低分辨率条件下鞋类的自动分类方法

根据视频监控中行人所穿鞋的鞋型搜索犯罪嫌疑人是公安机关常用侦查技战法。然而在现实案件中很多视频监控分辨率较低,公安民警不能精确识别到具体鞋型,且消耗大量的时间和警力。针对这一问题,提出一种对低分辨率视频监控下的鞋类进行自动分类的方法。参考全国制鞋标准化技术委员会2017年制定的制鞋标准,初步将鞋类分为皮鞋和运动鞋两大类;构建鞋类数据库,包括59 853幅皮鞋和47 878幅运动鞋图像;进而基于卷积神经网络,设计一种适用于鞋类自动分类的鞋类识别网络模型。实验结果表明,鞋类自动分类模型在测试阶段对鞋分类的准确率达到了95.7%,可见基本能准确识别皮鞋和运动鞋两类鞋。     

一种标定指纹无特征区的新方法

指纹中无细节点特征的区域,即为无特征区。受指纹细点线位置、指纹纹线流向等因素的影响无特征区域的分布显高度随机性,因此无特征区本身就是一种高质量特征,可用于指纹识别。但是由于无特征区域形状会根据指纹细节点位置的变化而发生改变,我们很难使用一种统一的模型来表达无特征区域。研究设计了一种新颖的无特征区域表达方法,该方法使用网格标定的方式来实现对无特征区域的表达建模,首先沿横向和纵向把指纹分成若干等份,然后在各网格中统计无特征区域的分布位置与纹线条数等信息。为验证方法性能,构建一个小型指纹数据库,该数据库包含100枚三面捺印油墨指纹。实验结果显示两枚不同指纹中单个无特征区信息相同的概率为1%,多个(2个及以上)无特征区信息相同的概率为0%。可以实现指纹无特征区统计的稳定性。     

青年人自然行走过程中起落脚位置特征

为研究青年人自然行走过程中起落脚位置特征及其在步态分析中的作用,采集了57名18～24岁的青年男性穿着同种实验鞋10次自然行走的足底压力数据,计算步态运动过程中落脚与起脚相对位置描述参数以及压力中心轨迹线在冠状面上的变化幅度,并测量实验鞋穿用两个月后前后边缘磨损最重点的位置,最后对实验所得数据进行分析。结果表明,同一人多次行走过程中,起落脚相对位置无显著差异;且起落脚位置与鞋底前后边缘磨损最重点位置以及压力中心轨迹线在冠状面上的变化幅度之间均存在相关关系。可见,青年人自然行走状态下,落脚与起脚相对位置有较好的稳定性;鞋底前后边缘磨损最重点位置能够反映受试人员起落脚的位置;起落脚位置偏内的人步态运动过程相对更加平稳。     

基于卷积神经网络的钳剪工具痕迹识别

钳剪工具痕迹识别对法庭审判和侦查破案有着重要的参考价值,是物证分析识别的重要组成部分。针对该类工具种类繁多,现场痕迹复杂多样的特点,本文提出了一种基于卷积神经网络识别的钳剪痕迹分析方法。使用断线钳、线缆钳等10类常用钳剪工具,采集制作了300枚钳剪样本,在此基础上对特征区域进行录制,共200余段视频,提取钳剪痕迹特征图像共120 000张。提出TpsNet,以钳剪断头的侧面图片为识别分类对象,通过图片的分类实现对钳剪痕迹的分析识别。结果表明,TpsNet模型在钳剪痕迹数据集上的分类精度达到97.56 %,可作为钳剪痕迹分析与识别的重要依据。     

光学无损提取平面足迹的原理与方法

目的采用不同光学无损提取方法对几类常见的疑难客体上平面足迹提取效果进行比较分析,寻求最佳无损提取平面足迹路线。方法通过垂直定向拍照、掠入式拍照、扫描提取等方法,针对13种客体上灰尘足迹进行提取,并对结果进行比较分析。结果扫描法针对13种不同客体上的灰尘足迹提取效果最佳。结论光学无损提取适于平面灰尘加层足迹的提取,光学扫描提取具有更好的效果。     

融合特征筛选策略的双塔网络鞋印检索算法

鞋印图像识别是计算机视觉在公安一线工作中的一项重要应用。当前公安侦查工作中鞋印图像无法进行精准识别的问题制约了工作效率与质量的提高，归纳起来主要是囿于鞋印现场提取的复杂情况、鞋印花纹图样的复杂特征以及鞋印图像的残缺不全。针对残缺鞋印，为了进一步提高残缺鞋印检索结果，本文设计了一种融合特征筛选的双塔网络鞋印检索算法。一方面，在网络中引入分区策略，将鞋印图像分为足掌区和足跟区用两个特征网络分别提取图像特征进行融合，另一方面，选择融合ResNet网络和Transformer网络的新型卷积神经网络convNeXt网络作为骨干网络，加入注意力机制模块，提取最后一层卷积特征后用不同的特征筛选方法去除鞋印图像中的无关特征，最后拼接展开成为特征描述符进行相似度计算。在训练阶段，优化学习策略，将其作为完整的图像分类网络进行训练。实验结果表示，本文选取的网络模型优于其他卷积神经网络，在CSS-200和FID-300两个鞋印数据集上取得了较高的准确率。