犯罪现场足迹匹配的应用
奇拉格·纳帕尔
语言技术研究所卡内基梅隆大学匹兹堡分校, PA 15213 chiragn@cs.cmu.edu
摘要
在犯罪现场，脚印是至关重要的证据，法医专家和执法机构依靠脚印来建立针对嫌疑人的定罪证据，特别是在刑事案件中。本文描述了一个用于执行执法任务的足迹数据执行2种机器学习任务的系统。1)足迹检测，以检测是否打印在右脚或左脚，2)脚印匹配，其中给定先前足迹数据的目标是匹配较新的足迹。我们通过进行一些分析和探索，进一步扩展了这项工作。模式发现使用了一些机器学习技术。暴力犯罪现场经常出现不完整/血迹斑斑的脚印。它通常很难制造。从犯罪现场得到的破碎脚印的预测。虽然是为了区分一个完整的脚印和一个完整的鞋印，当试图区分一个不完整的脚印和一个不完整的鞋印时，这种区别并不容易。鞋尺寸和鞋制。因此，本研究试图开发一种基于计算机的方法，利用特征和可用的打印轮廓进行差异匹配。在一只不完整的血淋淋的鞋子和脚印之间在237张指纹数据集上进行测试，足迹/鞋印分类准确率为81%(灵敏度为79.6%，特异性为 76%).
资料组
法医分析员在犯罪调查中发挥着重要作用。他们检查犯罪现场，收集被告和受害者留下的痕迹和证据。脚印是一种非常普遍和重要的东西，在犯罪现场的标记。这有助于得出关于犯罪期间在场的个人的重要结论。分析人员实时检查足迹，它是3d视图和还可以捕捉未来的图像。对加快犯罪现场重建进程将有很大帮助。脚印上有几个信息，如脚的大小，是否有脚印？可以预测鞋、运动方向、踏步样式、性别和身高。
通过自动系统正确和快速地预测这些信息将有助于约束调查边界和将导致正确，有效的调查。犯罪现场可能有不同类型的脚印。这参考资料及随后的审查。研究工作特别涉及带有可见的指纹或专利过程将三维鞋印转换为2D和实时。指纹。当任何表面产生可见的打印时硒本质消失了。有明确的规则脚或鞋，接触带血专业摄影师，因为拍摄的图像可以使用法医分析。足迹有几种类型，一种叫隐形印，肉眼看不见。当一个人走在地板上称为转移污渍。这种类型的污点的图像由一个自动化系统将非常有用的调查机构。自动化系统是计算机辅助诊断(CAD)。生产的基于图像预处理的三大关键步骤系统足迹被称为潜在打印。另一种类型的打印是可见的，在干燥的地板上，湿的脚底会产生它。这种印纹是裸眼可见的，对于调查目的非常有效。特征E第三次分类。分类器的性能很大程度上取决于特征集的鲁棒性。因此，构造一个强大的特征集是非常重要的，它提高了性能。易受影响的表面，如粘土表面，熔融蜡表面回顾作品：足迹是一个进口犯罪中的蚂蚁标记还有类似的。肉眼也能看到这些印象。并且可以在没有开发的情况下观看或拍照。在像印度这样的人口众多的国家里非常罕见，手工分析是非常耗时的过程。根据国家犯罪记录局2012年的记录，印度暴力犯罪总数为275165起。几项研究表明，足部和脚印是一个人的身高和性别的非常好的指标。相关系数和回归分析是非常重要的部分。这些研究的结果。形成了两个群体-男性和女性属于特定的年龄范围。男女人数大致相等有百分之二的人被定罪。印度的不同地区是调查程序影响判决程序增加案件的数量。所以一个自动化系统研究反映在北印度青少年、北印度古贾尔人、北孟加拉土著人等研究中。有人分析了294名男性和275名女性脚印样本。在他的工作中，他报告了身高和右鞋长度之间的显著相关性(r=0.591)。STAA之间的相关系数(R)身高与右脚长度之间的真实和右脚长度预测为0.579。对于女性受试者来说，身高与右脚长度也呈正相关。身高与右鞋长度之间记录(r=0.460)。预测准确率为86-98%。Kewal Krishan对2080个双侧脚印和足部的样本进行了研究。从印度北部1040名成年男性收集。男性受试者年龄组为18~30岁。趾长测量的正相关系数最高。(0.82-0.87)。Zeybek等人对右脚测量的性别识别/预测准确率为95.6%，左脚测量的准确率为96.4%。阿波在杜库兹·埃卢尔大学医学院和土耳其理疗与康复学院就读的UT 249名学生参加了这项研究。杰迪普·森和希拉·戈什对生活在大吉岭地区不同村庄的350名成年Rajbanshi人和100名成年Meche人(年龄范围：18至50岁)的身高、足长和足宽的研究。这项研究报告了92%的预测准确率。在这些研究中，我们记录了脚的高度和宽度，然后计算出了平均值，然后根据这些值进行标准差计算。测量高度和宽度。在此基础上，计算出相关系数，并进行回归分析，预测脚印贝罗人的身高、性别。犯罪现场的脚印有一些问题。脚印的最大值是破碎的，所以经常很难精确地测量脚印的高度和宽度。所以侦察应采用施工程序对这些参数进行准确的测量。然后可以应用后续的预测步骤。人类专家运用他们的经验来区分脚印分为两组；赤脚脚印和鞋印。然后将相应的重建技术和数学技术应用于所捕获的图像进行预测。用于自动化系统的情况并不容易，系统没有经验。因此，它不能自动区分光足迹和鞋印。用于应用重建和数学程序系统正确识别这两种类型的打印。本文试图开发一种可用于自动区分这两个集合的方法。接下来的步骤可以是INCO。在.系统，从而使扩展的系统对调查目的有用。在草药片上留下血渍的脚印，然后这些脚印就会干涸。然后，根据法医学的一些基本规则，对样本脚印图像进行了捕捉。从固定焦距垂直方向由高分辨率相机。两个尺度沿图像边缘水平和垂直放置，以检测任何类型的失真，图像中存在一些噪声和伪影，这些应该被去除以便正确地区分足部和鞋印。血液的实际图像矩阵通过去除缩放伪影和其他背景噪音，从整个图像中裁剪出所获得的足迹。
该操作被称为对图像的预处理,该预处理是进一步PROCE的先决条件,图像的修改。这些步骤如下：通过从数据库读取所有图像来创建RGB映像集。对于每一幅图像，识别并提取图像的红色部分，为红色、绿色和蓝色组件创建不同的信道矩阵。对于图像的每个像素，确定绿色和蓝色之间的较大分量。如果计算值小于alpha;，则表示像素不是红色。否则，这个像素被考虑在ROI中。应用窗口尺寸为3times;3的维纳滤波器。考虑区域t值等于或超过beta;像素。通过执行这些操作，从RGB图像集中获得无噪声的二值图像集。数据库由500times;500分辨率的图像组成。SO3times;3窗口大小维纳过滤器就够了。运用试验和误差分析的方法，本文研究的“alpha;”和“beta;”分别以10和26为宜。种植是由AP完成的。在二进制图像上执行以下步骤：按列的主要顺序从左边扫描图像。第一个像素值为零，标记为ROI的左边界。从右边扫描图像列的主要顺序。第一个像素值为零，被标记为ROI的右边界。从顶部按大顺序扫描图像。将值为零的第一个像素标记为RO的顶边界。I.从底部以大排顺序扫描图像。将值为零的第一像素标记为ROI的底边界。
现在裁剪的图像集准备好进行进一步的处理。这里是O的尺寸f图像比原始图像少得多，因此本文提出的分割成两个集合的方法在这些图像上执行得更快。现在，每个裁剪的二进制图像都会被检查它是否是赤裸的脚印或鞋印。每幅图像的顶部、最大点和底部最大点都已被存储。考虑这两个点之间的一条假设直线，这两个点的边界点。这条线左边的足迹被认为是左边界点，类似地，也有右边的边界点。图像沿高度被分割成三个相等的部分。对于每一段，都要检查左边界点和右边界点的值是增加还是减少。每个边界的每一段都有一个标志。当该段的值减少时，标志包含一个，否则它包含零。在左脚赤脚的情况下，很明显，两者边界的中间段的标志值必须是EO和0，不管上下段是多少，它都是1和一只右脚赤脚。对于鞋，这些标志值应该是1和0。
我们的数据集由多个脚印组成，属于左脚或右脚。脚印并不清晰，有时沿着主轴有多种不同的方向。不平凡的噪音形式。由于方向的随机性，使得使用简单的计算机视觉技术变得困难，因为许多标准模型都不是旋转不变的，同时也是foo。Tprint由于其旋转而被屏蔽，因此很难获得整个脚印模板。对于任务1，我们的数据集包含5000幅每英尺的图像。对于任务2，我们有1000个金塔NDARD图像，我们需要匹配一组噪声10000图像。
预处理
图 1: 原始图像的预处理管道
第30届神经信息处理系统会议(NIPS 2016)，西班牙巴塞罗那。为了降低噪声，我们采用了非局部均值去噪滤波器[1]。从去噪图像中，我们对图像进行阈值化处理，以提取下游任务感兴趣的图像部分。接下来，我们执行旋转，以重新定位的主轴的脚与垂直轴。我们增益应用高斯滤波器来查找图像中含有信息的区域，然后根据图像中的空白量，通过保持x或y轴来进行线性回归。S作为因变量。这给了我们图像的主要方向。(请注意，我们在这里不执行变换，以便显式地使用在课堂上学到的工具和技术)然后我们利用先前计算的回归线的值及其与y轴的截取来计算图像的旋转角度。然后，我们使用仿射变换，旋转图像。t旋转图像所需的角度。注意，给定的方法将调整图像沿其主轴方向，但它不会确保图像不直立。这不是很重要下游任务中的问题，我们将使用数据增强来解决这一问题。
学术
图2:提出了一种用于左、右检测任务的神经网络模型。
任务1：左/右检测
对数据集进行左/右检测，我们首先训练一个深度卷积神经模型，并将左、右足迹检测作为二值分类。最后一层由乙状结肠ac组成。我们训练它来优化交叉熵损失，使用允许更快收敛的SGD的修改，称为ADAM[2]，使用软件包Keras[4]。所有层都使用rec。固定线性单位[5]作为激活。在卷积层之后，我们有一系列密集的、完全连接的层以及不同的丢包值，以通过防止超频来确保鲁棒性。[3]我们还通过翻转图像、延长垂直轴并将它们从一个类添加到另一个类来增加数据。我们还将所有图像旋转180度，这样做是为了确保模型也能从初始重定向到主轴后不直立的图像中学习。
任务2：足迹匹配
这个任务比以前的任务要难一些，这里我们得到了1000个图像，我们要将这些图像匹配到10000张原始图像。我们可以把这看作是一种1000路的快车。而不是以前的任务，即只是二进制分类。然而，鉴于我们每班只有一幅黄金图像，由于缺乏监督，因此很难训练出一个有监督的模型。培训数据。因此，我们从根本上不同的方式来处理这个问题。我们宁愿把它当作一个信息检索问题，我们的目的是找到最接近的图像。
图3：我们的方法的示例，建模为一个IR问题，图像的平面向量被转置，点积用扁平的金集获取。
图像。让测试图像由向量xi来描述。这里Xiisin;R35000。让金像被向量yj描述，
yjisin;R35000。因此
jilowast; = arg min d(xi, yj) (1)
j
这里d(，)是一个距离函数，它可以计算R35000空间中两个向量之间的相似性。
jilowast; = arg min xTi .yj (2)
j
我们首先使用点积作为图像之间相似性的度量。然而，我们注意到，当给定的图像有更多的亮区域时，点积有增加的趋势。因此，大多数图像与来自黄金集合的更亮图像相匹配，而不是与正确的图像对齐。为了减少简单点乘积的这种影响，我们将其标准化。它的L2范数。(这对应于两个矢量之间夹角的余弦，并且由于它被每个图像矢量的大小标准化，减少了对更亮图像的倾向。
就像在前面的任务中一样，我们增加了DIN部分，我们将描述各种任务的结果。ata，有翻转的以及旋转为颠倒的图像。而不是对查询数据进行篡改，这将导致10000个4个例子，我们只是增加了黄金图像。这一结果，在4000个黄金图像，因此需要较少的比较。（虽然它是CA）我们认为我们的计算效率不高，我们的空间效率也有很大的提高，我们不需要存储增强后的查询图像的向量表示)。
times;
结果
任务1
|
Development |
Set |
Validation |
Set |
Test Set |
|
|
PP |
88.67% |
* |
* |
||
|
PP Rot |
93.23% |
* |
* |
||
|
PP Rot Flip |
96.65% |
93.3% |
93.5% |
||
表1：PP：预处理，Rot：旋转180度，翻转图像以增强每个类表1显示了任务1的结果，以及如何通过旋转d翻转图像。
注意，此处设置的开发是使用提供的数据创建的，并且是培训数据的5%。
正如预期由于较少的开发数据所预期的那样，我们认为该模型验证和测试
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[467739]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
