基于多级融合分布图网络的赤足压力足迹分类方法研究

作     者：高梓健 

作者单位：安徽大学 

学位级别：硕士

导师姓名：王年;张艳;王亮

授予年度：2022年

学科分类：08[工学] 080203[工学-机械设计及理论] 0802[工学-机械工程] 

主      题：足迹分类 小样本学习 图网络 分布模块 多级融合 不完整足迹 

摘      要：随着生物特征识别技术的发展,人们需要更独特、更方便和更友好的识别技术,压力足迹特征因其稳定性和独特性使其成为一种较新的生物特征。压力足迹分布可以反映着个体的身高等生理特征,在公共安全领域、刑侦领域有着广泛应用。传统足迹特征提取方法主要依赖足迹专家的经验知识,但因相关专家的水平和操作方法不同,对提取的足迹特征存在主观性。目前,国内外足迹专家引入深度学习研究足迹分类问题,但同一对象的压力足迹数据样本较少,在数据层面上存在压力足迹数据样本有限和深度学习训练需要较大规模数据的矛盾。本文通过小样本学习策略建立足迹元知识,学习大量的任务分布,并利用图网络建立足迹样本关系表示,针对足迹样本少,在多次图结构更新后,提高模型对新任务的泛化能力,从而将带标签样本信息传递给未带标签样本,实现压力足迹分类。主要研究内容如下:(1)构建了赤足压力足迹数据集和不完整压力足迹数据集。依托足迹感知与分析实验室,依据严格的采集流程采集了137人的赤足压力足迹数据,为获得高质量足迹数据,提出了扫描定位去噪法,在只保留足迹区域的前提下滤除微小噪点。不完整压力足迹数据集基于赤足压力足迹数据集采用自动区域划分算法构建,按照前脚掌:足弓区:后脚跟为3:1:2,划分出前脚掌压力图像和后脚跟压力图像,并构建不完整压力足迹数据集。(2)给出了基于融合分布图网络的赤足压力足迹分类算法。该算法首先通过嵌入模块提取赤足压力足迹图像的卷积特征,并采用范数正则化方法得到样本相关性矩阵,再将样本间与标签one-hot向量构成融合相关性矩阵,通过自注意模块增加特征信息,由分布模块得到新的特征分布图,构建标记样本和未标记样本间的关联矩阵,最后将赤足压力足迹图像的卷积特征和特征分布图作为更新模块的输入,实现赤足压力足迹分类。实验表明,在小样本公共数据集和赤足压力足迹数据集上,该算法都取得了较好的分类效果,其中在Mini-Image Net、Tiered-Image Net数据集上的5-way1-shot实验结果分别达到71.71%和74.34%,在赤足压力左右足数据集上5-way1-shot和5-way5-shot的实验结果分别达到88.87%和98.66%。(3)给出了基于多级融合图网络的不完整压力足迹分类算法。该算法首先将前脚掌压力图像和后脚跟压力图像经过嵌入模块,采用范数正则化得到各足迹样本间相关矩阵,相关矩阵融合标签one-hot向量,基于多分支多层级更新模块进行聚合更新,不同层级含有不同信息的全局特征和局部特征,根据权重矩阵更新图结构,最后将两子图融合并实现不完整压力足迹分类。实验结果表明,本文算法有效的融合了不同层级间的特征信息,在不完整压力足迹数据集取得了较好的分类结果,其中在左右足不完整压力足迹数据集上的5-way1-shot实验结果达到了94.61%。