基于高光谱特征的微量血迹检测.docx
- 文档编号:24535256
- 上传时间:2023-05-28
- 格式:DOCX
- 页数:43
- 大小:2.34MB
基于高光谱特征的微量血迹检测.docx
《基于高光谱特征的微量血迹检测.docx》由会员分享,可在线阅读,更多相关《基于高光谱特征的微量血迹检测.docx(43页珍藏版)》请在冰豆网上搜索。
基于高光谱特征的微量血迹检测
编号
毕业设计(论文)
题目基于高光谱特征的微量血迹检测
二级学院光电信息学院
专业电子信息科学与技术
班级111160203
学生姓名梁博
指导教师肖汉光
职称副教授
时间2015.3-2015.6
目录
摘要I
AbstractII
1绪论1
1.1课题研究背景及意义1
1.1.1课题背景1
1.1.2课题研究意义1
1.2国内外研究现状2
1.2.1高光谱技术研究现状2
1.2.2血迹检测技术2
1.3本文主要研究内容5
2基于高光谱和人工神经网络的血迹检测原理6
2.1高光谱成像技术6
2.2高光谱成像技术的组成和成像原理6
2.2.1高光谱成像系统的组成6
2.2.2高光谱成像系统的原理6
2.3人工神经网络模型7
2.3.1BP人工神经网络7
2.3.2BP人工神经网络的MATLAB实现9
3基于高光谱技术和人工神经网络的血迹检测实验与分析10
3.1实验仪器及样品10
3.1.1实验仪器10
3.1.2实验样品10
3.2实验平台的搭建10
3.3实验步骤11
3.4实验结果及分析12
3.4.1不同载体上的血迹识别分析12
3.4.2案发现场的血迹检测及血迹分类检测29
本章总结30
4总结与展望31
4.1课题总结31
4.2未来展望32
致谢33
参考文献34
附录Ⅰ36
摘要
血迹作为刑事案件的重要物证对案件的侦测有着重要意义,传统的血迹侦测手段有直接观察法,试剂发等,而光电科学应用到血迹分析也仅是简单的光源法。
随着高光谱成像技术的成熟,它已经被广泛应用到各种领域,像是细菌检测,食品质量检测等等,其手段的先进性已经逐渐显露。
本课题针对刑事案件案发现场的血迹检测提出基于高光谱成像技术的血迹检测方法,该方法有别于传统血迹检测方法,可以在不破坏血迹信息的基础上快速、高效、便捷的对微量血迹信息进行检测并分类。
该方法在刑侦检测领域具有较大的技术优势与潜力。
通过该方法可以检测和分析血迹,弥补了高光谱成像技术在刑侦领域的应用空白,有着广泛的应用前景。
关键词:
高光谱;血迹侦测;MATLAB神经网络;
Abstract
Asimportantmaterialevidenceincriminalcasesofcasedetection.Bloodhasimportantsignificance.Therearemanytraditionalmeansofblooddetectionlikeobservationmethod,reagentmethod,etc.Thephotoelectricscienceandappliedtothebloodanalysismethodisonlyasimplelightsource.Asthehighlightstechnologymatures,ithasbeenwidelyappliedtovariousfields,suchasbacteriadetection,foodqualitytestingandsoon,itmeanstheadvancementhasgraduallyrevealed.
Thistopicforacriminalcasecrimesceneofblooddetectionisproposedbasedonthetechnologyofcomposeaspecularlikeblooddetectionmethod,thismethodisdifferentfromthetraditionalblooddetectionmethod,willnotdestroybloodinformationonthebasisofrapid,efficientandconvenienttotestthebloodtraceinformationandclassification.Themethodinthefieldofforensicexaminationhasgreattechnicaladvantagesandpotential.Bythismethodcandetectandanalyzeblood,makeupthesethighlightsastechnologyinthefieldofforensicapplicationblank,hasabroadapplicationprospect.
Keywords:
hyperspectralblooddetectionMatlabneuralnetwork;
1绪论
1.1课题研究背景及意义
1.1.1课题背景
血迹是案发现场最重要的物证之一。
血迹被用作刑事诉讼案件的重要证据具有客观、稳定、广泛、复杂等特点,一直是法庭上极具采信力的证物。
血迹具有痕迹,物证的双重特点,充分反映出其作为物证的重要性,血迹侦测在犯罪现场具有重要的地位和重要作用。
针对对案发现场的血迹侦测有效提取犯罪嫌疑人的有效DNA信息并对案发现场进行情景还原。
这使得血迹侦测在犯罪现场重塑和案情分析推理中有着指纹、鞋印等证物无法比拟的作用。
针对其法医物证特点,可以对其进行测量分析以确定血迹种类性别等特征,但传统测量方式与手段较为落后,其在实际的现场实现物理特征可视化仍具有很多困难。
高光谱成像是指光谱分辨率在10nm级别范围内的光谱图像。
高光谱成像技术在二十一世界初有着非常快速的发展。
无论是在技术层次还是在应用层次都有着非常突出的发展。
通过在搭载高光谱传感器可以在紫外到红外的区域内在不同的连续光谱波长区间对目标区域进行即时成像。
不仅对目标进行了图像捕捉,同时还对图像进行了光谱捕捉。
这是把图像信息与光谱信息进行了融合。
与传统图像处理技术相比,高光谱图像携带更大量的信息,使得对图像的信息处理合理性大大增加。
因此,高光谱图像处理技术具有以往任何图像处理技术都无法比拟的先进性。
具有极大的发展潜能和巨大的影响力。
将血迹分析同高光谱技术相结合使得对刑事案件的侦测手段有了质的改变。
1.1.2课题研究意义
与传统的血迹侦测手段相比,高光谱图像处理不仅可以对可视血迹进行处理而且还可以对潜在血迹位置进行扫描处理。
不必破坏血迹成分,不会对血迹DNA造成影响。
高光谱图像能对图像信息进行提取融合得到清晰的血迹图像。
综上所述,对基于高光谱成像技术的研究将会在刑侦系统中发挥至关重要的作用。
1.2国内外研究现状
1.2.1高光谱技术研究现状
光谱技术与光成像技术一直以来都是广泛应用在各个领域,在各个领域都得到了广泛发展。
一直到上世纪八十年代末,高光谱成像技术才将二者有机的结合起来。
高光谱成像技术一方面能携带图像本身的形态信息,另一方面有能携带目标的光谱特征信息。
由于高光谱成像技术具有波段多、分辨率高、图像与光谱结合等特点,因而它一出现就受到各个领域极大的重视。
高光谱成像技术是集计算机信息自动处理技术、精密光学机械技术、探测技术和微信号探测技术于一体的多学科交叉综合性技术。
高光谱成像技术现金在食品质量检测、显微成像、侦测勘测、资源勘测等领域都得到了广泛应用。
1.2.2血迹检测技术
(1)直接观察法
此方法主要适用于血迹明显的犯罪现场,肉眼就能够检查到明显血迹,并可以观察颜色、形态和部位等[1]。
现在我们已经积累了丰富的血迹识别经验[2.3]。
图1.1直接观察法只用于现场
(2)试剂法
当血迹在现场遗留时间过久时会发生霉变或者褪色,而与承痕物品之间的色差并不强,不易被肉眼发现,所以为了验证可以物质是否为血迹,就会使用试剂进行检验识别。
四甲基联苯胺
新鲜的血液中含有过氧化酶,过氧化酶激活过氧化氢分解释放出氧气,它与四甲基联苯胺产生化学反应后生成四甲基联苯胺蓝,显蓝绿色。
检测过程中取少量材料,放在白色滤纸上,滴入冰醋酸,联苯胺溶液和浓度为3%的过氧化氢各一滴。
如果显蓝绿色则有血迹存在[4]。
张向东[5]等人在此基础上对四甲基联苯胺显现法进行了改进使该试剂更适用于犯罪现场。
再次检验过程中要注意四甲基联苯胺使用时的相关问题[6]。
鲁米诺
鲁米诺,即发光氨,英文名luminol,分子式C8H7N3O2,是一种能引起化学发光反应的化合物,在国外的刑事侦测中使用广泛,主要用来搜索血迹和指纹等。
1937年,一位德国科学家发现鲁米诺与血液反应能发生荧光反应。
西方科学家通过研究发现了荧光反应的机理,当鲁米诺溶于碱性溶液并在一些金属催化剂的作用下发生氧化反应时,两个氮原子被氧原子置换,生成一中处于高能态的3'-aminophthalate,氧原子的电子转移到高能轨道上,高能轨道上的电子再转移到低能轨道上,释放出光子,产生荧光。
血液作为一种混合液体,其中含有铁元素并呈弱碱性,复合鲁米诺发生氧化反应的条件,所以能够产生蓝绿色的荧光[7]。
二氢荧光素
二氧荧光素,英文名为fluorescin,分子式C20H12O4,是一种无色无固定形态物质。
使用二氧荧光素作为血迹检测试剂,并用氢氧化钠,锌粉,取水离子配制试剂[8]。
在待显的客体上喷洒过氧化氢试剂和二轻荧光素,用450nm波长的紫外线照射载体的表面。
如果存在血迹,则该区域会呈现黄色。
(3)光源法
利用紫外、红外、多波段光源来帮助侦测血迹。
现场血迹在多波段光源的照射下可以看得很清楚。
血迹在红外、紫外荧光灯下是没有荧光的,但是其背景却可以发出荧光,这是通过增大血迹和血迹背景的反差来实现对血迹的侦测的。
我们还可以使用特定的荧光剂对现场进行染色,然后再使用红外、紫外光源对现场进行照射,以激发荧光,达到血液检测的目的。
图1.2光源法
(4)光谱检查
血液中所含有的血红蛋白以及血红蛋白衍生物都有着自己特定的吸收曲线。
因此,当使用日光进行照射时,血迹的光谱图像一定会在某一波长处出现条形状阴影吸收线。
然后用显微分光镜对待测体进行检测即可。
图1.3光谱法
(5)高光谱检测方法
传统血迹检测技术不仅操作过程繁琐,精度低,而且还会存在对待测物信息破坏等弊端,采用高光谱成像技术不仅可以对血迹明显的案发现场进行侦测,同时也能对潜在血迹现场进行侦测。
将二维图片信息同一维的光谱信息融合构成三维的数据立方体之后经过特征提取和图像融合可以得到清晰的血迹图像,同时还可以根据光谱图像对血迹进行物理特征分析。
因此,基于高光谱成像技术的血迹侦测分析方法有着巨大的应用潜力和发展优势。
1.3本文主要研究内容
(1)通过高光谱成像技术对同种介质上血迹的鉴别,区分同种介质上的血迹区域与非血迹区域。
(2)通过高光谱成像技术对同种介质上的血迹进行分类鉴别,区分同种介质上血迹的种类,判定血迹是否为人类血迹或者为动物血迹。
(3)通过高光谱成像技术对不同介质上的血迹进行鉴别,判断是否为血迹区域。
(4)通过高光谱成像技术对不同介质上的血迹进行分类鉴别,区分不同介质上的血迹种类。
2基于高光谱和人工神经网络的血迹检测原理
2.1高光谱成像技术
高光谱成像技术是指在200-2500nm的紫外到近红外的光谱范内利用成像光谱仪,对目标在光谱覆盖范围内的不同光谱波段进行连续成像。
不仅获得物体的空间特征,同时获得被测物体的光谱信息。
高光谱成像技术具有超多波段、高的光谱分辨率、窄波段以及光谱范围广等优势。
并且采集到的图像具有信息量丰富,识别度高,数据描述类型多等特点。
切物体的反射光谱具有同一物体相同光谱,不同物体不同光谱的指纹特性,因此我们可以利用这一特性来对不同的物质进行检测和分析。
2.2高光谱成像技术的组成和成像原理
2.2.1高光谱成像系统的组成
高光谱图像成像系统主要包括以下组件:
光谱相机,图像采集计算机,光源,载物台。
高光谱相机的主要组成部分有:
光栅光谱仪,面阵CCD,准直镜,聚焦透镜。
2.2.2高光谱成像系统的原理
高光谱成像仪的扫描过程[9]:
探测器面阵CCD先在焦面的垂直方向做横向排列完成横扫,即X方向。
当横向排列的平行光垂直入射到垂直光栅上时,就形成了光栅光谱,这时,一列像元经过高光谱成像仪就在CCD上得到了数据。
它的横向X方向上的像素点,就是扫描的一列像元,它的纵向是各像元所对应的光谱信息。
同时,随着检测体在输送带上前进,排列的探测器扫出一条带状轨迹,从而完成纵向扫描,即Y方向,如图2.1所示。
图2.1扫描轨迹示意图
综合横向和纵向扫描的信息,就可以得到样品的三维高光谱图像数据,如图2.2所示。
图2.2扫描轨迹示意图
2.3人工神经网络模型
2.3.1BP人工神经网络
人工神经网络系统是一门涉及生物、电子、物理、数学等学科的十分活跃的交叉学科。
作为一种新兴的数据处理方法,人工神经网络系统在分布存储以及并行处理、自学能力方面的优势突出,已经广泛应用在信息处理、模式识别以及系统建设等方面。
尤其是BP神经网络更是可以以任意精度逼近任意连续函数,由此得到广泛应用。
但是在利用神经网络处理问题时定会涉及到计算复杂的问题。
为了解决这个问题Mathwork公司开发出一套可以进行数学计算、语言设计、计算机仿真等功能于一体的MATLAB工具包。
其中的神经网络工具包便是以神经网络理论为基础用MATLAB语言构造出神经网络所需的工作函数。
BP网络能学习和存贮大量的输入-输出模式映射关系,而无需事前揭示描述这种映射关系的数学方程。
它的学习规则是使用最速下降法,通过反向传播来不断调整网络的权值和阈值,使网络的误差平方和最小。
BP网络模型是一种多层前馈神经网络,由三部分组成,分别是输入层、隐层和输出层三部分。
每两层之间的联系方式相同,均为全互联方式,但同一层之间并不存在任何相互连接,同时,隐层可以有不止一个。
构造一个BP网络神经元首先需要确定其神经有的特性以及他的网络拓扑结构。
神经网络最基本的处理单元就是神经元,隐层和输出层神经元分别采用不同的函数,隐层中擦用s型函数而输出层中侧采用s型或者线性变换函数。
神经网络在学习的过程中可以由误差的反方向传播过程以及向前计算的过程决定。
通过修改误差使得网络最终的输出可以无限逼近对应的期望。
BP算法是一种有监督式的学习算法,其主要思想是:
输入学习样本,使用反向传播算法对网络的权值和偏差进行反复的调整训练,使输出的向量与期望向量尽可能地接近,当网络输出层的误差平方和小于指定的误差时训练完成,保存网络的权值和偏差。
传统的BP算法,实质上是把一组样本输入/输出问题转化为一个非线性优化问题,并通过负梯度下降算法,利用迭代运算求解权值问题的一种学习方法,但其收敛速度慢且容易陷入局部极小,为此提出了一种新的算法,即高斯消元法。
改进后的BP网络算法在此基础上将给定的目标输出直接作为线性方程等式代数和来建立线性方程组,不再通过对传递函数求逆来计算神经元的净输出,简化了运算步骤。
没有采用误差反馈原理,因此用此法训练出来的神经网络结果与传统算法是等效的。
其基本思想是:
由所给的输入、输出模式对通过作用于神经网络来建立线性方程组,运用高斯消元法解线性方程组来求得未知权值,而未采用传统BP网络的非线性函数误差反馈寻优的思想。
对给定的样本模式对,随机选定一组自由权,作为输出层和隐含层之间固定权值,通过传递函数计算隐层的实际输出,再将输出层与隐层间的权值作为待求量,直接将目标输出作为等式的右边建立方程组来求解
2.3.2BP人工神经网络的MATLAB实现
BP神经网络的设计需要在确定的网络拓扑结构以及神经元之下才能进行。
线性神经网络的MATLAB实现需要经过四步得以实现。
首先考虑下列问题:
网络初始化,神经元的传递函数如何选取以及网络结构和训练参数的设置等等。
综上所述分析可知网络的实现共需四步:
(1)网络的建立:
网络的建立通过newlin来实现,通过此函数可以确定网络矢量输入的取值范围以及矢量维数和延迟矢量、学习速率。
而线性神经网络的神经元传递函数为purelin,训练算法函数为trainb。
(2)初始化:
初始化的实现是通过init函数实现的,通过init函数调用初始化函数net.initFcn,然后通过使用初始化函数参数net.initParam对权值与阀值初始化。
(3)网络训练:
网络训练的实现是通过train。
根据样本输入的p矢量以及目标矢量t,以及预设训练函数参数,分析后对被测试网络进行训练。
(4)网络仿真:
网络仿真的实现是通过sim,根据已经通过训练的数据网络对被测试数据进行仿真计算。
3基于高光谱技术和人工神经网络的血迹检测实验与分析
3.1实验仪器及样品
3.1.1实验仪器
实验采用Zolix公司的HSIA-HC-100光谱仪,实验在室内进行,温度控制为25℃,以减少外界环境对光谱采集的影响。
光源采用配套的ZolixLSP-T50灯源,可提供紫外/可见/近红外波段的高效稳定的连续输出光谱,导轨采用ZolixRoS75-300-ASP1导轨。
光谱数据以RAW格式输出,实验分析所采用的电脑型号为ASUSsfN55。
3.1.2实验样品
实验样品为新鲜兔血、鸡血、手指末端采集的新鲜血液,分别滴在四种不同的介质:
白纸、玻璃、木头、布上。
在对光谱仪保存黑背景及白背景校正之后,用光谱仪进行光谱采集。
探头与介质表面保持距离为15cm。
载物台移动速度为1cm/s,光谱采集过程中,光谱仪,光源位置固定。
3.2实验平台的搭建
光谱仪光源从钨光灯由光纤传送至探头,经过探头照射到载物台上,CCD相机在光源照射的载物台正上方约15cm处,CCD相机对光谱进行收集后通过USB连线传输到电脑中,实用软件对光谱图做数据分析。
图3.1高光谱实验装置
3.3实验步骤
(1)首先准备好实验所需材料,按照血迹高光谱图像采集平台示意图进行设备连接。
(2)完成实验系统的搭建之后需要对平台的可靠性进行验证。
把光谱仪的相机探头与白纸对准,然后观察此时计算机的光谱曲线,若此时的光谱曲线平滑稳定则通过验证,若高光谱曲线在某处不稳定平滑而成尖锐峰值状则还需对设备进行检查或对软件参数进行调整,之后需对平台再次进行验证,直至无误。
(3)实验样品为新鲜刚采集的兔、鸡、人血液,将血液滴在纸、布、玻璃以及木头上。
(4)在对光谱仪和载物台上的黑白背景进行校正之后对实验样品进行扫描采集信息。
载物台移动速度1cm/s,环境温度控制在20℃,整个光谱的采集过程中,光谱仪以及光源位置固定。
(5)将第四步采集的高光谱图像原始文件以.raw文件形式输出。
(6)在计算机上对高光谱图像进行数据处理,分别获取白板背景、鸡血、兔血、人血像素点信息个十个。
并对信息以.txt格式输出。
对应的高光谱图像以.bmp格式输出。
(7)更换介质,重复第六步。
3.4实验结果及分析
3.4.1不同载体上的血迹识别分析
(1)书写纸上的血迹识别
以书写纸作为载体利用MATLAB对高光谱图像进行血迹分析识别。
利用MATLAB神经网络对高光谱数据进行分析训练后,检测血迹点是否能够被检测识别出来。
图3.2高光谱采集的书写纸上的血迹
分别取兔、鸡、人以及白板上各是个点的高光谱信息,并以.txt格式输出像素点数据,以.bmp格式输出光谱图图像。
图3.3书写纸上兔血迹点光谱图
图3.4书写纸上鸡血迹点光谱图
图3.5书写纸上人血迹点光谱图
图3.6书写纸上白板的光谱图
打开MATLAB,导入书写纸上采集的相关数据,
图3.7原始数据
编写数据分析代码如下:
图3.8书写纸上血迹检测代码
对文本文档数据进行输入后,对每项数据的最后一行一列进行清零处理,之后把兔、鸡、人数据进行连接成V矩阵,并记做阳性值1,并对白板数据记值为阴性值0。
建立神经网络对数据进行分析:
图3.9神经网络建立
图3.10神经网络建立
图3.11神经网络建立
训练数据以及测试数据分配情况如下:
图3.12神经网络建立
神经元选择如下:
图3.13神经网络建立
图3.14神经网络建立
对测试结果进行输出,并对测试数据进行带入运算得到测试点成功率:
图3.15书写纸上血迹检测成功率
经过神经网络模拟培训后,用测试点数据带入得到其测试成功率为87.5%。
由此可见当介质为书写纸时,采用基于高光谱成像技术时将会有较高的成功率检测出血迹点的存在。
通过以上分析现已确定可以从书写纸介质上检测出血迹存在,但尚未确定血迹种类,因此为确定是否能从监测到的血迹中区分出血迹种类则需进行以下数据分析:
分析兔、鸡、人的血迹点光谱信息,看是否能从血迹中区分出人类血迹的存在。
为设计区分血迹中人类血迹是否存在,现进行以下数据分析,连接兔、鸡、人信息,对兔、鸡记阴性值0,对人记阳性值1,利用神经网络对数据进行训练后进行测试得到结果如下:
测试成功率为53.33%,可见当介质为书写纸时并不能有效的人和动物的血迹中成功分辨出人类血迹。
所以若想确认刑事案件案发现场的书写纸上的血迹是人类血迹还是动物血迹的成功率并不是很高。
因此,对于介质为
图3.16书写纸上血迹分类检测成功率
书写纸时,基于高光谱成像技术的血迹检测技术对于检测血迹是否存在具有较高的检测成功率,而对血迹区分则并不能达到较高的检测成功率。
(2)玻璃板上的血迹识别
玻璃作为现代城市建筑中大量使用的建筑材料已经得到广泛使用,多数案发现场都有玻璃的存在,因此对以玻璃为介质的血迹识别研究具有重要意义。
以玻璃板作为载体利用MATLAB对高光谱图像进行血迹分析识别。
利用MATLAB神经网络对高光谱数据进行分析训练后,检测血迹点是否能够被检测识别出来。
图3.17高光谱采集的玻璃板上的血迹
方法与介质为书写纸时的分析方式类似,使用MATLAB导入介质为玻璃板时采集的高光谱图像数据后进行相关分析。
当介质为玻璃板时其各种血迹点对应高光谱图像信息如下:
图3.18玻璃板上兔血迹点光谱图
图3.19玻璃板上鸡血迹点光谱图
图3.20玻璃板上人血迹点光谱图
图3.21玻璃板上白板光谱图
对介质为玻璃板时的高光谱图像数据进行分析,建立神经网络,其方法与介质是书写纸时方法相似。
首先研究当介质是玻璃板时,基于高光谱成像技术的血迹检测方法是否能检测出血迹的存在,对应编写的数据分析代码如下:
clear
clc
loadtu-ji-ren-bb-bl.mat
tu(end,:
)=[];
tu(:
end)=[];
ji(end,:
)=[]
ji(:
end)=[]
ren(end,:
)=[];
ren(:
end)=[];
bb(end,:
)=[]
bb(:
end)=[]
V=[tu,ji,ren,bb];
V_y(1:
60)=1;
V_y(61:
78)=0;
V_y(2,:
)=~V_y(1,:
);
nnstart
output2=abs(V_y(1,:
)-output(1,:
))<0.5
mean(output2)*100
经过神
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 光谱 特征 微量 血迹 检测