犯罪现场检验研究论文提纲

论文题目：基于形态检验的毛发物证显微图像自动识别方法研究

摘要：毛发作为犯罪现场常见物证之一,对犯罪现场重建分析、侦查方向确定、犯罪嫌疑人排除或轨迹追踪有重要意义。目前,毛发物证的形态学检验主要利用显微镜进行微观形态的人工比对与分类鉴别,方法成熟但自动化程度低,易产生主观误差。本文针对毛发物证提出一种基于卷积神经网络的毛发显微图像分类方法,通过自建网络对毛发显微图像进行形态特征提取与训练,实现毛发图像自动分类,提升物证检验智能化水平。本文使用搭载LAS X软件的Leica DVM6数码显微镜,对实验制作的不同种类毛发样本切片进行显微图像采集与滑动窗口裁剪、灰度转换、数据增强等图像处理。建立人类毛发显微图像实验数据集,含5类毛发样本,每类6000张,共30000张显微图像;建立人与动物毛发显微图像实验数据集,含10类毛发样本,每类30000张,共300000张显微图像。针对数据集特点,设计搭建新的卷积神经网络Hair-Net,对人类毛发显微图像数据集进行样本训练与测试,不断调整参数、优化结构以获得最佳模型;再利用改进网络对人与动物毛发显微图像数据集进行样本训练与测试,与经典网络LeNet与AlexNet进行性能对比,引入多种网络优化手段提升网络性能,得到该数据集最佳分类模型。最后通过技术盲测检验自建的两级自动分类模式与最优模型的实战应用效果。实验研究表明:1、设计搭建的卷积神经网络Hair-Net在人类毛发显微图像数据集上的分类效果良好。经学习率、迭代次数、批尺寸等参数调整,再行优化输入层、引入Leaky ReLU激活函数及批正则化,最佳模型Hair-Net-Human的分类精度达96.93%,且泛化能力良好;2、Hair-Net改进模型在人与动物毛发显微图像数据集的分类效果优于经典网络LeNet、AlexNet,利用Inception结构轻量化网络的同时,引入Center-loss中心损失函数与原有Softmax-loss函数进行联合监督,显著提升网络性能与鲁棒性,最佳模型Hair-Net-Animal分类精度达95.24%;3、设计模拟现场进行毛发物证提取与图像采集,按照本文建立的现场毛发物证显微图像的两级自动分类模式,将检材图像分步输入人与动物毛发显微图像分类模型Hair-Net-Animal、人类毛发显微图像分类模型Hair-Net-Human进行分类检测,总体精度均在80%以上,验证了本文方法的实战应用性。本文打破了毛发物证的传统肉眼分类鉴别方法,创新性地结合深度学习并自行设计搭建了新的卷积神经网络Hair-Net,在自建的毛发显微图像数据集上取得了良好的分类效果,建立了现场毛发物证显微图像的两级自动分类模式,利用模拟测试验证了本文方法在毛发物证采集后可实现快速自动分类,有效减少人工鉴别的主观误差,为毛发形态学检验提供了一种新的自动分类鉴别方法。

关键词：毛发物证;毛发形态学检验;毛发显微图像;卷积神经网络;图像自动分类

学科专业：公安技术

摘要

Abstract

引言

1 毛发物证及形态学检验概述

1.1 毛发物证概述

1.1.1 毛发的种类

1.1.2 毛发的生长周期

1.1.3 毛发的显微结构

1.2 毛发物证的形态学检验

1.2.1 毛发物证的采集

1.2.2 毛发的种属鉴定

1.2.3 毛发的种族鉴定

1.2.4 毛发的性别鉴定

1.2.5 毛发的其他鉴定

1.3 毛发形态学检验的研究现状

1.3.1 国外研究现状

1.3.2 国内研究现状

2 卷积神经网络概述

2.1 理论基础与历史发展

2.1.1 神经网络的理论研究基础

2.1.2 神经网络的历史发展

2.1.3 神经网络的分类及特点

2.2 卷积神经网络原理

2.2.1 前向传播过程

2.2.2 反向传播算法

2.3 卷积神经网络的具体结构

2.3.1 卷积层

2.3.2 激活函数层

2.3.3 池化层

2.3.4 全连接层

3 毛发物证显微图像数据集的建立

3.1 实验样本收集与观察切片制作

3.1.1 毛发样本收集

3.1.2 毛发样本观察切片制作

3.2 毛发物证显微图像的仪器采集

3.2.1 实验样本图像采集仪器

3.2.2 实验显微图像采集软件

3.2.3 毛发显微图像采集方法

3.3 毛发显微图像数据的预处理

3.3.1 滑动窗口裁剪

3.3.2 图像灰度转换

3.3.3 增加虚拟样本扩充数据集

3.3.3.1 添加高斯噪声

3.3.3.2 添加椒盐噪声

3.3.3.3 图像旋转

3.3.3.4 图像镜像

3.4 毛发物证显微图像数据集的建立

3.4.1 建立两个毛发显微图像数据集

3.4.2 添加类别标签与划分集合

3.4.3 格式转换与去除均值

4 人类五种毛发显微图像自动分类的实验研究

4.1 深度学习应用框架Caffe

4.2 毛发显微图像分类网络模型的结构设计

4.2.1 毛发显微图像分类网络模型的设计要点

4.2.2 毛发显微图像分类初始网络Hair-Net

4.3 人类毛发显微图像分类模型的参数调整与实验结果分析

4.3.1 学习率及其策略的选择

4.3.2 迭代次数的选择

4.3.3 批尺寸的选择

4.4 人类毛发显微图像分类模型的结构优化与实验结果分析

4.4.1 不同归一化方式对网络性能的影响

4.4.2 不同激活函数对网络性能的影响

4.4.3 输入层数据增强对网络性能的影响

4.5 本章小结

5 人与动物十类毛发显微图像自动分类的实验研究

5.1 人与动物毛发显微图像分类网络结构与过程可视化

5.1.1 人与动物毛发显微图像分类网络结构

5.1.2 分类过程可视化工具

5.1.3 毛发显微图像分类过程可视化

5.2 人与动物毛发显微图像分类的网络性能对比

5.2.1 LeNet网络

5.2.2 AlexNet网络

5.2.3 网络性能对比的实验结果分析

5.3 人与动物毛发显微图像分类模型的结构优化与实验结果分析

5.3.1 Inception结构轻量化网络与实验结果分析

5.3.2 Center-loss中心损失函数的引入与实验结果分析

5.4 本章小结

6 现场毛发物证的两级自动分类模式与模拟测试

6.1 现场毛发物证的两级自动分类模式

6.2 模拟现场毛发物证样本制作与显微图像采集

6.3 模拟现场毛发物证测试结果与分析

6.4 本章小结

结论

展望

参考文献

在学研究成果

致谢