基于细目图像分类对钳剪痕迹溯源的实验研究

发布时间：2021-07-27 01:29

　　钳剪痕迹是刑事案件中常见的物证之一,该类痕迹特征能反映作案工具的种类信息和嫌疑人的职业特点,其溯源结果常作为现场勘查中寻找作案工具、锁定作案人的线索和依据。勘查人员主要利用形态学和统计学的方法对钳剪痕迹进行定性和定量分析,总结特征规律、指导溯源工作。文章针对现场勘查中痕迹物证检验鉴别智能化水平较低、人工检验主观性强等问题,引入卷积神经网络对细目图像进行分类,实现钳剪痕迹的自动分析溯源,为钳剪痕迹物证快速分类与鉴别提供智能化的解决方案。本文利用细目照相的方法,记录了断线钳、线缆钳、大力钳等10类常见工具的痕迹形态特征,并利用当前机器学习中分类性能优秀的卷积神经网络进行实验研究。具体实验方法:预选Lenet模型对4类工具的细目图像进行训练建模。预实验中模型迭代60000次,准确率97.78%,表明卷积神经网络应用于钳剪痕迹溯源具有可行性。在此基础上,本文对10类工具的钳剪痕迹进行溯源,并于实验中收集处理了四份质量不一的细目图像集。每份样本集中,训练集80 000张,验证集20 000张,共100 000张,4份样本集总计400 000张;测试集每份10 000张,4份总计40 000张特征... 

【文章来源】：中国人民公安大学北京市

【文章页数】：80 页

【学位级别】：硕士

【部分图文】：

图2.3两种池化方式

中国人民公安大学硕士学位论文-15-无法激活，实际中可能会使部分神经元“坏死”。为缓解该现象，实际网络训练通常会设置一个较小的学习率。LeakyReLU是在ReLU函数的基础上，缓解了梯度为负数的神经元“坏死”问题。其函数式在输入值大于0时与ReLU函数相同，在输入值小于0时，输出值不再是0，而是一个较小斜率（a）的函数。函数式的改动修正了数据的分布，也挽救了部分负轴上的信息。但LeakyReLU函数的效果众说纷纭，部分实验证明其表现优异，而部分实验中效果不佳，真实情况仍有待实验进一步探索。2.2.6Dropout在小型数据集的学习和训练中，网络会因过度训练、模型结构过于复杂等原因，出现训练模型在在训练集中拟合较好，但在测试集中拟合差的现象，即过拟合。为预防过拟合现象，CNN通常采用网络结构正则化的优化策略，在全连接层后加入dropout[43]，在每层神经元训练之前省略一定比例（通常为总数50%）的隐藏层神经元。直到网络训练完成前，每次迭代随机选择删除神经元，仅对保留的单元进行更新，按照BP算法对网络参数进行学习。如图2.4所示。图2.4（a）标准神经网络和（b）使用dropout的神经网络传统神经网络训练过程为：

中国人民公安大学硕士学位论文-18-2+）、（1+，2-）、（1-，2+）（1-，2-）、(2-，1-)、（2-，1+）、（2+，1-）、（2+，1+）8种。而这些特征图像均对应同一类工具，图2.5为侧面形图像样本制作的示意图。图2.5样本制作示意图3钳剪痕迹溯源的可行性实验研究10类工具图像样本的采集时间周期较长，在正式进行钳剪痕迹溯源实验之前，用四类钳剪工具细目图像进行预实验，针对预实验出现的问题进行分析总结，确保后续实验的高效完成。3.1实验样本制作3.1.1实验设备与工具尼康D7200数码单反像机，微距镜头，翻拍架，白炽灯，A4纸张，铅丝，橡皮筋，乐高收纳盒，大力钳，断线钳，水口钳，斜嘴钳，计算机。


本文编号：3304784