摘要：【目的】随着生成对抗网络和扩散模型生成模型的快速发展,AI生成图像的质量不断提高,人类肉眼难以将其与真实图像区分。这些技术已经商业产品化,用户可通过软件产品一键式操作以实现文本到图像生成,产生了一定的商业价值,但也给司法鉴定带来了挑战,图像能否直接作为证据使用必将是法庭科学的重要研究课题。因此,如何有效地检测AI生成图像成为一个亟待解决的重要问题。【方法】现有的AI生成图像检测方法主要集中在检测单一生成模型的图像上。然而,一对一检测方法在面对未见过的生成模型时泛化能力较差。本文提出一种基于集成学习的Stacking策略集成多种一对一检测方法的对抗检测框架,通过使用随机森林模型结合为每个AI生成图像软件特化训练的单一检测器的输出,以替代直接泛化。【结果】实验结果表明,该框架在GenImage数据集上达到了98.36%的总体准确率,在本文设计的人工数据集上表现出较强的鲁棒性。单一检测器输出的分数被保留,为后续的归因工作提供可能。【结论】对抗检测框架具有可观的应用前景,作为一个可以灵活整合和更新各种检测技术的平台,为生成图像检测和归因研究提供一个更全和有效的解决方案。

摘要：“监控+鞋印”是目前公安机关刑事侦查的重要技战法,其基本原理是依据犯罪现场鞋印推断嫌疑人所穿鞋型,然后到周边监控视频中检索嫌疑鞋型。针对“监控+鞋印”技战法自动化程度低下的问题,提出一种基于卷积神经网络的鞋型识别方法,实现对嫌疑鞋型的自动识别。根据鞋型识别独有特点,在DeepID的基础上设计卷积神经网络框架,并构建鞋型样本数据库(50双鞋型样本,共计160231幅图像)。运用Caffe框架结合不同网络模型对鞋型图像数据进行训练和测试,实验设计的初始网络结构由两层卷积、两层池化、两层全连接组成。实验比对了不同的第一层全连接层输出元素数目对网络性能与训练效率的影响,又在不改变输出特征图大小的情况下比对了不同网络深度的实验结果,在优化模型的基础上引用重叠池化得到实验最优网络模型。实验结果表明,卷积神经网络对于鞋型有很好的识别效果,识别精度值最高达96.06%,为鞋型识别提供了一种新的途径。

摘要：模式识别是信息技术领域的一项新兴技术,是公安信息化建设的重要基础,有必要在公安院校中开设"模式识别导论"课程。然而,"模式识别"是一门综合性和理论性极强的学科,相关理论和方法晦涩难懂。在教学实践的基础上,融合案例教学法和传统教学法的优点,设计"模式识别导论"课堂教学模式。教学实践表明,融合案例教学法和传统教学法来讲解模式识别导论,学生的积极性明显提高,课堂气氛明显活跃,学习效果明显改善。

摘要：为进一步解决残缺、模糊鞋印的检索困难问题,设计一种使用全局与局部特征联合表达的特征提取网络.一方面,在全局特征分支上对多尺度的鞋印全局特征进行快速归一化加权融合,并对其所有输出分别计算损失;另一方面,在局部特征分支上利用分部特征提取(PCB)模块将鞋印特征图分为3个部分,分别提取3个部分的局部特征并计算其损失.在训练阶段,将全局特征分支与局部特征分支的所有损失相加进行联合表达;在测试阶段,将两分支拼接后的输出直接展平作为待检索鞋印的描述符,并将其与样本库鞋印描述符的余弦距离作为相似性评分.实验结果表明,所提方法大幅降低模型的参数量及计算成本,并在CSS-200、CS-Database和FID-300这3个鞋印数据集上取得较高的准确率,且在CSS-200和CS-Database(Dust)数据集上的top1%取得较好的准确率,分别为94.5%和95.45%.

摘要：随着人工智能技术的迅速发展与广泛应用,智能化勘查方法正成为刑事科学技术领域新的研究热点,而实现现场勘查照片自动识别与分类是智能化勘查的重要研究内容。面向公安机关实战应用需求,提出了一种基于卷积神经网络的现场勘查照片自动分类算法。基于真实案件照片,建立了现场勘查照片数据集,包含现场勘查照片13164张,负类照片4008张。根据现场勘查照片数据特性,设计了现场勘查照片分类网络(CriSNet),通过对卷积层增加归一化处理以及改进bottleneck模块,实现对现场勘查照片的精确分类。实验结果表明:CriSNet模型的分类精度优于基准网络1个百分点,具有较好的鲁棒性,同时在分辨率低、品质较差的情况下,仍能保持较好的分类性能。

摘要：随着监控摄像头的普及和图侦技术的快速发展,“鞋印+监控”技战法成为公安机关侦破案件的重要手段。该技战法根据现场嫌疑鞋印推断出嫌疑鞋型,进而在犯罪现场周围监控视频中查找对应鞋型,锁定犯罪嫌疑人。然而现有鞋型识别算法无法充分提取嫌疑鞋印的重要特征,导致识别准确率降低。针对该问题,提出一种融合自适应感受野模块与多支路特征的鞋型识别算法。通过设计一种自适应感受野模块,使网络自适应选择合适大小的感受野特征,增强网络的特征提取能力,同时构建多支路特征融合模型,融合网络的深层和浅层特征,以充分利用有效特征进行鞋型识别,从而提高识别精度。在此基础上,采用中心损失函数和标签平滑损失函数联合训练的方法,在增大类间差距的同时缩小类内差距,增强模型的泛化能力。在多背景鞋型数据集上进行实验,结果表明,该算法Rank-1和mAP精度分别为79.77%和62.18%,具有较优的识别效果,为公安刑侦实战提供了一种可行方案。

摘要：基于鞋样的视频追踪技术是公安机关刑事侦查的一种常用技战法,在公安实战中起到巨大的作用,然而该项技术大量依赖于人工筛选,工作量大且效率低,容易出现漏检的状况。鉴于此,提出一种基于SSD(Single Shot MultiBox Detector)模型的鞋子自动检测算法,实现对行人鞋子的自动检测与定位。首先对SSD模型的结构和先验框参数进行设计,使其符合鞋子检测的实际应用。然后采用调节网络参数的方法提高网络的检测性能和稳定性,完善适用于鞋子检测的网络模型和方法,最终得到准确且高效的单类别鞋子检测网络。最后在课题组前期构建的鞋样本数据库中进行性能评价。实验结果表明,所提算法的平均精度达到0.891。

摘要：鞋印图像识别是计算机视觉在公安一线工作中的一项重要应用。当前公安侦查工作中鞋印图像无法进行精准识别的问题制约了工作效率与质量的提高,归纳起来主要是囿于鞋印现场提取的复杂情况、鞋印花纹图样的复杂特征以及鞋印图像的残缺不全。针对残缺鞋印,为了进一步提高残缺鞋印检索结果,设计了一种融合特征筛选的双塔网络鞋印检索算法。一方面,在网络中引入分区策略,将鞋印图像分为足掌区和足跟区用两个特征网络分别提取图像特征进行融合;另一方面,选择融合ResNet网络和Transformer网络的新型卷积神经网络convNeXt网络作为骨干网络,加入注意力机制模块,提取最后一层卷积特征后用不同的特征筛选方法去除鞋印图像中的无关特征,最后拼接展开成为特征描述符进行相似度计算。在训练阶段,优化学习策略,将其作为完整的图像分类网络进行训练。实验结果表明,本文选取的网络模型优于其他卷积神经网络,在CSS-200和FID-300两个鞋印数据集上取得了较高的准确率。

摘要：根据视频监控中行人所穿鞋的鞋型搜索犯罪嫌疑人是公安机关常用侦查技战法。然而在现实案件中很多视频监控分辨率较低,公安民警不能精确识别到具体鞋型,且消耗大量的时间和警力。针对这一问题,提出一种对低分辨率视频监控下的鞋类进行自动分类的方法。参考全国制鞋标准化技术委员会2017年制定的制鞋标准,初步将鞋类分为皮鞋和运动鞋两大类;构建鞋类数据库,包括59853幅皮鞋和47878幅运动鞋图像;进而基于卷积神经网络,设计一种适用于鞋类自动分类的鞋类识别网络模型。实验结果表明,鞋类自动分类模型在测试阶段对鞋分类的准确率达到了95.7%,可见基本能准确识别皮鞋和运动鞋两类鞋。

摘要：针对传统基于可穿戴传感设备步态周期检测方法需要用户高度配合的问题,本文采用计算机视觉的方法来研究高精度步态周期检测算法。受帧差法的启示,本文设计一种全新的步态图像表达特征-帧差步态时空特征,该特征不仅蕴含了步态运动的空间,还含有步态运动的时间信息,能较好地表达步态运动周期中的各个状态。基于帧差步态时空特征,设计足趾离地状态检测算法,进而实现步态周期的自动检测。实验结果表明,本方法能精确检测步态周期中的足趾离地状态帧。