[發明專利]基于卷積神經網絡的足跡識別及信息挖掘方法及系統

有效

• 申請號: 201811632164.0
• 申請日: 2018-12-28
• 公開（公告）號: CN111382629B
• 公開（公告）日: 2021-03-05
• 發明（設計）人: 張亞坤;李衛軍;張麗萍;寧欣;路亞旋
• 申請（專利權）人: 中國科學院半導體研究所;中國科學院大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04
• 代理公司: 中科專利商標代理有限責任公司 11021
• 代理人: 任巖

1.一種基于卷積神經網絡的足跡識別及信息挖掘方法，其特征在于，包括：

建立并訓練預測模型，包括足跡識別模型和信息挖掘模型；

采集待測對象的足跡圖像及生物信息；

對所述足跡圖像進行預處理，得到圖像數據信息；

所述預處理得到的圖像數據信息輸入所述預測模型進行特征提取，得到預測生物信息；

顯示所述預測生物信息；

其中，所述預測生物信息為根據所述足跡圖像預測的生物信息，所述預測生物信息包括身高、體重、年齡、性別和身份信息；

其中，所述預測模型為具有方向和尺度信息的卷積層構成的卷積神經網絡，所述卷積神經網絡中具有方向和尺度信息的卷積層中的卷積模板是具有方向和尺度的函數，包括Gabor函數，所述Gabor函數為：

其中，x代表橫坐標，y代表縱坐標，λ代表Gabor函數的尺度信息，θ代表Gabor函數的方向信息，ψ代表相位，σ代表高斯包路線的標準差，γ代表空間長寬比，且x′＝x cosθ+y sinθ；y′＝-x sinθ+y cosθ，在Gabor卷積中，Gabor函數的參數θ和參數λ通過如下方式進行學習更新：

其中，L是損失函數，α是學習率。

2.根據權利要求1所述的基于卷積神經網絡的足跡識別及信息挖掘方法，其特征在于，所述卷積神經網絡中具有方向和尺度的函數還包括高斯函數。

3.根據權利要求1所述的基于卷積神經網絡的足跡識別及信息挖掘方法，其特征在于，所述預處理包括：

對足跡圖像進行裁剪、壓縮和歸一化，所述歸一化為：

其中，x是輸入數據，mean是均值，std是方差，x₁是輸出數據。

4.根據權利要求1所述的基于卷積神經網絡的足跡識別及信息挖掘方法，其特征在于，顯示所述預測生物信息包括：

在本設備端直接顯示所述預測生物信息；

或通過無線網絡傳輸到其他設備端顯示所述預測生物信息。

5.一種基于卷積神經網絡的足跡識別及信息挖掘系統，其特征在于，包括：

采集模塊，包括壓力傳感器和攝像頭，采集待測對象的足跡圖像及生物信息；

預測模塊，利用足跡識別模型和信息挖掘模型對采集到的足跡圖像進行預處理及特征提取，得到待測對象的預測生物信息；

顯示模塊，顯示所述預測模塊得到的身份信息或預測的生物信息；以及

傳輸模塊，將所述預測模塊得到的身份信息或預測的生物信息傳輸至設備端顯示；

其中，所述預測生物信息為根據所述足跡圖像預測的生物信息，所述預測生物信息包括身高、體重、年齡、性別和身份信息；

其中，所述預測模型為具有方向和尺度信息的卷積層構成的卷積神經網絡，所述卷積神經網絡中具有方向和尺度信息的卷積層中的卷積模板是具有方向和尺度的函數，包括Gabor函數，所述Gabor函數為：

其中，x代表橫坐標，y代表縱坐標，λ代表Gabor函數的尺度信息，θ代表Gabor函數的方向信息，ψ代表相位，σ代表高斯包路線的標準差，γ代表空間長寬比，且x′＝x cosθ+y sinθ；y′＝-x sinθ+y cosθ，在Gabor卷積中，Gabor函數的參數θ和參數λ通過如下方式進行學習更新：

其中，L是損失函數，α是學習率。

6.根據權利要求5所述的基于卷積神經網絡的足跡識別及信息挖掘系統，其特征在于，所述預測模塊預置一預測模型，實現足跡識別和信息挖掘。

7.根據權利要求5所述的基于卷積神經網絡的足跡識別及信息挖掘系統，其特征在于，所述卷積神經網絡中具有方向和尺度的函數還包括高斯函數。