[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

说明书

本发明公开了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，属于刑事技术领域，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，痕迹特征提取映射步骤用于提取枪弹痕迹，图卷积神经网络训练及相识度识别用于训练痕迹模型以及对枪弹痕迹进行匹配识别。本发明通过公开上述两个步骤，实现了枪弹痕迹的特征提取以及模型的训练和识别，采用图卷积神经网络进行训练能够提高识别的准确度。

技术领域

本发明属于刑侦技术领域，更具体的说涉及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。

背景技术

枪弹膛线痕迹是指弹头在挤进过程中，受到线膛内表面的挤压和剪切、刮擦 作用在披甲表面形成的凹陷条状痕迹(线形痕迹)。由于枪管内阴、阳膛线对弹 头披甲挤压力大小不同及阳膛线两棱边侧面对披甲的剪切、刮擦作用，致使弹 头披甲与阳膛线表面直接接触的部位产生压缩变形，而呈凹陷状，从而明显地 区别于阴膛线表面作用的部位。我国实行严格的枪支管控政策，对公务用枪进 行登记建档管理，由于公务用枪数量巨大(普通地级市即数以万计)。

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，为膛线线形痕迹的损定量测试提供了一些新的解决方案

近年来，图像处理和三维扫描技术被大量应用于线形痕迹检验之中，然而现 场痕迹特征表现随机、算法结构复杂、文件体积较大等不利因素均对其实际应用 潜力有较大影响，严重限制其实用价值。

发明内容

本发明通过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，实现了枪弹痕迹的特征提取以及模型的训练和识别，采用图卷积神经网 络进行训练能够提高识别的准确度。

为了实现上述目的，本发明是通过以下技术方案实现的：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。

优选的，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β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}。