犯罪工具痕迹计算机分析系统识别技术的研究

摘要

模式识别是指对表征事物或现象的各种形式的信息进行处理和分析，以对事物或现象进行描述、辨认、分类和解释的过程。它是信息科学和人工智能的重要组成部分，主要应用于图像分析与处理、语音识别、声音分类、通信、计算机辅助诊断、数据挖掘等领域。针对目前公安部门一直沿用传统的手印、足迹等识别手段，对工具痕迹的检验鉴定能力不强，不能发挥工具痕迹在侦破工作中作用的现状，提出了借助于计算机对工具痕迹图像进行特征提取和分类识别的方法。通过对犯罪工具痕迹图像的纹理研究，提取灰度共生矩阵、Tamura纹理特征，运用基于BP神经网络和支持向量机的多类模式分类方法分别对三种不同犯罪工具剪切铁条的痕迹图像进行分类识别，通过实验验证了利用这两种分类方法在犯罪工具痕迹分类中的可行性和适用性。 本文首先介绍图像纹理的基本概念、特征、研究方法、应用领域。针对痕迹图像的特点，选取了灰度共生矩阵中的四种参数（能量、熵、惯性矩、局部平稳性）和Tamura纹理特征中的三种参数（粗糙度、对比度、方向度）作为痕迹图像的纹理特征。利用这7个特征构成非线性参量，提出了基于BP神经网络分类和基于支持向量机的痕迹图像分类方法。在基于BP神经网络中，通过实验研究设置了学习速率基值、学习速率、动量因子、迭代次数等参数。在基于支持向量机的多类模式分类器中，研究了训练类型、内核类型、交叉验证优化参数、预处理函数、编码方案等参数选择。 研究结果表明，通过合理地设置BP神经网络和支持向量机分类器参数，可以利用痕迹图像的痕迹纹理特征对犯罪工具痕迹图像进行分类识别。在同一光照强度下获取的图像，只要选择足够的犯罪工具痕迹样本训练网络，网络就能具有较好的容错性和稳定性，并能在识别检测中，既能有效地发挥BP神经网络的联想记忆和分布并行处理功能，又能展现SVM在解决有限样本高维模型的构造问题上的最好泛化能力，从而保证识别的准确性和鲁棒性。

目录

文摘

英文文摘

声明

第一章 绪论

1.1犯工具痕迹识别技术研究的背景及意义

1.1.1犯罪工具痕迹识别技术研究的背景

1.1.2犯罪工具痕迹识别技术的现状和发展

1.1.3犯罪工具痕迹识别技术研究的意义

1.2本论文的研究意义和主要内容

1.2.1本论文的研究意义

1.2.2本论文的主要内容

1.3本论文的创新之处

第二章 犯罪工具痕迹纹理特征的提取

2.1引言

2.2图像纹理概述

2.2.1图像纹理的基本定义

2.2.2图像纹理特征

2.2.3图像纹理的研究方法

2.2.4图像纹理的应用领域

2.3基于灰度共生矩阵纹理特征的提取

2.3.1灰度共生矩阵的原理

2.3.2灰度共生矩阵特征参数

2.3.3基于灰度共生矩阵犯罪工具痕迹纹理特征提取及分析

2.4基于Tamura纹理特征的提取

2.4.1 Tamura纹理特征参数

2.4.2基于 Tamura犯罪工具痕迹纹理特征提取及分析

第三章 基于BP神经网络的犯罪工具痕迹识别技术

3.1引言

3.2 BP神经网络的历史发展

3.3 BP神经网络的非线性思想

3.4 BP神经网络分类器的结构设计

3.4.1 BP神经网络的基本原理

3.4.2 BP神经网络模型的建立过程

3.4.3基于BP神经网络的犯罪工具痕迹分类器的设计

3.5实验结果与分析

第四章 基于支持向量机的犯罪工具痕迹识别

4.1引言

4.2支持向量机的原理

4.3非线性支持向量机

4.3.1 Mercer核和Mercer定理

4.3.2特征映射和特征空间

4.3.3最小二乘支持向量机

4.4支持向量机的多类模式分类器的设计

4.5实验结果与分析

结论

参考文献

攻读学位期间发表的论文

致谢