專利名稱：基于壓力累積足印圖像的人體生理分析與身份識別的方法
技術領域：
本發(fā)明屬于模式識別領域，涉及基于人體足印生物特征的人體基本生理信息分 析、推斷、身份識別方法。
背景技術：
生物特征識別技術是指計算機根據人體所固有的一些生理特征(指紋、虹膜、面 相、DNA等)或行為特征(步態(tài)等)來進行個人身份鑒定的技術。在美國911恐怖襲擊事 件和倫敦爆炸案等事件發(fā)生后，各國對于身份識別等技術越來越重視。以指紋、虹膜為代表 的第一代生物特征識別技術已經在許多商業(yè)和法律機構中得到實際應用。然而第一代生物 特征識別技術雖然在準確度上已經達到了相當的高度，但是其獲取數據的方式依賴于測試 人員的配合。以步態(tài)為代表的行為特征在最近的幾年得到了深入的研究，相對第一代生物 特征而言，其主要的優(yōu)勢在于能夠實現(xiàn)無需用戶配合的人體生理身份分析與識別。然而該 項技術由于依賴于對視頻圖像數據的質量和相關的預處理過程，實際使用中往往存在識別 準確度較低的問題。因此有必要研究一種能夠無需用戶配合同時具有較高準確度的人體生 理身份信息分析與識別方法。人體足印指人類生活中足與地面等物質接觸時留下的痕跡，即人在進行站立、行 走等活動時自身重量和人體肌力通過足作用于地面等物體上形成的痕跡。作為兩足支撐 直立行走的人類，在從事各種活動中往往會留下足印等痕跡。已有的醫(yī)學、體育學、刑偵科 學等領域中的研究表明，人體運動留下的足印痕跡中包含了豐富的個體生理信息和運動狀 態(tài)信息。其中，美國波士頓貝絲以色列女執(zhí)事醫(yī)學中心(Beth IsraelDeaconess Medical Center)在2000年根據足底壓力傳感器獲取得到的實時足印數據，實現(xiàn)了對糖尿病足部潰 瘍等病人的非接觸式監(jiān)測。Addidas等體育用品公司下屬的研發(fā)中心則根據壓力傳感器實 時獲取跑步狀態(tài)中運動員的足部壓力情況，有針對性地設計最適合的跑鞋。加拿大皇家刑 偵技術研究機構在1996年給出的一份研究報告證明了身份鑒別中人體足印的唯一性，從 而使得人體足印在刑偵司法領域中的應用進一步得到了實驗上的確認。2000年日本國立長壽科學研究所提出了一種基于成對足印圖像匹配的個人識別 方法，首次開始把足印作為一種生物特征。其后2004年，韓國高等科學與技術研究所通過 壓力傳感器獲取的人體行走產生的動態(tài)中心壓力點軌跡，并提出了基于隱馬爾科夫模型的 方法實現(xiàn)了更加精確地基于足印的個人識別方法。奧地利薩爾茨堡大學計算機系的研究人 員總結了已有的足部特征提取和識別方法，設計出了基于赤足的幾何、形狀和紋理等算法 的個人身份驗證系統(tǒng)。綜上所述，相對指紋、虹膜等第一代生物特征識別技術而言，足印特征識別技術的 優(yōu)勢在于其獲取數據方式具有較強的隱蔽性和友好性；相對已有的步態(tài)特征識別技術而 言，足印特征識別技術獲取的數據方式更加直接且無需復雜的圖像預處理過程，因而準確 度更高的同時能夠實現(xiàn)在無需用戶配合下完成數據采集。盡管具有很大的優(yōu)勢，然而現(xiàn)有的足印識別相關研究仍然存在很多問題，影響了該項技術的發(fā)展和應用。現(xiàn)有基于足印的人體分析識別技術中的主要的缺點有1、采用COP軌跡分析或者許多基于形狀的經驗判斷比較方法，要求用戶配合設備 采集，因此在實際使用中會影響用戶的體驗。實際采集過程中，由于用戶行走的快慢以及落 腳的輕重，往會出現(xiàn)局部形變或殘缺的現(xiàn)象，如果對用戶加以限制約束，則將影響到該項技 術的用戶體驗性。2、基于足印形狀和輪廓尺寸等特征的方法一方面對于足印圖像有嚴格的要求，另 一方面則依賴于對數據樣本的分布和專家經驗。在已有的刑偵等領域中，足印形狀的經驗 分析方法往往只是作為一種輔助手段，其應有的作用并未得到充分應用。
發(fā)明內容
為了解決現(xiàn)有技術中存在的上述缺點，本發(fā)明的目的是提供了一種基于壓力累積 足印圖像的人體生理分析與身份識別的方法。為了實現(xiàn)上述目的，本發(fā)明一種基于壓力累積足印圖像的人體生理分析與身份識 別方法，包含壓力累積足印圖像獲取步驟、訓練步驟和識別與分析步驟；通過壓力傳感器獲 取得到人體壓力累積足印圖像，同時通過如下所述步驟實現(xiàn)對行走人體的生理分析與身份 識別步驟S1 獲取已標記的壓力累積足印圖像，歸一化所有已標記壓力累積足印圖 像；步驟S2 對已標記的壓力累積足印圖像矩陣進行向量化處理，即得到壓力累積 足印圖像向量\〃針對已標記好的不同性別人群、不同年齡區(qū)間人群、不同體質指數區(qū) 間人群以及不同人的壓力累積足印圖像，運用子空間學習方法，分別計算得到性別、年齡 區(qū)間、體質指數區(qū)間和個體的投影映射矩陣以及計算得到低維壓力累積足印圖像向量 A ；針對不同生理信息和身份信息，選擇已標記的低維壓力累積足印圖像向量集的 均值，生成不同生理信息和身份信息的壓力累積足印圖像模型向量Zij，即 其中WiT為投影映射矩陣Wi的轉置，i = 1表示性別，i = 2表示年齡區(qū)間，i = 3 表示體質指數區(qū)間，i = 4表示個體，niJ表示第i類信息中屬性j對應的已標記累積足底 壓力圖像向量的個數；步驟S3 對于未標記的壓力累積足印圖像進行向量化處理，即得到壓力累積足印 圖像向量x'，運用已獲得的性另U、年齡區(qū)間、體質指數區(qū)間和個體的投影映射矩陣 生成 低維空間上的未標記壓力累積足印圖像向量二 ；步驟S4 在低維空間上，運用最近鄰算法，對未標記壓力累積足印圖像向量y'和 不同生理信息和身份信息的壓力累積足印圖像模型向量Zij的距離進行計算，得到關于未 標記壓力累積足印圖像對應人的性別、年齡區(qū)間、體質指數區(qū)間和身份的判別結果，實現(xiàn)基 于壓力累積足印圖像的人體生理分析與身份識別。其中，對所述獲取壓力累積足印圖像的預處理步驟如下步驟S11 通過壓力傳感器獲取的完整壓力累積足印圖像，通過采集卡和USB設備 將壓力累積足印圖像接入計算機；
步驟S12 對于分類后的完整壓力累積足印圖像進行圖像歸一化預處理，使得完 整壓力累積足印圖像尺寸大小得到統(tǒng)一。其中，所述子空間學習方法是主成份分析和線性判別分析，其步驟如下步驟S21 對于已標記的壓力累積足印圖像向量Xij，針對不同的生理信息和身份 信息劃分生成不同的壓力累積足印圖像向量集；步驟S22 運用主成分分析，針對不同的生理信息和身份信息對應劃分的壓力累 積足印圖像向量集，生成主成分分析投影矩陣wA保留已標記的壓力累積足印圖像向量中 含有主要信息的部分，得到低維空間上已標記的壓力累積足印圖像向量，即二 <7xv ；步驟S23 運用線性判別分析，針對不同的生理信息和身份信息對應劃分的壓力 累積足印圖像向量集，生成線性判別分析投影矩陣w廣，使得對應相同信息的壓力累積足印 圖像向量之間距離和對應不同信息的壓力累積足印圖像向量之間距離的比值最大化，得到 低維空間上已標記的壓力累積足印圖像向量，即只=化“7"/，將步驟S22得到的主成分分析 投影矩陣 < 和線性判別分析投影矩陣w廣相乘，生成了子空間學習投影矩陣為w, = 。有益效果通過本發(fā)明可以實現(xiàn)基于壓力累積足印圖像的人體生理信息分析與身份識別。通 過隱藏在路面下的壓力傳感裝置，該方法能夠隱蔽地獲取人體正常行走留下的壓力累積足 印圖像。本發(fā)明作為一種生物特征識別技術，不僅具有獲取數據的較強隱蔽性，同時具有較 高準確識別率。此外，相對已有的足印特征識別技術，本發(fā)明能夠實現(xiàn)在無需用戶配合自動 且準確地完成整個行走人體生理分析與身份識別。
圖1是本發(fā)明所述方法的整體框架圖；圖2是本發(fā)明中使用的人體壓力累積足印圖像；圖3是本發(fā)明中根據子空間學習方法，訓練模型和得到投影矩陣的具體實施步驟 示意圖。
具體實施例方式為了便于對本發(fā)明的理解，下面結合附圖詳細說明本發(fā)明技術方案中所涉及的各 個細節(jié)問題。應指出的是，所描述的實施例對本發(fā)明不起任何限定作用。本發(fā)明基于壓力累積足印圖像的行走人體生理分析與身份識別方法，通過隱藏在 路面下的壓力傳感裝置，該方法能夠隱蔽地獲取人體正常行走留下的壓力累積足印圖像。 壓力累積足印圖像描述了人體在行走或者跑步過程中與地面接觸過程的累積情況，反映了 人體行走過程中的行為特征。該壓力累積足印圖像是壓力傳感器實時采集壓力數據的累 積，具有一定的信息冗余性，保證了在部分壓力數據缺失下，仍然能夠反映出人體行為特 征。本發(fā)明以此作為研究對象，提供了一種對該壓力累積足印圖像進行特征抽取、分類器學 習和測試的方法，最終實現(xiàn)了對于人體生理、身份信息的分析和識別。區(qū)別于類似的基于足印的人體生理分析與身份識別方法，本發(fā)明在研究對象、特 征選擇抽取以及分類器訓練測試具有顯著的差異，能夠實現(xiàn)在數據出現(xiàn)一定缺失下保持識 別的正確率。實驗表明，該方法優(yōu)于已公開發(fā)表的論文中的方法。此外，實驗結果是在規(guī)模更大的數據庫上完成，更具有可信度。區(qū)別于已有的經驗分析方法，本發(fā)明提供了一種基于統(tǒng)計機器學習、模式識別理 論的方法。實驗表明，該方法能夠更加精確地利用壓力累積足印圖像信息用于人體生理分 析和身份識別。為了解決上述問題和實現(xiàn)相應功能，如圖1所示，本發(fā)明方法包含壓力累積足印 圖像獲取步驟，訓練步驟，識別與分析步驟。壓力累積足印圖像獲取步驟是通過壓力傳感器得到標記好個人生理信息和身份 信息的人體壓力累積足印圖像并進行預處理。訓練的目的是為了學習得到不同性別、不同年齡區(qū)間、不同體質指數區(qū)間的人群 之間以及不同人之間的壓力累積足印圖像規(guī)律。首先需要在用戶配合的情況下，收集大量 完整的足印樣本，并根據用戶的生理和身份情況加以標注。這些標注了生理和身份信息的 足印用戶訓練分析和識別模型。訓練步驟如下步驟S11 根據用戶生理和身份信息，標記分類通過壓力傳感器獲取的完整壓力 累積足印圖像；步驟S12 對于分類后的壓力累積足印圖像進行圖像歸一化預處理，使得圖像尺 寸大小得到統(tǒng)一；步驟S13 對于具有不同生理信息人群的累積足印和不同人的壓力累積足印圖像 特征通過主成分分析方法去掉其中冗余的圖像特征點，將壓力累積足印圖像特征投影到低 維空間，并獲得投影矩陣；通過線性判別分析方法進一步使得圖像特征維數下降，獲得最具 區(qū)分能力的圖像特征。提取并合并線性判別分析方法得到的投影矩陣w廣和主成分分析方 法得到的投影矩陣w廣。步驟S15 針對不同生理信息和身份信息，選擇已標記的低維空間上的壓力累積 足印圖像向量集& =<xy_，生成不同生理信息和身份信息的壓力累積足印圖像模型向量 Zij' 其中WiT為投影映射矩陣Wi的轉置，i = 1表示性別，i = 2表示年齡區(qū)間，i = 3 表示體質指數區(qū)間，i = 4表示個體，niJ表示第i類信息中屬性j對應的已標記累積足底 壓力圖像向量的個數。識別分析的目的是為了實現(xiàn)通過人體壓力累積足印圖像分析人體生理信息和識 別出訓練庫中存在過的人。在人步行通過隱蔽著壓力傳感器的區(qū)域后，壓力累積足印圖像 通過采集卡接入計算機。首先利用不同生理信息和身份信息對應的投影矩陣對圖像完成特 定目的的特征選擇和數據降維，然后將特征輸入訓練階段所得的各種生理信息和身份信息 的分類模型，輸出分類結果。具體分析識別步驟如下步驟S21 壓力傳感器獲取得到壓力累積足印圖像通過采集卡接入計算機。對該 圖像依次完成包括圖像尺寸歸一化預處理。對于未標記的壓力累積足印圖像進行向量化處 理，即得到壓力累積足印圖像向量x'，運用已獲得的性另U、年齡區(qū)間、體質指數區(qū)間和個體 的投影映射矩陣^，生成低維空間上的未標記壓力累積足印圖像向量只；步驟S22 利用步驟S14中得到的針對不同生理信息和身份信息的投影矩陣，使得壓力累積足印圖像維數降低，獲取其中冗余最小且最具區(qū)分能力的特征。對于未標記的壓 力累積足印圖像進行向量化處理，即得到壓力累積足印圖像向量x'，運用已獲得的性別、 年齡區(qū)間、體質指數區(qū)間和個體的投影映射矩陣Wi，生成低維空間上的未標記壓力累積足 印圖像向量X ；步驟S23 將步驟S22提取得到的特征，輸入步驟S15得到的模型中，在相同維數 的低維空間上運用最近鄰算法實現(xiàn)距離計算，對未標記壓力累積足印圖像向量y'和不同 生理信息和身份信息的壓力累積足印圖像模型向量Zij的距離進行計算，得到關于未標記 壓力累積足印圖像對應人的性另U、年齡區(qū)間、體質指數區(qū)間和身份的判別結果，實現(xiàn)基于壓 力累積足印圖像的人體生理分析與身份識別，輸出分類結果。其中系統(tǒng)針對性別、年齡區(qū) 間、體質指數區(qū)間等每項依次給出若干個(如4個)概率最大的可能值(或區(qū)間)，對于身 份信息同樣給出若干個(如4個)概率最大的可能人員。分析識別過程中提到的距離計算是指最近鄰算法。該算法通過計算未標記足印圖 像的特征向量與同樣維數空間中標記好的足印圖像特征向量的歐式距離，距離最近的標記 好的足印圖像特征向量對應人的性別、年齡范圍、體質指數范圍以及身份等即是未標記樣 本對應人的生理和身份信息。以下針對本發(fā)明的方法存在幾個關鍵步驟，展開說明首先需要對壓力累積足印圖像的尺寸歸一化由于每個人足部形狀和每次行走情況等差異，壓力傳感器得到的人體壓力累積足 印圖像并不是一樣大小。為了消除這些差異的影響，將壓力累積足印圖像的輪廓保持長寬 比歸一化到60X25大小，并將足印置于60X25大小圖像的中間位置。其二，圖像特征提取和降維本發(fā)明中由壓力傳感器獲得的壓力累積足印圖像大小是60X25，在圖像矩陣向量 化后，每張壓力累積足印圖像向量維數將達4400。高維向量一方面計算代價高，另外其中也 存在著大量冗余信息，因此需要運用子空間學習方法中的主成分分析和線性判別分析，將 向量從高維空間映射到低維空間。運用主成分分析方法可以實現(xiàn)對壓力累積足印圖像向量 中含有主要信息部分的抽取。運用線性判別分析方法可以使得對應相同信息的壓力累積足 印圖像向量之間距離和對應不同信息的壓力累積足印圖像向量之間距離的比值最大化，進 一步降低壓力累積足印圖像特征維數。下面就子空間學習方法進行詳細闡述壓力累積足印圖像通常在計算機中以矩陣的形式存儲。本發(fā)明中首先把圖像矩 陣向量化，該過程是對于壓力累積足印圖像矩陣，將其中每一行數據依次拼接成一個長向量。假設已標記的壓力累積足印圖像向量為Xij，其中i G {1,2,3,4}表示不同的生理
信息和身份信息，i = 1表示性別，i = 2表示年齡區(qū)間，i = 3表示體質指數區(qū)間，i = 4
表示個體；j e {1，2，...，cik}，cik是第i類信息中第k類的已標記壓力累積足印圖像向量
的個數。其中首先計算原有樣本集中的均值u和協(xié)方差矩陣cov(Xip，即 1 c>ku=一，
低維壓力累積足印圖像向量為只=w/x;可以通過奇異值分解，gp cov(XiJ.)E = 入E，計算出C0V(Xij)的L個特征值Xy A2, .... , Xl以及與特征值對應的特征向量ei， e2，... ,eLO其中E= [ei，e2，....，e J，人=[人丄，人2，....，人J。特征值入i反映了原始數 據的變化，該值越大意味著對應的原始數據的變化越大，表明對應的該特征向量在原始數 據中是含有主要信息量，即變化信息量。對特征值進行排序，使得入工> X 2 > .... >入 保留前m個最大的特征值對應的特征向量。這樣可以得到主成分分析投影矩陣w廣w,* =[e丨,e”...，。」。同時，高維空間上的壓力累積足印圖像向量Xij可以投影到低維空間上，生成低維 空間上的壓力累積足印圖像向量、= w'Txu，這樣特征維數就從高維降低到了 L維。前L個成分中含有主要信息，它們所含信 息比重P為
主成分分析方法使得原始數據的維數下降，降低系統(tǒng)的計算復雜。然而降低了維 數后的特征并不具有區(qū)分能力。已有研究表明，線性判別分析方法能夠從統(tǒng)計優(yōu)化目標出 發(fā)，提取得到具有區(qū)分能力的特征。運用線性判別分析方法提取具有區(qū)分能力的特征步驟如下。對于前一步得到的壓 力累積足印圖像向量為fu，期望進一步找到一個最佳的投影矩陣《廣，使得最大化類內樣本 和類間樣本的距離的比值 Ui是第i類信息中所有主成分分析降維后的已標記壓力累積足印圖像向量，m是 該類信息中所有主成分分析降維后的已標記壓力累積足印圖像向量按不同對應信息劃分 集合后的均值。Sb是類間樣本的距離，Sw是類內樣本的距離，J(w廣)是類內樣本和類間樣 本的距離。以性別分析為例，該問題是兩類問題，線性判別分析投影矩陣可以求解為w* = S^ (m, - m)。而對于年齡區(qū)間和體質指數區(qū)間分析以及身份識別的問題，可以通過類似的方法 得到線性判別分析投影矩陣，區(qū)別在于年齡區(qū)間分析、體質指數區(qū)間分析和身份識別問題
argminJCw/)為多類問題。于是，在主成分分析的基礎上，可以通過下面的方程得到低維且具有較強區(qū)分 能力的壓力累積足印圖像向量Yij = W^fij和子空間學習投影矩陣，即 其三，對于運用子空間學習，降維后的已標記不同生理信息和身份信息的壓力累 積足印圖像yij，生成模型向量zik，即 =—ΣΛ。
Cik /=1其四，最近鄰分類算法實現(xiàn)未標記足印圖像分析與識別給定低維空間中未標記足印圖像向量X'，最近算法尋找X'與其他在同樣維數 空間中的Cik個的生理信息和身份信息模型特征向量Zik的歐氏距離，即d = Mx' -zik| |。其中模型特征向量Zik表征對于第i類信息人群中第k類對應壓力累積足印圖像。整個基于壓力累積足印圖像的行走人體生理分析與身份識別方法主要包括訓練 和識別兩個過程，為了詳細說明該發(fā)明的具體實施方式
，以基于該方法的門禁系統(tǒng)為例說 明。該系統(tǒng)通過嵌入地表方式隱蔽布置在出入口處。這個系統(tǒng)能夠記錄下人行走通 過時所產生的壓力累積足印圖像。該壓力傳感板總共有2m長，0.5m寬，上面每平方厘米有 4個壓力傳感器。壓力傳感板由USB數據線與計算機的USB 口連接。實際部署中采用聯(lián)想 M8000臺式計算機，基本配置為Intel酷睿2四核CPU，內存4⑶DRIII，硬盤500G，操作系統(tǒng) windows XP。在該計算機上部署有相應的分析軟件。如圖3所示，本系統(tǒng)訓練階段將得到不同生理信息和不同身份信息區(qū)分模型，以 及相應的投影矩陣。本系統(tǒng)實際分析識別階段將得到關于新的未標記壓力累積足印圖像輸 入的生理信息和身份信息判別結果。具體訓練步驟如下首先收集整理好標記了個人生理信息和身份信息的人體壓力累積足印圖像。然 后，在預處理的基礎上，通過特征抽取分類器訓練模塊提取這些數據中的圖像特征，并生成 相應的分類器訓練參數和特征投影矩陣。最后，將這些數據存入生成的模型文件。分析識別步驟如下首先導入訓練過的相應模型文件。然后在預處理基礎上，導入未標記的壓力累積 足印圖像。通過模型文件中的特征投影矩陣使得該足印圖像特征維數降低，并具有強區(qū)分 能力的性質。最后輸入分類器后得出關于該壓力累積足印圖像對應人體的生理信息和身份 信息。即，給出年齡區(qū)間、體質指數區(qū)間和性別判斷值及其概率；給出該人是否出現(xiàn)在訓練 集名單中的判斷。為了驗證算法的有效性，使用CASIA人體壓力累積足印圖像數據庫對提出的算法 進行測試。CASIA人體壓力累積足印圖像數據庫是由中科院自動化所和沈陽中國刑事警察 學院創(chuàng)建的一個數據庫，用于評測基于人體壓力累積足印圖像的算法優(yōu)劣。CASIA人體壓力 累積足印圖像數據庫包含88個人，其中男性78名，女性10名。每個人都完成了 10次行走 通過壓力傳感器，每次提供了 3張壓力累積足印圖像。在該數據庫上進行算法的測試，身份 識別正確識別率為91%，性別識別正確率為99%，年齡區(qū)間識別正確率為71%，體質指數區(qū)間識別正確率為83%。實驗結果表明，該算法的識別率優(yōu)于其他已公開文獻中的類似方 法(通過足印壓力分布幾何形狀估算)。 以上所述，僅為本發(fā)明中的具體實施方式
，但本發(fā)明的保護范圍并不局限于此，任 何熟悉該技術的人在本發(fā)明所揭露的技術范圍內，可理解想到的變換或替換，都應涵蓋在 本發(fā)明的包含范圍之內，因此 ，本發(fā)明的保護范圍應該以權利要求書的保護范圍為準。
權利要求
一種基于壓力累積足印圖像的人體生理分析與身份識別的方法，其特征在于，通過壓力傳感器獲取得到人體壓力累積足印圖像，同時通過如下所述步驟實現(xiàn)對行走人體的生理分析與身份識別步驟S1獲取已標記的壓力累積足印圖像，歸一化所有已標記壓力累積足印圖像；步驟S2對已標記的壓力累積足印圖像矩陣進行向量化處理，即得到壓力累積足印圖像向量xij；針對已標記好的不同性別人群、不同年齡區(qū)間人群、不同體質指數區(qū)間人群以及不同人的壓力累積足印圖像，運用子空間學習方法，分別計算得到性別、年齡區(qū)間、體質指數區(qū)間和個體的投影映射矩陣wi以及計算得到低維壓力累積足印圖像向量針對不同生理信息和身份信息，選擇已標記的低維壓力累積足印圖像向量集的均值，生成不同生理信息和身份信息的壓力累積足印圖像模型向量zij，即 <mrow><msub> <mi>z</mi> <mi>ij</mi></msub><mo>=</mo><mfrac> <mn>1</mn> <msub><mi>n</mi><mi>ij</mi> </msub></mfrac><msub> <mi>Σy</mi> <mi>ij</mi></msub><mo>,</mo> </mrow>其中wiT為投影映射矩陣wi的轉置，i＝1表示性別，i＝2表示年齡區(qū)間，i＝3表示體質指數區(qū)間，i＝4表示個體，nij表示第i類信息中屬性j對應的已標記累積足底壓力圖像向量的個數；步驟S3對于未標記的壓力累積足印圖像進行向量化處理，即得到壓力累積足印圖像向量x′，運用已獲得的性別、年齡區(qū)間、體質指數區(qū)間和個體的投影映射矩陣wi，生成低維空間上的未標記壓力累積足印圖像向量步驟S4在低維空間上，運用最近鄰算法，對未標記壓力累積足印圖像向量y′和不同生理信息和身份信息的壓力累積足印圖像模型向量zij的距離進行計算，得到關于未標記壓力累積足印圖像對應人的性別、年齡區(qū)間、體質指數區(qū)間和身份的判別結果，實現(xiàn)基于壓力累積足印圖像的人體生理分析與身份識別。F2009102437286C00011.tif,F2009102437286C00013.tif
2.根據權利要求1所述基于壓力累積足印圖像的人體生理分析與身份識別的方法，其 特征在于，對所述獲取壓力累積足印圖像的預處理步驟如下步驟S11 通過壓力傳感器獲取的完整壓力累積足印圖像，通過采集卡和USB設備將壓 力累積足印圖像接入計算機；步驟S12:對于分類后的完整壓力累積足印圖像進行圖像歸一化預處理，使得完整壓 力累積足印圖像尺寸大小得到統(tǒng)一。
3.根據權利要求1所述基于壓力累積足印圖像的人體生理分析與身份識別的方法，其 特征在于，所述子空間學習方法是主成份分析和線性判別分析，其主要步驟如下步驟S21 對于已標記的壓力累積足印圖像向量Xij，針對不同的生理信息和身份信息 劃分生成不同的壓力累積足印圖像向量集；步驟S22 運用主成分分析，針對不同的生理信息和身份信息對應劃分的壓力累積足 印圖像向量集，生成主成分分析投影矩陣wA保留已標記的壓力累積足印圖像向量中含有 主要信息的部分，得到低維空間上已標記的壓力累積足印圖像向量，即厶；步驟S23 運用線性判別分析，針對不同的生理信息和身份信息對應劃分的壓力累積 足印圖像向量集，生成線性判別分析投影矩陣w廣，使得對應相同信息的壓力累積足印圖像 向量之間距離和對應不同信息的壓力累積足印圖像向量之間距離的比值最大化，得到低維2空間上已標記的壓力累積足印圖像向量，即M 二 ，將步驟S22得到的主成分分析投影 矩陣和線性判別分析投影矩陣W廣相乘，生成了子空間學習投影矩陣為W, = wy；。
全文摘要
本發(fā)明公開一種基于壓力累積足印圖像的人體生理分析與身份識別的方法，獲取壓力累積足印圖像和預處理；運用子空間學習的方法針對已標記好的不同性別、年齡區(qū)間、體質指數區(qū)間人群以及不同人的壓力累積足印圖像，生成對應的生理信息和身份信息的投影矩陣，以及低維空間上對應的壓力累積足印圖像模型向量；對于未標記的壓力累積足印圖像，通過已獲得的不同生理信息和身份信息的投影矩陣，生成低維空間上未標記的圖像向量；在低維空間上，通過最近鄰算法，計算比較未標記的壓力累積足印圖像向量和不同生理身份信息的壓力累積足印圖像模型向量之間的距離，得到關于未標記壓力累積足印圖像對應人的性別、年齡區(qū)間、體質指數區(qū)間和身份的判別。
文檔編號G06K9/36GK101874738SQ200910243728
公開日2010年11月3日 申請日期2009年12月23日 優(yōu)先權日2009年12月23日
發(fā)明者譚鐵牛, 鄭帥, 黃凱奇 申請人:中國科學院自動化研究所