基于深度学习的鞋印生物属性识别方法研究

作     者：单嘉旺 

作者单位：吉林大学 

学位级别：硕士

导师姓名：周柚

授予年度：2024年

学科分类：030604[法学-侦查学] 12[管理学] 03[法学] 08[工学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 080203[工学-机械设计及理论] 0838[工学-公安技术] 0802[工学-机械工程] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 0306[法学-公安学] 030609[法学-涉外警务学] 

主      题：鞋印 生物属性预测 深度学习 特征提取 注意力机制 

摘      要：鞋印是足迹中最重要的一类,是由人类自身重力或肌肉组织在运动中,鞋与地面等承受客体间相互摩擦产生的痕迹。足迹是人体固有的生物属性,具有唯一性、持久性和稳定性的优点,可以作为个体身份特征识别的一项指标与依据,是刑侦领域重要的关键物证,可以有效缩小犯罪嫌疑人的排查范围,对案件侦破起着重要的辅助作用。然而,传统的鞋印生物属性预测问题需要依赖刑侦人员专业的知识与大量的经验、存在着实际操作门槛较高、主观性强、误差大、难以大规模推广与应用的问题。随着深度学习和鞋印采集硬件设备的飞速发展,通过深度学习的方法对鞋印图片开展性别、年龄等生物属性预测成为可能。针对上述问题,本文采用深度学习技术对鞋印性别和年龄生物属性预测问题展开研究。针对性别预测任务,本文提出了基于自注意力机制的双分支结构模型Trans Shoe Net。针对年龄预测任务,本文提出了轻量级的单分支结构模型Efficient Shoe Net。本文具体完成工作如下。 (1)本文以课题组收集到的10万张鞋印图片分布构建了性别属性预测数据集SFGP和年龄属性预测数据集SFAP,以解决该领域国内缺少大型公开数据集的问题。本文通过数据增强技术平衡男女性别比例,以减少数据不均衡导致的长尾效应的影响,构建了包含49710张双足鞋印图片的SFGP数据集。SFAP数据集包含42890张双足鞋印图像,每张图像都标记了唯一的整数年龄标签,范围为7到80岁,以确保数据的准确性和唯一性。 (2)本文提出了基于鞋印的性别预测模型Trans Shoe Net。Trans Shoe Net模型采用双分支的网络结构,通过Transformer编码器和SA形状注意力模块分别提取鞋印图像长距离语义特征和全局空间特征,并利用特征融合模块聚合这些特征。通过这样的设计,Trans Shoe Net能够有效地捕获鞋印图片中长距离依赖、上下文内容,以及鞋印形状对性别影响的先验信息。实验结果表明Trans Shoe Net在SFGP数据集上取得了92.24%的准确率,相较于Vi T,性别预测准确率提高了0.9%。同时,消融实验也证明了特征提取模块、形状注意力模块和特征融合模块设计的有效性。 (3)本文提出了基于鞋印的年龄预测模型Efficient Shoe Net。Efficient Shoe Net模型利用由分组形状注意力卷积块堆叠组成的特征提取模块来提取通道维度中鞋印长宽特征与年龄关系的先验信息。针对SFAP数据集中年龄分布不均衡的问题,Efficient Shoe Net引入了特征平滑模块。该模块通过核密度函数和特征重采样方法对网络提取到的特征进行平滑操作,从而有效减轻了年龄分布不均衡造成长尾效应的影响。实验结果表明Efficient Shoe Net在SFAP数据集上年龄预测误差在五年内准确率达到41.6%,绝对误差为7.919岁,相较于Shoe Net准确率提高了1.5%。同时,消融实验也验证了本文提出的分组形状注意力卷积块和特征平滑模块设计对于鞋印年龄预测任务的有效性。