单脚印足迹图像不仅采集便利、适用性广泛,而且稳定性和可靠性较高,因此研究单个足迹的生物特征识别算法对于刑事侦查工作具有重要的意义。目前,基于单脚印的足迹识别研究主要是对于同一种设备采集的足迹进行识别。在刑侦实际应用中,已登记的足迹和现场待识别的足迹所采用的成像方式通常不同,足迹图像所包含的信息也有所不同。本文将利用不同成像方式采集的足迹图像的互相识别称之为跨模态足迹识别,其是足迹识别在刑事侦查领域广泛应用的前提,因此本文对跨模态赤足识别算法所涉及的关键技术进行了研究,主要工作如下:1)跨模态足迹数据集的构建目前,没有公开的用于研究足迹识别的数据集,要验证算法的有效性,需要构建一定规模的数据集。本文构建了一个58类、共2744幅图像的跨模态赤足数据集MUMM-SFBD,其包含了两个子集,一个是利用现场足迹勘查箱得到的现场赤足数据集MUPS-SFBD,另一个是利用足迹采集仪得到的采集仪数据集MUPC-SFBD。2)基于梯度分布和多尺度结构特征的模态足迹表达针对采集仪赤足图像因压力变化引起的足迹区域梯度分布变化问题,本文通过分析采集仪足迹图像中足迹边缘与非边缘梯度分布特点,提出了一种基于局部形状加权的梯度分布特征表达算法。针对现场足迹图像因行走姿态变化而产生形变的问题,本文通过分析现场足迹图像中足迹形状结构特点,提出了一种多尺度结构特征表达算法。在单模态识别算法中,采集仪闭集数据集的Rank-1识别正确率达到了84.48%,现场闭集数据集的Rank-1识别正确率达到了89.66%。3)基于XQDA子空间的跨模态赤足表达为了增加同模态不同类别样本之间的差异性,并减少小样本高维度特征问题的影响,本文给出了一种基于交叉视图学习的跨模态赤足表达算法,将降维过程与度量矩阵的学习相结合,使用马氏距离进行了不同模态特征之间的距离度量。在闭集数据库上分别以采集仪数据为查询集、以现场数据为查询集进行了跨模态赤足识别,Rank-1识别正确率分别达到了83.62%、78.45%;在开集数据库上分别以采集仪数据为查询集、以现场数据为查询集进行了跨模态赤足识别,Rank-1识别正确率分别达到了67.62%、66.67%。4)基于XQDA和LCFS的多子空间联合表达和匹配为了增加不同模态同类别的相似性和同模态不同类别的差异性,本文给出了一种基于XQDA和LCFS的多子空间联合表达和匹配算法。首先提取使用交叉视图学习算法对高维特征进行降维后的特征矩阵,然后将降维后的特征矩阵使用LCFS算法进行跨模态距离度量,最后将基于马氏距离的特征识别结果和基于LCFS算法的特征识别结果进行融合,得到基于XQDA和LCFS的多子空间联合表达和匹配的实验结果。由于目前没有公开的足迹数据库,因而本文在自建的跨模态数据集上进行了跨模态实验。实验结果显示,在闭集跨模态数据集上,以采集仪数据为查询集、以现场数据为查询集的Rank-1识别正确率分别达到了94.83%、91.81%;在开集跨模态数据集上,以采集仪数据为查询集、以现场数据为查询集的Rank-1识别正确率分别达到了82.38%、81.90%,均优于其他算法。实验结果表明了本文提出的算法是一种有效的跨模态赤足识别算法,取得了较好的识别效果。