[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN105160348B - 基于图像统计特征的现场痕迹自动同一认定方法及系统 - Google Patents

基于图像统计特征的现场痕迹自动同一认定方法及系统 Download PDF

Info

Publication number
CN105160348B
CN105160348B CN201510472283.4A CN201510472283A CN105160348B CN 105160348 B CN105160348 B CN 105160348B CN 201510472283 A CN201510472283 A CN 201510472283A CN 105160348 B CN105160348 B CN 105160348B
Authority
CN
China
Prior art keywords
feature
trace
similarity
assert
mark image
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201510472283.4A
Other languages
English (en)
Other versions
CN105160348A (zh
Inventor
王新年
吴艳军
张弛
张涛
舒莹莹
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Dalian Maritime University
Original Assignee
Dalian Maritime University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Dalian Maritime University filed Critical Dalian Maritime University
Priority to CN201510472283.4A priority Critical patent/CN105160348B/zh
Publication of CN105160348A publication Critical patent/CN105160348A/zh
Application granted granted Critical
Publication of CN105160348B publication Critical patent/CN105160348B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/755—Deformable models or variational models, e.g. snakes or active contours
    • G06V10/7553—Deformable models or variational models, e.g. snakes or active contours based on shape, e.g. active shape models [ASM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/758—Involving statistics of pixels or of feature values, e.g. histogram matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明是关于一种基于图像统计特征的现场痕迹自动同一认定方法及系统。本发明依据现场痕迹反映出的花纹特征、结构特征、磨损特征及反映造痕体自身性质的个性特征分别从整体、部位和个性三个层次的特征进行逐级痕迹比对认定，整个认定过程不需要人工参与，自动提取特征并进行自动比对。另外，本发明自动检测提取特征及认定，不需要人工标画特征，很好的解决了人为认定的时效性问题和二义性问题。本发明的认定过程是针对现场痕迹的花纹特征、结构特征、磨损特征及反映造痕体自身性质的个性特征，并非单一特征进行认定，因此判定结果更加精确。因此，本发明可以广泛用于痕迹认定领域。

Description

基于图像统计特征的现场痕迹自动同一认定方法及系统
技术领域
本发明涉及一种同一认定方法及系统，特别是关于一种基于图像统计特征的现场痕迹自动同一认定方法及系统。
背景技术
同一认定是指具有专门知识、经验的人，通过案件中多次出现的物品、物质进行比较、分析，判定其是否来源于同一个客体的认识活动。现场痕迹同一认定的目的是，通过比对不同现场提取到的痕迹或采集嫌疑人痕迹，依据痕迹反映出的花纹特征、结构特征、磨损特征及反映造痕体自身性质的个性特征，判定现场痕迹是否为同一造痕体所遗留。
在我国痕迹检验工作中，经过许多专家的努力，已形成了一套独有的技术体系，在痕迹研究的许多方面，取得了许多世界领先的科技成果，在实践中破获了许多刑事案件。然而痕迹认定却因自身理论，应用等种种因素的限制，导致其在侦查实践中的应用上存在着重重困难。主要表现在传统的手工操作、人工管理方法严重制约了痕迹认定技术在侦察破案中的作用。痕迹图像认定方法主要研究解决人工认定方法中存在的问题：过分依赖专家，依据标准不统一，及人工标定特征耗时且存在二义性(通俗理解是一个东西在一种环境下会出现两种及以上含义，导致难以清楚到底何种意思)。目前痕迹图像的自动识别方法目的多为检测痕迹的相似性，不能从根本上解决现场痕迹同一认定问题。对于现场痕迹的自动同一认定，国内外还没有形成完全成熟的解决方案，因此痕迹图像认定技术的研究对案件的侦破以及嫌疑人的认定具有重要的参考价值。
发明内容
针对上述问题，本发明的目的是提供一种基于图像统计特征的现场痕迹自动同一认定方法及系统，能够对待认定图像自动提取特征并进行自动比对，从而进行同一认定。
为实现上述目的，本发明采取以下技术方案：一种基于图像统计特征的现场痕迹自动同一认定方法，其中现场痕迹包括花纹特征、结构特征、磨损特征和造痕体自身性质特征，它包括以下步骤：1)针对两幅待认定痕迹图像分割和全局配准的预处理，使得二者规格相同，以便实现相同位置的对比；2)针对两幅预处理过后的痕迹图像提取痕迹特征，该提取特征包括提取整体特征、提取部位特征和提取个性特征，其中提取部位特征包括部位粗分区特征和部位细分区特征；其中整体特征反映现场痕迹的花纹特征和结构特征；部位粗分区特征反映现场痕迹的磨损特征；部位细分区特征和提取个性特征反映的是现场痕迹的造痕体自身性质特征；3)根据提取的特征判定两幅待认定痕迹图像是否为同一痕迹，其包括以下步骤：①根据两幅待认定痕迹图像的整体特征相似度判定是否同一，若该相似度未超过相应的阈值，则否定同一；否则进入下一步继续判定；②根据两幅待认定痕迹图像的计算两幅待认定痕迹图像的各部位分区的归一化相关系数作为部位各分区的相似度，求各分区相似度加权和作为部位粗分区特征相似度判定是否同一，若该相似度未超过相应的阈值，则否定同一；否则进入下一步继续判定；③根据两幅待认定痕迹图像的部位粗分区特征和个性特征相似度的乘积作为总相似度判定是否同一，若该相似度超过相应的阈值，则为同一；否则否定同一。
所述步骤2)中提取整体特征的过程如下：针对两幅预处理过后的痕迹图像分别进行傅里叶变换，然后采用带通滤波器进行滤波，滤波后取绝对值，得到各痕迹图像对应的整体特征。
所述步骤2)中提取部位特征的过程如下：A、根据造痕体的解剖结构，将各痕迹图像细划为若干个不规则大小的子区域，并将各个子区域灰度值矩阵作为部位粗分区特征；B、对各个子区域外接矩形进行等大小划分方块，提取各子区域内所有方块灰度值作为部位细分区特征。
所述步骤2)中痕迹图像划分为19个子区域。
所述步骤2)中提取个性特征的过程如下：从两个方面进行提取：方面1：A、对各痕迹图像在多尺度下进行角点检测，得到各自的角点；B、利用特定形态细节特征在痕迹图像上反映出的特点，并依据痕迹鉴定方面先验知识，即痕迹鉴定中如何认定特征为个性特征，对检测出来的角点进行近一步筛选，筛选结果为个性特征点；方面2：提取各痕迹图像边缘，得到连通区域，当连通区域直径符合设定范围时，连通区域的中心作为对方面1中得到的个性特征点的补充；通过以上两个方面得到的个性特征点为中心周围固定大小方块，即与部位细分区小方框等大小，取个性特征点周围方框内灰度矩阵作为个性特征，描述该个性特征点。
基于图像统计特征的现场痕迹自动同一认定系统，其特征在于：它包括预处理模块、特征提取模块和同一判定模块；所述预处理模块用于针对两幅待认定痕迹图像分割和全局配准的预处理，使得二者规格相同，以便实现相同位置的对比，并将预处理完成的图像发送给所述特征提取模块，上述现场痕迹特征包括花纹特征、结构特征、磨损特征和造痕体自身性质特征；所述特征提取模块包括整体特征提取单元、部位特征提取单元和个性特征提取单元，且所述部位特征提取单元包括部位粗分区特征提取机构和部位细分区特征提取机构；所述整体特征提取单元用于提取反映现场痕迹的花纹特征和结构特征的整体特征；所述部位特征提取单元中所述部位粗分区特征提取机构用于提取反映现场痕迹的磨损特征的部位粗分区特征；所述部位细分区特征提取机构用于提取部位粗分区特征；所述个性特征提取单元提取用于个性特征，结合所述部位细分区特征提取机构的部位粗分区特征形成反映现场痕迹的造痕体自身性质特征；所述特征提取模块将所有特征传送给所述同一判定模块；所述同一判定模块包括整体判定单元、部位粗分区判定单元和部位细分区及个性判定单元，且所述整体判定单元连接所述整体特征提取单元，所述部位粗分区判定单元连接所述部位粗分区特征提取机构，所述部位细分区及个性判定单元连接所述部位细分区特征提取机构和所述个性特征提取单元；所述整体判定单元用于计算两幅待认定痕迹图像的整体特征相似度，判定该相似度是否超过设定阈值，若未超过则判定为两幅待认定痕迹图像不同一，否则继续比较，进入所述部位粗分区判定单元；所述部位粗分区判定单元用于计算两幅待认定痕迹图像的部位粗分区特征相似度，判定该相似度是否超过设定阈值，若未超过则判定为两幅待认定痕迹图像不同一，否则继续比较，进入所述部位细分区及个性判定单元；所述部位细分区及个性判定单元用于计算两幅待认定痕迹图像的部位细分区特征和个性特征相似度的乘积作为总相似度，判定该相似度是否超过设定阈值，若未超过则判定为两幅待认定痕迹图像不同一，否则同一。
本发明由于采取以上技术方案，其具有以下优点：1、本发明依据现场痕迹反映出的花纹特征、结构特征、磨损特征及反映造痕体自身性质的个性特征分别从整体、部位和个性三个层次的特征进行逐级痕迹比对认定。整体认定是根据提取的痕迹整体性花纹特征和结构特征计算出相似度，并判定是否超过相应的阈值，未超过阈值则否定同一，否则进入下一级部位认定。部位认定是基于造痕体的解剖结构，将痕迹图像细划为多个分区，统计每个分区结构特征和磨损特征的相似度，从而计算各分区的相似度，并判定是否超过相应的阈值，未超过阈值则否定同一，否则进入下一级个性认定。个性认定是依据反映造痕体自身性质的个性特征计算相似度，将具有统计特征的各分区部位细分区特征相似度和个性特征相似度加权求和得到总体同一性程度，根据总体同一性程度结合经过大量学习而来的同一性评价标准，给出同一性认定结果。整个过程不需要人工参与，自动提取特征并进行自动比对。另外，本发明自动检测提取特征及认定，不需要人工标画特征，很好的解决了人为认定的时效性问题和二义性问题。2、本发明的认定过程是针对现场痕迹的花纹特征、结构特征、磨损特征及反映造痕体自身性质的个性特征，并非单一特征进行认定，因此判定结果更加精确。因此，本发明可以广泛用于痕迹认定领域。
附图说明
图1是本发明方法的流程图
图2是本发明系统的结构图
具体实施方式
下面结合附图和实施例对本发明进行详细的描述。
如图1所示，一种基于图像统计特征的现场痕迹自动同一认定方法，其中现场痕迹包括花纹特征、结构特征、磨损特征和造痕体自身性质特征，其包括以下步骤：
1)针对两幅待认定痕迹图像分割和全局配准的预处理，使得二者规格相同，以便实现相同位置的对比，其包括以下步骤：
①采用图像分割算法将痕迹从复杂背景中提取出来，以去除背景和部分噪声干扰；
上述图像分割算法为Chunming Li；Rui Huang；Zhaohua Ding；Gatenby，J.C.；Metaxas，D.N.and Gore，J.C.，“A Level Set Method for Image Segmentation in thePresence of Intensity Inhomogeneities With Application to MRI，”ImageProcessing，IEEE Transactions on，vol.20，no.7，pp.2007-2016，July 2011.
②将其中一幅痕迹图像为模板图，通过计算得到两幅待认定痕迹图像间存在的角度，尺度和位移等参数，对另一幅待配准进行该参数下的仿射变换，完成全局配准，即形成一样的规格，以便二者在同一认定的过程中轮廓相同。
2)针对两幅预处理过后的痕迹图像提取痕迹特征，该提取特征包括提取整体特征、提取部位特征和提取个性特征，即按照先整体再局部最后细节的顺序，逐一提取，其包括以下步骤：
①整体特征反映的是现场痕迹的花纹特征和结构特征，其提取过程如下：
针对两幅预处理过后的痕迹图像分别进行傅里叶变换，然后采用带通滤波器进行滤波，滤波后取绝对值，得到各痕迹图像对应的整体特征。
②部位特征的提取包括部位粗分区特征和部位细分区特征，且部位粗分区特征反映的是现场痕迹的磨损特征，部位细分区特征结合个性特征反映的是造痕体自身性质，部位特征的提取过程如下：
A、根据造痕体的解剖结构(此为公安局内部公安干警公知的常识，故不再详述)，将各痕迹图像细划为若干个不规则大小的子区域，并将各个子区域灰度值矩阵作为部位粗分区特征；
上述实施例中，痕迹图像优选划分为19个子区域。
B、对各个子区域外接矩形进行等大小划分方块，提取各子区域内所有方块灰度值作为部位细分区特征；
上述外接矩形为最小外接矩形，也有译为最小边界矩形，最小包含矩形，或最小外包矩形。最小外接矩形是指以二维坐标表示的若干二维形状(例如点、直线、多边形)的最大范围，即以给定的二维形状各顶点中的最大横坐标、最小横坐标、最大纵坐标、最小纵坐标定下边界的矩形。
③个性特征结合细分区特征反映的是造痕体自身性质，个性特征的提取过程从以下两个方面进行：
方面1：
A、对各痕迹图像在多尺度下进行角点检测(基于灰度图像的角点检测)，得到各自的角点；
B、利用特定形态细节特征在痕迹图像上反映出的特点，并依据痕迹鉴定方面先验知识，即痕迹鉴定中如何认定特征为个性特征(其为本领域技术人员公知的，故不在详述)，对检测出来的角点进行近一步筛选，筛选结果为个性特征点；
方面2：由于角点检测可能未检测到所有的孔洞，因此采用方面2获取个性点作为对角点检测的补充，其过程如下：提取各痕迹图像边缘，得到连通区域，当连通区域直径符合设定范围时，连通区域的中心作为对方面1中得到的个性特征点的补充；
通过以上两个方面得到的个性特征点为中心周围固定大小方块，即与部位细分区小方框等大小，取个性特征点周围方框内灰度矩阵作为个性特征，描述该个性特征点。
3)根据提取的特征判定两幅待认定痕迹图像是否为同一造痕体所遗留，其包括以下步骤：
①计算两幅待认定痕迹图像整体特征的归一化相关系数作为整体特征的相似度，该整体特征的相似度反映痕迹的花纹特征和结构特征的相似程度，当整体特征相似度小于阈值M1时，表明两幅待认定痕迹图像花纹特征不相似，终止下一步比对，给出否定同一的认定结论；否则进入下一步；
②计算两幅待认定痕迹图像的各部位分区的归一化相关系数作为部位各分区的相似度，求各分区相似度加权和作为部位粗分区特征相似度，该部位粗分区特征相似度反映痕迹各分区磨损特征的相似程度，当部位粗分区特征相似度小于阈值M2时，表明两幅待认定痕迹图像局部磨损程度不相似，终止下一步比对，给出否定同一的认定结论；否则进入下一步；
上述部位粗分区特征相似度的求取过程为计算两幅待认定痕迹图像各部位分区的归一化相关系数作为各分区部位特征的相似度，求各分区相似度加权和作为部位粗分区特征相似度。
③对每块部位细分区特征使用“对图像旋转与尺度变化不敏感的模板匹配方法”，其为S.A.Araújo and H.Y.Kim，”Ciratefi:An RST-Invariant Template Matching withExtension to Color Images，”Integrated Computer-Aided Engineering，vol.18，no.1，pp.75-90，2011.求取每个方块的相似度sri，分别统计所有细分区中大于一定阈值M3的方块数占该细分区中总方块数Bi的比例，该比例作为该区域的细分区相似度得分，由各分区相似度组成一维相似度特征向量Pr，即部位细分区的特征相似度值Pr；
对于分区个性特征使用“对图像旋转与尺度变化不敏感的模板匹配方法”求取每个方块的相似度sai，统计所有细分区中相似度大于阈值M3的点个数占个性特征点总个数的比例，作为个性特征相似度得分，可以得到一维相似度特征向量Pa，即个性特征的相似度值Pa，该个性特征的相似程度表示造痕体自身性质的个性特征。
若在粗分区内未检测到个性特征点，则该分区不参与相似度计算，相似度特征向量Pa由其余分区个性特征相似度组成，同时细分区相似度特征向量由对应的分区相似度组成。
以部位细分区特征相似度值Pr与个性特征相似度值Pa的乘积作为总相似度值P，根据相似度评价标准，即当整体认定得分P大于或等于阈值M时，得到同一认定结论，否则得到否定同一结论。
上述利用痕迹统计特征，有效地解决现场痕迹图像噪声干扰严重的问题。
上述“对图像旋转与尺度变化不敏感的模板匹配方法”针对各层特征的认定策略具有旋转、缩放、平移不变性，并具有对噪声不敏感的特性，在认定方面具有明显的优势。
需要说明的是，M1、M2、M3和M是根据实验而得，实验过程如下：
1)将实验数据分为训练数据和验证数据两部分，这两部分数据事先已知比对痕迹图像和待比对痕迹图像是否为同一造痕体所遗留。
2)统计实验中各比对组整体特征和部位粗分区特征的相似度，阈值M1、M2的设定须明显分割同一与非同一的各比对组整体特征和部位粗分区特征的相似度。
3)统计实验中各比对组部位细分区特征和个性特征的相似度，部位细分区小方框大小与个性特征方框大小一致，特征为等大小的灰度矩阵。阈值M3设定须明显分割同一与非同一的各比对组部位细分区特征和个性特征的相似度。
4)统计实验中各比对组总相似度值的大小，阈值M的设定须明显分割同一与非同一的各比对组总相似度值。
5)上述阈值设定完成后，需要使用测试数据进行测试。
如图2所示，一种基于图像统计特征的现场痕迹自动同一认定系统包括预处理模块1、特征提取模块2和同一判定模块3。
预处理模块1用于针对两幅待认定痕迹图像分割和全局配准的预处理，使得二者规格相同，以便实现相同位置的对比，并将预处理完成的图像发送给特征提取模块2，上述现场痕迹特征包括花纹特征、结构特征、磨损特征和造痕体自身性质特征。
特征提取模块2包括整体特征提取单元21、部位特征提取单元22和个性特征提取单元23，且部位特征提取单元22包括部位粗分区特征提取机构221和部位细分区特征提取机构222。
整体特征提取单元21用于提取反映现场痕迹的花纹特征和结构特征的整体特征；部位特征提取单元22中部位粗分区特征提取机构221用于提取反映现场痕迹的磨损特征的部位粗分区特征；部位细分区特征提取机构222用于提取部位细分区特征；个性特征提取单元23提取用于个性特征，结合部位细分区特征提取机构222的部位粗分区特征形成反映现场痕迹的造痕体自身性质特征。特征提取模块2将所有特征传送给同一判定模块3。
同一判定模块3包括整体判定单元31、部位粗分区判定单元32和部位细分区及个性判定单元33，且整体判定单元31连接整体特征提取单元21，部位粗分区判定单元32连接部位粗分区特征提取机构221，部位细分区及个性判定单元33连接部位细分区特征提取机构222和个性特征提取单元23。
整体判定单元31用于计算两幅待认定痕迹图像的整体特征相似度，判定该相似度是否超过设定阈值，若未超过则判定为两幅待认定痕迹图像不同一，否则继续比较，进入部位粗分区判定单元32。
部位粗分区判定单元32用于计算两幅待认定痕迹图像的部位粗分区特征相似度，判定该相似度是否超过设定阈值，若未超过则判定为两幅待认定痕迹图像不同一，否则继续比较，进入部位细分区及个性判定单元33。
部位细分区及个性判定单元33用于计算两幅待认定痕迹图像的部位细分区特征和个性特征相似度的乘积作为总相似度，判定该相似度是否超过设定阈值，若未超过则判定为两幅待认定痕迹图像不同一，否则同一。
上述实施例中的实施方案可以进一步组合或者替换，且实施例仅仅是对本发明的优选实施例进行描述，并非对本发明的构思和范围进行限定，在不脱离本发明设计思想的前提下，本领域中专业技术人员对本发明的技术方案作出的各种变化和改进，均属于本发明的保护范围。

Claims (8)

1.一种基于图像统计特征的现场痕迹自动同一认定方法，其中现场痕迹包括花纹特征、结构特征、磨损特征和造痕体自身性质特征，它包括以下步骤：
1)针对两幅待认定痕迹图像分割和全局配准的预处理，使得二者规格相同，以便实现相同位置的对比；
2)针对两幅预处理过后的痕迹图像提取痕迹特征，该提取特征包括提取整体特征、提取部位特征和提取个性特征，其中提取部位特征包括部位粗分区特征和部位细分区特征；
其中整体特征反映现场痕迹的花纹特征和结构特征；部位粗分区特征反映现场痕迹的磨损特征；部位细分区特征和提取个性特征反映的是现场痕迹的造痕体自身性质特征；
3)根据提取的特征判定两幅待认定痕迹图像是否为同一痕迹，其包括以下步骤：
①根据两幅待认定痕迹图像的整体特征相似度判定是否同一，若该相似度未超过相应的阈值，则否定同一；否则进入下一步继续判定；
②根据两幅待认定痕迹图像的计算两幅待认定痕迹图像的各部位分区的归一化相关系数作为部位各分区的相似度，求各分区相似度加权和作为部位粗分区特征相似度判定是否同一，若该相似度未超过相应的阈值，则否定同一；否则进入下一步继续判定；
③根据两幅待认定痕迹图像的部位粗分区特征和个性特征相似度的乘积作为总相似度判定是否同一，若该相似度超过相应的阈值，则为同一；否则否定同一。
2.如权利要求1所述的基于图像统计特征的现场痕迹自动同一认定方法，其特征在于：所述步骤2)中提取整体特征的过程如下：针对两幅预处理过后的痕迹图像分别进行傅里叶变换，然后采用带通滤波器进行滤波，滤波后取绝对值，得到各痕迹图像对应的整体特征。
3.如权利要求1所述的基于图像统计特征的现场痕迹自动同一认定方法，其特征在于：所述步骤2)中提取部位特征的过程如下：
A、根据造痕体的解剖结构，将各痕迹图像细划为若干个不规则大小的子区域，并将各个子区域灰度值矩阵作为部位粗分区特征；
B、对各个子区域外接矩形进行等大小划分方块，提取各子区域内所有方块灰度值作为部位细分区特征。
4.如权利要求2所述的基于图像统计特征的现场痕迹自动同一认定方法，其特征在于：所述步骤2)中提取部位特征的过程如下：
A、根据造痕体的解剖结构，将各痕迹图像细划为若干个不规则大小的子区域，并将各个子区域灰度值矩阵作为部位粗分区特征；
B、对各个子区域外接矩形进行等大小划分方块，提取各子区域内所有方块灰度值作为部位细分区特征。
5.如权利要求3或4所述的基于图像统计特征的现场痕迹自动同一认定方法，其特征在于：所述步骤2)中痕迹图像划分为19个子区域。
6.如权利要求1或2或3或4所述的基于图像统计特征的现场痕迹自动同一认定方法，其特征在于：所述步骤2)中提取个性特征的过程如下：从两个方面进行提取：
方面1：
A、对各痕迹图像在多尺度下进行角点检测，得到各自的角点；
B、利用特定形态细节特征在痕迹图像上反映出的特点，并依据痕迹鉴定方面先验知识，即痕迹鉴定中如何认定特征为个性特征，对检测出来的角点进行近一步筛选，筛选结果为个性特征点；
方面2：提取各痕迹图像边缘，得到连通区域，当连通区域直径符合设定范围时，连通区域的中心作为对方面1中得到的个性特征点的补充；
通过以上两个方面得到的个性特征点为中心周围固定大小方块，即与部位细分区小方框等大小，取个性特征点周围方框内灰度矩阵作为个性特征，描述该个性特征点。
7.如权利要求5所述的基于图像统计特征的现场痕迹自动同一认定方法，其特征在于：所述步骤2)中提取个性特征的过程如下：从两个方面进行提取：
方面1：
A、对各痕迹图像在多尺度下进行角点检测，得到各自的角点；
B、利用特定形态细节特征在痕迹图像上反映出的特点，并依据痕迹鉴定方面先验知识，即痕迹鉴定中如何认定特征为个性特征，对检测出来的角点进行近一步筛选，筛选结果为个性特征点；
方面2：提取各痕迹图像边缘，得到连通区域，当连通区域直径符合设定范围时，连通区域的中心作为对方面1中得到的个性特征点的补充；
通过以上两个方面得到的个性特征点为中心周围固定大小方块，即与部位细分区小方框等大小，取个性特征点周围方框内灰度矩阵作为个性特征，描述该个性特征点。
8.如权利要求1～7任意一项所述的基于图像统计特征的现场痕迹自动同一认定方法的系统，其特征在于：它包括预处理模块、特征提取模块和同一判定模块；
所述预处理模块用于针对两幅待认定痕迹图像分割和全局配准的预处理，使得二者规格相同，以便实现相同位置的对比，并将预处理完成的图像发送给所述特征提取模块，上述现场痕迹包括花纹特征、结构特征、磨损特征和造痕体自身性质特征；
所述特征提取模块包括整体特征提取单元、部位特征提取单元和个性特征提取单元，且所述部位特征提取单元包括部位粗分区特征提取机构和部位细分区特征提取机构；
所述整体特征提取单元用于提取反映现场痕迹的花纹特征和结构特征的整体特征；所述部位特征提取单元中所述部位粗分区特征提取机构用于提取反映现场痕迹的磨损特征的部位粗分区特征；所述部位细分区特征提取机构用于提取部位粗分区特征；所述个性特征提取单元提取用于个性特征，结合所述部位细分区特征提取机构的部位粗分区特征形成反映现场痕迹的造痕体自身性质特征；所述特征提取模块将所有特征传送给所述同一判定模块；
所述同一判定模块包括整体判定单元、部位粗分区判定单元和部位细分区及个性判定单元，且所述整体判定单元连接所述整体特征提取单元，所述部位粗分区判定单元连接所述部位粗分区特征提取机构，所述部位细分区及个性判定单元连接所述部位细分区特征提取机构和所述个性特征提取单元；
所述整体判定单元用于计算两幅待认定痕迹图像的整体特征相似度，判定该相似度是否超过设定阈值，若未超过则判定为两幅待认定痕迹图像不同一，否则继续比较，进入所述部位粗分区判定单元；
所述部位粗分区判定单元用于计算两幅待认定痕迹图像的部位粗分区特征相似度，判定该相似度是否超过设定阈值，若未超过则判定为两幅待认定痕迹图像不同一，否则继续比较，进入所述部位细分区及个性判定单元；
所述部位细分区及个性判定单元用于计算两幅待认定痕迹图像的部位细分区特征和个性特征相似度的乘积作为总相似度，判定该相似度是否超过设定阈值，若未超过则判定为两幅待认定痕迹图像不同一，否则同一。
CN201510472283.4A 2015-08-04 2015-08-04 基于图像统计特征的现场痕迹自动同一认定方法及系统 Active CN105160348B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510472283.4A CN105160348B (zh) 2015-08-04 2015-08-04 基于图像统计特征的现场痕迹自动同一认定方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510472283.4A CN105160348B (zh) 2015-08-04 2015-08-04 基于图像统计特征的现场痕迹自动同一认定方法及系统

Publications (2)

Publication Number Publication Date
CN105160348A CN105160348A (zh) 2015-12-16
CN105160348B true CN105160348B (zh) 2018-06-12

Family

ID=54801200

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510472283.4A Active CN105160348B (zh) 2015-08-04 2015-08-04 基于图像统计特征的现场痕迹自动同一认定方法及系统

Country Status (1)

Country Link
CN (1) CN105160348B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106951906B (zh) * 2017-03-22 2020-03-17 重庆市公安局刑事警察总队 鞋底花纹多维度分类与识别的综合分析方法
CN106940727B (zh) * 2017-03-22 2019-04-09 重庆市公安局刑事警察总队 鞋底花纹多维度分类与识别的编码方法
CN107071386A (zh) * 2017-04-19 2017-08-18 宁波万维显示科技有限公司 识别3d格式视频的方法及装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103400362A (zh) * 2013-07-30 2013-11-20 中国人民解放军第三军医大学第三附属医院 事故近景图与航拍图像相融合获取清晰场景图的方法
CN103955496A (zh) * 2014-04-18 2014-07-30 大连恒锐科技股份有限公司 一种快速的现场轮胎痕迹花纹检索算法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101760258B1 (ko) * 2010-12-21 2017-07-21 삼성전자주식회사 얼굴 인식 장치 및 그 방법
KR101901591B1 (ko) * 2011-11-01 2018-09-28 삼성전자주식회사 얼굴 인식 장치 및 그 제어방법

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103400362A (zh) * 2013-07-30 2013-11-20 中国人民解放军第三军医大学第三附属医院 事故近景图与航拍图像相融合获取清晰场景图的方法
CN103955496A (zh) * 2014-04-18 2014-07-30 大连恒锐科技股份有限公司 一种快速的现场轮胎痕迹花纹检索算法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
道路交通事故现场痕迹信息辨识与应用;张汉欣等;《第七届国际汽车交通安全学术会议论文集》;20091204;第32页-第41页 *

Also Published As

Publication number Publication date
CN105160348A (zh) 2015-12-16

Similar Documents

Publication Publication Date Title
CN101359365B (zh) 一种基于最大类间方差和灰度信息的虹膜定位方法
CN101706445B (zh) 用于牛肉大理石花纹等级评分的图像处理方法
CN101246544B (zh) 一种基于边界点搜索和最小核值相似区边缘检测的虹膜定位方法
CN103870808B (zh) 一种手指静脉识别方法
CN108416336A (zh) 一种智慧社区人脸识别的方法和系统
CN107392885A (zh) 一种基于视觉对比机制的红外弱小目标检测方法
CN101201893A (zh) 一种基于灰度信息的虹膜识别预处理方法
CN104794440B (zh) 一种基于多分块多尺度lbp的假指纹检测方法
Thalji et al. Iris Recognition using robust algorithm for eyelid, eyelash and shadow avoiding
CN110837768A (zh) 一种面向珍稀动物保护的在线检测与识别方法
CN107194361A (zh) 二维姿势检测方法及装置
CN105160348B (zh) 基于图像统计特征的现场痕迹自动同一认定方法及系统
CN105678792A (zh) 一种人体轮廓提取方法及系统
CN108921004A (zh) 安全帽佩戴识别方法、电子设备、存储介质及系统
CN102567733A (zh) 一种微波图像非合作情况下人体隐私部位检测与遮挡方法
CN101419669B (zh) 一种基于Contourlet变换的三维人耳提取方法
Beevi et al. Detection of mitotic nuclei in breast histopathology images using localized ACM and Random Kitchen Sink based classifier
CN106650749B (zh) 一种高分辨率光学影像中直角建筑物的标绘方法
Malathi et al. A survey on plant leaf disease detection using image processing techniques
Gupta et al. Adaptive thresholding for skin lesion segmentation using statistical parameters
CN102163343B (zh) 基于互联网图像的三维模型最佳视角自动获取方法
Hussain et al. Biometric security application for person authentication using retinal vessel feature
Kanawong et al. An automatic tongue detection and segmentation framework for computer–aided tongue image analysis
Yu et al. Face recognition based on euclidean distance and texture features
Kayalvizhi et al. Analysis of ventricle regions in Alzheimer’s brain MR images using level set based methods

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant