[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

说明书

本发明公开了一种基于深度学习的鞋样及足迹关键点检测方法，包括：S1.获得鞋样/足迹数据库：利用爬虫技术，爬取鞋样数据图片，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；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.将图像尺寸归一化后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。利用深度学习网络，提取关键点信息，使得计算机标注足迹或者鞋样图像成为可能，极大减轻了人力成本。

技术领域

本发明涉及一种基于深度学习的关键点检测方法，具体说是一种基于深度学习的鞋样及足迹关键点检测方法。

背景技术

足迹信息在现代的刑侦勘测领域起到举足轻重的作用，是现场勘验的重要物证之一。通过鞋底在承痕体反映的痕迹特征，不仅可以初步分析和刻画出人的大致身高、体重、年龄等自然信息，还可以通过鞋底磨损信息反映人的行走姿态、重心等特征。鞋样的鞋底花纹信息可补全残缺的足迹信息，并可通过对照，恢复足迹的残缺花纹和磨损区域，对足迹鉴定起到了极大的辅助对比作用。传统的检测足迹关键点方法使用图像处理的方式，背景噪声对算法有很大的影响，且只能应用在嫌疑人足迹上，对现场足迹和鞋样都不支持。

基于深度学习的算法，有学者研究了目标检测方法，这种方法只考虑了目标的位置信息，但是无法知道物体的具体和细节方位朝向，(例如检测出画面的狗，但并不知道狗的眼睛和尾巴在哪里)。另一种实现方式是基于深度学习的图像分割检测方法，这种方法可以将检测物体以蒙版(mask)的方式体现。对检测目标的轮廓刻画较好，尤其在多目标的复杂场景下，语义理解更为突出，但同样也无法解决目标的细节位置。

发明内容

为了克服现有技术存在的上述缺陷，本申请提供一种基于深度学习的鞋样及足迹关键点检测方法，利用深度学习网络，提取关键点信息，使得计算机标注足迹或者鞋样图像成为可能，极大减轻了人力成本。

为实现上述目的，本申请的技术方案为：一种基于深度学习的鞋样及足迹关键点检测方法，包括：

S1.获得鞋样/足迹数据库：利用爬虫技术，爬取鞋样数据图片，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；

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.将图像尺寸归一化后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。

进一步的，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。

进一步的，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]。

进一步的，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。

进一步的，步骤S3计算损失函数由以下判定项组成：

A)预测点和标定点的位置差异判定：