犯罪嫌疑人脚印智能分析系统

基于机器学习与生物力学分析的刑侦辅助系统，通过犯罪现场脚印数据预测嫌疑人的生理特征和步态特征。

---

目录

• 核心功能
• 文件结构
• 快速开始
• 数据字段说明
• 系统架构
• 贡献指南
• 许可证

---

核心功能

功能模块	能力描述
多维度生理推断	身高预测（MAE≤3cm）、体重预测（MAE≤5kg）
智能环境补偿	支持5种地面材质的动态深度修正
步态特征识别	O型腿/X型腿分类识别（准确率≥85%）
实时分析服务	RESTful API支持毫秒级响应，并发能力≥50QPS

---

文件结构

footprint-analysis/
│
├── data/                     # 数据存储
│   └── raw/                  # 原始数据（案件采集数据）
│
├── fonts/                    # 数据存储
│   └── MiSansVF.ttf          # 生成可视化数据引用字体
│
├── models/                   # 模型存储
│   ├── footprint_model.h5    # 训练好的Keras模型
│   └── preprocessor.pkl      # 数据预处理管道
│
├── reports/                  # 可视化输出
│   └── model_performance.png # 模型评估可视化
│ 
├── src/                      # 源代码
│   ├── data_preparation.py   # 数据生成与增强
│   ├── model_training.py     # 模型构建与训练
│   └── evaluation.py         # 模型评估与解释
│
│
├── templates/                # 模板文件夹
├── static/                   # 静态文件夹
├── app.py                    # Flask API服务
├── requirements.txt          # Python依赖清单
└── README.md                 # 项目主文档

---

快速开始

环境要求

• Python 3.12+
• TensorFlow 2.19+
• 内存 ≥8GB
• 磁盘空间 ≥1GB

安装部署

# 克隆仓库
git clone https://github.com/hujiayucc/footprint-analysis.git
cd footprint-analysis

# 安装依赖
pip install -r requirements.txt

# 生成示例数据（默认：1000条，最低140，最高200）
python -m src.data_preparation

# 生成示例数据（1000条样本，最低150，最高180）
python -m src.data_preparation --count 1000 --min_height 150 --max_height 180

# 训练模型
python -m src.model_training

# 启动API服务
python -m app

API调用

curl -X POST http://localhost:5000/predict \
     -H "Content-Type: application/json" \
     -d '{
           "foot_length": 25.3,
           "foot_width": 9.8,
           "arch_height": 3.1,
           "depth_diff": 1.7,
           "pressure_offset_x": -2.1,
           "ground_type": "wet_soil",
           "humidity": 70,
           "depth": 5.2,
           "pressure_avg": 85.3
         }'

---

数据字段说明

输入特征（API请求参数）

字段名	类型	单位/取值范围	是否必需	说明
foot_length	float	厘米（20.0-35.0）	是	脚印长度，从脚跟到脚尖的直线距离
foot_width	float	厘米（8.0-12.0）	是	脚印最宽处的横向宽度
arch_height	float	厘米（2.0-4.5）	是	足弓最高点与地面的垂直距离
depth_diff	float	毫米（-5.0 至 +5.0）	是	脚印内外侧深度差，正值表示外侧更深（O型腿典型特征）
pressure_offset_x	float	毫米（-5.0 至 +5.0）	是	压力中心横向偏移，正值表示压力偏向外侧（X型腿典型特征）
ground_type	string	["concrete", "wet_soil", "dry_soil", "sand", "grass"]	是	地面材质类型
humidity	int	百分比（0-100）	是	环境湿度
depth	float	毫米（0.5-8.0）	是	脚印凹陷深度
pressure_avg	float	千帕（kPa，70-100）	是	足底平均压力值

---

输出结果（API响应字段）

字段名	类型	说明
height	float	预测身高（厘米），正常成人范围：150-200cm
weight	float	预测体重（公斤），正常成人范围：40-120kg
leg_type_probs	list[float]	腿型概率分布，索引对应：[正常腿型, O型腿, X型腿]

环境补偿系数

地面类型	基准深度（mm）	湿度影响系数
concrete	0.5	每+10%湿度，深度+0.1mm
wet_soil	4.0	每+10%湿度，深度+0.3mm
sand	3.0	每+10%湿度，深度+0.2mm

---

系统架构

graph TD
    A[原始数据] --> B{特征工程}
    B --> C[基础特征]
    B --> D[环境特征]
    B --> E[生物特征]
    C --> F[多任务模型]
    D --> F
    E --> F
    F --> G[回归预测]
    F --> H[分类预测]

Loading

---

贡献指南

1. 数据提交规范

   • 原始数据存放于data/raw/目录
   • 新增数据需包含完整元数据描述

2. 模型改进流程

   # 创建特性分支
   git checkout -b feature/improved-model
   # 提交性能对比报告

---

许可证

本项目采用 MIT 许可证 - 详情请参阅 LICENSE 文件