一种基于多策略模式的线条痕迹批量比对系统技术方案

本发明专利技术公开了一种基于多策略模式的线条痕迹批量比对系统，属于痕迹对比自动对比领域，所述的基于多策略模式机器学习的线条痕迹批量比对系统处理流程步骤为，步骤1.对检测数据预处理，步骤2.建立样本库，步骤3.样本对比，步骤4.相似比对策略合并输出。本发明专利技术提出了一种基于多策略模式机器学习的线条痕迹批量相似度比对方法，对激光检测痕迹信号进行降噪和平滑后，利用优化动态时间规整算法、变化速率梯度识别等多比对策略批量实现痕迹特征相似比对。

【技术实现步骤摘要】
一种基于多策略模式的线条痕迹批量比对系统
本专利技术属于痕迹对比领域，更具体的说涉及一种基于多策略模式的线条痕迹批量比对系统。
技术介绍
根据统计，犯罪分子在作案时，多使用断线钳、线缆剪、破坏钳等大型钳剪工具剪切线缆，形成的断头表面线条痕迹是案发现场中最为常出现的一种痕迹，犯罪嫌疑人使用工具加载于承痕体，相对滑动过程中因粗糙在接触部位形成的局部物质的连续形态变化。线条痕迹反映的是钳剪工具接触部位的外部形态结构，据此通过推断分析作案工具，起到提供侦查线索、缩小侦查范围的作用。其具有不易破坏、难以伪装、出现率频繁，鉴定价值高等特点，对于办案人员认定案件性质，确定作案工具，进而证实犯罪嫌疑人有着十分重要的意义。相较于传统通过显微镜观察、人为比对形态特征的方式，近年来兴起的图像识别及三维扫描技术，为线型线条痕迹的无损定量测试提供了一些新的解决方案。这些方法虽然都在一定程度上实现了线条痕迹的自动比对，但仍存在以下问题：以上方法虽然在一定程度上实现了线条痕迹数据的快速筛选比对，但仍存在以下几个问题。(1)利用二维图片作为数据样本进行本文档来自技高网...

【技术保护点】
1.一种基于多策略模式的线条痕迹批量比对系统，其特征在于：所述的多策略模式的线条痕迹批量比对系统应用于刑事侦查、枪弹痕迹检测以及其他需要进行痕迹比对的场景，所述的比对系统处理流程为，步骤1.检测数据预处理，步骤2.建立样本库，步骤3.样本对比，步骤4.相似比对策略合并输出。/n

【技术特征摘要】
1.一种基于多策略模式的线条痕迹批量比对系统，其特征在于：所述的多策略模式的线条痕迹批量比对系统应用于刑事侦查、枪弹痕迹检测以及其他需要进行痕迹比对的场景，所述的比对系统处理流程为，步骤1.检测数据预处理，步骤2.建立样本库，步骤3.样本对比，步骤4.相似比对策略合并输出。


2.根据权利要求1中任意一条权利要求所述的一种基于多策略模式的线条痕迹批量比对系统，其特征在于：所述的步骤1对检测数据预处理步骤包括(1)检测异常数据处理，(2)数据降噪，(3)旋转校正。


3.根据权利要求1和2所述的一种基于多策略模式的线条痕迹批量比对系统，其特征在于：所述的步骤2.建立样本库包括参数训练以及样本库建立，参数训练采用图卷积神经网络算法进行训练。


4.根据权利要求1和2所述的一种基于多策略模式的线条痕迹批量比对系统，其特征在于：所述的步骤2中的参数训练有以下基本步骤为(1)建立训练集，(2)调参、建立图卷积神经网络模型，(3)引入待测数据，得到相似度计算结果。


5.根据权利要求4所述的一种基于多策略模式的线条痕迹批量比对系统，其特征在于：所述的(2)调参、建立图卷积神经网络模型具体方式为，G＝(V,E).V表示节点集合，即表示边集合，即所述的参数训练由两部分组成：负责采样K阶邻域中所有节点信息的GCN组件，编码器(AE)组件，用于提取由GCN组件学习到的激活值矩阵A的隐藏特征，并结合拉普拉斯特征映射(LE)保留节点团簇结构；
在参数训练中GCN组件利用图卷积神经网络以节为中心采样K步的所有节点的结构和特征信息，即编码K阶邻域信息，结合节点的标签训练生成作为自编码器组件输入的激活值矩阵A，GCN通过基于节点标签的有监督学习，可同时编码网络的局部结构和特征信息，略去K阶邻域外对生成节点的低维向量影响较小的次要结构信息，利用GCN习得的激活值矩阵A作为自编码器的输入，自编码器通过无监督学习的方式对A进一步提取特征信息，并结合拉普拉斯特征映射，将原网络映射到一个较低维的空间。


6.根据权利要求4所述的一种基于多策略模式的线条痕迹批量比对系统，其特征在于：所述的步骤(1)建立训练集，包括以下步骤，1)确定需要鉴别的工具种类，范围，类型，用统一规则每个工具进行编号，详细记录其参数信息；2)为了排除检测时的偶然性，单个断头痕迹需要至少检测两次，两次的信号数据重合度能够达到99％，认定为合格数据；3)完成所有数据的采集后，同时采用此样本库的数据作为测试数据，针对每个特征进行测试，测试结果应当...

【专利技术属性】
技术研发人员：潘楠，赵成俊，沈鑫，钱俊兵，魏举伦，夏丰领，
申请(专利权)人：昆明理工大学，
类型：发明
国别省市：云南;53