史力民 李 碩 趙悅岑

（中國刑事警察學(xué)院痕跡檢驗(yàn)技術(shù)系 遼寧 沈陽 110035）

1 引言

足跡是犯罪現(xiàn)場遺留率、提取率最高的痕跡之一，在確定偵查方向和范圍、刻畫嫌疑人特征、串并各類案件等方面具有明顯優(yōu)勢[1]。以足跡對犯罪嫌疑人性別進(jìn)行的分析一直以來都是基于以往總結(jié)的專家經(jīng)驗(yàn)知識，即利用男女性在行走過程中產(chǎn)生的赤足或鞋底結(jié)構(gòu)形態(tài)特征、步態(tài)特征以及磨損特征的不同進(jìn)行性別分析。對于穿鞋足跡的性別分析，往往根據(jù)鞋樣式種類、鞋底花紋特征的男女性差異即可做出分析判斷，而對于赤足足跡的性別分析，則是利用男女性赤足足型特征的差異來區(qū)分性別[2]。但隨著近些年女性罪犯增多，對于在人群中占較大比例的160cm～175cm身高段男女性，他們的赤足跡在長、寬等特征中易出現(xiàn)特征交叉，特征區(qū)分不明顯的情況，導(dǎo)致上述傳統(tǒng)的赤足跡性別分析方法在目前的實(shí)踐應(yīng)用中分析準(zhǔn)確率不高，分析效果不理想。

近年來，從圖像識別、語音識別到自然語言處理、無人駕駛等領(lǐng)域，各類優(yōu)秀的人工智能研究成果已紛紛落地應(yīng)用，象征著計(jì)算機(jī)技術(shù)步入大數(shù)據(jù)、大計(jì)算、大決策的人工智能信息技術(shù)新時(shí)代。這也給足跡分析領(lǐng)域帶來了一個(gè)全新的思路：利用深度學(xué)習(xí)[3]的方法對足跡圖像進(jìn)行自動(dòng)分析識別。深度學(xué)習(xí)是人工智能下機(jī)器學(xué)習(xí)中一種基于對數(shù)據(jù)進(jìn)行表征學(xué)習(xí)的方法，其不再需要人工對足跡特征進(jìn)行提取、分析和判斷，而是將特征提取過程、分析識別過程交由神經(jīng)網(wǎng)絡(luò)，擺脫了足跡分析過程對于以往專家經(jīng)驗(yàn)知識的依賴，更有效地提取已知特征和發(fā)現(xiàn)潛在特征，達(dá)到對足跡圖像完全自動(dòng)化的分析識別。

深度學(xué)習(xí)主要通過深層的神經(jīng)網(wǎng)絡(luò)來模擬人大腦的學(xué)習(xí)過程，每層的神經(jīng)元接收更底層神經(jīng)元的輸入，通過輸入與輸出之間的非線性關(guān)系，將低層特征組合成更高層的抽象表示，并發(fā)現(xiàn)觀測數(shù)據(jù)的分布式特征。它是一個(gè)自動(dòng)的無人工干預(yù)的過程，借鑒人腦的多層抽象機(jī)制來實(shí)現(xiàn)對顯示對象或數(shù)據(jù)（圖像、語音及文本等）的抽象表達(dá)，整合特征抽取和分類器到一個(gè)學(xué)習(xí)框架下，并利用分類器或者匹配算法對頂層的輸出單元進(jìn)行分類識別。

2 足跡性別自動(dòng)分析的卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)（CNN）是一種專門用來處理具有類似網(wǎng)格結(jié)構(gòu)數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)，例如可以看作二維像素網(wǎng)格的圖像數(shù)據(jù)。本文選擇深度學(xué)習(xí)Caffe平臺下的AlexNet卷積神經(jīng)網(wǎng)絡(luò)對赤足足跡圖像進(jìn)行性別自動(dòng)分析研究。Caffe意為快速特征嵌入的卷積結(jié)構(gòu)，由UC Berkeley BVLC實(shí)驗(yàn)室發(fā)布的深度學(xué)習(xí)開源工具，是目前使用最為廣泛的深度學(xué)習(xí)實(shí)驗(yàn)平臺之一。AlexNet是2012年ImageNet的冠軍網(wǎng)絡(luò)，它證明了CNN在復(fù)雜模型下的有效性，大幅提高了卷積神經(jīng)網(wǎng)絡(luò)在圖像識別方面的準(zhǔn)確性，推動(dòng)了有監(jiān)督深度學(xué)習(xí)的發(fā)展，是以后各種卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)，有著大網(wǎng)絡(luò)、速度快和防止過擬合的優(yōu)點(diǎn)[5]。

AlexNet網(wǎng)絡(luò)包括5個(gè)卷積層和3個(gè)全連接層，其中每一層又具有不同功能的子層。從總體看該模型的8層結(jié)構(gòu)，其中輸入層不包括在內(nèi)，layer1～layer5是卷積層，layer6～Output為全連接層，最后的一個(gè)輸出層也是全連接層，且能看作1000維輸出的softmax分類器，最后的優(yōu)化目標(biāo)是最大化平均的多項(xiàng)logistic回歸[5]。每一個(gè)卷積層以及全連接層后緊跟的操作是 ReLU操作；Max pooling最大池化操作是緊跟在第一個(gè)norm1，norm2，以及conv5層；Dropout操作是在最后兩個(gè)全連接層。AlexNet網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

圖1 AlexNet網(wǎng)絡(luò)結(jié)構(gòu)圖

3 材料與方法

3.1 主要儀器與設(shè)備

本實(shí)驗(yàn)的數(shù)據(jù)采集工作主要使用中國刑警學(xué)院足跡實(shí)驗(yàn)室恒銳成趟足跡采集儀，該儀器實(shí)現(xiàn)了大幅面（4.8m×0.6m）、高精度的成趟足跡采集工作，利用了數(shù)字圖像技術(shù)重現(xiàn)現(xiàn)場足跡以及形象增強(qiáng)技術(shù)實(shí)現(xiàn)足跡特征及隱含信息的形象顯現(xiàn)。采集完成后生成以黑底為背景的足跡圖像，圖像信息豐富，清晰易處理。

3.2 數(shù)據(jù)采集與處理

實(shí)驗(yàn)采集了中國刑事警察學(xué)院共112位本科生、研究生及干訓(xùn)學(xué)員正常行走下的成趟赤足電子捺印樣本每人6幅，共672幅。

采集完成后利用MATLAB軟件將成趟赤足圖像分割成單枚赤足圖像，等比例縮放并填補(bǔ)空缺部位后，得到如圖2所示的256×256像素統(tǒng)一大小的jpg格式單枚赤足圖像。所有圖像處理完畢后，篩選掉部分重疊足跡、殘缺足跡，共得單枚赤足圖像2712幅，其中男性62人，共1457幅，女性50人，共1255幅，單人赤足圖像均在24幅以上。

圖2 圖像處理后所得單枚赤足圖像

3.3 數(shù)據(jù)分組

訓(xùn)練組樣本與測試組樣本按7:3的數(shù)量比例在樣本庫中隨機(jī)挑選，選取42位男性、35位女性的所有圖像樣本作為訓(xùn)練組數(shù)據(jù)，其余20位男性、15位女性的所有圖像樣本作為測試組數(shù)據(jù)，保證訓(xùn)練組與測試組沒有個(gè)體上的交集。重復(fù)以上隨機(jī)過程10次，產(chǎn)生10組不同數(shù)據(jù)集用于實(shí)驗(yàn)。

3.4 實(shí)驗(yàn)方法

本實(shí)驗(yàn)在windows環(huán)境下采用CPU運(yùn)行，為了在實(shí)驗(yàn)中得到更多的訓(xùn)練數(shù)據(jù)，所有的圖像均被左右翻轉(zhuǎn)以便將數(shù)據(jù)集加倍。本實(shí)驗(yàn)對實(shí)驗(yàn)圖像采取有監(jiān)督的學(xué)習(xí)方法[6]，實(shí)驗(yàn)前對訓(xùn)練組與測試組男女性實(shí)驗(yàn)圖像全部進(jìn)行分類標(biāo)記，男性圖像樣本標(biāo)記為0，女性圖像樣本標(biāo)記為1，并對所有實(shí)驗(yàn)圖像進(jìn)行全局對比度歸一化。實(shí)驗(yàn)過程中不斷使用訓(xùn)練組樣本進(jìn)行分析模型的訓(xùn)練，并用已標(biāo)記好的測試組樣本對訓(xùn)練模型進(jìn)行性別分析測試，得到分析準(zhǔn)確率；通過誤差反向傳播和梯度下降算法，不斷迭代更新權(quán)重和偏置，當(dāng)達(dá)到設(shè)定的迭代次數(shù)后，得到最終的分析模型及模型分析準(zhǔn)確率。

為了在實(shí)驗(yàn)中對AlexNet網(wǎng)絡(luò)設(shè)置合適的網(wǎng)絡(luò)參數(shù)，實(shí)驗(yàn)前隨機(jī)選取一組數(shù)據(jù)集進(jìn)行預(yù)實(shí)驗(yàn)，不斷調(diào)整網(wǎng)絡(luò)參數(shù)以優(yōu)化實(shí)驗(yàn)結(jié)果，最終將預(yù)實(shí)驗(yàn)最優(yōu)結(jié)果的網(wǎng)絡(luò)參數(shù)值確定為本次實(shí)驗(yàn)的網(wǎng)絡(luò)參數(shù)，詳細(xì)參數(shù)設(shè)置如表所示。神經(jīng)網(wǎng)絡(luò)的測試間隔為200次迭代，即每進(jìn)行200次迭代訓(xùn)練后利用測試組對模型準(zhǔn)確率進(jìn)行一次測試，訓(xùn)練的基礎(chǔ)學(xué)習(xí)率為0.001，學(xué)習(xí)策略為步進(jìn)，每迭代1000次學(xué)習(xí)率下降0.5倍，最大迭代次數(shù)為6000次，神經(jīng)網(wǎng)絡(luò)參數(shù)優(yōu)化算法為隨機(jī)梯度下降，輸入的圖像分批次處理，訓(xùn)練圖像每批次處理的圖像數(shù)量為64幅，測試圖像每批次處理的圖像數(shù)量為32幅。

表 實(shí)驗(yàn)所用AlexNet網(wǎng)絡(luò)參數(shù)設(shè)置

4 結(jié)果與討論

10組數(shù)據(jù)集實(shí)驗(yàn)結(jié)果如圖3所示，其中x軸代表迭代次數(shù)，雙y軸分別代表訓(xùn)練模型準(zhǔn)確率與損失函數(shù)值，10對同顏色折線分別代表每組數(shù)據(jù)集隨迭代次數(shù)的增加準(zhǔn)確率與損失值的變化曲線。從圖中可以看出，隨著迭代次數(shù)增加，各數(shù)據(jù)集網(wǎng)絡(luò)模型迅速收斂，分析準(zhǔn)確率迅速提升并伴隨著損失值的降低，網(wǎng)絡(luò)在2000次迭代后趨于穩(wěn)定。10組數(shù)據(jù)集訓(xùn)練所得最終性別分析模型平均準(zhǔn)確率為92.2%，其中準(zhǔn)確率最高的分析模型為95.5%，最低的為87.3%。在損失函數(shù)方面，10組數(shù)據(jù)集最終訓(xùn)練模型損失值相較于訓(xùn)練之前，損失值平均降低0.49，其中最低損失值達(dá)到0.15。

5 結(jié)論

本文以二分類的性別分析作為開端，對深度學(xué)習(xí)方法在足跡分析領(lǐng)域的應(yīng)用進(jìn)行了研究嘗試：應(yīng)用卷積神經(jīng)網(wǎng)絡(luò)AlexNet對赤足圖像進(jìn)行訓(xùn)練、測試，各數(shù)據(jù)集訓(xùn)練所得最終性別分析模型的平均準(zhǔn)確率為92.2%，最高可達(dá)95.5%，準(zhǔn)確率高于人工性別分析準(zhǔn)確率。實(shí)驗(yàn)表明，深度學(xué)習(xí)方法在赤足跡性別分析領(lǐng)域可以較好地應(yīng)用。在今后的實(shí)際案件和研究實(shí)驗(yàn)中，均可利用實(shí)驗(yàn)所得模型對新收集的赤足跡圖像進(jìn)行性別自動(dòng)分析工作，避免人工特征提取與分析過程，有利于提高工作效率和進(jìn)一步提升赤足跡性別分析準(zhǔn)確率，從而為分析犯罪嫌疑人人身特點(diǎn)提供更有力的依據(jù)。

圖3 各數(shù)據(jù)集實(shí)驗(yàn)數(shù)據(jù)折線圖

本文的實(shí)驗(yàn)成果為下一步利用深度學(xué)習(xí)方法對案件現(xiàn)場赤足跡的性別分析研究奠定了實(shí)驗(yàn)基礎(chǔ)，同時(shí)也為下階段對身高、體態(tài)、年齡等其他人身特點(diǎn)的分析、足跡的人身識別等方面的研究做了實(shí)驗(yàn)準(zhǔn)備。另外，本文的研究工作還存在著模型訓(xùn)練時(shí)間較長、實(shí)驗(yàn)圖像樣本比例不均衡、個(gè)別實(shí)驗(yàn)參數(shù)有待優(yōu)化等問題，在接下來的研究工作中還有待提高。