅按照刑事图像标准拍摄的立体足迹照片中，可能包含抠痕、踏痕、迫痕等有多种立体足迹步态特征，需要将立体足迹步态特征精确截取出来作为学习样本。目前可以使用 PS 等图像软件进行裁剪，但使用相关软件进行裁剪难以控制裁剪图像的宽高比例，并且相关软件运行时占用计算机内存等资源较多，因此本次实验使用自己编写的图像剪裁软件进行样本剪裁。本实验的图像剪裁软件使用 Matlab 2013a 进行编写。主要功能包括：读取图像、图像的缩放、按固定宽高比剪裁图像、将裁剪出的图像保存。同时，在刑事科学技术领域，对于现场的足迹照片，要求调整足迹为实际大小，所以也将此功能加入了样本处理软件中。软件设计的基本流程有：1、读入足迹照片；2、输入照片的 DPI 值；3、选择足迹照片中 5 厘米长度 4、调整足迹照片为实际大小 5、保存调整后的照片 6、使用固
【参考文献】：
期刊论文
[1]基于类Haar特征模板匹配的多镜头步态识别算法[J]. 刘冠群,罗桂琼,谭平. 计算机工程. 2017(12)
[2]浅析对嫌疑立体足迹形态特征的提取技术与生物特征辨析[J]. 计琰翔,袁铭基. 法制与社会. 2016(33)
[3]基于PCA降维的HOG与LBP融合的行人检测[J]. 陈锐,王敏,陈肖. 信息技术. 2015(02)
[4]基于AdaBoost算法的易拉罐检测方法[J]. 肖仁锋. 河北省科学院学报. 2014(03)
[5]基于Adaboost算法的田间猕猴桃识别方法[J]. 詹文田,何东健,史世莲. 农业工程学报. 2013(23)
[6]AdaBoost算法研究进展与展望[J]. 曹莹,苗启广,刘家辰,高琳. 自动化学报. 2013(06)
[7]使用多尺度LBP特征和SVM的火焰识别算法[J]. 严云洋,唐岩岩,刘以安,张天翼. 山东大学学报(工学版). 2012(05)
[8]青年与中年人赤足行走足底压力参数的比较[J]. 汤澄清. 中国人民公安大学学报(自然科学版). 2012(01)
[9]一种基于类Haar特征和改进AdaBoost分类器的车辆识别算法[J]. 文学志,方巍,郑钰辉. 电子学报. 2011(05)
[10]基于小训练样本的AdaBoost人脸检测[J]. 师黎,吴敏,张娟. 计算机工程. 2011(08)
博士论文
[1]基于足底压力分布的步行行为感知关键技术研究[D]. 夏懿.中国科学技术大学 2013
[2]立体足迹三维曲面分割与识别[D]. 丁益洪.解放军信息工程大学 2005
[3]人脸识别中若干关键问题的研究[D]. 山世光.中国科学院研究生院（计算技术研究所） 2004
硕士论文
[1]基于HOG和Haar联合特征的行人检测及跟踪算法研究[D]. 伍叙励.电子科技大学 2017
[2]基于反馈的现场鞋底痕迹花纹检索算法研究[D]. 孙会会.大连海事大学 2014
[3]基于haar特征的运动人体检测[D]. 高宇.吉林大学 2013
[4]实用人脸识别算法研究[D]. 陈叶飞.上海交通大学 2013
[5]基于Adaboost算法的人脸检测研究[D]. 左登宇.中国科学技术大学 2009
[6]基于LBP的人脸识别研究[D]. 黄非非.重庆大学 2009
[7]基于AdaBoost算法的人脸检测研究[D]. 王英明.南京理工大学 2008
[8]基于Adaboost的人脸检测方法及眼睛定位算法研究[D]. 龙伶敏.电子科技大学 2008
[9]立体足迹形态特征提取与生物特征分析[D]. 苗良.解放军信息工程大学 2006
[10]基于ROC的分类算法评价方法[D]. 骆名剑.武汉科技大学 2005
本文编号：3537247
本文链接：https://www.wllwen.com/shekelunwen/gongan/3537247.html
