刑事案件現(xiàn)場圖作為刑事案件現(xiàn)勘記錄的重要組成部分,在法庭科學(xué)領(lǐng)域中發(fā)揮著重要作用,然而在公安實戰(zhàn)中,現(xiàn)場圖繪制不規(guī)范的情況仍然時有發(fā)生�；诖�,提出一種基于卷積神經(jīng)網(wǎng)絡(luò)的現(xiàn)場圖自動分類方法,實現(xiàn)對全國公安機關(guān)現(xiàn)場勘驗信息系統(tǒng)（簡稱為現(xiàn)勘系統(tǒng)）中現(xiàn)場圖的自動分類核查。首先,利用現(xiàn)勘系統(tǒng)中現(xiàn)場圖構(gòu)建刑事案件現(xiàn)場圖數(shù)據(jù)集,包括64098幅現(xiàn)場圖和作為負(fù)類的27162張現(xiàn)場照片;然后,在AlexNet的基礎(chǔ)上引入Inception結(jié)構(gòu),提出適用于現(xiàn)場圖分類問題的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)XCTNet;最后,多維度展現(xiàn)XCTNet的性能,并提取出分類錯誤的圖像。實驗結(jié)果表明:XCTNet在參數(shù)量僅為AlexNet的10%的條件下,在測試集上的準(zhǔn)確度達到了98.65%,相比較AlexNet提升了3.78個百分點,但對自繪方位示意圖的識別精度仍需要進一步提高。 

【文章來源】：激光與光電子學(xué)進展. 2020,57(04)北大核心

【文章頁數(shù)】：10 頁

【部分圖文】：

規(guī)范現(xiàn)場圖。（a）現(xiàn)場平面示意圖；（b）自繪方位示意圖；（c）地圖方位示意圖

本研究中研究對象類別較少，其本質(zhì)為四分類問題，且數(shù)據(jù)集中數(shù)據(jù)量較少，為了避免產(chǎn)生過擬合問題，需控制模型參數(shù)量以及網(wǎng)絡(luò)深度，因此使用了經(jīng)典網(wǎng)絡(luò)結(jié)構(gòu)AlexNet。AlexNet由5層卷積層和3層全連接層（FC）組成，使用ReLU函數(shù)作為激活函數(shù)，訓(xùn)練過程中引入神經(jīng)元隨機失活（dropout）以及局部響應(yīng)歸一化方法以避免過擬合，詳細(xì)網(wǎng)絡(luò)結(jié)構(gòu)可參考文獻[7]。本文提出的XCTNet（現(xiàn)場圖網(wǎng)絡(luò)）結(jié)構(gòu)在AlexNet的基礎(chǔ)上進行優(yōu)化，減小了訓(xùn)練模型的參數(shù)規(guī)模，提升了現(xiàn)場圖的分類精度。通過引入GoogleNet提出的含有卷積核大小為1×1卷積層的Inception結(jié)構(gòu)、在全連接層前增加平均池化層以及減少全連接層的連接數(shù)等方式，在不影響識別精度的前提下，減少了模型參數(shù)量。網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。該模型的輸入數(shù)據(jù)為256×256×3的三通道刑事案件現(xiàn)場圖像，整個神經(jīng)網(wǎng)絡(luò)由三層卷積層、三層池化層、四層Inception結(jié)構(gòu)以及三層全連接層組成。其中，pool1層和pool2層為最大池化層，pool3層為平均池化層，平均池化方法主要是借鑒Lin等[18]提出的平均池化代替全連接層的思想。由于本文網(wǎng)絡(luò)結(jié)構(gòu)相對簡單，直接使用平均池化層替代一層全連接層會對分類準(zhǔn)確率產(chǎn)生較大影響，因此在本文網(wǎng)絡(luò)結(jié)構(gòu)中，在全連接層之前增加平均池化層，以降低輸入全連接層的數(shù)據(jù)大小及連接數(shù)，從而減少模型參數(shù)量，并且通過控制全連接層輸出數(shù)據(jù)的維度，大幅減少訓(xùn)練模型的參數(shù)量。

刑事案件現(xiàn)場圖中包含很多敏感信息，屬于涉密信息。針對現(xiàn)場圖的研究主要集中在制圖方法以及制圖標(biāo)準(zhǔn)上，并未開展現(xiàn)場圖自動分類的相關(guān)研究，缺少用于解決現(xiàn)場圖自動分類問題的數(shù)據(jù)集。因此，首先需要建立一個刑事案件現(xiàn)場圖數(shù)據(jù)集，為此在全國公安機關(guān)現(xiàn)場勘驗信息系統(tǒng)數(shù)據(jù)庫中，搜集了來自12個省級數(shù)據(jù)庫中共101839張現(xiàn)場圖，該圖像均為現(xiàn)勘人員為記錄真實案件現(xiàn)場而繪制并上傳至現(xiàn)勘系統(tǒng)中的數(shù)據(jù)。但是，由于缺少必要的監(jiān)管措施，該數(shù)據(jù)中含有大量不符合上文所述制圖標(biāo)準(zhǔn)的現(xiàn)場圖，并且不同種類的現(xiàn)場圖數(shù)據(jù)也混雜在一起，因此對搜集到的現(xiàn)場圖數(shù)據(jù)進行人工質(zhì)量檢查并制作了類別標(biāo)簽。經(jīng)過人工篩選及分類，共得到21376張現(xiàn)場平面示意圖，12506張自繪方位示意圖，30216張地圖方位示意圖，總計64098張現(xiàn)場圖數(shù)據(jù)。

【參考文獻】：
期刊論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的足跟著地事件檢測算法[J]. 李卓容,王凱旋,何欣龍,糜忠良,唐云祁.  激光與光電子學(xué)進展. 2019(21)
[2]基于卷積神經(jīng)網(wǎng)絡(luò)和RGB-D圖像的車輛檢測算法[J]. 王得成,陳向?qū)?趙峰,孫浩燃.  激光與光電子學(xué)進展. 2019(18)
[3]基于卷積神經(jīng)網(wǎng)絡(luò)的鞋型識別方法[J]. 楊孟京,唐云祁,姜曉佳.  激光與光電子學(xué)進展. 2019(19)
[4]基于卷積神經(jīng)網(wǎng)絡(luò)的圖像分類算法綜述[J]. 楊真真,匡楠,范露,康彬.  信號處理. 2018(12)
[5]淺談“一長四必制”對現(xiàn)場勘查的影響[J]. 周佩,盛善正.  產(chǎn)業(yè)與科技論壇. 2018(15)
[6]“一長四必”現(xiàn)場勘查新機制相關(guān)問題探究[J]. 王麗杰.  法制與經(jīng)濟. 2016(05)



本文編號：3037983