三维激光扫描足迹识别技术应用研究

施明智

（南宁职业技术学院， 广西 南宁 530008）

足迹提取是刑事侦查工作中痕迹检验的重要组成部分。随着数字化手段的不断丰富，足迹提取、识别和比对更是日益以数字化处理为主要手段。当前足迹数字化处理主要包括足迹采集、图像优化、特征提取、模式识别、聚类分析等步骤，这些是足迹比对工作的重要前提，其中主要工作任务集中在图像采集及数据处理上。传统的足迹采集方式由于依赖光照条件而具有天然的缺陷，且由于原始足迹提取环境的复杂多样，采用不同的图像数据处理方法会得到差别较大的效果。论文设计了一种三维激光扫描足迹识别设备，并设计了采用Python语言实现的足迹图像数据处理算法。该方法采用了三维激光扫描传感技术取代传统的方法进行足迹采集，有效改善了传统足迹采集方法采集到的足迹图像目标与背景对比不强、光照不均匀导致的光斑、直方图特征不明显导致二值化阈值难以确定等缺点。

一、三维激光扫描传感技术用于足迹采集

三维激光扫描技术较成熟的应用领域有三维建模、地形测量、逆向工程、形变监测、对象识别等，而用于足迹采集则是较为新兴的研究领域。近年来，三维激光扫描技术的快速发展，特别是高精度、高分辨率的便携式三维激光扫描仪投入市场，使得采用三维激光扫描的方法用于足迹检验成为可能，但在实例应用上目前仍较少研究。论文主要研究采用三维激光扫描技术对足迹痕迹进行采集和数据处理，试图弥补传统方法进行足迹采集的不足。

用于足迹采集的一套完整的三维激光扫描系统通常由三部分构成：测距部分、扫描部分以及数据处理部分。测距部分采用激光三角测距法，扫描部分采用全息光栅扫描技术，数据处理部分则是专门针对足迹图像提取和识别而设计的图像处理算法。各部分的原理描述如下。

（一）激光三角测距法原理

根据胡庆英于1996年的研究得知，激光器产生的光束投射到被测物体的表面上产生一个光点，光点的一部分散射光（含反射光）通过会聚透镜成像与位敏接收器（在足迹采集三维激光扫描系统中则为高分辨率的CCD传感器）的表面。如果移动测量设备导致被测物体沿着激光束方向发生位置移动，则CCD传感器上的像点会相应随着移动，通过像点的移动距离可以检测出被测面的移动距离[1]。由于CCD可以直接根据分辨率得到像点到透镜光轴之间的距离，则容易采集到测距观测值，之后再根据三维激光脚点坐标公式计算出被测点的X、Y、Z三轴坐标，生成单个点的点云数据存储到数据存储器内。

（二）全息光栅扫描原理

铁艳霞、陈建新、张中华等于1998至2000年期间的研究中改进了计算全息光栅扫描器，其中提到全息光栅扫描器是利用光的衍射原理，其实质是一个不规则的光栅，光栅各部分有不同的空间频率，当激光束照射光栅不同部位时将产生不同的衍射偏转角，从而产生不同的扫描图形[2]。

（三）数据处理原理

采用三维激光扫描传感技术采集到的原始数据为坐标点云数据，这些数据需要先进行预处理，去掉冗余信息后成为目标图像，然后设计算法对该图像数据进行识别、区域提取、降噪、特征提取和二值化等处理，从而得到所需的能够进一步用于层次聚类的图像数据。

二、三维激光扫描足迹提取设备硬件设计

本文设计的三维激光扫描足迹提取设备由STM32微控制器、前端采集部件、DSP数字图像处理器及人机交互与显示四个部分组成，设备设计示意图如图1所示。

（一）微控制器单元与人机交互单元

STM32微控制器是设备的核心部分，主要由数据存储与处理单元、PWM精密电机控制单元、光源控制单元、输入输出控制单元等部分构成，主要用于实现足迹图像提取过程中对前端采集部件各光学器件的精密控制、与DSP数字图象处理器的数据交换、数据的后期处理与存储、人机交互等外设的控制和数据交换等功能。

人机交互与显示部分由STM32微控制器的输入输出控制单元进行控制，完成人机交互过程中的按键输入、液晶显示、串口输出等功能。

（二）前端采集单元与采集过程

前端采集部件由两组激光器、两组多棱镜和一组CCD数码成像部件构成。每组激光器在STM32微控制器的光源控制单元的控制下分别发射一束激光脉冲光束，每束光束投射到足迹表面后分别产生一个光点，光点的反射光经过多棱镜投射后汇聚于CCD数码成像部件。两组多棱镜分别为水平反射镜和垂直反射镜，在STM32微控制器的PWM精密电机控制单元的控制下可以进行微小角度的旋转，以完成激光三角法测距，配合脉冲激光束分别沿X和Y轴两个方向进行扫描。

PWM精密电机控制过程如下。

第一步，前端两组多棱镜分别由BF100-V高精度绝对值小角度传感器采用变压器原理测得当前水平扫描角度值α和垂直扫描角度值β，该传感器角度分辨率可达1.4”，精度可达±5”，最大转速可达210rpm，测角范围可达20°。

1987年，第六届全运会上将此项目列入正式比赛项目。尤其在2000年悉尼奥运会之后，中国聘请了外籍教练刻苦训练，成绩逐年提高。2008年北京奥运会上集体自选夺得首枚奥运会铜牌。

第二步，测得的角度值通过RS485串行接口传回STM32微控制器。

第三步，STM32微控制器通过初始化内部定时器和内部计数器进行PWM脉宽调制输出，过程如下：1.设置定时器的捕获比较寄存器为符合需要的工作参数；2.将寄存器值和计数器值进行比较，通过比较结果输出高低电平达到不同的占空比效果；3.实现PWM信号输出。

第四步，由PWM信号驱动精密光学伺服电机按照一定的步进驱使多棱镜进行小角度旋转，记录反射光像点CCD数码成像部件上的移动距离。

第五步，可由测得的多棱镜原角度值及其增量、激光器发射脉冲与反射光线间的夹角、反射光像点CCD数码成像部件上的移动距离等值，通过激光三角法计算得出立体足迹像点坐标值。

第六步，脉冲激光束分别沿X和Y轴两个方向进行扫描，记录整个过程采集到的各个足迹像点，这些像点构成采集到的足迹影像集合，影像被传输到DSP数字图像处理器进行处理。

（三）数字图像处理单元与数据存储

DSP数字图像处理器完成足迹图像的A/D转换，得到足迹图像的RGB数据，并根据两组激光器得到的结构化光源建立立体投影关系，计算得出足迹的三维数据，然后将数据传输到STM32微控制器的数据存储与处理单元，由该单元将足迹三维数据与RGB数据一起合并处理后构成一帧足迹图像原始点云数据存储起来。

图1 三维激光扫描足迹提取设备设计示意图

三、数据采集过程设计

（一）数据采集

根据足迹检验的特点，能够用于足迹检验的三维激光扫系统需要满足高精度和便携性两个需求，一般应设计为手持式，性能参数达到每毫米扫描6个点以上，X、Y、Z的轴向精度应达到0.01mm级别，扫描速度达到1mm/s以上，图像分辨率达到1920*1080，全套系统由两组激光器和一组数码成像部件构成[3][4]。精密电机在控制系统的驱动下，调节多棱镜进行微小角度的转动，以完成激光三角法测距，配合脉冲激光束分别沿X和Y轴两个方向进行扫描。数码相机根据两台激光器得到的结构化光源建立立体投影关系，计算得出足迹的三维数据，并与CCD采集到的RGB数据一起构成一帧原始数据。

（二）数据预处理

采用三维激光扫描系统对足迹进行采集，得到的原始数据称之为点云数据，即足迹在空间中的坐标数据点的集合。数据点包括足迹的每一个像素在X、Y、Z三个方向上的坐标数据，以及该像素的RGB颜色信息。为了进一步进行足迹图像的特征提取和识别，必须使用点云数据处理软件对采集到的点云数据进行预处理，保留关心的信息和去掉冗余的信息。

（三）设计算法完成图像处理

由于采用了三维扫描技术，足迹图像采集过程得到的足迹图像数据更真实地还原了足迹在XY平面上的特征，通过处理Z坐标数据更有效地将目标足迹从背景中分离出来，从而有效地避免了传统方法中光照不均匀、目标与背景对比不强、二值化阈值难以确定的不足。得到预处理后的足迹图像数据后，就可以设计算法完成足迹痕迹检验中的特征提取和足迹识别的后续步骤了。论文采用Python语言设计了图像处理算法，以实现对三维激光扫描技术采集的足迹图像进行特征提取和识别。

四、数据处理与实现步骤

Python语言作为一种面向对象的解释型编程语言，自1989年诞生以来，因其强大的能与其他语言特别是C/C++编写的模块相联结的功能而成为最受程序员欢迎的语言。本文设计的采用Python语言实现的足迹特征提取和识别算法，调用了由C++语言编写的OpenCV库，该库是2000年被创建的开源的计算机视觉库，论文使用了该库包含的Haar特征级联分类器进行足迹特征提取。算法的主要步骤如下。

（一）使用Haar级联进行足迹识别

采用三维激光扫描技术在现场采集到的图像经过预处理后往往仍然是杂乱的，在成片区域中往往混杂了多个足迹和别的非足迹痕迹，这时候需要先对整个图像区域进行分割，试图将单个足迹或疑似足迹的图像识别出来。论文通过训练OpenCV库中的Haar特征级联分类器来进行足迹识别。首先选择Haar级联特征，创建积分图像并进行Adaboost训练，训练集包括包含足迹图像和不包含足迹图像，再通过级联的分类器逐级逐步过滤掉不包含足迹的区域。

（二）足迹图像区域的提取

足迹被识别后，需要将足迹图像提取出来，该过程可以使用多种算法来实现，如OTSU算法、Bernsen算法等，针对不同的足迹图像特点，采用合适的算法可以得到较优效果。例如调用OpenCV库的OTSU算法实现：

cv.threshold（cv.cvtColor（img，cv2.COLOR_BGR2 GRAY）_），0，255，cv2.THRESH_OTSU）

（三）图像降噪与足迹纹理特征提取

由于足迹采集的过程中各步骤都有引入噪声的可能，因此图像降噪是必不可少的步骤。通常可以采用高斯滤波、中值滤波等方法进行图像降噪。如设置过滤器强度后在OpenCV调用：

cv.fastNlMeansDenoisingColored（img，None，10，10，10，20）

足迹图像的纹理特征提取，可以使用mahotas API来计算，通常采用的纹理特征提取算法为Haralick算法：

Mahotas.features.haralick（digits.img.astype（nump y.uint8））

（四）图像二值化与层次聚类

经过以上步骤处理后的足迹图像可以进一步完成识别，这是足迹比对的重要步骤。为了提高比对成功率，通常需要对足迹图像进行二值化，可以采用的方法有全局阈值法和动态阈值法两种。由于不同的足迹图像采集方法引入噪声的情况不同，往往在处理这一步骤的时候会交叉进行图像降噪和足迹图像区域提取等步骤，变更步骤的先后会得到不同足迹比对效果。之后便可以通过层次聚类合并相似集群以完成足迹分类和比对：

AgglomerativeClustering（n_clusters=NCLUSTE RS，connectivity=connectivity）

五、实验及结果分析

论文采用的足迹图像为使用三维激光扫描仪采集到的现场鞋印，将采集到的点云数据预处理后得到实验样本图像。为提高实验效率，从中选取具有代表性的大小为280*288像素的连续部分将Z坐标数据作了灰度化处理以用作实验原始图像（图2）。可以看到，由于采用了三维激光扫描技术，使得足迹目标与背景对比较为平均，从而该图像直方图取得了为较为标准的双峰图像，灰度平均值为131.41，标准偏差为46.13，中间值为122。其中双峰分别出现在98色阶和184色阶，数量分别为1203和889。

实验在数据处理步骤对图像识别算法进行了优化，结合三维激光扫描仪采集到的足迹图像特点，通过引入人工设定的门限值，对Bernsen算法目标、背景及边缘的判定更为精细化，通过调整该门限值能够充分发挥Bernsen算法在灰度渐变较为强烈、目标与背景对比较明显的图像边缘提取上的优势，进一步提高了边缘的连续性以及目标、背景色块的连续性。而中值滤波降噪能够对经过改进后的Bernsen算法二值化后的图像取得最优的降噪效果，两者配合使用适用于三维激光扫描仪采集到的足迹图像数字化处理。处理后的足迹识别图像如图3所示。

六、结论

图2 实验原始图像

图3 足迹提取及降噪后的图像

实验结果表明，对于采用三维激光扫描传感技术采集到的足迹图像，经过图像数据处理后，提升了足迹提取效果，更利于进行足迹比对识别。虽然目前采用该技术进行足迹检验仍处在探索阶段，检测精度和识别率仍有待提高，但随着相关器件和设备性能参数的不断提高和数据处理算法的更进一步优化，采用三维激光扫描传感技术进行刑事侦查痕迹检验将会取得更大的成效。