支持向量机在不同性别人群足底压力分析识别中应用.docVIP

支持向量机在不同性别人群足底压力分析识别中应用 　　摘 要：研究不同性别人群足底压力分布对性别进行分析识别，利用足底压力步态分析系统对20名男性和20名女性正常行走的足底压力分布数据进行测量，提取足底各区压强峰值特征，使用支持向量机对不同性别人群的足底压强峰值进行训练并进行验证。结果表明：利用支持向量机对左足、右足及左右足的足底压强峰值特征建立的数学模型对性别具有较好的分析识别能力，识别正确率在80%以上，为利用犯罪嫌疑人足迹所反映的步态特征分析性别提供了实验依据。 　　关键词：支持向量机 性别 足底压强 识别 　　中图分类号：TB391.4 文献标识码：A 文章编号：1672-3791（2017）08（c）-0248-03 　　足迹作为犯罪现场出现率较高的一类痕迹物证，在分析犯罪嫌疑人人身特点中发挥了重要作用。由于不同性别人群在身体结构和运动机能方面的差异从而导致其足迹中反映的步态特征具有各自的特点，从而为利用足迹分析犯罪嫌疑人性别提供了依据[1]。当前科研工作者除了利用传统的足迹学理论对不同性别人群的步态特征进行了研究外，还使用大量足底压力测量系统对不同性别人群行走留下的足底压力分布进行了测量研究，并发现了不同性别人群行走留下足底压力分布差异[2-5]。本文基于不同性别人群在身体结构、运动机能方面的差异，通过Footscan足底压力步态分析系统采集不同性别人群的足底压力分布数据，利用支持向量机进行训练，并使用交叉验证的方法对不同性别人群的足底压力分布数据进行分析识别，为利用足迹分析性别提供实验依据，丰富足迹学的理论基础，为刑事案件侦查提供强有力的线索。 　　1 支持向量机的原理 　　支持向量机简称SVM，是90年代中期发展起来的基于统计学理论的一种机器学习方法，通过寻求结构化风险最小来提高学习机泛化能力，实现经验风险和置信范围的最小化，从而达到在统计样本量较少的情况下，亦能获得良好统计规律的目的。 　　支持向量机分为线性可分支持向量机、线性不可分支持向量机和非线性支持向量机。在不同性别人群足底压力的分析识别中，足底压力特征与性别之间存在比较复杂的非线性映射关系，在此本文主要详细介绍非线性支持向量机的问题。对于线性不可分情况，SVM的主要思想是将输入向量映射到一个高维的特征向量空间，并在该特征空间中构造最优分类超平面。 　　假设有训练样本集（xi，yi），（i =1，2，…，l），x∈Rn，y∈{ ±1}是类别标号，超平面方程为： 　　g（x） =ωxi+b =0 （1） 　　在约束条件上加入一个非负的松弛变量ξi，这时最大间隔超平面成为广义最优分类超平面，对应的优化问题转变为： 　　min1/2（ω?ω） +C∑ξi 　　s.t yi（ω?xi +b） ≥1 -ξi，其中ξi ≥0，i =1，…，n （2） 　　式中，ω∈Rn是超平面的法向量，b是阈值，ξi是引入的松弛变量，C0是惩罚因子。采用拉格朗日乘子方法和技巧，进而求得优化问题（2）的对偶规划为： 　　max∑ai1/2∑∑aiajyiyjK（xixj） 　　s.t∑aiyi=0，0≤ai≤C，i=1，…，n （3） 　　式中，ai是拉格朗日乘子，K（xi，xj）是满足Mercer条件的核函数。SVM的决策函数可以表示为： 　　f（x）=sgn[aiK（xi，xj）+b] 　　式中，sgn表示二值函数，值为{-1，+1}。 　　2 应用实例 　　2.1 实验对象 　　选取体态匀称，年龄在22～26岁，无足部疾病史，行走运动正常的受试对象40名，其中男性20名、女性20名。 　　2.2 实验方法 　　本实验仪器采用比利时RSscan公司研发的Footscan足底压力步态分析系统，在受试对象完全熟悉实验环境和实验过程后，让受试对象赤足正常行走状态下走过足底压力步态分析系统2m长，0.4m宽的测试平板，从而获得至少一个左足一个右足的足底压力图像和相关足底压力分布数据，以此让每名受试对象重复行走3次有效数据并记录性别。 　　2.3 数据处理 　　为了对不同性别人的足底压力进行分析识别，利用Footscan足底压力步态分析系统对采集的足底压力分布图像进行自动分区，将足底分为第1趾区（T1）、第2-5趾区（T2-5）、第1跖区（M1）、第2跖区（M2）、第3跖区（M3）、第4跖区（M4）、第5跖?^（M5）、足弓区（MF）、跟内侧区（HM）、跟外侧区（HL）等10个区域（见图1），并将每个人3次的左右足底各区峰值压强数据导出求平均后输入到SPSS Modeler 15.0软件中建立左足、右足和左右足的SVM模型并验证。 　　2.4 构建和验证SVM模型 　　将Footscan足底压力步态分析系统对采集的足底压强数据导出并将