[发明专利]基于足底压力的身高估算方法

说明书

本发明提供一种基于足底压力的身高估算方法，所述身高估算方法包括采集足底压力图像样本，并进行预处理；建立并训练神经网络模型；将预处理的图像样本输入训练好的神经网络模型，计算得出足底压力特征值；建立足底压力特征值与身高的多元线性回归模型和用神经网络模型继续计算足底压力特征值，通过多元线性回归模型估算身高等步骤；本发明获取足底压力特征值的方法科学合理，精度高，利用深度学习的神经网络判读图像具有随着判读数量的增加精度会越来越高，同时多元线性回归模型的显著水平和置信度也会进一步提升。

技术领域

本发明属于刑侦技术领域，具体涉及基于足底压力的身高估算方法。

背景技术

利用案发现场的足迹来推测犯罪嫌疑人的身高是刑侦技术领域的重要任务之一，法医人类学已经证明人的身高和身体的一些特殊部位具有一定的关联性，比如手和脚、上肢和下肢，这为利用解剖学和数学思想通过足迹分析进行身高推测提供了理论基础。多年来，诸多专家在该领域的研究成果丰硕，具体的方法是，通过分析阐述足迹的局部特征测算值与身高的密切关系程度，建立达到显著性水平的多元线性回归模型，采集大量的人体正常行走状态下的足迹信息，针对足跖区和足跟区的6个特征点进行测量，提取足迹的局部特征值，利用T检验准则对采集数据进行异常值剔除，并将整理好之后的数据进行相关性分析和模型分析，得到在显著性达到要求水平下的回归参数，每一组参数对应了一个多元线性回归方程，并将方程作为足迹身高推算模型，大量的测试显示，该模型在测算20～35岁年龄段身高的准确率达到了95％以上，35～45岁年龄段的准确率为80％左右，45岁以上的准确率为75％左右。透过准确率的变化趋势，不难看出随着年龄的增长，人的身高会呈现出与足迹特征值非线性变化的趋势，这种趋势变化符合人体生长的自然规律，如此看来，这种推算模型的演化和迭代存在不容易突破的天花板，为了突破这个技术瓶颈，本发明尝试了一条全新的技术路线寻找突破口。

目前，所有的足迹估算身高都是利用测量赤足印或者袜印上的特征点之间的距离作为多元线性回归模型的自变量的输入值，再根据使用的模型进行身高估算，这里不免会产生两个疑问：一是现场足迹往往都是模糊重叠的残缺足迹，这给确定特征点的精确位置带来了诸多不确定因素，那么该怎么去除这些不确定因素的影响；二是足迹信息大多是以模糊的不规则曲面形式呈现，有没有一种工具能够通过对曲面的判读来获取更为精确的曲面参数信息，并且通过这些曲面信息对身高做更为精确的推算。带着这两个疑问，本发明进行了新的判读方式的尝试。

基于与通过足迹特征点测量值推算身高相同的理论基础，不难发现，人的足迹上的各个特征区域更能精确反映出与身高的关联性，当对足底图像进行灰度处理后，这些区域就会转化成不同灰度级别的同心圆区域，而每一个相同灰度级别的区域的外切边框的大小对应的正是人体足底的压力值，这些区域因足底骨骼结构的特性决定彼此之间是相对独立的变化区域，同时每一个区域单独又与身高之间形成了密切关系，这就为将这些足底特征区域的压力值作为多元线性回归模型的回归参数进行回归分析，从而估算身高提供了理论基础，而执行这样的操作，最关键的也是最难解决的技术问题就是该如何准确判读出足底压力特征区域的特征值；所幸的是，近年来随着人工智能的飞速发展和计算机超线程运算能力的大幅提升，特别是GCU在计算领域的跨越式发展，将具有深度学习能力的人工智能神经网络算法引入对足底压力特征区域的智能判读，从而解决足底压力值不易提取的技术问题提供了技术支持，这也代表了本领域的未来发展方向。

发明内容

本发明的目的是：将具有深度学习能力的人工智能神经网络算法引入对足底压力特征区域的判读，提取足底特征区域压力值参数，通过足底特征区域压力值与身高的多元线性回归模型的分析，估算身高。

具体而言，本发明提供一种基于足底压力的身高估算方法，所述身高估算方法包括以下步骤：

步骤1.采集足底压力图像样本并进行预处理；

步骤2.建立并训练神经网络模型；

步骤3.将预处理的图像样本输入训练好的神经网络模型，计算得出足底压力特征值；