通过使用机器学习的脚印图像进行法医性别和身高识别

科学领域:

• 法医科学 法医科学 法医科学
• 生物识别信息 生物识别信息
• 计算机视觉 计算机视觉

背景情况:

• 传统的足迹分析用于法医调查是耗时的,需要专家的判断.
• 使用图像分析和机器学习的自动化方法提供了提高效率和准确性的潜力.

研究的目的:

• 开发和比较传统的机器学习 (ML) 模型,用于自动化性别分类和从足迹图像中估计身高.
• 鉴于适度的数据要求,评估法医步态分析的传统ML方法的可行性.

主要方法:

• 采用图像预处理用于感兴趣地区的提取和细分足迹.
• 利用了33名参与者的396个脚印数据集.
• 基准后勤回归 (LR),高斯天真贝斯 (GNB),K-最近邻居 (KNN),决策树分类器 (DTC),支向量机 (SVM) 和极端梯度提升 (XGBoost) 模型.

主要成果:

• K-最近的邻居 (KNN) 在性别分类中获得了最高的准确性 (0.91).
• 极端梯度提升 (XGBoost) 在身高估计方面表现出卓越的性能,平均绝对误差 (MAE) 为4.10厘米,根平均平方误差 (RMSE) 为5.42厘米.
• 观察到两项任务的分类器之间存在不同的优缺点.

结论:

• 传统的机器学习方法在法医环境中显示出承诺,作为一种可行的解决方案,用于从足迹中自动估计性别和身高.
• 扩展数据集以更大的多样性和不同的质量对于开发强大的端到端解决方案至关重要.
• 未来的工作可能会探索使用更大,更多样化的数据集的先进深度学习方法.