【技术实现步骤摘要】
本专利技术属于机器视觉和人工智能，尤其涉及一种基于深度学习的行凶者追溯方法及装置。
技术介绍
1、在现实生活中，警察侦破案件通常需要依据指纹、脚印等信息，但在多起行凶案件中，经常难以提取到指纹、脚印等行凶者的有效信息。并且由于枪支的管制，刀刺等冷武器成为致命伤害的主要武器，因此根据刀刺损伤来获取信息成为一个突破口。
2、目前虽然已有大量研究聚焦于刀刺等低速冲击造成的损伤，但是主要依赖理论，实验和数值模拟研究。传统方法对冲击损伤的研究局限于对损伤程度的分析和对损伤机理的探究，但是这些方法局限性强，获取到的与行凶者相关的信息十分有限。
3、而机器学习近年来取得了突破性的成就。它在冲击损伤领域也有很多成功的应用。通过机器学习方法能够发现更多相关的物理量，例如不同冲击条件和冲击损伤特性之间的关系等。也能够获取到更多图像上的信息，例如内部损伤和表面损伤的关系等。结合机器学习方法和冲击损伤图像，对防刺材料所受的冲击损伤进行量化还原。并建立行凶者数据库，对行凶者的特征进行追溯表征，是亟需必要的。
技术实现思路
1、本专利技术的目的在于提出一种基于深度学习的行凶者追溯方法及装置，结合机器学习方法和冲击损伤图像，对防刺材料所受的冲击损伤进行量化还原。并建立行凶者数据库，能够对行凶者的特征进行追溯表征，在侦破案件、追溯行凶者方面能够发挥巨大作用。
2、为实现上述目的，本专利技术提供了一种基于深度学习的行凶者追溯方法，包括：
3、采集在真实刀刺场景下的冲击
4、基于两段式冲击损伤预测模型，对所述冲击损伤图像进行预测，获取穿刺关键参数；其中，所述两段式冲击损伤预测模型通过数据集训练获得，所述数据集包括：刀具在不同初始速度下对样品的所述穿刺关键参数和样品在不同动态穿刺测试条件下的所述冲击损伤图像；所述两段式冲击损伤预测模型包括：第一段tracenet网络和第二段浅层cnn网络；
5、将所述穿刺关键参数输入分类器，进行行凶者追溯。
6、可选地，所述穿刺关键参数包括：刀具在动态穿刺测试中接触样品时的初始速度、刀具初始动能、穿刺峰值力、以及对于样品的最大穿透层数。
7、可选地，所述第一段tracenet网络，用于提取所述冲击损伤图像中的损伤特征；
8、所述第一段tracenet网络包括：特征提取模块和traceflow模块；
9、所述特征提取模块，用于提取所述冲击损伤图像中的预设维度的初始特征；
10、所述traceflow模块，用于对所述初始特征进行重新组合，获得所述损伤特征。
11、可选地，所述特征提取模块包括：依次连接的卷积层、最大池化层、卷积块和标识块；
12、将图像输入所述特征提取模块，先通过所述卷积层，所述卷积层的输出经过relu激活函数后输入最大池化层，最大池化层的输出作为卷积块的输入，卷积块提取的特征输入标识块中再次提取特征。
13、所述卷积层，用于对输入图像进行卷积运算；
14、所述最大池化层，用于对所述卷积层的输出进行降采样，同时保留预设的图像特征；
15、所述标识块，用于学习恒等映射，将输入的信息直接传递到输出；
16、所述卷积块中引入了预设的卷积核为1x1的卷积层作为所述特征提取模块中的残差连接。
17、可选地，所述traceflow模块包括：若干预设大小的flow层，flow层包括：3x3卷积核的flow层以及1x1卷积核的flow层，每个3x3卷积核的flow层与每个1x1卷积核的flow层作为一个flow模块，所述traceflow模块中共设置有8个flow子模块；第1个flow子模块的输入为所述特征提取模块的输出，第1个flow子模块的输出作为第2个flow子模块的输入，第2个flow子模块的输出作为第3个flow子模块的输入，依次类推；其中，在每个flow层中使用激活标准化层与仿射耦合层；
18、所述激活标准化层，用于对每个flow层输入信息的每个通道进行独立的归一化；
19、所述仿射耦合层，使用可逆神经网络结构，用于确保每个flow层的训练结果不偏离原始特征的同时能提取更加复杂的特征。
20、可选地，所述第二段浅层cnn网络，用于表征所述损伤特征与所述穿刺关键参数之间的关系；
21、所述第二段浅层cnn网络包括：若干二维卷积层、若干预设最大池化层以及两个预设全连接层；
22、若干所述二维卷积层，用于分成若干步提取输入图像的特征并生成特征图；
23、若干所述预设最大池化层，用于不断减小特征图的空间尺寸；
24、第一个全连接层，用于学习特征之间的非线性关系，第二个全连接层，用于输出所述第二段浅层cnn网络对所述穿刺关键参数的预测结果。
25、可选地，通过数据集对所述两段式冲击损伤预测模型进行训练包括：
26、设置所述第一段tracenet网络的最小化损失函数；其中，所述最小化损失函数为最小化负对数似然；
27、基于预设epoch，利用所述最小化损失函数，对所述第一段tracenet网络进行训练；
28、基于预设训练周期对所述第二段浅层cnn网络进行训练。
29、可选地，所述最小化损失函数为：
30、
31、其中，l为损失值，n为数据点个数，i为数据点序号，px(xi)为数据点xi在原始空间的概率密度，xi为第i个数据点，df为对数据点xi的映射变换，为变换f相对于xi的雅可比矩阵，pz(f(xi))为潜在空间中f(xi)的概率密度，f(xi)为xi在潜在空间的映射。
32、可选地，将所述穿刺关键参数输入分类器，进行行凶者追溯包括：对所述分类器进行训练；
33、对所述分类器进行训练包括：
34、分别构建真实实验数据集和模型预测数据集；其中，所述真实实验数据集中以刀刺距离、刀具初始速度、穿透层数为数据，以参与者编号为标签；所述模型预测数据集中以刀具初始动能、穿刺峰值力和穿透层数为数据，以参与者编号为标签；
35、利用所述真实实验数据集和模型预测数据集对所述分类器进行训练；
36、使用训练后的所述分类器对不同人员的特征进行分类，并分别对所以三个月真实实验数据集和模型预测数据集下得到的评价指标进行非配对t检验。
37、为实现上述目的，本专利技术还提供了一种基于深度学习的行凶者追溯装置，所述装置包括：数据集构造模块、冲击损伤预测模块、
38、数据集构造模块，用于根据刀具在不同初始速度下对样品的所述穿刺关键参数和样品在不同动态穿刺测试条件下的所述冲击损伤图像，构建数据集；其中，所述穿刺关键参数包括：刀具在动态穿刺测试中接触样品时的初始速度、刀具初始动能、穿刺峰值力、以及对于样品的最大穿透层数‘
39、冲击损伤预测模块，用于利用所述数据集训练两段式冲击损伤预本文档来自技高网...
【技术保护点】
1.一种基于深度学习的行凶者追溯方法，其特征在于，包括：
2.根据权利要求1所述的基于深度学习的行凶者追溯方法，其特征在于，
3.根据权利要求1所述的基于深度学习的行凶者追溯方法，其特征在于，所述第一段TraceNet网络，用于提取所述冲击损伤图像中的损伤特征；
4.根据权利要求3所述的基于深度学习的行凶者追溯方法，其特征在于，所述特征提取模块包括：依次连接的卷积层、最大池化层、卷积块和标识块；
5.根据权利要求3所述的基于深度学习的行凶者追溯方法，其特征在于，所述Traceflow模块包括：若干预设大小的flow层，flow层包括：3x3卷积核的flow层以及1x1卷积核的flow层，每个3x3卷积核的flow层与每个1x1卷积核的flow层作为一个flow模块，所述Traceflow模块中共设置有8个flow子模块；第1个flow子模块的输入为所述特征提取模块的输出，第1个flow子模块的输出作为第2个flow子模块的输入，第2个flow子模块的输出作为第3个flow子模块的输入，依次类推；其中，在每个flow层中使用激活标准化
6.根据权利要求3所述的基于深度学习的行凶者追溯方法，其特征在于，所述第二段浅层CNN网络，用于表征所述损伤特征与所述穿刺关键参数之间的关系；
7.根据权利要求3所述的基于深度学习的行凶者追溯方法，其特征在于，通过数据集对所述两段式冲击损伤预测模型进行训练包括：
8.根据权利要求7所述的基于深度学习的行凶者追溯方法，其特征在于，所述最小化损失函数为：
9.根据权利要求1所述的基于深度学习的行凶者追溯方法，其特征在于，将所述穿刺关键参数输入分类器，进行行凶者追溯包括：对所述分类器进行训练；
10.一种基于深度学习的行凶者追溯装置，其特征在于，用于实施如权利要求1-9任一所述的基于深度学习的行凶者追溯方法，所述装置包括：数据集构造模块、冲击损伤预测模块、
...【技术特征摘要】
1.一种基于深度学习的行凶者追溯方法，其特征在于，包括：
2.根据权利要求1所述的基于深度学习的行凶者追溯方法，其特征在于，
3.根据权利要求1所述的基于深度学习的行凶者追溯方法，其特征在于，所述第一段tracenet网络，用于提取所述冲击损伤图像中的损伤特征；
4.根据权利要求3所述的基于深度学习的行凶者追溯方法，其特征在于，所述特征提取模块包括：依次连接的卷积层、最大池化层、卷积块和标识块；
5.根据权利要求3所述的基于深度学习的行凶者追溯方法，其特征在于，所述traceflow模块包括：若干预设大小的flow层，flow层包括：3x3卷积核的flow层以及1x1卷积核的flow层，每个3x3卷积核的flow层与每个1x1卷积核的flow层作为一个flow模块，所述traceflow模块中共设置有8个flow子模块；第1个flow子模块的输入为所述特征提取模块的输出，第1个flow子模块的输出作为第2个...
【专利技术属性】
技术研发人员：张宏，刘梦真，刘宇航，李豪天，徐媛媛，黄广炎，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。