[發明專利]一種基于深度學習的鞋樣及足跡關鍵點檢測方法

有效

• 申請號: 201810870908.6
• 申請日: 2018-08-02
• 公開（公告）號: CN109101983B
• 公開（公告）日: 2020-10-30
• 發明（設計）人: 孫晰銳;于昕曄;李岱熹;崔均健;趙曉蕊
• 申請（專利權）人: 大連恒銳科技股份有限公司
• 主分類號: G06K9/46
• 分類號: G06K9/46;G06K9/62;G06T7/11;G06T7/62;G06F16/58
• 代理公司: 大連智高專利事務所(特殊普通合伙) 21235
• 代理人: 蓋小靜

1.一種基于深度學習的鞋樣及足跡關鍵點檢測方法，其特征在于，包括：

S1.獲得鞋樣/足跡數據庫；

S2.設定網絡模型；

S3.計算損失函數：提出基于鞋底/足跡輪廓的損失函數；

S4.訓練網絡模型：采用部分網絡結構調整的遷移學習模式進行訓練；

S5.將圖像輸入已訓練好的網絡模型中，輸出的結果坐標標記在原圖上；

步驟S2中設定網絡模型，該網絡模型為殘差網絡模塊結合增強網絡模塊實現，殘差網絡模塊在淺層網絡中加入恒等映射層，網絡模型的構建流程為：

S2-1確定網絡輸入的張量；

S2-2開始構建網絡，建立補零層，將張量輸出邊界補充0，得到的張量定義為卷積1補零層；

S2-3將卷積1補零層進行64個卷積運算，卷積核7*7,得到的張量定義為卷積層1；

S2-4將卷積層1進行規范化，得到規范化卷積層1；

S2-5將規范化卷積層1進行規范化的后續層運算，得到后續卷積層1；

S2-6將后續卷積層1用激活函數激活，得到卷積1激活層；

S2-7將卷積1激活層進行最大值池化計算，得到池化層1；

S2-8將池化層1進行殘差網絡的卷積模塊計算，輸出張量大小是池化層1的1/4，命名為卷積模塊a1；

S2-9將卷積模塊a1進行殘差網絡的恒等殘差模塊計算，輸出張量的大小與卷積模塊a1相同，命名為卷積模塊b2、卷積模塊c2；

S2-10卷積模塊c2進行卷積模塊計算，命名為卷積模塊a3；

S2-11進行7次恒等殘差模塊計算，輸出為卷積模塊b3-7；

S2-12進行一次卷積模塊計算，輸出張量大小為卷積模塊b3-7的1/4，命名卷積模塊a4；

S2-13進行35次恒等殘差模塊計算，提取深度特征信息，輸出卷積模塊b4-35；

S2-14進行一次卷積模塊和兩次恒等殘差模塊計算，輸出卷積模塊a5-c；

S2-15進行兩次增強計算，輸出特征與輸入特征一致,輸出增強模塊a6-a；

S2-16進行平均池化和全連接輸出，輸出為關鍵點的歸一化坐標。

2.根據權利要求1所述一種基于深度學習的鞋樣及足跡關鍵點檢測方法，其特征在于，本申請還包括：S6.評價結果指標的步驟，包括：左右腳判定、主方向判定、有效面積比值和誤差率。

3.根據權利要求1所述一種基于深度學習的鞋樣及足跡關鍵點檢測方法，其特征在于：步驟S1中獲得鞋樣圖片后，使用人工標定方式標注關鍵點，生成鞋樣數據集；足跡數據集包括現場足跡數據和嫌疑人足跡樣本數據。

4.根據權利要求1或3所述一種基于深度學習的鞋樣及足跡關鍵點檢測方法，其特征在于，步驟S1中最終形成的數據庫格式為：

DataSet：{image：[圖像1，圖像2，圖像3，…，圖像n]

label：[人工標定點1,人工標定點2,…,人工標定點n]}

所述圖像n:格式為大小等于224*224*3的uint8形式的矩陣；

人工標定點n:格式為[上點坐標x，上點坐標y，下點坐標x，下點坐標y，內點坐標x，內點坐標y，外點坐標x，外點坐標y]。