[发明专利]一种基于SVM+CNN的足底压力图像的识别方法

说明书

本发明提供一种基于SVM+CNN的足底压力图像的识别方法。该方法包括以下步骤：首先，对足底压力图像进行滤波，构建足底压力图像数据集；其次，分别提取特征，包括提取具有明确特征意义的特征和利用卷积神经网络CNN提取的图像特征；然后，将具有明确特征意义的特征和利用CNN提取的图像特征进行融合，经归一化后得到特征数据集；最后，足底压力图像的识别，将特征数据集送入支持向量机SVM进行训练、测试，得到结果。该方法避免了因图像不清楚而导致的特征提取困难等问题，从而提高了方法的鲁棒性。

技术领域

本发明涉及一种基于SVM+CNN的足底压力图像的识别方法，特别是关于一种足底压力图像的识别方法。

背景技术

随着技术的成熟，指纹、人脸、虹膜、DNA等生物识别技术得到了越来越多的应用，不管是在金融支付等领域，还是刑侦和安全等领域，均能见着它们的身影。但这些生物识别技术属于近距离身份识别技术，需要参与者密切配合才能完成。这不仅容易引起人权纠纷，在人流量大的地方使用，比如进入候车厅等，身份认证效率慢，容易造成候车人员拥挤，发生踩踏等事故。足迹识别是一种独特的远距离身份识别技术，足迹信息可以在采集对象不经意间就被采集，也就是说当人在行走时就完成了身份认证，而不需要特意腾出一只手来去采集指纹和伸出头来去刷脸或者虹膜等。

足迹识别是通过人行走时在承痕体上留下的足迹对身份进行识别。当前的足迹识别方法大都是在捺印、墨迹图像等基础上研究的。这些方法的识别准确率受图像的质量影响较大，对于质量较差的图像，特征提取困难，容易造成错误识别的情况，降低方法的鲁棒性。

发明内容

基于背景技术存在的一些问题，本发明提出一种针对足底压力图像的识别方法。

本发明提出的一种基于SVM+CNN的足底压力图像的识别方法，包括以下步骤：

step_1:读取足底压力图像，并进行滤波，构建足底压力图像数据集；

step_2:构建卷积神经网络CNN，将数据带入，进行训练，并保存训练好的模型；

step_3:将数据带入训练好的模型，得到该CNN模型提取的特征向量；

step_4:提取具有明确特征意义的足底压力图像的特征；

step_5:将step_3、step_4分别提取到的特征进行融合，并进行归一化，得到足底压力图像的特征数据集，并按照80％、20％的比例制作训练集和测试集；

step_6:将训练集的特征数据送入到SVM进行训练，得到SVM模型；

step_7:将测试集的特征数据送入到训练好的SVM模型中，进行预测，得到预测结果。

优选地，对图像进行滤波时选择8连通区域滤波法，该方法在滤除足底压力图像的噪声点的同时，不会改变除噪声点外的压力值，极大的保留了压力图像的压力分布。具体包括以下步骤：首先按照8连通区域寻找压力图像的连通区域r，然后计算各个连通区域中的压力点的个数S_r，最后设定阈值t，当S_r≤t时，该认为连通区域中的压力点为噪声点。

优选地，其卷积神经网络CNN的模型结构包含4个交替的卷积层和池化层，1个全连接层。第一个卷积层的过滤器大小为Conv5*5*32，第二个卷积层的过滤器大小为Conv3*3*128，第三个卷积层的过滤器大小为Conv3*3*256，第四个卷积层的过滤器大小为Conv3*3*512，4个池化层的过滤器均为Maxpool2*2，全连接层输出1024维特征向量，输出层采用softmax函数，以交叉熵作为优化目标。