ОБРАБОТКА ИНФОРМАЦИИ И АНАЛИЗ ДАННЫХ
УПРАВЛЕНИЕ И ПРИНЯТИЕ РЕШЕНИЙ
МАТЕМАТИЧЕСКОЕ МОДЕЛИРОВАНИЕ
ИНТЕЛЛЕКТУАЛЬНЫЕ СИСТЕМЫ И ТЕХНОЛОГИИ
В. А. Федоренко, К. О. Сорокина, П. В. Гиверц "Анализ следов на выстреленных пулях методами конгруэнтно совпадающих сегментов профилей и k.ближайших соседей"
В. А. Федоренко, К. О. Сорокина, П. В. Гиверц "Анализ следов на выстреленных пулях методами конгруэнтно совпадающих сегментов профилей и k.ближайших соседей"
Аннотация. 

В статье рассматривается проблема классификации сравниваемых изображений следов полей нарезов на выстреленных пулях по категориям «совпадающие» и «несовпадающие». Целью работы является повышение эффективности сравнения изображений следов методом конгруэнтно совпадающих сегментов следов (CMPS). Научная новизна заключается в учете дополнительного независимого признака и применении на конечном этапе анализа следов метода к-ближайших соседей. В результате проведенных исследований установлено, что точность классификации анализируемых пар изображений предложенным комбинированным методом порядка 87%. Показано, что анализ следов CMPS методом позволяет эффективно сравнивать изображения следов с высоким разрешением (порядка 1 мкм на пиксель). Работа представляет интерес для разработчиков программного обеспечения автоматизированных баллистических идентификационных систем.

Ключевые слова: 

метод конгруэнтно совпадающих сегментов профилей; вторичные следы; корреляция; классификация; метод k-ближайших соседей.

Стр. 70-82.

DOI 10.14357/20718632210108
 
Литература

1. Кокин А. В., Ярмак К. В. Судебная баллистика и судебно-баллистическая экспертиза: учебник. М.: Юнити-Дана, 2015. 351 с.
2. PCAST. Report to the President – Forensic Science in Criminal Courts : Ensuring Scientifi c Validity of Feature-Comparison Methods. September 2016. Available at: http://www.documentcloud.org/documents/3121011-Pcast-Forensic-Science-Report-Final.html (accessed February 4, 2020)
3. Федоренко В. А., Навроцкая Е. В. Критерии и алгоритм оценки уникальности комплексов совпадающих трасс в следах на выстреленных пулях // Информационные технологии и вычислительные системы, 2019. № 1. C. 110-120.
4. Hare, Eric Riemer, "Statistical methods for bullet matching" (2017). Graduate Theses and Dissertations. 15315. https://lib.dr.iastate.edu/etd/15315
5. Banno A. 2004. Estimation of Bullet Striation Similarity Using Neural Networks. Journal of Forensic Sciences. 49(3): 1–5. doi: 10.1520/JFS2002361.
6. Pisantanaroj P., Tanpisuth P., Sinchavanwat P. et al. 2020. Automated Firearm Classification From Bullet Markings Using Deep Learning. IEEE Access. 8: 78236–78251. doi: 10.1109/ACCESS.2020.2989673.
7. Федоренко В. А., Сорокина К. О. Компенсация искажений изображений следов на деформированных пулях для их автоматизированного сравнения // Изв. Сарат. ун-та. Нов. сер. Сер. Экономика. Управление. Право, 2018. Т. 18, вып. 2. С. 227–231. doi: 10.18500/1994-2540-2018-18-2-227-231.
8. Федоренко В.А. Количественные критерии обоснования тождественности вторичных следов на пулях, выстреленных из АК-74// Теория и практика судебной экспертизы/ Том 14, №3 (2019), с. 54-62.
9. Федоренко В.А., Илясов Ю.В. Применение комплекса «Кондор» в экспертных исследованиях и учебном процессе// Судебная экспертиза/ 2006., №4, с.60-64.
10. http://www.sbc-spb.com/ (время обращения 11.01.2021)
11. Chen Z., Chu W., Soons J. A., Thompson R. M., Song J., Zhao X. 2019. Fired bullet signature correlation using the Congruent Matching Profile Segments (CMPS) method. Forensic Science International. 305:10-19.
12. Zhe Chen, John Song, Johannes A. Soons, Robert M. Thompson, Xuezeng Zhao. 2020. Pilot study on deformed bullet correlation. Forensic Science International. 306 (2020): 1-11.
13. Gonzalez R. C., Woods R. E., Eddins S. L. 2009. Digital Image Processing Using MATLAB. London: Gatesmark Publishing. 827 p.
14. Changmai P., Bora K., Suresh R., Deb N., Mahanta L. B. 2019. On the study of automated identification of firearms through associated striations. 31st International Symposium on Ballistics: Lancaster, PA. doi: 10.12783/ballistics2019/33156
15. Бринк Х., Ричардс Д., Феверолф М. Машинное обучение. СПб. : Питер, 2017. 336 с.
16. Открытый курс машинного обучения. Тема 3. Классификация, деревья решений и метод ближайших соседей [Электронный ресурс]// Habr: [сайт]. [2017]. URL: https://habr.com/ru/company/ods/blog/322534 (дата обращения: 29.12.2020)
17. Pavel Giverts, Gil Hocherman, Lionel Bokobza and Bernard Schecter. 2013. Interdetermination of Three Microscopic Methods for Examination of Striae on Polygonal Bullets. AFTE Journal -- Volume 45 Number 1, p.48-51.
 

2021 / 03
2021 / 02
2021 / 01
2020 / 04

© ФИЦ ИУ РАН 2008-2018. Создание сайта "РосИнтернет технологии".