一种结合手工特征和学习特征的弹底窝痕特征识别方法技术

本发明专利技术提供一种结合手工特征和学习特征的痕迹识别方法以实现关键点检测及关键点的特征描述，相较于端到端的神经网络算法，其既利用了图像的梯度信息，又减少了网络结构参数与参数计算，能够实现弹痕的关键点检测的稳定性

【技术实现步骤摘要】
一种结合手工特征和学习特征的弹底窝痕特征识别方法


[0001]本专利技术涉及枪弹痕迹识别鉴定领域，特别是涉及一种结合手工特征和学习特征的弹底窝痕特征识别方法
。

技术介绍

[0002]子弹在击发时，膛压使枪弹底窝表面的机械加工等纹理印压在弹壳底面上，而形成痕迹，该痕迹特征稳定性较强，且个体枪支加工特征不尽相同，造成的弹底窝痕与其他枪支之间具有区分性，因此通过比对弹底窝痕，可实现子弹的匹配与溯源，为公安机关侦破涉枪案件提供强有力的证据
。
传统弹痕检验方法通过专业技术人员比对，鉴定效率低
、
工作量大，主观影响大；
[0003]而随着计算机视觉识别技术进步，世界各国都致力于研究弹痕自动识别系统，并取得明显成效，如
IBIS、ALIAS
等
。
弹痕的关键点特征匹配方法主要分为两个阶段：通过特征提取方法计算弹痕图像的关键点并描述关键点特征，匹配关键点特征以计算图像间的吻合程度
。
但是现有特征提取方法多采用如
SIFT
等手工特征算法或端到端的卷积神经网络技术，前者对枪弹痕迹这种特征不明显的图像关键点提取不稳定，后者对不同场景下的关键点提取的重复性难以保障
。

技术实现思路

[0004]为解决传统弹痕图像特征点提取鲁棒性问题，本专利技术提供一种结合手工特征和学习特征的痕迹识别方法以实现关键点检测及关键点的特征描述，相较于端到端的神经网络算法，其既利用了图像的梯度信息，又减少了网络结构参数与参数计算，能够实现弹痕的关键点检测的稳定性
。
[0005]本专利技术为实现上述目的而提出以下技术方案：
[0006]一种结合手工特征和学习特征的痕迹识别方法，包括具体步骤如下：
[0007]步骤
S1
：通过三维共聚焦显微镜采集的枪弹痕迹图像进行裁剪及滤波处理，以凸显其粗糙度特征；将预处理后的弹痕图像样本构建成弹痕数据总集，取其
80
％样本集作为算法训练集，
20
％作为验证集；
[0008]步骤
S2
：建立改进的特征点提取网络模型
Key.Net
，其包括手工特征点滤波器
、
学习特征点滤波器
、
多尺度空间索引建议层，本方法对原有
Key.Net
学习特征点滤波器改进，以适应弹痕任务；
[0009]步骤
S3
：将
ImageNet
大规模数据集进行图像仿射变换，以生成图像对数据集，输入至步骤
S2
所建立的
Key.Net
孪生模型中，获得最优模型参数；
[0010]步骤
S4
：将步骤
S1
中弹痕训练集导入
S3
中最优参数模型中继续迭代训练，并利用步骤
S1
中验证集检验模型准确度，冻结验证集最高匹配准确率的
Key.Net
模型参数，作为最终关键点检测模型；
[0011]步骤
S5
：采集待配准的弹痕图像，输入至步骤
S4
的
Key.Net
特征点检测模型，获取
关键点响应图，再利用
HardNet
为关键点构建特征描述，通过计算关键点间的特征描述的欧式距离，即可实现与基准弹痕图像的配准
。
[0012]进一步的，所述步骤
S1
中，采样滤波处理包括：通过裁切去除弹底窝痕周围无关区域，保留中间特征集中区域，再对弹底窝痕进行二维高斯回归滤波，获得凸显粗糙度特征的窝痕图像；其中二维高斯回归滤波公式为：
[0013][0014]其中，
t(
ξ
，
η
)
为输入表面，
ξ
，
η
分别为在
t
表面下的横纵坐标；
s(x
，
y)
为滤波后的输出表面，
x
，
y
分别为在
s
表面下的横纵坐标；
ρ
(r)
为平方项；
[0015]进一步的，所述步骤
S2
中，
Key.Net
模型包含多层结构，
CNN
模块使用
He
权重初始化和
L2
核正则化：
[0016]步骤
S2.1
：为构建三层尺度空间，对输入图像
(
尺寸为
W
×
H)
进行三个尺度级别的下采样处理，其逐层采样系数及高斯模糊系数为
1.2
；
[0017]步骤
S2.2
：手工特征点滤波器为
CNN
滤波器提供锚点结构，对重复性强的特征点进行定位
、
打分
、
排序，借鉴于
Harris
和
Hession
角点检测算法：角点在灰度快速变化的区域，其梯度和梯度变化率大，通过计算各尺度图像的一
、
二阶导数获得突出角特征，通过
soble
算子计算
d
x
，
d
y
，
d
xx
，
d
yy
，
d
xy
，
d
xx
×
d
yy
，
d
x
×
d
y
共
10
个参数，构成
10
个通道的输出张量；
[0018]步骤
S2.3
：学习特征滤波器由3个基础学习块和1个单独卷积块构成，本方法基于原有
Key.Net
的学习模块做出改进，使用1×
1、3
×3，5×5的卷积核构建成
Inception
模块以替换原有卷积块，以便模型自适应选择卷积核尺寸；激活层更改为
Sigmoid
函数，其函数为：
[0019][0020]基础学习块由
Inception
模块
、
批量归一化层
、
激活函数层构成，第1学习块的输入通道为
10
，其余学习块的输入
、
输出通道均设置为8；
[0021]单独卷积块由卷积核尺寸为3×3的卷积层和
ReLU
函数构成，其输出通道为1，即输出为弹痕图像的响应特征图，该网络为每个像素点打分；
[0022]步骤
S2.4
：三个尺度级别的图像经过手工特征层
、
学习特征层处理后获得的输出图像，分别经过上采样处理，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种结合手工特征和学习特征的痕迹识别方法，其特征是包括具体步骤如下：步骤
S1
：通过三维共聚焦显微镜采集的枪弹痕迹图像进行裁剪及滤波处理，以凸显其粗糙度特征；将预处理后的弹痕图像样本构建成弹痕数据总集，取其
80
％样本集作为算法训练集，
20
％作为验证集；步骤
S2
：建立改进的特征点提取网络模型
Key.Net
，其包括手工特征点滤波器
、
学习特征点滤波器
、
多尺度空间索引建议层，本方法对原有
Key.Net
学习特征点滤波器改进，以适应弹痕任务；步骤
S3
：将
ImageNet
大规模数据集进行图像仿射变换，以生成图像对数据集，输入至步骤
S2
所建立的
Key.Net
孪生模型中，获得最优模型参数；步骤
S4
：将步骤
S1
中弹痕训练集导入
S3
中最优参数模型中继续迭代训练，并利用步骤
S1
中验证集检验模型准确度，冻结验证集最高匹配准确率的
Key.Net
模型参数，作为最终关键点检测模型；步骤
S5
：采集待配准的弹痕图像，输入至步骤
S4
的
Key.Net
特征点检测模型，获取关键点响应图，再利用
HardNet
为关键点构建特征描述，通过计算关键点间的特征描述的欧式距离，即可实现与基准弹痕图像的配准
。2.
根据权利要求1所述的一种结合手工特征和学习特征的痕迹识别方法，其特征是：所述步骤
S1
中，采样滤波处理包括：通过裁切去除弹底窝痕周围无关区域，保留中间特征集中区域，再对弹底窝痕进行二维高斯回归滤波，获得凸显粗糙度特征的窝痕图像；其中二维高斯回归滤波公式为：其中，
t(
ξ
，
η
)
为输入表面，
ξ
,
η
分别为在
t
表面下的横纵坐标；
s(x
，
y)
为滤波后的输出表面，
x
，
y
分别为在
s
表面下的横纵坐标；
ρ
(r)
为平方项
。3.
根据权利要求1所述的一种结合手工特征和学习特征的痕迹识别方法，其特征是：所述步骤
S2
中，
Key.Net
模型包含多层结构，
CNN
模块使用
He
权重初始化和
L2
核正则化：步骤
S2.1
：为构建三层尺度空间，对输入图像
(
尺寸为
W
×
H)
进行三个尺度级别的下采样处理，其逐层采样系数及高斯模糊系数为
1.2
；步骤
S2.2
：手工特征点滤波器为
CNN
滤波器提供锚点结构，对重复性强的特征点进行定位
、
打分
、
排序，借鉴于
Harris
和
Hession
角点检测算法：角点在灰度快速变化的区域，其梯度和梯度变化率大，通过计算各尺度图像的一
、
二阶导数获得突出角特征，通过
soble
算子计算
d
x
，
d
y
，
d
xx

【专利技术属性】
技术研发人员：张浩，沐春华，管旭，耿乐，虞浒，
申请(专利权)人：南京工业大学，
类型：发明
国别省市：