本发明涉及计算机视觉，尤其涉及一种足迹识别方法、设备及存储介质。
背景技术：
1、足迹识别技术在当今复杂犯罪场景下面临着诸多限制和挑战。传统的足迹识别方法受限于单一足迹图像提供的信息有限，而且其很容易受到环境因素的干扰。例如光线、视角和尺度变化等因素都会导致获取到的图像特征不稳定性，进而导致误判。
2、近年来，基于深度学习的足迹识别方法显著提升了识别的准确性和鲁棒性，成为当前的主流方法之一。然而，基于深度学习的足迹识别方法仍然存在很多缺陷。比如，现有的基于深度学习的足迹识别方法往往倾向于将整张足迹图像作为输入，以基于全局图像信息来进行足迹识别。这往往会导致深度学习模型的局部信息提取能力不足。特别是在复杂犯罪现场的应用中，现有的足迹识别方法通常会因缺少局部特征信息而导致识别不准。同时，传统的深度学习模型也无法敏锐感知环境因素的干扰，进一步影响识别的一致性和准确性。因此，如何提高足迹识别的准确性成为亟需解决的问题。
技术实现思路
1、有鉴于此，本发明提出了一种足迹识别方法、设备及存储介质。首先，利用浅层特征提取模型对待识别足迹图像进行浅层图像特征提取。然后利用深层特征提取模型获取待识别足迹图像的全足深层特征和局部深层特征。最后对浅层图像特征、全足深层特征以及局部深层特征进行特征融合，利用融合特征来进行足迹识别。这样，可以有效整合不同层次、不同部位的特征信息，以提高复杂环境下足迹识别的稳健性和准确性。
2、本发明第一方面提供了一种足迹识别方法，该足迹识别方法包括：
3、获取待识别足迹图像；
4、利用浅层特征提取模型对待识别足迹图像进行特征提取，以获得待识别足迹图像对应的浅层图像特征；其中，浅层特征提取模型利用n层卷积层对待识别足迹图像进行卷积运算；n为大于等于1的正整数；
5、将浅层图像特征输入至深层特征提取模型中，以获得待识别足迹图像对应的全足深层特征和k个局部深层特征；其中，深层特征提取模型包括第一特征提取模块和k个第二特征提取模块；第一特征提取模块用于根据浅层图像特征确定全足深层特征；k个第二特征提取模块中的任意一个特征提取模块用于根据一个局部图像特征确定一个局部深层特征；局部图像特征由浅层图像特征分割得到；k为大于等于1的正整数；
6、对浅层图像特征、全足深层特征和k个局部深层特征进行特征融合，以获得融合特征；
7、根据融合特征对待识别足迹图像进行足迹识别。
8、在一个可选的实施方式中，浅层特征提取模型包括依次连接的第一卷积层、第二卷积层和第三卷积层；其中：
9、第一卷积层用于输入待识别足迹图像，且输出第一图像特征；第一卷积层包括第一卷积子层、第二卷积子层和池化子层；第一卷积子层和第二卷积子层的步长不同；池化子层用于对第一卷积子层和第二卷积子层的输出结果进行下采样，以获得第一图像特征；
10、第二卷积层用于输入第一图像特征，且输出第二图像特征；第二卷积层包括多组第一边缘注意残差模块；
11、第三卷积层用于输入第二图像特征，且输出浅层图像特征；第三卷积层包括多组第一边缘注意残差模块和第二边缘注意残差模块；第一边缘注意残差模块和第二边缘注意残差模块的分辨率不同。
12、在一个可选的实施方式中，第一边缘注意残差模块包括第三卷积子层、第四卷积子层、第五卷积子层、连接子层和第六卷积子层；第一边缘注意残差模块用于：
13、获取输入特征；
14、通过第三卷积子层对输入特征进行卷积运算；第三卷积子层的步长为1，第三卷积子层的卷积核大小为1×1；
15、在通道维度上对第三卷积子层的输出结果进行分组，并将分组后的第三卷积子层的输出结果分别输入至第四卷积子层和第五卷积子层；第四卷积子层用于进行卷积运算，第四卷积子层的步长为1且第四卷积子层的卷积核大小为3×3；第五卷积子层用于进行差分卷积运算，第五卷积子层的步长为1且第五卷积子层的卷积核大小为3×3；
16、利用连接子层对第四卷积子层和第五卷积子层的输出结果进行融合；
17、利用第六卷积子层对连接子层输出的融合结果进行运算；第六卷积子层的步长为1且第六卷积子层的卷积核大小为1×1；
18、将第六卷积子层的输出结果和输入特征进行加权运算，以获得第一边缘注意残差模块的输出结果。
19、在一个可选的实施方式中，k等于2；该方法还包括：
20、将浅层图像特征分割为前足图像特征和后足图像特征；
21、将前足图像特征和后足图像特征分别输入两个第二特征提取模块中，以获得前足图像特征对应的前足深层特征和后足图像特征对应的后足深层特征；
22、对浅层图像特征、全足深层特征、k个局部深层特征进行特征融合，以获得融合特征，包括：
23、对浅层图像特征、全足深层特征、前足深层特征和后足深层特征进行特征融合，以获得融合特征。
24、在一个可选的实施方式中，第一特征提取模块和第二特征提取模块均包括m层卷积层；m层卷积层包括依次连接的第四卷积层和第五卷积层；m为大于等于2的正整数。其中，第四卷积层包括至少一组第一边缘注意残差模块和至少一组第二边缘注意残差模块；第五卷积层包括多组第一边缘注意残差模块。
25、在一个可选的实施方式中，在对浅层图像特征、全足深层特征、前足深层特征和后足深层特征进行特征融合之前，该方法还包括：
26、对浅层图像特征、全足深层特征、前足深层特征和后足深层特征分别进行维度和尺寸调整，以使得浅层图像特征、全足深层特征、前足深层特征和后足深层特征的维度和尺寸相同。
27、在一个可选的实施方式中，该方法该还包括：
28、对待识别足迹图像进行图像预处理；图像预处理包括图像灰度调整处理、图像背景分离处理、图像数据增强处理和图像缩放处理中的一种或者多种的组合。
29、在一个可选的实施方式中，对浅层图像特征、全足深层特征和k个局部深层特征进行特征融合，以获得融合特征，包括：
30、利用融合模型对浅层图像特征、全足深层特征和k个局部深层特征进行特征融合；其中，融合模型包括依次连接的卷积模块、空间注意力模块和通道注意力模块；卷积模块用于对浅层图像特征、全足深层特征或k个局部深层特征进行降维；空间注意力模块用于输出降维后的浅层图像特征、全足深层特征或k个局部深层特征对应的空间注意力加权特征；通道注意力模块用于获取连接特征，连接特征是在通道维度上对浅层图像特征、全足深层特征和k个局部深层特征对应的空间注意力加权特征进行连接得到的；并根据通道注意力对连接特征进行加权；通道注意力模块的输出结果用于确定融合特征。
31、本发明第二方面提供了一种足迹识别装置，该装置包括：
32、获取单元，用于获取待识别足迹图像；
33、处理单元，用于利用浅层特征提取模型对待识别足迹图像进行特征提取，以获得待识别足迹图像对应的浅层图像特征；其中，浅层特征提取模型利用n层卷积层对待识别足迹图像进行卷积运算；n为大于等于1的正整数；
34、处理单元，还用于将浅层图像特征输入至深层特征提取模型中，以获得待识别足迹图像对应的全足深层特征和k个局部深层特征；其中，深层特征提取模型包括第一特征提取模块和k个第二特征提取模块；第一特征提取模块用于根据浅层图像特征确定全足深层特征；k个第二特征提取模块中的任意一个特征提取模块用于根据一个局部图像特征确定一个局部深层特征；局部图像特征由浅层图像特征分割得到；k为大于等于1的正整数；
35、处理单元，还用于对浅层图像特征、全足深层特征、k个局部深层特征进行特征融合，以获得融合特征；
36、识别单元，用于根据融合特征对待识别足迹图像进行足迹识别。
37、在一个可选的实施方式中，浅层特征提取模型包括依次连接的第一卷积层、第二卷积层和第三卷积层；其中：
38、第一卷积层用于输入待识别足迹图像，且输出第一图像特征；第一卷积层包括第一卷积子层、第二卷积子层和池化子层；第一卷积子层和第二卷积子层的步长不同；池化子层用于对第一卷积子层和第二卷积子层的输出结果进行下采样，以获得第一图像特征；
39、第二卷积层用于输入第一图像特征，且输出第二图像特征；第二卷积层包括多组第一边缘注意残差模块；
40、第三卷积层用于输入第二图像特征，且输出浅层图像特征；第三卷积层包括多组第一边缘注意残差模块和第二边缘注意残差模块；第一边缘注意残差模块和第二边缘注意残差模块的分辨率不同。
41、在一个可选的实施方式中，第一边缘注意残差模块包括第三卷积子层、第四卷积子层、第五卷积子层、连接子层和第六卷积子层；第一边缘注意残差模块用于：
42、获取输入特征；
43、通过第三卷积子层对输入特征进行卷积运算；第三卷积子层的步长为1，第三卷积子层的卷积核大小为1×1；
44、在通道维度上对第三卷积子层的输出结果进行分组，并将分组后的第三卷积子层的输出结果分别输入至第四卷积子层和第五卷积子层；第四卷积子层用于进行卷积运算，第四卷积子层的步长为1且第四卷积子层的卷积核大小为3×3；第五卷积子层用于进行差分卷积运算，第五卷积子层的步长为1且第五卷积子层的卷积核大小为3×3；
45、利用连接子层对第四卷积子层和第五卷积子层的输出结果进行融合；
46、利用第六卷积子层对连接子层输出的融合结果进行运算；第六卷积子层的步长为1且第六卷积子层的卷积核大小为1×1；
47、将第六卷积子层的输出结果和输入特征进行加权运算，以获得第一边缘注意残差模块的输出结果。
48、在一个可选的实施方式中，k等于2；
49、处理单元，还用于将浅层图像特征分割为前足图像特征和后足图像特征；将前足图像特征和后足图像特征分别输入两个第二特征提取模块中，以获得前足图像特征对应的前足深层特征和后足图像特征对应的后足深层特征；
50、处理单元，具体用于对浅层图像特征、全足深层特征、前足深层特征和后足深层特征进行特征融合，以获得融合特征。
51、在一个可选的实施方式中，第一特征提取模块和第二特征提取模块均包括m层卷积层；m层卷积层包括依次连接的第四卷积层和第五卷积层；m为大于等于2的正整数。其中，第四卷积层包括至少一组第一边缘注意残差模块和至少一组第二边缘注意残差模块；第五卷积层包括多组第一边缘注意残差模块。
52、在一个可选的实施方式中，在处理单元对浅层图像特征、全足深层特征、前足深层特征和后足深层特征进行特征融合之前，
53、处理单元，还用于对浅层图像特征、全足深层特征、前足深层特征和后足深层特征分别进行维度和尺寸调整，以使得浅层图像特征、全足深层特征、前足深层特征和后足深层特征的维度和尺寸相同。
54、在一个可选的实施方式中，处理单元，还用于对待识别足迹图像进行图像预处理；图像预处理包括图像灰度调整处理、图像背景分离处理、图像数据增强处理和图像缩放处理中的一种或者多种的组合。
55、在一个可选的实施方式中，处理单元，具体用于利用融合模型对浅层图像特征、全足深层特征和k个局部深层特征进行特征融合；其中，融合模型包括依次连接的卷积模块、空间注意力模块和通道注意力模块；卷积模块用于对浅层图像特征、全足深层特征或k个局部深层特征进行降维；空间注意力模块用于输出降维后的浅层图像特征、全足深层特征或k个局部深层特征对应的空间注意力加权特征；通道注意力模块用于获取连接特征，连接特征是在通道维度上对浅层图像特征、全足深层特征和k个局部深层特征对应的空间注意力加权特征进行连接得到的；并根据通道注意力对连接特征进行加权；通道注意力模块的输出结果用于确定融合特征。
56、本发明第三方面提供了一种足迹识别设备，该足迹识别设备包括处理器和存储器；处理器与存储器耦合；存储器用于存储计算机指令，计算机指令由处理器加载并执行，以使得足迹识别设备实现如上述第一方面及第一方面任一种实施方式所述的方法。
57、本发明第四方面提供了一种计算机可读存储介质，该计算机可读存储介质存储计算机指令；所述计算机指令使得所述计算机执行如上述第一方面及第一方面任一种实施方式所述的方法。
58、本发明提供的一种足迹识别方法、设备及存储介质，相对于现有技术，具有以下有益效果：
59、（1）、本发明对深度学习架构进行了改进，首先利用浅层特征提取模型对待识别足迹图像进行浅层特征提取，获得具有更丰富纹理信息的浅层图像特征；然后利用深层特征提取模型对浅层图像特征进一步进行特征提取，并且在特征提取过程中进行了局部特征分离，以获得全组深层特征和多个局部深层特征，这样，可以细化足迹不同部分受力差异性，更精确地捕捉足迹的局部纹理形状特征，避免了传统的仅对整体图像处理时可能出现的差异化信息丢失的问题。大大提高了识别的准确性。
60、（2）、在本发明的特征提取过程中，利用新型的边缘注意残差模块来进行特征提取，这样可以更精确地提取和增强鞋印图像的边缘纹理特征。新型残差模块对普通卷积特征以及差分卷积特征进行选择性融合，丰富了鞋印边缘纹理特征的同时避免了单一特征过强的局面，有助于增强鞋印图像特征的鲁棒性和可识别性。同时也提高了其对光照、视觉变化等的鲁棒性，进一步提高识别结果的准确性和可靠性。
61、（3）、本发明在多个特征融合之前，对多个特征进行了维度和尺寸上的统一，这样可以还原局部特征的空间特性，并且避免无关联特征的混合，这样可以确保细化的局部深层特征得以保留，有利于其对多样且复杂的特征进行更好的融合。
62、 （4）、本发明利用由空间注意力（sam）和通道注意力（cam）改造的融合模型（multi-cbam模块）进行多特征融合，这样能够有效整合不同层次和不同部位的特征信息。多特征选择性融合的方式使得系统在处理多样化和复杂化的足迹图像时保持高效的识别能力，提高了识别的准确性和稳健性。
1.一种足迹识别方法，其特征在于，所述足迹识别方法包括：
2.根据权利要求1所述的方法，其特征在于，所述浅层特征提取模型包括依次连接的第一卷积层、第二卷积层和第三卷积层；其中：
3.根据权利要求2所述的方法，其特征在于，所述第一边缘注意残差模块包括第三卷积子层、第四卷积子层、第五卷积子层、连接子层和第六卷积子层；所述第一边缘注意残差模块用于：
4.根据权利要求3所述的方法，其特征在于， k等于2；所述方法还包括：
5.根据权利要求4所述的方法，其特征在于，所述第一特征提取模块和所述第二特征提取模块均包括m层卷积层；所述m层卷积层包括依次连接的第四卷积层和第五卷积层； m为大于等于2的正整数；
6.根据权利要求5所述的方法，其特征在于，在对所述浅层图像特征、所述全足深层特征、所述前足深层特征和所述后足深层特征进行特征融合之前，所述方法还包括：
7.根据权利要求6所述的方法，其特征在于，所述方法还包括：
8.根据权利要求1至7任一项所述的方法，其特征在于，所述对所述浅层图像特征、所述全足深层特征和所述k个局部深层特征进行特征融合，以获得融合特征，包括：
9.一种足迹识别设备，其特征在于，所述足迹识别设备包括处理器和存储器；所述处理器与所述存储器耦合；所述存储器用于存储计算机指令，所述计算机指令由所述处理器加载并执行，以使得所述足迹识别设备实现如权利要求1-8任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储计算机指令；所述计算机指令使得所述计算机执行如权利要求1至8任一项所述的方法。
