CN105674887A - 一种现场残缺线性痕迹特征重合度比对方法 - Google Patents

Abstract

本发明涉及一种现场残缺线性痕迹特征重合度比对方法，属于刑侦科学技术领域。本发明首先利用线性痕迹激光检测试验台装置的激光位移传感器检测承痕体上的残缺线性痕迹表面，获得离散化的信号数据，随后通过利用小波变换将需要进行降噪的数据进行分解并选定一个阈值进行降噪，去除肉眼可见的“毛刺”完成对数据的降噪处理，接着利用梯度特征识别法对痕迹信号按固定规划进行分箱处理描述痕迹特征，然后通过计算痕迹信号与样本信号二者重合的面积和二者全部覆盖的面积比值，最终通过比值作为重合度比对的结果，进而搜索到与待检测线性痕迹最为相似的线性痕迹样本，锁定作案工具。

Description

一种现场残缺线性痕迹特征重合度比对方法

技术领域

本发明涉及一种现场残缺线性痕迹特征重合度比对方法，属于刑侦科学技术领域。

背景技术

众所周知，铁路是国家的重要基础设施，同时也是国民经济发展的大动脉，尤其是高铁的快速发展使其成为了大众化的交通工具，是综合交通运输体系的骨干；在推动我国经济社会又好又快发展中发挥着重要的作用。

在铁路高速发展的同时也带来了一些隐患，由于铁路沿线拥有大量高质量的通信电缆，而且在铁路沿线的管理上存在着很大的难度，所以这就造成了一些不法分子偷盗线缆的现象。对于线缆的偷盗多采用剪切类工具进行剪切线缆的途径，留下的只是剪切类的端头，如何通过这些剪切类的端头进行剪切工具的判断成为了公安人员进行案件侦破的有力保证。

现阶段，常用的判断方法多采用拍照比对以及三位图像成型等方法，然后进行人为的比对；这些方法不仅对图像的采集中出现不同程度的损失，而且价格成本也高。本发明采用单点激光扫面形成的采集数据，不仅成本低而且实用，通过对现场残缺线性痕迹提取，然后再通过该方法进行重合度的比对，可以进行作案工具的识别，大大提高了办案的效率。

发明内容

本发明的目的在于克服现有技术的不足，提供一种现场残缺线性痕迹特征重合度比对方法，通过将案发现场发现承痕体上的残缺线性痕迹进行激光检测形成波形数据，在对波形数据进行小波降噪并通过梯度特征识别法对痕迹信号进行相似度对比，得到与待检测线性痕迹最为相似的线性痕迹样本，锁定作案工具的一种方法。

本发明现场残缺线性痕迹特征重合度比对方法是这样实现的：

首先利用线性痕迹激光检测试验台装置的激光位移传感器检测承痕体上的残缺线性痕迹表面，获得离散化的信号数据，随后通过利用小波变换将需要进行降噪的数据进行分解并选定一个阈值进行降噪，去除肉眼可见的“毛刺”完成对数据的降噪处理，接着利用梯度特征识别法对痕迹信号按固定规划进行分箱处理描述痕迹特征，然后通过计算痕迹信号与样本信号二者重合的面积和二者全部覆盖的面积比值，最终通过比值作为重合度比对的结果，进而搜索到与待检测线性痕迹最为相似的线性痕迹样本，锁定作案工具。

所述现场残缺线性痕迹特征重合度比对方法的具体步骤如下：

Step1、利用线性痕迹激光检测试验台装置的激光位移传感器对承痕体上的残缺线性痕迹表面进行横向检测，形成检测信号波形f(x)；

Step2、通过小波分解，将激光检测信号波形f(x)进行数据平滑处理，以消除背景噪声干扰，得到平滑后的信号f₁(x)；

Step3、对平滑后的痕迹信号按固定规划进行分箱处理描述痕迹特征；

Step4、计算平滑后的痕迹信号与样本信号二者重合的面积和二者全部覆盖的面积比值；

Step5、通过比值作为重合度比对的结果，进而搜索到与待检测线性痕迹最为相似的线性痕迹样本，锁定作案工具。

所述步骤Step2中，具体步骤为：

Step2.1、依据以下公式将原始信号分解为两部分：

$f=a_n+\underset{i}{\overset{n}{\Σ}}{d}_i$

其中：a_n为第n层的近似，d_i为第i层的细节数据，f为原始数据；

Step2.2、对每层的系数都选定一个阈值r，根据阈值r对高频噪声信号进行处理，处理过程如下： $c_i=\left\{\begin{array}{c}0,\left|c_i\right|<r\\ c_i,\left|c_i\right|\&GreaterEqual;r\end{array}\right.$

其中：c_i表示第i个分解小波系数；

Step2.3、通过之前设定的阀值r，对噪声信号进行过滤降噪，降噪后的信号为：

$f^{\&prime;}=a_n+\underset{i}{\overset{n}{\&Sigma;}}{d}_i^{\&prime;}$

其中：a_n为第n层的近似，d_i'为经过阈值降噪后的细节数据，f'为降噪过后的痕迹数据。

本发明的有益效果是：

1)小波降噪是一种现代的信号处理方法，其具有广泛的实用性；

2)采用小波对断头痕迹进行分解能够提高有效率；

3)单点激光检测形成的是一维信号，在保证特征精度的前提下，处理该类信号的速度要远远快于二维和三维信号；

4)通过本方法，将案发现场发现承痕体上的残缺线性痕迹进行激光检测形成波形数据，通过小波降噪及梯度特征识别法对痕迹信号进行重合度检测，快速而准确的锁定作案工具。

附图说明

图1为本发明线性痕迹激光检测试验台装置示意图；

图2为本发明实施例2中数据降噪的信息分解图；

图3为本发明实施例2中各层级近似信号图；

图4为本发明实施例2中各层细节信息图；

图5为本发明实施例2中变化幅度图；

图6为本发明实施例2中分箱后变化幅度统计与近似计算图；

图7为本发明整体步骤流程图。

图1中各标号：1-载物平台、2-底座、3-激光位移传感器、4-X轴直线驱动器、5-承痕体、6-Y轴直线驱动器。

具体实施方式

实施例1：如图1-7所示，一种现场残缺线性痕迹特征重合度比对方法，所述现场残缺线性痕迹特征重合度比对方法的具体步骤如下：

Step1、利用线性痕迹激光检测试验台装置的激光位移传感器对承痕体上的残缺线性痕迹表面进行横向检测，形成检测信号波形f(x)；

Step2、通过小波分解，将激光检测信号波形f(x)进行数据平滑处理，以消除背景噪声干扰，得到平滑后的信号f₁(x)；

所述步骤Step2中，具体步骤为：

Step2.1、依据以下公式将原始信号分解为两部分：

$f=a_n+\underset{i}{\overset{n}{\&Sigma;}}{d}_i$

其中：a_n为第n层的近似，d_i为第i层的细节数据，f为原始数据；

Step2.2、对每层的系数都选定一个阈值r，根据阈值r对高频噪声信号进行处理，处理过程如下： $c_i=\left\{\begin{array}{c}0,\left|c_i\right|<r\\ c_i,\left|c_i\right|\&GreaterEqual;r\end{array}\right.$

其中：c_i表示第i个分解小波系数；

Step2.3、通过之前设定的阀值r，对噪声信号进行过滤降噪，降噪后的信号为：

$f^{\&prime;}=a_n+\underset{i}{\overset{n}{\&Sigma;}}{d}_i^{\&prime;}$

其中：a_n为第n层的近似，d_i'为经过阈值降噪后的细节数据，f'为降噪过后的痕迹数据。

Step3、对平滑后的痕迹信号按固定规划进行分箱处理描述痕迹特征；

Step4、计算平滑后的痕迹信号与样本信号二者重合的面积和二者全部覆盖的面积比值；

Step5、通过比值作为重合度比对的结果，进而搜索到与待检测线性痕迹最为相似的线性痕迹样本，锁定作案工具。

实施例2：如图1-7所示，一种现场残缺线性痕迹特征重合度比对方法，本实施例与实施例1相同，不同之处在于，本实施例是以实际案例进行讲解：

所述现场残缺线性痕迹特征重合度比对方法的具体步骤如下：

Step1、利用线性痕迹激光检测试验台装置的激光位移传感器对承痕体上的残缺线性痕迹表面进行横向检测，形成检测信号波形f(x)；

Step2、通过小波分解，将激光检测信号波形f(x)进行数据平滑处理，以消除背景噪声干扰，得到平滑后的信号f₁(x)；

如图2-3所示，在实际的降噪过程中，需要对原始信号f(t)进行多层的分解，层数分解的越多，对细节数据处理的越多，能够消除的噪声更多，但是可能抹平的细节也更多。因此寻找一个平衡的分解层数。在分解过程中，一般采用将原始信号分解为两部分，假设进行n层的分解，那么原始信号的构成可如下描述：

$f=a_n+\underset{i}{\overset{n}{\&Sigma;}}{d}_i$

其中：a_n为第n层的近似，在图中的表示为(I，0)；d_i为第i层的细节数据，在图中的表示为(i,1)；f为原始数据，在图当中的表示为(0,0)。

如图4所示为三层的细节展开图，根据上图当中对示例信号分解得出的近似数据和细节数据可以发现的是，对于当前的工具扫描来说，层级1的展开得到的近似数据仍然有较多的毛刺，层级2的近似信号展开相比于层级1的展开来说已经得到了极大的改善，绝大部分的毛刺得到了改善，而层级3的近似信号则进一步的改善了这个现象，从得到的图形反馈来看，已经十分接近于期望得到的样式。因此，一般情况下，也是进行到层级3的展开。那么根据降噪的式子： $c_i=\left\{\begin{array}{c}0,\left|c_i\right|<r\\ c_i,\left|c_i\right|\&GreaterEqual;r\end{array}\right.;$ 其中：c_i表示第i个分解小波系数；

设定一个阈值，将阈值之下的数据全部清除。因为一般的噪声都是以高频无规律的噪声存在，其转化为细节部分的值都是较小的。因此对每个细节设定一个阈值，进行过滤降噪： $f_1=a_n+\underset{i}{\overset{n}{\&Sigma;}}{d}_i^{\&prime;}$

其中：d′_i为经过阈值降噪后的细节数据；f₁为降噪过后的痕迹数据。

Step3、对平滑后的痕迹信号按固定规划进行分箱处理描述痕迹特征；

如图5所示，在图中描述了一个原始信号，它的变化幅度示意图，以及变化幅度分布的直方图，可以看到的是变化幅度的分布取值较多。为了改善计算效率和增加容错性，在计算变化幅度是采用了分箱的计算方式。分箱是将数据按照某一个区间划分，所有属于区间内的数据全部划分的这个分箱当中；在痕迹信号当中，按照固定规则将它的变化幅度进行分箱后，计算每个分箱所占的分布比例，这个比例描述了这个痕迹在某一个变化幅度上的比重，能够从变化幅度这个角度描述痕迹的特征。

Step4、计算平滑后的痕迹信号与样本信号二者重合的面积和二者全部覆盖的面积比值；

Step5、通过比值作为重合度比对的结果，进而搜索到与待检测线性痕迹最为相似的线性痕迹样本，锁定作案工具。

如图6所示，为通过Step4和Step5得到的结果所绘制的分箱后变化幅度统计与相似计算图；通过在梯度特征识别法的过程中，计算相似度的方式根据二者重合的面积和二者全部覆盖的面积比值作为结果。两个痕迹如果越相近，那么他们的变化幅度分布就会越相似，重合的部分就会越大，反之，两个痕迹的重合幅度会降低。其次经过了具体的实验发现，如下表1所示，采用小波特征法进行测试的数据结果，其中成功率为90％，失败率为6.67％，模糊率3.33％，见表1所示，根据这个特征进行相似度判断有较高的成功率。

表1测试结果

输入数据	1#	相似度	2#	相似度	3#	相似度	4#	相似度	5#	相似度	结果
												16	17	0.93	18	0.91	19	0.90	21	0.89	23	0.89	正确
17	16	0.93	18	0.92	19	0.90	23	0.88	21	0.88	正确
												18	19	0.94	23	0.93	17	0.92	21	0.92	16	0.91	正确
19	18	0.94	20	0.92	23	0.92	21	0.91	17	0.90	正确
												20	21	0.96	23	0.92	19	0.92	18	0.91	22	0.89	正确
21	20	0.96	23	0.92	18	0.92	19	0.91	16	0.89	正确
												22	23	0.92	20	0.89	19	0.89	18	0.88	21	0.88	正确
23	18	0.93	22	0.92	20	0.92	21	0.92	19	0.92	正确
												24	39	0.94	45	0.94	40	0.93	43	0.92	44	0.92	失败
25	41	0.90	45	0.81	44	0.81	24	0.80	40	0.80	失败
												26	27	0.99	28	0.91	29	0.91	30	0.90	32	0.84	正确
27	26	0.99	28	0.92	29	0.91	30	0.90	31	0.84	正确
												28	27	0.92	26	0.91	29	0.88	30	0.87	32	0.82	正确
29	30	0.93	27	0.91	26	0.91	28	0.88	31	0.79	正确
												30	29	0.93	26	0.90	27	0.90	28	0.87	31	0.81	正确
31	32	0.93	27	0.84	26	0.84	28	0.81	36	0.81	正确
												32	31	0.93	27	0.84	26	0.84	28	0.82	35	0.81	正确
33	34	0.91	36	0.85	35	0.85	32	0.79	31	0.79	正确
												34	33	0.91	36	0.89	35	0.89	32	0.80	31	0.79	正确
35	36	0.94	34	0.89	33	0.85	38	0.83	37	0.82	正确
												36	35	0.94	34	0.89	33	0.85	38	0.82	37	0.81	正确
37	38	0.95	16	0.84	17	0.82	35	0.82	36	0.81	正确
												38	37	0.95	16	0.83	35	0.83	36	0.82	17	0.82	正确
39	40	0.98	24	0.94	45	0.94	43	0.92	44	0.91	正确
												40	39	0.98	24	0.93	45	0.93	43	0.92	42	0.91	正确
41	25	0.90	24	0.87	44	0.87	45	0.86	43	0.84	模糊
												42	43	0.96	24	0.91	40	0.91	39	0.91	45	0.87	正确
43	42	0.96	24	0.92	40	0.92	39	0.92	45	0.88	正确
												44	45	0.96	24	0.92	39	0.91	40	0.90	41	0.87	正确
45	44	0.96	24	0.94	39	0.94	40	0.93	43	0.88	正确

上面结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。

Claims (2)

1.一种现场残缺线性痕迹特征重合度比对方法，其特征在于：所述现场残缺线性痕迹特征重合度比对方法的具体步骤如下：

Step1、利用线性痕迹激光检测试验台装置的激光位移传感器对承痕体上的残缺线性痕迹表面进行横向检测，形成检测信号波形f(x)；

Step2、通过小波分解，将激光检测信号波形f(x)进行数据平滑处理，以消除背景噪声干扰，得到平滑后的信号f₁(x)；

Step3、对平滑后的痕迹信号按固定规划进行分箱处理描述痕迹特征；

Step4、计算平滑后的痕迹信号与样本信号二者重合的面积和二者全部覆盖的面积比值；

Step5、通过比值作为重合度比对的结果，进而搜索到与待检测线性痕迹最为相似的线性痕迹样本，锁定作案工具。

2.根据权利要求1所述的现场残缺线性痕迹特征重合度比对方法，其特征在于：所述步骤Step2中，具体步骤为：

Step2.1、依据以下公式将原始信号分解为两部分：

$f=a_n+\underset{i}{\overset{n}{\&Sigma;}}{d}_i$

其中：a_n为第n层的近似，d_i为第i层的细节数据，f为原始数据；

Step2.2、对每层的系数都选定一个阈值r，根据阈值r对高频噪声信号进行处理，处理过程如下： $c_i=\left\{\begin{array}{c}0,\left|c_i\right|<r\\ c_i,\left|c_i\right|\&GreaterEqual;r\end{array}\right.$

其中：c_i表示第i个分解小波系数；

Step2.3、通过之前设定的阀值r，对噪声信号进行过滤降噪，降噪后的信号为：

$f^{\&prime;}=a_n+\underset{i}{\overset{n}{\&Sigma;}}{d}_i^{\&prime;}$

其中：a_n为第n层的近似，d_i'为经过阈值降噪后的细节数据，f'为降噪过后的痕迹数据。