基于共享聯(lián)結(jié)三元組卷積神經(jīng)網(wǎng)絡(luò)的槍彈膛線 痕跡快速匹配方法

潘楠 潘地林 潘世博 劉海石 蔣雪梅 劉益

摘 要：針對(duì)傳統(tǒng)通過激光檢測(cè)提取膛線線形痕跡信號(hào)時(shí)槍彈痕跡檢測(cè)精度不高且操作復(fù)雜的問題，提出了新型提取和處理方法。采用多尺度配準(zhǔn)、彈性形狀度量與卷積神經(jīng)網(wǎng)絡(luò)技術(shù)，基于多模式彈性驅(qū)動(dòng)自適應(yīng)控制方法，建立了試件末端位置和姿態(tài)參數(shù)分布模型，采用孤立森林算法檢測(cè)信號(hào)進(jìn)行異常處理，利用變尺度形態(tài)濾波算法去除非細(xì)小特征，引入平方速度函數(shù)優(yōu)化彈性形狀度量算法，完成曲線輪廓嵌入層映射;在膛線線形匹配部分，建立了適用于痕跡特征的優(yōu)化參數(shù)共享聯(lián)結(jié)三元組卷積神經(jīng)網(wǎng)絡(luò)模型，通過嵌入層相似度計(jì)算和最小化三重?fù)p失函數(shù)訓(xùn)練該網(wǎng)絡(luò)至收斂;最后進(jìn)行了不同方法的相似度匹配對(duì)比實(shí)驗(yàn)。結(jié)果表明，與傳統(tǒng)的檢測(cè)方法相比，新方法解決了傳統(tǒng)槍彈痕跡檢測(cè)中面臨的精度與操作性問題，保證檢測(cè)結(jié)果的穩(wěn)定性，且成本大大降低。在膛線線形痕跡提取中采用多模式彈性驅(qū)動(dòng)自適應(yīng)控制方法和三元組卷積神經(jīng)網(wǎng)絡(luò)模型，可為槍彈痕跡檢測(cè)提供一種新的可行方法和思路。

關(guān)鍵詞：測(cè)試計(jì)量?jī)x器;槍彈痕跡;多尺度配準(zhǔn);彈性形狀度量;三重?fù)p失函數(shù);卷積神經(jīng)網(wǎng)絡(luò)

中圖分類號(hào)：TP183 文獻(xiàn)標(biāo)識(shí)碼：A

doi：10.7535/hbkd.2021yx03002

Fast matching method of bullet rifling traces based on shared connection triplet convolutional neural network

PAN Nan1， PAN Dilin2， PAN Shibo1， LIU Haishi1， JIANG Xuemei3， LIU Yi4

（1.Faculty of Civil Aviation and Aeronautics，Kunming University of Science and Technology，Kunming，Yunnan 650500，China;

2.Kunming Zhiyuan Measurement and Control Technology Company Limited，Kunming，Yunnan 650500，China;

3.Institute of Forensic Science of China，Beijing 100038，China;4.Kunming SNLab Technology Company Limited，Kunming，Yunnan 650228，China）

Abstract：Aiming at the problems of low precision and complicated operation of traditional bullet trace detection which generally uses laser to detect rifling traces to extract the signal of the rifling traces，new extraction and handling method was provided.By adopting multi-scale registration，elastic shape measurement and convolutional neural network technology，and using multi-mode elastic drive based adaptive control method，the end position and attitude parameter distribution model of the specimen were established.At the same time，the isolated forest algorithm was used to detect the signal for anomaly processing，and the variable-scale morphological filtering algorithm was used to remove non-small features.The square velocity function was introduced to optimize the elastic shape measurement algorithm to complete the curve contour embedding layer mapping.Aiming at the matching part of the rifle line shape，a convolutional neural network model of optimized parameter sharing connection triples suitable for trace features was established，and the network was trained to convergence by calculating the similarity of the embedding layer and minimizing the triple loss function.The comparison of similarity matching experiment results by using different methods was conducted.The results show that the new method solves the accuracy and operability problems faced in the traditional bullet trace detection，the stability of the detection result can be guaranteed，and the cost is greatly reduced compared with the traditional detection method.Adopting multi-mode elastic drive adaptive control method and three-tuple convolutional neural network model in the extraction of rifling traces provides a new feasible method and idea for bullet trace detection.

Keywords：

test and measurement instrument;bullet trace;multi-scale registration;elastic shape metric;triplet loss function;convolution neural network

槍彈膛線痕跡是指彈頭在擠進(jìn)過程中，受到線膛內(nèi)表面的擠壓和剪切、刮擦作用在披甲表面形成的凹陷條狀痕跡（線形痕跡）。由于槍管內(nèi)陰、陽(yáng)膛線對(duì)彈頭披甲擠壓力大小不同及陽(yáng)膛線2棱邊側(cè)面對(duì)披甲的剪切、刮擦作用，致使彈頭披甲與陽(yáng)膛線表面直接接觸的部位產(chǎn)生壓縮變形，而呈凹陷狀，從而明顯地區(qū)別于陰膛線表面作用的部位[1]。在涉槍案件偵破過程中，彈頭膛線線形痕跡最為常見，其對(duì)于辦案人員認(rèn)定案件性質(zhì)，確定作案槍支，進(jìn)而證實(shí)犯罪嫌疑人有著十分重要的意義[2]。

相較于傳統(tǒng)通過顯微鏡觀察、人為比對(duì)形態(tài)特征的方式，近年來興起的圖像識(shí)別及三維掃描技術(shù)，為膛線線形痕跡的無損定量測(cè)試提供了一些新的解決方案。

國(guó)外諸多研究者就此問題提出了許多解決方法。美國(guó)愛荷華州立大學(xué)提出了一種基于線形痕跡輪廓數(shù)據(jù)對(duì)犯罪槍支進(jìn)行推斷[4];利用顯微鏡進(jìn)行線形痕跡提取，芬蘭、美國(guó)和德國(guó)的研究者分別著重于利用三維顯微鏡的掃描白光干涉[5]，利用白光共聚焦顯微鏡[6]和基于三維激光掃描共聚焦的方式進(jìn)行提取[7]，此類通過三維光學(xué)儀器提取線形痕跡輪廓的方式具有很高的精度，但是在實(shí)施過程中十分復(fù)雜，需要足夠的技術(shù)力。而關(guān)于擦劃線形痕跡，德國(guó)、荷蘭和美國(guó)愛荷華州立大學(xué)的研究者通過相關(guān)分析計(jì)算2個(gè)溝槽的關(guān)聯(lián)程度[8]，構(gòu)建了一種針對(duì)線形痕跡的多尺度配準(zhǔn)框架[9]和使用MANTIS處理軟件對(duì)提取痕跡輪廓圖像進(jìn)行比對(duì)的方法進(jìn)行研究[10]。

在國(guó)內(nèi)，楊敏等[11]通過構(gòu)造槍彈膛線痕跡紋理局部小波能量特征矢量并衡量特征標(biāo)準(zhǔn)差實(shí)現(xiàn)痕跡相似度檢驗(yàn)，同時(shí)提出使用擴(kuò)展分形模型描述彈頭膛線區(qū)域痕跡，給出了相關(guān)算法[12]。李軼昳等[13]嘗試建立一種射擊彈頭、彈殼三維形貌以及痕跡特征的復(fù)制方法——槍彈物證模塑成型技術(shù)，但是成本不易控制。哈爾濱工業(yè)大學(xué)利用歸一化互相關(guān)函數(shù)與全元匹配結(jié)合的算法實(shí)現(xiàn)了線形痕跡的高效匹配[14]。李趙春等[15]嘗試?yán)锰卣髯R(shí)別加速魯棒特征（SURF）算法進(jìn)行匹配研究，利用該算法提取彈痕表面特征建立三維模型，并使用隨機(jī)抽樣一致性（RANSAC）算法實(shí)現(xiàn)匹配優(yōu)化。中國(guó)人民公安大學(xué)在Evofinder槍彈痕跡比對(duì)系統(tǒng)的基礎(chǔ)上，探究似然比在槍彈痕跡評(píng)估中的計(jì)算與評(píng)價(jià)方法，并嘗試建立以似然比方法為基礎(chǔ)的槍彈痕跡比對(duì)系統(tǒng)證據(jù)評(píng)估體系[16]。張馨[17]利用高分辨率的3D點(diǎn)云數(shù)據(jù)和二維圖像復(fù)合的方法重現(xiàn)彈頭膛線痕跡的三維特征。

以上方法雖然都在一定程度上實(shí)現(xiàn)了線形痕跡的自動(dòng)匹配，但仍存在以下問題：

1）基于圖片的比對(duì)方法，對(duì)拍照設(shè)備的要求較高，反光、拍攝角度及對(duì)焦不一致，將直接導(dǎo)致原始數(shù)據(jù)失真，分析結(jié)果穩(wěn)健性下降;

2）三維掃描穩(wěn)健雖能更真實(shí)地反映線形痕跡細(xì)節(jié)特征，但其檢測(cè)硬件成本高昂，且形成的文件體積過大，易造成計(jì)算量級(jí)呈幾何倍數(shù)增長(zhǎng);

3）現(xiàn)有匹配方法在區(qū)分槍支本身個(gè)體特征的同時(shí)需要區(qū)分類特征和子類特征，對(duì)于因槍支擊發(fā)次數(shù)較多而造成形態(tài)復(fù)雜且隨機(jī)性較大的線形痕跡，其準(zhǔn)確性較為有限。

單點(diǎn)激光測(cè)試具有受環(huán)境光影響小、精度高、數(shù)據(jù)文件體積小、頻響特性好等特點(diǎn)，對(duì)于微觀特征的非接觸式測(cè)量非常有效[18]。近年來深度學(xué)習(xí)領(lǐng)域興起的卷積神經(jīng)網(wǎng)絡(luò)，其權(quán)值共享網(wǎng)絡(luò)結(jié)構(gòu)可規(guī)避傳統(tǒng)識(shí)別算法中復(fù)雜的特征提取和數(shù)據(jù)重建過程，同時(shí)足夠穩(wěn)健，對(duì)于平移、比例縮放、傾斜或者共他形式的變形具有高度不變性，已被廣泛應(yīng)用于圖像和語(yǔ)音識(shí)別之中[19-22]。因此，將單點(diǎn)激光測(cè)試與卷積神經(jīng)網(wǎng)絡(luò)相結(jié)合，應(yīng)用于線形痕跡相似性匹配，不啻為一種可行的嘗試。然而，在解決實(shí)際問題時(shí)仍然需要面對(duì)保證檢測(cè)信號(hào)穩(wěn)定性、痕跡特征快速提取、穩(wěn)健訓(xùn)練數(shù)據(jù)集選取、部分重合相似性識(shí)別等問題。

針對(duì)上述問題，本文利用基于多模式彈性驅(qū)動(dòng)自適應(yīng)控制方法保證彈頭的旋轉(zhuǎn)軸線與電動(dòng)旋轉(zhuǎn)臺(tái)的旋轉(zhuǎn)軸線始終重合，使得測(cè)試信號(hào)具備長(zhǎng)期穩(wěn)定性;針對(duì)線形彈痕則采用有限元分析、三維掃描和單點(diǎn)激光檢測(cè)實(shí)驗(yàn)相結(jié)合的方式，完成線形痕跡特征的采集，形成機(jī)理分析、確定高區(qū)分性形貌特征分布并建立激光檢測(cè)信號(hào)與實(shí)際形貌特征的近似等價(jià)關(guān)聯(lián)關(guān)系;對(duì)于異常數(shù)據(jù)的檢測(cè)與處理，采用了基于孤立森林和指數(shù)加權(quán)移動(dòng)平均算法;在濾波方面采用基于變尺度形態(tài)濾波算法去除非細(xì)小特征;通過多尺度配準(zhǔn)策略完成曲線輪廓的快速提取;采用優(yōu)化彈性形狀度量算法完成輪廓嵌入層映射;最終的匹配部分采用痕跡特征參數(shù)共享的聯(lián)結(jié)三元組卷積神經(jīng)網(wǎng)絡(luò)完成樣本特征提取、訓(xùn)練及相似性識(shí)別，利用平均精度均值和接收者操作特征曲線完成相似性匹配排序標(biāo)準(zhǔn)的構(gòu)建，實(shí)現(xiàn)彈頭膛線痕跡快速檢驗(yàn)。

1 痕跡微觀形態(tài)與激光檢測(cè)信號(hào)等價(jià)關(guān)系的建立

1.1 保持檢測(cè)彈頭與電動(dòng)旋轉(zhuǎn)臺(tái)同軸

假設(shè)激光傳感器到彈頭表面的垂直距離為L(zhǎng)，到電動(dòng)旋轉(zhuǎn)臺(tái)軸心的距離為H，彈頭軸心至電動(dòng)旋轉(zhuǎn)臺(tái)軸心距離為δ，彈頭半徑為r，電動(dòng)旋轉(zhuǎn)臺(tái)軸心與彈頭表面的垂直距離為S，如圖1所示。

在電動(dòng)旋轉(zhuǎn)臺(tái)進(jìn)行360°旋轉(zhuǎn)時(shí)有：

L=H-δsin α±δ2sin2α-δ2-r2。（1）

基于多模式彈性驅(qū)動(dòng)自適應(yīng)控制方法構(gòu)建試件座末端（與彈頭底部重合）位姿參數(shù)分布模型，分析試件座位姿調(diào)節(jié)的約束參量，將試件座位姿調(diào)節(jié)的穩(wěn)態(tài)控制問題轉(zhuǎn)化為試件座位姿參量自適應(yīng)調(diào)節(jié)問題，實(shí)現(xiàn)試件座姿態(tài)變換的特征分解和誤差補(bǔ)償修正，從而保證彈頭旋轉(zhuǎn)軸線與電動(dòng)旋轉(zhuǎn)臺(tái)的旋轉(zhuǎn)軸線始終重合，使得測(cè)試信號(hào)具備長(zhǎng)期穩(wěn)定性。

1.2 典型制式公務(wù)用槍和對(duì)應(yīng)彈頭膛線有限元模型的建立

通過有限元仿真定量分析其彈頭披甲初始擠進(jìn)槍管時(shí)在膛線和坡膛的碰撞與擠壓作用下產(chǎn)生彈性變形，擠進(jìn)過程中產(chǎn)生的應(yīng)力變化趨勢(shì)，以及最后擠進(jìn)全深膛線時(shí)發(fā)生的塑性變形。據(jù)此建立彈塑性有限元模型，通過分析等效應(yīng)力圖、膛線X方向主應(yīng)力圖和膛線應(yīng)力偏張量圖等計(jì)算確定出應(yīng)力集中點(diǎn)、變化過程以及強(qiáng)度薄弱區(qū)域，分析膛線痕跡的產(chǎn)生、演變機(jī)制和相應(yīng)模態(tài)特征。某彈頭膛線痕跡有限元模型見圖2。

將有限元計(jì)算結(jié)果和三維激光掃描共聚焦顯微鏡測(cè)取線形痕跡表面凹凸痕跡的微觀數(shù)據(jù)相結(jié)合，根據(jù)槍彈類型、痕跡起止部位，確定膛線加工明顯留痕區(qū)域和特征表現(xiàn)。利用單點(diǎn)激光檢測(cè)對(duì)留痕區(qū)域進(jìn)行多次環(huán)繞檢測(cè)，最終結(jié)合三維掃描模型建立其與線形痕跡微觀形態(tài)的近似等價(jià)關(guān)聯(lián)關(guān)系。圖2中Z軸為激光頭到彈頭表面凹凸的距離，單位為μm;X軸為環(huán)繞彈頭掃描一周的長(zhǎng)度，單位為mm;Y軸為掃描的信號(hào)個(gè)數(shù)，5 000個(gè)組成一個(gè)面。

2 痕跡曲線輪廓提取及嵌入層映射

2.1 檢測(cè)異常數(shù)據(jù)處理

檢測(cè)異常數(shù)據(jù)處理，異常數(shù)據(jù)多由過分反光或振動(dòng)造成，同周邊的數(shù)據(jù)有明顯差異，以單點(diǎn)激光檢測(cè)信號(hào)作為測(cè)試數(shù)據(jù)輸入，基于孤立森林算法，在訓(xùn)練集上使用子采樣建立多棵iTree，創(chuàng)建iForest，評(píng)估樣本（實(shí)例），計(jì)算所有樣本的異常指數(shù)，對(duì)所有的一維數(shù)據(jù)異常指數(shù)進(jìn)行K均值聚類，估算當(dāng)前差異閾值，低于此閾值的樣本即為異常，予以剔除，基于臨近正常數(shù)據(jù)通過指數(shù)加權(quán)移動(dòng)平均進(jìn)行修正。

2.2 多檢測(cè)數(shù)據(jù)相位同步及非特征信息去除

利用改進(jìn)動(dòng)態(tài)時(shí)間規(guī)整算法和皮爾森相關(guān)系統(tǒng)，將10條檢測(cè)信號(hào)進(jìn)行相似度比對(duì)，取相似度最大點(diǎn)為相位起始點(diǎn)，進(jìn)行數(shù)據(jù)疊加，隨后構(gòu)建變尺度形態(tài)濾波器，保留細(xì)小區(qū)分特征信息，去除非特征信息。

2.3 曲線輪廓快速提取

多尺度配準(zhǔn)策略用于配準(zhǔn)經(jīng)同型號(hào)不同槍支形成痕跡信號(hào)的輪廓（已知不匹配配準(zhǔn)）及相同槍支不同夾持力、擊發(fā)力而形成痕跡信號(hào)的輪廓（已知匹配配準(zhǔn)），分多步配準(zhǔn)，每步均增加細(xì)節(jié)信息，從粗略結(jié)構(gòu)開始，對(duì)于每個(gè)尺度只考慮大于給定波長(zhǎng)λ的結(jié)構(gòu)，在每個(gè)步驟中，確定最佳平移和縮放參數(shù)并將其作為下一步的初始化，最后一步形成的參數(shù)用于轉(zhuǎn)換包括所有結(jié)構(gòu)的整個(gè)輪廓，以產(chǎn)生最終的配準(zhǔn)結(jié)果，如圖3所示。

2.4 曲線輪廓映射到嵌入層

設(shè)參數(shù)化曲線輪廓為β（β：D→瘙綆n），其中D是參數(shù)化的確定域，瘙綆n為實(shí)數(shù)集，定義‖·‖為瘙綆n中的歐幾里得2范數(shù)，定義連續(xù)映射F：瘙綆n→瘙綆n，利用平方根速度函數(shù)定義β的形狀q：D→瘙綆n，其中：

q（t）=Fβ·（t）=β·（t）‖β·（t）‖。（2）

對(duì)于每一個(gè)q∈L2D，瘙綆n，均存在能夠通過q的平方根速度函數(shù)定義的β，此曲線通過β（t）=∫t0qs‖qs‖ds獲得，隨后通過∫D‖q（t）‖2dt=∫D‖β·‖2dt=1將曲線縮放至單位長(zhǎng)度以實(shí)現(xiàn)尺度不變性，表示為該預(yù)形狀空間L2D，瘙綆n中的單位超球點(diǎn);最后，通過由預(yù)形狀空間中點(diǎn)與點(diǎn)之間最小化測(cè)地線的長(zhǎng)度定義2條曲線之間的距離，測(cè)地線通過解析表達(dá)式和路徑矯正算法進(jìn)行計(jì)算，分別基于奇異值分解和動(dòng)態(tài)規(guī)劃實(shí)現(xiàn)該預(yù)形狀空間旋轉(zhuǎn)和重新參數(shù)化不變性。

3 痕跡相似性匹配卷積神經(jīng)網(wǎng)絡(luò)模型的建立

3.1 三重?fù)p失和相似度計(jì)算

相似度計(jì)算步驟如下：從訓(xùn)練數(shù)據(jù)集（空間）中隨機(jī)選一個(gè)樣本xp1，再隨機(jī)選取一個(gè)和xp1屬于同一類的樣本xp2和不同類的樣本xn，由此構(gòu)成一個(gè)T=xp1，xp2，xn三元組，f（xi）為歸一化的高度嵌入特征，嵌入層的維度通過網(wǎng)絡(luò)分支最后一層的大小進(jìn)行控制，最后可構(gòu)成一個(gè)基本的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，如圖4所示。本文的卷積神經(jīng)網(wǎng)絡(luò)利用相似性匹配方法，構(gòu)建了一個(gè)10層的卷積神經(jīng)網(wǎng)絡(luò)模型來完成彈痕匹配。

將所有樣本之間的距離均加以利用，使用Softmax層和均方根標(biāo)準(zhǔn)實(shí)現(xiàn)Δ+同時(shí)滿足小于Δ1+且小于Δ*=minΔ1-，Δ2-的條件，以簡(jiǎn)化訓(xùn)練樣本選擇過程，將損失定義為

（T）=eΔ+eΔ++eΔ*2+1-eΔ*eΔ++eΔ*2 。（3）

將L2范數(shù)用于評(píng)估痕跡在嵌入層中表征之間的距離，利用損失函數(shù)使匹配痕跡之間局部差異值最小，完成相似度計(jì)算。

3.2 三元組選擇和數(shù)據(jù)增強(qiáng)

本文卷積神經(jīng)網(wǎng)絡(luò)的三元組選擇分別為評(píng)估全輪廓、輪廓重排列、輪廓分段和補(bǔ)丁4類策略，通過實(shí)際測(cè)試選擇最為合適的策略，以隱式地定義相關(guān)特征以及應(yīng)被卷積神經(jīng)網(wǎng)絡(luò)所抑制的特征，避免因卷積神經(jīng)網(wǎng)絡(luò)內(nèi)權(quán)值共享而導(dǎo)致全部樣本被抑制或僅因局部特征區(qū)分樣本的情況出現(xiàn)。

3.3 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化和排序標(biāo)準(zhǔn)建立

由于輸入樣本是一個(gè)輪廓，因此卷積和池化層是一維信號(hào)輸入。在各卷積層之后進(jìn)行批量歸一化，以減少對(duì)網(wǎng)絡(luò)的輸入規(guī)范化和初始化的依賴性，通過經(jīng)驗(yàn)性實(shí)驗(yàn)評(píng)估卷積大小、映射數(shù)量以及池化層大小以防止過擬合，同時(shí)引入平均池和ReLU激活函數(shù)加快訓(xùn)練速度并降低梯度消失帶來的影響。利用隨機(jī)梯度下降進(jìn)行優(yōu)化，最終利用訓(xùn)練好的痕跡特征卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行相似性識(shí)別。采用平均精度均值和接收者操作特征曲線構(gòu)建相似性匹配排序標(biāo)準(zhǔn)，綜合評(píng)估分類和識(shí)別結(jié)果。具體層數(shù)的作用如表1所述。

4 實(shí)驗(yàn)測(cè)試

1）擊發(fā)彈頭積累 選取自動(dòng)步槍、沖鋒槍、手槍3大類總計(jì)5種型號(hào)槍支50支，安裝在仿生危險(xiǎn)槍支射擊架上，進(jìn)行多角度射擊實(shí)驗(yàn)，通過干式無損集彈器回收。板機(jī)擊發(fā)力按1.0，2.0，5.0，7.0和10.0 kg等5級(jí)進(jìn)行調(diào)節(jié)，前后夾持力按5，10，20，50和70 kg進(jìn)行調(diào)節(jié)。每支槍支射擊25次，形成待測(cè)彈頭1 250個(gè)，每次射擊均記錄子彈出膛速度。

2）訓(xùn)練集積累 為了能夠更好地進(jìn)行訓(xùn)練，要求痕跡檢測(cè)樣本的數(shù)量盡量大，利用單點(diǎn)激光檢測(cè)，對(duì)各彈頭披甲表面留痕區(qū)域進(jìn)行10次環(huán)繞檢測(cè)，積累單點(diǎn)激光檢測(cè)信號(hào)樣本庫(kù)，樣本庫(kù)樣本數(shù)量（測(cè)試集）達(dá)到12 500。

3）彈頭軸線中心自適應(yīng)校正 利用基于多模式彈性驅(qū)動(dòng)自適應(yīng)控制方法保證彈頭的旋轉(zhuǎn)軸線與電動(dòng)旋轉(zhuǎn)臺(tái)的旋轉(zhuǎn)軸線始終重合，使得測(cè)試信號(hào)具備長(zhǎng)期穩(wěn)定性，避免因傾斜產(chǎn)生數(shù)據(jù)偏差。

4）彈性形狀度量 利用彈性形狀度量算法對(duì)檢測(cè)信號(hào)進(jìn)行曲線輪廓映射，通過由預(yù)形狀空間中點(diǎn)與點(diǎn)之間最小化測(cè)地線的長(zhǎng)度定義2條曲線之間的距離。

5）實(shí)施細(xì)節(jié) 通過計(jì)算嵌入層痕跡映射之間的L2距離計(jì)算相似度。對(duì)于輪廓段，使用滑動(dòng)窗口從上到下計(jì)算多個(gè)表征。然后，將相應(yīng)表征的成對(duì)距離之和用作2條痕跡之間的距離度量，將步長(zhǎng)設(shè)置為段或補(bǔ)丁高度的1/8。

優(yōu)化參數(shù)通過多次實(shí)驗(yàn)后得以確定：使用隨機(jī)梯度下降法進(jìn)行優(yōu)化，學(xué)習(xí)速率為0.000 1，權(quán)重衰減為10-4，動(dòng)量設(shè)定為0.88。

6）編寫程序 相關(guān)算法利用Matlab 2019a驗(yàn)證后，采用Python進(jìn)行編寫，在CPU為Intel Core i7 3.2 GHz、雙1080Ti GPU的深度學(xué)習(xí)計(jì)算主機(jī)上運(yùn)行。

將該方法與傳統(tǒng)方法作比較，約定同一類型槍所擊發(fā)的比對(duì)排序全部位于前10%，也就是前9位的，則匹配為優(yōu)秀，有6組數(shù)據(jù)比對(duì)排序在前10%，則該比對(duì)結(jié)果記為良好（成功），結(jié)果見表2。

單個(gè)彈頭全測(cè)試集匹配時(shí)間為0.1 s，經(jīng)實(shí)驗(yàn)，81式自動(dòng)步槍彈痕匹配成功率為85.0%（MAP 0.77），59式手槍彈痕匹配成功率為87.5%（MAP 0.75），79式?jīng)_鋒槍彈痕匹配成功率為87.0%（MAP 0.79），92式手槍彈痕匹配成功率為88.0%（MAP 0.8），54式手槍彈痕匹配成功率為87.0%（MAP 0.79），整體匹配準(zhǔn)確率和穩(wěn)健度與傳統(tǒng)方法相比較都要優(yōu)越。

為與本文方法進(jìn)行對(duì)比，采用文獻(xiàn)[10]提出方法對(duì)測(cè)試集進(jìn)行匹配測(cè)試。與傳統(tǒng)方法的對(duì)比試驗(yàn)相比較，本次增加了每個(gè)種類的槍支數(shù)量，單個(gè)彈頭全測(cè)試集匹配時(shí)間為1.5 s。由表3可知，本文所提出的方法在匹配速度、精確度和穩(wěn)健度方面均優(yōu)于文獻(xiàn)[10]方法。

5 結(jié) 語(yǔ)

提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的槍彈膛線痕跡相似度匹配算法。該算法基于多模式彈性驅(qū)動(dòng)自適應(yīng)控制方法，保證彈頭的旋轉(zhuǎn)軸線與電動(dòng)旋轉(zhuǎn)臺(tái)的旋轉(zhuǎn)軸線始終重合，采用有限元分析、三維掃描和單點(diǎn)激光檢測(cè)實(shí)驗(yàn)相結(jié)合的方式，建立激光檢測(cè)信號(hào)與實(shí)際形貌特征的近似等價(jià)關(guān)聯(lián)關(guān)系;采用基于孤立森林和指數(shù)加權(quán)移動(dòng)平均算法完成檢測(cè)異常數(shù)據(jù)處理，基于變尺度形態(tài)濾波算法去除非細(xì)小特征;采用多尺度配準(zhǔn)策略，完成曲線輪廓的快速提取;采用優(yōu)化彈性形狀度量算法，完成輪廓嵌入層映射;采用痕跡特征參數(shù)共享的聯(lián)結(jié)三元組卷積神經(jīng)網(wǎng)絡(luò)，完成樣本特征提取、訓(xùn)練及相似性識(shí)別，利用平均精度均值和接收者操作特征曲線完成相似性匹配排序標(biāo)準(zhǔn)的構(gòu)建，最終實(shí)現(xiàn)了彈頭膛線痕跡的快速檢驗(yàn)，實(shí)際數(shù)據(jù)測(cè)試也驗(yàn)證了算法的有效性。為了進(jìn)一步貼近實(shí)際辦案環(huán)境，如何擴(kuò)大樣本庫(kù)和算法運(yùn)算速度，將是下一步的研究方向。

參考文獻(xiàn)/References：

[1] SPOTTS R，CHUMBLEY L S，EKSTRAND L，et al.Optimization of a statistical algorithm for objective comparison of toolmarks[J].Journal of Forensic Sciences，2015，60（2）：303-314.

[2] 李岳松，羅亞平.運(yùn)用Evofinder槍彈自動(dòng)識(shí)別系統(tǒng)對(duì)建檔手槍彈頭數(shù)字化建檔的研究[J].刑事技術(shù)，2018，43（5）：363-368.

LI Yuesong，LUO Yaping.Digital filing into the registered-bullet imaging database by ballistic identification system evofinder[J].Forensic Science and Technology，2018，43（5）：363-368.

[3] 張樹江，顏景龍，邢慧.一種基于圖像檢索的槍彈識(shí)別系統(tǒng)[J].兵工學(xué)報(bào)，2008，29（4）：459-463.

ZHANG Shujiang，YAN Jinglong，XING Hui.A cartridge identification system based on image retrieval[J].Acta Armamentarii，2008，29（4）：459-463.

[4] LOCK A B，MORRIS M D.Significance of angle in the statistical comparison of forensic tool marks[J].Technometrics，2013，55（4）：548-561.

[5] KASSAMAKOV I，BARBEAU C，LEHTO S，et al.CSI Helsinki：Comparing three-dimensional imaging of diagonal cutter toolmarks using confocal microscopy and SWLI[C]//SPIE Defense，Security，and Sensing.Orlando：[s.n.]，2010：76900Y.

[6] GAMBINO C，MCLAUGHLIN P，KUO L，et al.Forensic surface metrology：Tool mark evidence[J].Scanning，2011，33（5）：272-278.

[7] CLAUSING E，VIELHAUER C.Digitized locksmith forensics：Automated detection and segmentation of toolmarks on highly structured surfaces[C]//Media Watermarking，Security，and Forensics.[S.l.]：[s.n.]，2014：90280W.

[8] HEIZMANN M.Techniques for the segmentation of striation patterns[J].IEEE Transactions on Image Processing，2006，15（3）：624-631.

[9] BAIKER M，KEEREWEER I，PIETERMAN R，et al.Quantitative comparison of striated toolmarks[J].Forensic Science International，2014，242：186-199.

[10]CHUMBLEY S，ZHANG S，MORRIS M，et al.Development of a mobile toolmark characterization/comparison system[J].Journal of Forensic Sciences，2017，62（1）：83-91.

[11]楊敏，彭穎.基于專家知識(shí)的工具痕跡系統(tǒng)構(gòu)建研究[J].中國(guó)人民公安大學(xué)學(xué)報(bào)（自然科學(xué)版），2013，19（2）：1-5.

[12]楊敏，牟麗.彈頭痕跡多尺度擴(kuò)展分形檢驗(yàn)分析[J].兵工學(xué)報(bào)，2009，30（6）：677-681.

YANG Min，MOU Li.Multiscale extended fractal analysis for identifying bullet engraving[J].Acta Armamentarii，2009，30（6）：677-681.

[13]李軼昳，周志飛，張剛，等.利用高分子材料復(fù)制槍彈物證三維形貌及痕跡特征[J].刑事技術(shù)，2019，44（6）：497-501.

LI Yiyi，ZHOU Zhifei，ZHANG Gang，et al.Ballistic evidence reproduced of its own 3D shape and marks patterns by polymer materials[J].Forensic Science and Technology，2019，44（6）：497-501.

[14]ZHANG H，SONG J，TONG M S，et al.Correlation of firing pin impressions based on congruent matching cross-sections （CMX） method[J].Forensic Science International，2016，263：186-193.

[15]李趙春，周駿，張浩，等.基于SURF特征的槍彈痕跡匹配方法[J].傳感器與微系統(tǒng)，2019，38（11）：35-38.

LI Zhaochun，ZHOU Jun，ZHANG Hao，et al.Bullet scrapping matching method based on SURF feature[J].Transducer and Microsystem Technologies，2019，38（11）：35-38.

[16]董鋒.Evofinder槍彈痕跡比對(duì)系統(tǒng)似然比評(píng)估方法研究[D].北京：中國(guó)人民公安大學(xué)，2020.

DONG Feng.Research on the Likelihood Ratio Evaluation Method of Evofinder Bullet Trace Comparison System[D].Beijing：People′s Public Security University of China，2020.

[17]張馨.基于遷移學(xué)習(xí)的彈痕比對(duì)方法研究[D].合肥：安徽大學(xué)，2020.

ZHANG Xin.Research on Bullet Marks Recognition Based on Transfer Learning[D].Hefei：Anhui University，2020.

[18]潘楠，伍星，劉益，等.線性痕跡激光檢測(cè)信號(hào)自適應(yīng)匹配算法研究[J].儀器儀表學(xué)報(bào)，2015，36（6）：1372-1380.

PAN Nan，WU Xing，LIU Yi，et al.Research on the adaptive matching algorithm for laser linear mark detection signals[J].Chinese Journal of Scientific Instrument，2015，36（6）：1372-1380.

[19]PARKHI O M，VEDALDI A，ZISSERMAN A.Deep face recognition[C]//Procedings of the British Machine Vision Conference 2015.Swansea：British Machine Vision Association，2015：1-12.

[20]ZAGORUYKO S，KOMODAKIS N.Learning to compare image patches via convolutional neural networks[C]//2015 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）.Boston：IEEE，2015：4353-4361.

[21]IOFFE S，SZEGEDY C.Batch Normalization：Accelerating Deep Network Training by Reducing Internal Covariate Shift[EB/OL].[2020-12-21].https：//www.ixueshu.com/document/f8e66fe8224877ea318947a18e7f9386.html.

[22]CHEN W H，CHEN X T，ZHANG J G，et al.Beyond triplet loss：A deep quadruplet network for person Re-identification[C]//2017 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）.Honolulu：IEEE，2017：1320-1329.