[发明专利]一种基于深度学习的鞋样及足迹关键点检测方法

权利要求书

1.一种基于深度学习的鞋样及足迹关键点检测方法，其特征在于，包括：

S1.获得鞋样/足迹数据库；

S2.设定网络模型；

S3.计算损失函数：提出基于鞋底/足迹轮廓的损失函数；

S4.训练网络模型：采用部分网络结构调整的迁移学习模式进行训练；

S5.将图像输入已训练好的网络模型中，输出的结果坐标标记在原图上；

步骤S2中设定网络模型，该网络模型为残差网络模块结合增强网络模块实现，残差网络模块在浅层网络中加入恒等映射层，网络模型的构建流程为：

S2-1确定网络输入的张量；

S2-2开始构建网络，建立补零层，将张量输出边界补充0，得到的张量定义为卷积1补零层；

S2-3将卷积1补零层进行64个卷积运算，卷积核7*7,得到的张量定义为卷积层1；

S2-4将卷积层1进行规范化，得到规范化卷积层1；

S2-5将规范化卷积层1进行规范化的后续层运算，得到后续卷积层1；

S2-6将后续卷积层1用激活函数激活，得到卷积1激活层；

S2-7将卷积1激活层进行最大值池化计算，得到池化层1；

S2-8将池化层1进行残差网络的卷积模块计算，输出张量大小是池化层1的1/4，命名为卷积模块a1；

S2-9将卷积模块a1进行残差网络的恒等残差模块计算，输出张量的大小与卷积模块a1相同，命名为卷积模块b2、卷积模块c2；

S2-10卷积模块c2进行卷积模块计算，命名为卷积模块a3；

S2-11进行7次恒等残差模块计算，输出为卷积模块b3-7；

S2-12进行一次卷积模块计算，输出张量大小为卷积模块b3-7的1/4，命名卷积模块a4；

S2-13进行35次恒等残差模块计算，提取深度特征信息，输出卷积模块b4-35；

S2-14进行一次卷积模块和两次恒等残差模块计算，输出卷积模块a5-c；

S2-15进行两次增强计算，输出特征与输入特征一致,输出增强模块a6-a；

S2-16进行平均池化和全连接输出，输出为关键点的归一化坐标。

2.根据权利要求1所述一种基于深度学习的鞋样及足迹关键点检测方法，其特征在于，本申请还包括：S6.评价结果指标的步骤，包括：左右脚判定、主方向判定、有效面积比值和误差率。

3.根据权利要求1所述一种基于深度学习的鞋样及足迹关键点检测方法，其特征在于：步骤S1中获得鞋样图片后，使用人工标定方式标注关键点，生成鞋样数据集；足迹数据集包括现场足迹数据和嫌疑人足迹样本数据。

4.根据权利要求1或3所述一种基于深度学习的鞋样及足迹关键点检测方法，其特征在于，步骤S1中最终形成的数据库格式为：

DataSet：{image：[图像1，图像2，图像3，…，图像n]

label：[人工标定点1,人工标定点2,…,人工标定点n]}

所述图像n:格式为大小等于224*224*3的uint8形式的矩阵；

人工标定点n:格式为[上点坐标x，上点坐标y，下点坐标x，下点坐标y，内点坐标x，内点坐标y，外点坐标x，外点坐标y]。