[发明专利]一种基于图卷积神经网络深度学习的枪弹痕迹相似度识别方法和系统

权利要求书

1.一种基于图卷积神经网络深度学习的枪弹痕迹相似度识别方法和系统，其特征在于：所述的基于图卷积神经网络深度学习的枪弹痕迹相似度识别方法和系统用于刑事侦查、枪弹痕迹检测以及其他需要进行痕迹比对的场景，所述的方法包括痕迹特征提取映射步骤和图卷积神经网络训练及相似度识别两个步骤。

2.根据权利要求1所述的一种基于图卷积神经网络深度学习的枪弹痕迹相似度识别方法和系统，其特征在于：所述的痕迹特征提取映射步骤包括以下步骤：

S1：利用痕迹单点激光检测装置对待检测线缆断头钳切面痕迹进行单次横向检测，获取一维离散化序列f(n),n＝0,1,...,N，N为采样点数；

S2：对f(n)进行m层多尺度小波变换，变换得到不同时间尺度小波的分量：

其中，a_m为第m层近似数据，d_i为第i层的细节数据，尺度S＝2^m；

S3：设d_i的参数化轮廓曲线为其中D是参数化的确定域，为实数集，定义||·||为中的欧几里得2范数，定义连续映射利用平方根速度函数定义β的形状其中：

对于每一个均存在能够通过q的平方根速度函数定义的β曲线，此曲线通过获得，随后通过将β曲线缩放至单位长度以实现尺度不变性。至此，轮廓曲线β被表示为在该预形状空间中的单位超球点x_i，等待映射入卷积神经网络的嵌入层；

S4：对所有M个线缆断头钳切面检测痕迹重复S11、S12步骤，获取各自对应轮廓曲线映射单位超球点，从而形成样本集合X＝{x₁,x₂,...x_N}。

3.根据权利要求1或2所述的一种基于图卷积神经网络深度学习的枪弹痕迹相似度识别方法和系统，其特征在于：所述图卷积神经网络训练包括1)建立训练集，2)调参、建立图卷积神经网络模型，2)调参、建立图卷积神经网络模型具体方法为，G＝(V,E).V表示节点集合，即E表示边集合，即所述的训练模型由两部分组成：1)负责采样K阶邻域中所有节点信息的GCN组件，2)自编码器(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，在训练模型中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。