足底压力图像处理方法、识别方法及步态分析系统[发明专利]

(19)中华人民共和国国家知识产权局
(12)发明专利申请
(10)申请公布号 (43)申请公布日 (21)申请号 202110053500.1
(22)申请日 2021.01.15
(71)申请人 天津大学
地址 300072 天津市南开区卫津路92号
(72)发明人 邓斌　罗江涛　高天时　崔子健　
王江　
(74)专利代理机构 天津翰林知识产权代理事务
所(普通合伙) 12210
代理人 付长杰
(51)Int.Cl.
G06K 9/00(2006.01)
G06K 9/32(2006.01)
G06K 9/34(2006.01)
G06K 9/62(2006.01)
G06N 3/04(2006.01)
G06N 3/08(2006.01)A61B 5/103(2006.01)A61B 5/11(2006.01)
(54)发明名称足底压力图像处理方法、识别方法及步态分析系统(57)摘要本发明提供足底压力图像处理方法、识别方法及步态分析系统，图像处理方法在区域划分之前进行了压力最大帧选取、角度调整、图像切割，为自动区域划分，使划分的区域能在一定程度上反映足部解剖结构，而本申请中进行压力最大帧选取和角度调整，能够减小不同的足底压力图像中压力的分布差异的问题，给出统一的划分标准，COP轨迹部分不仅提供了全脚掌的轨迹，还提供了各个区域的轨迹，提取了行走过程足部不同解剖结构的受力特征，可以针对某个区域进行单独分析，为后期进一步分析研究奠定了基础。

足底压力图像识别采用基于多任务学习方法构建的卷积神经网络实现，足底压力信号采集操作简便、精度高，
在小样本情况下获取较高识别率。

权利要求书2页 说明书9页 附图4页CN 112766142 A 2021.05.07
C N 112766142
A
1.一种足底压力图像处理方法，该方法包括以下内容：
进行单次足底压力图像采集，获得多帧足底压力图像，确定每帧足底压力图像中所有点的压力值相加的压力总和，选取压力总和最大的一帧图像作为关键帧，关键帧即为压力最大帧；
调整足底压力最大帧图像角度，使压力最大帧图像的轴线与水平线的夹角为零，以矫正实验者步行时足底压力分布在水平方向上的偏离；
切割足底压力最大帧图像，保留包含全脚掌压力分布的最小矩形区域，去除其余不包含压力信息的区域；
将最小矩形区域内的压力图像根据人体足部解剖结构和行走过程足底受力特征将足底压力区域由足跟到脚趾分为足跟、足弓、第一跖趾关节、第四五跖趾关节、第一趾骨、其余趾骨六个大小不同的区域；按照每个区域的行数和列数相对于最小矩形区域的长宽比例进行自动划分，分为6个大小不同的区域，每个区域对应不同的足部解剖结构；
获得全脚掌以及各区域的足底COP移动轨迹。

2.根据权利要求1所述的图像处理方法，其特征在于，调整足底压力最大帧图像角度的过程是：在压力最大帧图像中搜索所有压力值不为零的像素点以及它们的横纵坐标，通过对像素点横纵坐标的一阶线性拟合计算压力最大帧图像的轴线，根据轴线的斜率将压力最大帧图像旋转至水平方向，使最终的轴线斜率为零。

3.根据权利要求1所述的图像处理方法，其特征在于，切割足底压力最大帧图像的具体过程是：选取压力最大帧图像非零数据点的坐标范围，先找出所有压力值不为0的点的横纵坐标，最小的横坐标和最大的横坐标就是横坐标范围的下限和上限，最小的纵坐标和最大的纵坐标就是纵坐标范围的下限和上限，划定能够包含全脚掌压力数据的最小矩形框，去除最小矩形框以外的像素点。

4.根据权利要求1所述的图像处理方法，其特征在于，第一趾骨、其余趾骨、第一跖趾关节、第四五跖趾关节、足弓、足跟六个区域的划分坐标分别为：
x 1∈[(5(m‑1)/6)+1,m‑1]，y
1
∈[((n‑1)/2)+1),n‑1]
x 2∈[(5(m‑1)/6)+1,m‑1]，y
2
∈[0,(n‑1)/2]
x 3∈[((m‑1)/2)+1,(5(m‑1)/6)]，y
3
∈[((n‑1)/2)+1),n‑1]
x 4∈[((m‑1)/2)+1,(5(m‑1)/6)]，y
4
∈[0,(n‑1)/2]
x 5∈[((m‑1)/3)+1,(m‑1)/2]，y
5
∈[0,n‑1]
x 6∈[0,(m‑1)/3]，y
6
∈[0,n‑1]
式中，m、n表示最小矩形区域的总行数和总列数，x、y表示压力最大帧图像各点行数和
列数索引；x
1、y
1
代表第一趾骨区域的横纵坐标范围，x
2
、y
2
代表其余趾骨区域的横纵坐标范
围；x
3、y
3
代表第一跖趾关节区域的横纵坐标范围；x
4
、y
4
代表第四五跖趾关节区域的横纵坐
标范围；x
5、y
5
代表足弓区域的横纵坐标范围；x
6
、y
6
代表足跟区域的横纵坐标范围。

5.根据权利要求1所述的图像处理方法，其特征在于，在进行自动划分前需要判别脚尖朝向，脚尖朝向的判别过程是：找出所有压力值不为0的点的横纵坐标，并找出所有横坐标的中值横坐标，再计算同一横坐标下最大纵坐标与最小纵坐标的差值，并找出这个差值的最大值，如果差值的最大值对应的横坐标在中值横坐标的右侧，那么判定脚尖朝右，否则脚尖朝左。

6.一种用于足底压力图像识别的基于多任务学习的CNN模型，其特征在于，该CNN模型结构为单输入双输出，同时完成性别识别和体重范围识别这两项识别任务，两项任务共享早期处理层，同时具有单独的后期处理层和输出层，早期处理层为卷积层‑池化层‑批量归一化层‑卷积层‑池化层‑批量归一化层，后期处理层为卷积层‑池化层‑批量归一化层‑全连接层，输出层分别输出两项任务的识别结果；CNN模型输入数据为足底压力最大帧图像，每张图像均具有两个属性不同的标签，两个标签分别是：性别标签{0,1}对应男或女，体重标签{0,1,2,3}对应体重范围50～59、60～69、70～79、80～89kg，输出是：性别识别率、体重范围识别率。

7.根据权利要求6所述的基于多任务学习的CNN模型，其特征在于，CNN模型包括共享层和两支分支，两支分支结构相同，后期处理层中卷积层的卷积核为3×3核，卷积核个数为48，步长为1；后期处理层中池化层的卷积核为2×2核，卷积核个数为1，步长为2；后期处理层中全连接层的卷积核为1×1核，卷积核个数为2，步长为1；后期处理层中输出层的卷积核为1×1核，卷积核个数为1，步长为1。

8.一种基于压阻式压力感应步道的步态分析系统，其特征在于，该分析系统内加载有权利要求1‑5任一所述的图像处理方法或者加载有权利要求6‑7任一所述的基于多任务学习的CNN模型。

9.根据权利要求8所述的步态分析系统，其特征在于，该系统包括足底压力传感器、数据采集模块、USB数据传输模块和上位机；足底压力传感器是由多块规格相同的压力板拼接而成的压力感应步道，实时采集人体行走过程中的足底压力信号；数据采集模块接收足底压力传感器输出的模拟信号，并实现放大、滤波、AD转换；USB数据传输模块接收上位机输出的控制信号，将转换后的足底压力数据上传至上位机；上位机中包括足底压力信号采集操作界面、足底压力图像特征提取界面和足底压力图像识别；
足底压力信号采集操作界面用于控制足底压力信号采集开始与停止、热力图显示、数据保存、数据显示；
足底压力图像特征提取界面包含压力最大帧图像选取、图像角度调整、图像切割、自动区域划分、足底COP轨迹计算；
足底压力图像识别采用基于多任务学习的CNN模型。

10.根据权利要求9所述的步态分析系统，其特征在于，足底压力传感器采用6块压力测试板拼接而成的压力感应步道，每块压力板共50×50＝2500个感应点，单点传感器直径5mm，单点传感器量程为0～5kg，触发力100g，每7×7mm一个感应点；压力感应步道采样精度不低于16位，以不低于20Hz的频率实时采集人体行走过程中的足底压力；数据采集模块采用AD7765芯片，含有24位模数转换器，输出数据速率可达156kHz，将AD7765的转换率设置为16位。

足底压力图像处理方法、识别方法及步态分析系统
技术领域
[0001]本发明涉及智能传感与生物工程领域，特别是一种基于压阻式压力感应步道的足底压力图像处理方法、识别方法及步态分析系统。

背景技术
[0002]行走是人最基本的运动方式之一，而步态是行走过程中特有的行为特征，能有效反映人体下肢结构、生理功能甚至精神状态等方面的信息。

因此，步态分析对医疗、康复、假肢设计、体育训练等领域的研究具有重要价值和意义。

[0003]目前，主要有基于视频摄像系统、穿戴式压力采集系统和平板式压力采集系统的步态分析方法，其中平板式压力采集系统因为操作简便、空间分辨率较高等特点而被广泛关注。

但是压力板采集的足底压力数据具有高维时空和非线性等特点，常规的基于统计学的分析方法提取特征不全面，难以充分反映行走过程的足底压力特征。

[0004]近年来，机器学习因为具有较强的自适应学习和非线性映射能力而被广泛应用于复杂数据的分析，为足底压力图像识别提供了技术支持。

目前在足底压力图像识别中常采用的机器学习方法包括卷积神经网络和长短期记忆网络等，其实现与高识别率的获取依托于大量数据集，由于采集一个人的大量足底压力图像样本需要让他在压力板上反反复复地行走，实际生活中难以实现让某个人在一定区域内反复行走来采集大量足底压力图像样本。

发明内容
[0005]针对现有技术存在的不足，提出一种基于压阻式压力感应步道的足底压力图像处理方法、识别方法及步态分析系统。

该系统一方面利用压阻式压力感应步道实时采集人体行走过程中的足底压力信号，另一方面在上位机中实现足底压力图像的特征提取和识别。

在足底压力图像识别部分，用多任务学习方法改进卷积神经网络，在样本少的情况下能取得较高的识别率。

足底压力图像处理方法，进行区域划分前采取了足底压力最大帧选取、角度调整、图像切割，然后实现自动区域划分，使划分出来的区域在一定程度上和足部不同的解剖结构相对应，为后期医学诊断提供基础。

[0006]本发明解决所述技术问题采用的技术方案是：
[0007]一种足底压力图像处理方法，该方法主要内容包括：
[0008]选取单次实验采集的足底压力图像中所有点的压力值相加的压力总和最大的一帧图像作为关键帧，关键帧即为压力最大帧，压力最大帧图像中足底与地面接触面积最大、压力分布最完整；
[0009]调整足底压力最大帧图像角度，使压力最大帧图像的轴线与水平线的夹角为零，以矫正由于部分实验者步行时的特殊姿态造成的足底压力分布在水平方向上的偏离；[0010]切割足底压力最大帧图像，保留包含全脚掌压力分布的最小矩形区域，去除其余不包含压力信息的区域；
[0011]将最小矩形区域内的压力图像根据人体足部解剖结构和行走过程足底受力特征将足底压力区域由足跟到脚趾分为足跟、足弓、第一跖趾关节、第四五跖趾关节、第一趾骨、其余趾骨六个大小不同的区域；按照每个区域的行数和列数相对于最小矩形框的长宽比例进行自动划分，为6个大小不同的区域，每个区域对应不同的足部解剖结构；
[0012]计算全脚掌以及各区域的足底COP移动轨迹，反映人行走过程中的重心移动以及足部不同部位的受力状态变化。

该图像处理方法能针对不同区域对不同部位进行特征提取，每个区域对应足底解剖结构，有助于为医生后期判断生理状态、膝关节是否有相关疾病、分析人在行走过程中的疲劳状态，提供数据参考。

[0013]一种足底压力图像识别方法，该方法包括：基于多任务学习构建CNN模型，该网络具有单输入双输出结构，能同时完成性别识别和体重范围识别这两项识别任务；两项任务共享尽量多的早期处理层(卷积层‑池化层‑批量归一化层‑卷积层‑池化层‑批量归一化层)，同时具有单独的后期处理层(卷积层‑池化层‑批量归一化层‑全连接层)和输出层，输出层分别输出两项任务的识别结果。

CNN模型输入数据为50×50的足底压力最大帧图像，每张图像均具有两个属性不同的标签。

两个标签分别是：性别标签{0,1}对应男或女，体重标签{0,1,2,3}对应体重范围50～59、60～69、70～79、80～89kg，输出是：性别识别率、体重范围识别率。

[0014]一种基于压阻式压力感应步道的步态分析系统，该分析系统内加载有上述的图像处理方法或者加载有上述的基于多任务学习的CNN模型。

[0015]该系统包括足底压力传感器1、数据采集模块2、USB数据传输模块3和上位机4；足底压力传感器1是由多块规格相同的压力板拼接而成的压力感应步道，实时采集人体行走过程中的足底压力信号；数据采集模块2接收足底压力传感器1输出的模拟信号，并实现放大、滤波、AD转换；USB数据传输模块3接收上位机4输出的控制信号，将转换后的足底压力数据上传至上位机4；上位机4中包括足底压力信号采集操作界面5、足底压力图像特征提取界面6和足底压力图像识别7；
[0016]足底压力信号采集操作界面5用于控制足底压力信号采集开始与停止、热力图显示、数据保存、数据显示；
[0017]足底压力图像特征提取界面6包含压力最大帧图像选取、图像角度调整、图像切割、自动区域划分、足底COP轨迹计算；
[0018]足底压力图像识别7采用基于多任务学习的CNN模型。

[0019]与现有技术相比，本发明的有益效果是：
[0020]1)针对现有技术中因为行走过程中足底与地面的接触面积以及不同部位所受的压力一直处在变化之中，使足底压力图像中足印的区域块变化无常，没有反映足部不同区域压力特征的统一规律，所以现有的足底压力区域划分方法主要是手动划分的问题。

本发明采用了一种基于人体足部生物解剖结构和行走过程足底受力特征的能够自动进行区域划分的图像处理方法，行走过程步态周期主要分为4个支撑相：足跟触地阶段(足跟压力明显)、前足触地阶段(跖趾关节压力明显)、全足支撑阶段(足跟、足弓、跖趾关节、趾骨压力均较明显)、前足离地阶段(跖趾关节、趾骨压力较明显，尤其是第一跖趾关节、第四五跖趾关节、第一趾骨)，所以参考足部解剖结构的位置和分布，将足底压力区域由足跟到脚趾分为足跟、足弓、第一跖趾关节、第四五跖趾关节、第一趾骨、其余趾骨六个大小不同的区域，节
省人力的同时能充分地体现足底压力的结构特征，并有效反映行走过程足部各结构受力特征。

计算全脚掌以及各区域的COP移动轨迹，反映人体行走过程中的重心移动以及足部不同部位的受力状态变化。

[0021]2)本发明图像处理方法在区域划分之前进行了压力最大帧选取、角度调整、图像切割，为自动区域划分，使划分的区域能在一定程度上反映足部解剖结构，而本申请中进行压力最大帧选取和角度调整，能够减小不同的足底压力图像中压力的分布差异的问题，给出统一的划分标准。

COP轨迹部分不仅提供了全脚掌的轨迹，还提供了各个区域的轨迹，可以针对某个区域进行单独分析，为后期进一步分析研究奠定了基础。

[0022]3)本发明申请最主要的一个创新点是用多任务学习方法来改进卷积神经网络，使得在足底压力图像样本少的情况下也能获取较高的识别率，并应用到足底压力图像识别这个领域，能够分析足底压力数据的高维时空和非线性特性。

基于多任务学习方法构建了一种单输入双输出CNN模型，同时识别体重范围和性别两种特征，在样本容量小的情况下仍能获取较高识别率，多任务的网络结构在提升单任务性能的同时，获取对足底压力特征更加全面和准确的表达。

该模型的搭建给出了具体的层结构设置、确定层间连接方式、不同层的参数设置、分支点的选取，获得一个单输入双输出的CNN，能共享尽量多的早期处理层，并在两个识别任务中均具有较快的收敛速度和较高准确率。

[0023]4)本发明设计的步态分析系统集足底压力采集、足底压力图像特征提取和足底压力图像识别于一体，可实时采集人体步行过程中的足底压力信号并完成足底压力图像分析，提高了小样本情况下的足底压力图像识别准确率，为步态分析提供了一种可行途径。

附图说明
[0024]图1是本发明的一种基于压阻式压力感应步道的步态分析系统整体结构图[0025]图2是本发明的足底压力图像特征提取流程图
[0026]图3是本发明的足底COP轨迹计算流程图
[0027]图4是本发明的足底压力图像区域划分示意图
[0028]图5是本发明的采样操作界面示意图；
[0029]图6是本发明的足底压力图像特征提取操作界面示意图；
[0030]图7是本发明的CNN模型结构示意图。

[0031]图中：1、足底压力传感器；2、数据采集模块；3、USB数据传输模块；4、上位机；5、足底压力信号采集操作界面；6、足底压力图像特征提取界面；7、足底压力图像识别。

具体实施方式
[0032]下面结合附图对本发明作进一步说明，但并不以此作为本申请保护范围的限定。

[0033]本发明提供一种基于压阻式压力感应步道的足底压力图像处理方法、识别方法及步态分析系统，该系统结构如图1所示，主要包括足底压力传感器1、数据采集模块2、USB数据传输模块3和上位机4。

足底压力传感器实时采集人体行走过程中的足底压力信号。

数据采集模块接收足底压力传感器输出的模拟信号，并实现放大、滤波、AD转换等功能。

USB数据传输模块接收上位机输出的控制信号，将转换后的足底压力数据上传至上位机。

上位机4主要包括足底压力信号采集操作界面5、足底压力图像特征提取界面6，同时在上位机4中实现
足底压力图像识别7。

在上位机中实现足底压力图像特征提取和识别等功能。

该系统的优势在于数据采集操作简便、精度高，基于多任务学习方法构建了CNN模型，提高小样本情况下的别率，除此之外还提取了足部不同解剖结构的压力特征。

[0034]以下对一种基于压阻式压力感应步道的足底压力图像处理方法、识别方法及步态分析系统的整体实现加以说明：
[0035]足底压力传感器1为多块压阻式压力测试板组成的压力感应步道。

本实施例中采用6块压力测试板拼接而成的压力感应步道，每块压力板共50×50＝2500个感应点，单点传感器直径5mm，单点传感器量程为0～5kg，触发力100g，每7×7mm一个感应点。

压力感应步道采样精度不低于16位，以不低于20Hz的频率实时采集人体行走过程中的足底压力。

数据采集模块2采用AD7765芯片，含有24位模数转换器，输出数据速率可达156kHz，本系统将AD7765的转换率设置为16位，满足系统需求。

USB数据传输模块3接收上位机4输出的控制信号，将转换后的足底压力数据上传至上位机4。

[0036]上位机4主要包括足底压力信号采集操作界面5、足底压力图像特征提取界面6、足底压力图像识别7。

如图5所示，足底压力信号采集操作界面5主要用于控制信号采集开始与停止、热力图显示、数据保存、数据显示，采样操作界面5：包括采集控制界面、设置界面、特征界面、数据显示界面和帮助界面。

采集控制界面中的开始与暂停按钮用于控制足底压力采集的开始与停止，打开文件与保存文件按钮用于原始数据加载和对采集的足底压力图像数据进行保存，端口设置按钮用于通道选择(步道由6块压力板组成，有6个通道，通过设置端口来选择显示哪一个通道的数据)；设置界面用于设置采样频率、热力图参数；特征界面主要输入并显示实验者性别、体重、身高等基本信息；数据显示界面用于将数据显示为压力值数字矩阵形式；帮助界面用于界面操作说明和指导。

[0037]足底压力图像特征提取界面6(参见图6)：打开文件按钮用于原始足底压力图像数据加载；保存文件按钮用于对处理后的数据进行保存及选择存储路径；帮助按钮用于界面操作说明和指导；压力图像处理下拉菜单包括6个选项，可以一项一项地勾选，查看每一步处理后的效果，也可以直接勾选“全选”，直接查看所有处理步骤完成后的效果等。

如图6所示，足底压力图像特征提取界面6主要包括压力最大帧图像选取、图像角度调整、图像切割、自动区域划分、足底COP轨迹计算。

[0038]足底压力图像识别7采用基于多任务学习方法构建的CNN实现。

[0039]足底压力图像处理方法如图2和图3所示，主要内容为：
[0040](1)选取足底压力图像关键帧
[0041]每次实验获得多帧足底压力图像，构成一组数据，在这一组数据中选取单次实验中足底压力图像中所有点的压力值相加的压力总和最大的一帧图像作为关键帧。

在采集过程中，受设置的采样频率和人体步行周期的影响，每一步产生多张压力图像，由于人体步行周期不同阶段的足底接触面积不同以及步态不稳定等情况，存在差异大的足底压力数据。

但是压力板受力总和最大时足底压力数据均具有最大的相似性且足底压力特征较明显，因此选取压力板所受压力最大时采集到的压力图像作为关键帧。

每踩一步会产生多帧足底压力图像，每一帧规格都是50×50,计算每一帧图像压力(50×50所有点的压力值相加)，取压力最大的一帧为关键帧。

[0042](2)调整足底压力图像角度
[0043]部分实验者行走时存在“外八字”或“内八字”等特殊姿态，使足底压力分布在水平方向上出现偏离，影响后续的数据处理，因此需要对足底压力图像进行角度调整。

具体方法为搜索所有压力值不为零的像素点(这些点组合起来就是一个脚印)以及它们的横纵坐标，通过对像素点的一阶线性拟合计算压力图像的轴线，得到一条在脚印长轴方向上的轴线，此时所有的点大致均匀分布在轴线的两侧，这条轴线与水平方向有一定的夹角(锐角)，根据这个夹角对脚印进行旋转，最后使轴线与水平线的夹角为0，即根据轴线的斜率将压力图像旋转至水平方向，使最终的轴线斜率为零。

[0044](3)足底压力图像切割
[0045]选取压力最大帧图像非零数据点的坐标范围，先找出所有压力值不为0的点的横纵坐标，最小的横坐标和最大的横坐标就是横坐标范围的下限和上限，最小的纵坐标和最大的纵坐标就是纵坐标范围的下限和上限，划定能够包含全脚掌压力数据的最小矩形框，去除最小矩形框以外的像素点，使后续的数据计算与特征提取更加准确，同时减小后续计算量。

[0046](4)足底压力图像自动区域划分
[0047]结合人体足部生物解剖结构和足底受力特征将足底压力图像从足跟到脚趾自动划分为图4所示的第一趾骨(1)、其余趾骨(2)、第一跖趾关节(3)、第四五跖趾关节(4)、足弓(5)、足跟(6)六个大小不同的区域，分别记为第一区、第二区、第三区、第四区、第五区、第六区，符合医学研究中根据人体足部结构划分的足部受力分区情况以及人体步行周期不同阶段的足底受力特点，充分反映足底不同结构的受力特征。

行走过程步态周期主要分为4个支撑相：足跟触地阶段(足跟压力明显)、前足触地阶段(跖趾关节压力明显)、全足支撑阶段(足跟、足弓、跖趾关节、趾骨压力均较明显)、前足离地阶段(跖趾关节、趾骨压力较明显，尤其是第一跖趾关节、第四五跖趾关节、第一趾骨)，所以参考足部解剖结构分布将足底压力区域由足跟到脚趾分为足跟、足弓、第一跖趾关节、第四五跖趾关节、第一趾骨、其余趾骨六个大小不同的区域。

按照每个区域的行数和列数相对于最小矩形框的长宽比例进行划分，而不是按绝对行数和列数划分。

因为不同的脚底压力区域大小形态不同，各个区域的绝对大小不同，但是一般情况下足部这六个区域的相对位置和大小比例相差较小。

[0048]具体分区方法为：
[0049]第一区(第一趾骨(1))和第二区(其余趾骨(2))描述脚趾部分受力情况，长度均为最小矩形框总长的1/6，宽度为总宽的1/2，横纵坐标划分为：
[0050]x
1∈[(5(m‑1)/6)+1，m‑1]，y
1
∈[((n‑1)/2)+1)，n‑1]
[0051]x
2∈[(5(m‑1)/6)+1，m‑1]，y
2
∈[0，(n‑1)/2]
[0052]式中，m、n表示最小矩形框的总行数和总列数，x、y表示压力图像各点行数和列数
索引。

x
1、y
1
代表第一趾骨(1)区域的横纵坐标范围，x
2
、y
2
代表其余趾骨(2)区域的横纵坐标
范围。

[0053]图4展示的是左脚脚尖朝右的情况，这种情况下划分出的第一趾骨(1)、其余趾骨(2)就是脚尖，足跟(6)就是脚跟。

如果是左脚脚尖朝左，就将脚印旋转180°再进行划分。

脚尖朝向的判别方法是：先找出所有压力值不为0的点的横纵坐标，并找出所有横坐标的中值横坐标，再计算同一横坐标下最大纵坐标与最小纵坐标的差值，并找出这个差值的最大值，如果差值的最大值对应的横坐标在中值横坐标的右侧，那么判定脚尖朝右，否则脚尖朝左。