СПОСОБ ВЫБОРА ИЗОБРАЖЕНИЙ ДЛЯ ИДЕНТИФИКАЦИИ ОРУЖИЯ ПО СЛЕДУ БОЙКА Российский патент 2016 года по МПК F42B35/00 

Описание патента на изобретение RU2595181C2

Изобретение относится к идентификации огнестрельного оружия по следам бойка путем обработки цифровых изображений следов бойков и последующего их анализа.

Известен способ выбора цифровых изображений следов от бойков (Jie Zhou, Fanglin Chen, Jinwei Gu, A Novel Algorithm for Detecting Singular Points from Fingerprint Images, Pattern Analysis and Machine Intelligence, IEEE Transactions on Vol.31, No. 7, July 2009 pp. 1239 - 1250.; Крестинин И.А., Середин О.С. Метод особых точек в задачах поиска лиц на графических изображениях //Известия ТулГУ. Технические науки. 2008. №3., 265 c.), основанный на распознавании изображений по особым точкам, путем выделения особых точек по одному из правил (точки перегибов, максимальные градиенты, линии и углы и т.д.). Такое выделение осуществляют с помощью различных детекторов, например упрощенного детектора Харриса-Лапласса, детектора Собела и т.п. Далее производят сопоставление особых точек на исследуемом и тестовом изображениях путем нахождения функции взаимной корреляции (ФВК) или вычисление различных оценок.

К недостаткам этого способа можно отнести то, что не все дескрипторы оказываются инвариантными к повороту, изменению масштаба, освещенности изображения. Дополнительные трудности создает вариативность изображений следа бойка, полученных от одного и того же экземпляра оружия. В результате при работе по большим массивам цифровых изображений невозможно корректно сформировать приоритетный список по степени совпадения исследуемых изображений для проведения идентификации оружия.

Известен способ выбора цифровых изображений следов от бойков путем нахождения функции корреляции, основанный на определении максимума или минимума ФВК двух изображений путем перемещения одного относительного другого как по осям оХ и oY, так и вращением одного относительного другого (Theodore, V. Vorburger, James, H. Yen, B., Bachrach, Thomas, B. Renegar, Li Ma, Hyug-Gyo Rhee, Xiaoyu, A. Zheng, Jun-Feng, Song; Charles, D. Foreman, Surface topography analysis for a feasibility assessment of a National Ballistics Imaging Database, NIST Interagency/Internal Report (NISTIR). 2007).

К недостаткам такого способа можно отнести необходимость проведения трудоемких вычислений, большое время для проведения поиска по большим массивам данных, низкую эффективность из-за наличия на поверхности капсюля различных микронеоднородностей, связанных с их производством. В результате метод не позволяет корректно формировать приоритетный список для проведения идентификации оружия.

Известен способ выбора цифровых изображений следов от бойков, основанный на вычислении коэффициента близости (Fabiano Riva, Christophe Champod, Automatic comparison and Evaluation of Impressions Left by a Firearm on Fired Cartridge Cases//J Forensic Sci, Vol.59, No 3, 2014, pp. 637-647). В данном способе разработаны три численных критерия оценки схожести изображений на основании: Евклидова среднего расстояния между совмещенными изображениями; функции кросс-корреляции между совпадающими областями изображения; среднего угла между векторами нормали к поверхностям сравниваемых изображений. На их основе вводится коэффициент близости, который оценивает отношение вероятности того, что цифровые изображения бойков получены от одного и того же экземпляра оружия, к вероятности, что изображения получены для разных экземпляров оружия. Для его вычисления оценивают «совместное» распределение, которое строится на основе изображений от одного и того же известного следа бойка и «раздельное» распределение, для которого используют известные изображения следов от заведомо различных бойков.

Недостатком этого способа является то, что для построения совместного и раздельного распределения (на основе которых и проводится оценка коэффициента подобия) необходимо оперировать большим числом статистических данных. Авторы тестировали данный метод по 60 изображениям следов одного бойка и по такому же числу изображений разных экземпляров оружия. Кроме этого на начальном этапе требуется выравнивание исследуемых изображений относительно друг друга. К недостаткам также следует отнести зависимость результатов расчетов от ориентации сравниваемых изображений. В конечном счете, данный метод не позволяет корректно сформировать приоритетный список для проведения идентификации оружия.

Наиболее близким к предлагаемому является способ выбора цифровых изображений следов от бойков (Song J. Proposed “NIST Ballistics Identification System (NBIS)” Based on 3D Topographic Measurements on Correlation Cells //AFTE Journal, Volume 45 Number 2 - Spring 2013, pp. 184-194), основанный на получении цифрового изображения исследуемого следа бойка в градациях серого, сглаживании локальных перепадов яркости. Далее производят выбор схожих изображений следа из базы изображений следов, для этого формируют 3-мерные изображения исследуемого и тестового объекта, исключают из рассмотрения области, не пригодные к идентификации, разбивают изображения на корреляционные ячейки, находят ФВК для каждой ячейки. Идентификацию проводят, если совпадает не менее 6 ячеек подряд (на этих ячейках максимум функции взаимной корреляции больше заданного уровня) или не менее 3х ячеек в каждой из двух комбинаций (в сумме не менее 6).

Однако построение функции взаимной корреляции для 3-мерных изображений является достаточно трудоемкой задачей, а поиск по большой базе данных таких изображений требует большого времени. Результаты расчетов зависят от ориентации сравниваемых изображений, рекомендательный список, сформированный по степени совпадения изображений, допускает пропуски (непопадание в первую пятерку рекомендательного списка следов, имеющихся в тестовом массиве и оставленных тем же бойком, что и исследуемый след).

Технический результат заключается в повышении эффективности формирования приоритетного списка изображений по степени их схожести с исследуемым следом за счет исключения влияния ориентации изображений на результат сравнения, ускорении выбора изображений по степени их схожести с исследуемым за счет упрощения вычислительных операций.

Технический результат достигается путем выделения изображений следов бойков с индивидуальными признаками в виде пятен произвольной формы; измерения дескрипторов признаков, не зависящих от ориентации изображения, таких как площадь (S), периметр (P), максимальный и минимальный моменты инерции (Imax; Imin); проведения выборки изображений следов с наиболее близкими значениями дескрипторов S, P, Imax, Imin; представления контура индивидуального признака исследуемого следа в виде N стандартных комплекснозначных векторов, нахождения модуля нормированного скалярного произведения контура исследуемого следа с контурами выбранных следов; выбора изображения с наибольшим значением максимума модуля нормированного скалярного произведения контуров для идентификации оружия.

При необходимости осуществляют дополнительное измерение на бинарном изображении исследуемого следа бойка характеристики Эйлера; изменение уровня бинаризации изображения исследуемого следа бойка в сторону увеличения или уменьшения до тех пор, пока не изменится характеристика Эйлера; выбор изображений из базы изображений следов по новым значениям дескрипторов.

Заявленное изобретение поясняется чертежами, где:

на фиг. 1 представлен след бойка с индивидуальным признаком в виде пятна произвольной формы;

на фиг. 2 представлен след бойка с индивидуальным признаком в виде набора дуг и окружностей;

на фиг. 3 представлена система координат комплексных единичных векторов;

на фиг. 4 приведен пример описания границы объекта комплексными единичными векторами, граница объекта обозначена пунктиром;

на фиг. 5 представлено исходное тестовое изображение следа бойка, представленное в градациях серого, и его бинарное изображение, имеющее характеристику Эйлера χ=1 при уровне бинаризации Z=Z0;

на фиг. 6 представлено исходное исследуемое изображение следа бойка, представленное в градациях серого, и его бинарное изображение, имеющее характеристику Эйлера χ=2 при уровне бинаризации Z=Z0;

на фиг. 7 представлено изображение следа бойка, полученное в результате бинаризации методом Ниблэка исходного исследуемого изображения по уровню Z=Z0-0.08.

Способ реализован следующим образом.

Исследуемые гильзы сканируют с помощью баллистического сканера или другой цифровой техники с возможностью макросъемки следов бойков. Из множества цифровых изображений следов бойков, находящихся в электронной базе данных, выбирают изображения следов с индивидуальными признаками в виде пятен (областей) произвольной формы. Это позволяет исключить из последующего анализа изображения с индивидуальными признаками с явно другими морфологическими характеристиками. Например, нет смысла сравнивать между собой два следа, у одного из которых индивидуальные признаки в виде пятен произвольной формы (фиг. 1), а у второго в виде набора окружностей и дуг (фиг. 2).

Для уменьшения отрицательного влияния шероховатостей поверхности капсюля и следов механизмов его производства исходные изображения сглаживают путем применения медианного фильтра с маской не менее 7х7 ячеек. Затем, сглаженное изображение преобразуют в бинарное, где черный цвет является, например, фоном, а белый - признаком. Адаптивная бинаризация изображений проводится методом Ниблэка с маской не менее 25х25 ячеек. В итоге получается черно-белое изображение с четко выделенной границей индивидуальных признаков. Применение адаптивной бинаризации позволяет существенно уменьшить влияние неравномерности освещения следа бойка на выделение признаков. Формирование бинарных изображений позволяет однозначно и быстро определить такие дескрипторы (характеристики) признаков, как их площадь, периметр и др.

Далее измеряют следующие дескрипторы признаков: S (площадь); P (периметр); Imax (максимальный момент инерции); Imin (минимальный момент инерции). Каждому исследуемому объекту присваивают координаты в пространстве признаков, соответствующие значению его дескрипторов (S, P, Imax, Imin). Рассчитывают Евклидово расстояние от исследуемого объекта до каждого тестового по формуле (1) и далее из тестового массива выбирают наиболее близко расположенные объекты. Из этих объектов формируется приоритетный (рекомендательный) список по правилу: чем меньше расстояние dj, тем ближе к началу списка располагается тестовый объект (тем больше он схож по дескрипторам с исследуемым объектом). Сравнение изображений по дескрипторам, не зависящим от ориентации и представляющих собой численные значения, позволяет быстро и эффективно исключить из дальнейшего анализа изображения, которые сильно отличаются от исследуемого следа. Это позволит существенно сократить время последующего анализа изображений следов.

, (1)

где А и В - исследуемый и тестовый объекты соответственно; i - i-я компонента вектора признаков (один из дескрипторов: площадь, периметр, и т.д.); j - порядковый номер объекта из тестового массива.

Контуры признаков исследуемого следа и следов приоритетного списка описывают N единичными комплексными векторами, которые соединяют точки в соответствии с направлениями 8-связной системы (фиг. 3). Единичным векторам присваиваются координаты в виде комплексных чисел: i; 1+i; 1; 1-i; -i; -1-i; -1; -1+I (Фурман Я.А. и др. Введение в контурный анализ и его приложения к обработке изображений и сигналов//М. Физматлит. 2003. С. 25-32.). Максимальное значение модуля нормированного скалярного произведения |η| контуров Г и N, кодируемых таким образом (фиг. 4), инвариантно их повороту, положению на плоскости и масштабу. При этом модуль нормированного скалярного произведения (НСП) указывает на степень сходства контуров. Далее находят максимум модуля нормированного скалярного произведения |η| контуров признаков исследуемого и тестового следов бойка по формуле (2). Применение более 70 единичных комплексных векторов позволяет достаточно точно описать границы признаков, а значит, и определить степень их сходства по модулю НСП.

(2)

Окончательный приоритетный список формируют по правилу: чем больше значение максимума модуля НСП, тем выше в приоритетном списке располагается изображение тестового объекта, тем больше формы признаков (исследуемого и тестового следа) схожи друг с другом. Представление границ сравниваемых признаков в виде комплексных векторов позволяет легко и быстро в автоматическом режиме определить степень сходства формы признаков независимо от ориентации изображений путем применения простой операции - расчета модуля нормированного скалярного произведения.

В случае, если эксперт не находит в первых номерах приоритетного списка парных следов, то измеряют характеристику Эйлера бинарного изображения исследуемого следа бойка, затем изменяют уровень бинаризации изображения исследуемого следа в сторону увеличения или уменьшения с шагом 0.01 до тех пор, пока не изменится характеристика Эйлера (фиг. 5-7). После этого определяют новые значения дескрипторов признака исследуемого следа бойка. Далее по описанной выше методике по новым значениям дескрипторов и новой форме признака проводят сравнение исследуемого следа со следами тестового массива и формируют новый приоритетный список. Изменение уровня бинаризации до тех пор, пока не изменится характеристика Эйлера, позволяет учесть вероятную вариативность отображения на исследуемом изображении индивидуальных особенностей рельефа поверхности бойка и, как следствие этого, вариативность выделения признаков при бинаризации изображения.

Работоспособность данного способа была апробирована на тестовом массиве цифровых изображений следов бойков, включающем 210 объектов. По результатам анализа дескрипторов, не зависящих от ориентации изображений, был сформирован рекомендательный список изображений по степени близости дескрипторов. По первым 20 изображениям рекомендательного списка с близкими значениями дескрипторов был проведен поиск парных следов по максимуму модуля нормированного скалярного произведения и сформированы приоритетные списки. Результаты представлены в таблицах 1-9, которые сформированы из первых 15 номеров приоритетных списков. Следы имеют следующую нумерацию: первое число означает экземпляр оружия, число в скобках - порядковый номер гильзы, стреляной в данном экземпляре оружия. Видно, что во всех случаях парный след попал в первую тройку объектов приоритетного списка за исключением следа 9(1), для которого в базе данных отсутствует парный след.

Табл.1. Первые 15 номеров приоритетного списка для исследуемого следа 1(1). Нулевой номер представлен для контроля корректности расчетов. N - порядковый номер изображения в приоритетном списке.

N Тест. след Мах НСП 1(1) 0 1(1) 1 1 1(2) 0.94 2 6(1) 0.82 3 5(2) 0.81 4 6(2) 0.80 5 5(1) 0.80 6 39(1) 0.79 7 39(2) 0.77 8 13(1) 0.74 9 4(1) 0.58 10 31(1) 0.56 11 47(1) 0.56 12 4(2) 0.55 13 21(2) 0.50 14 21(1) 0.45

Парный след 1(2) на первом месте приоритетного списка.

Табл.2. Первые 15 номеров приоритетного списка для исследуемого следа 39(1). Нулевой номер представлен для контроля корректности расчетов. N - порядковый номер изображения в приоритетном списке.

N Тест. след Мах НСП 1(1) 0 39(1) 1 1 6(1) 0.82 2 39(2) 0.80 3 1(1) 0.79 4 1(2) 0.79 5 5(1) 0.79 6 5(2) 0.78 7 6(2) 0.77 8 13(1) 0.70 9 47(1) 0.57 10 4(1) 0.55 11 4(2) 0.54 12 31(1) 0.52 13 21(2) 0.42 14 1(1) 0.38

Парный след 39(2) на втором месте приоритетного списка.

Табл.3. Первые 15 номеров приоритетного списка для исследуемого следа 5(1). Нулевой номер представлен для контроля корректности расчетов. N - порядковый номер изображения в приоритетном списке.

N Тест. след Мах НСП 5(1) 0 5(1) 1 1 6(1) 0.828 2 5(2) 0.823 3 1(2) 0.820 4 1(1) 0.80 5 6(2) 0.80 6 39(1) 0.79 7 39(2) 0.77 8 13(1) 0.74 9 4(2) 0.62 10 4(1) 0.58 11 47(1) 0.56 12 31(1) 0.55 13 21(2) 0.43 14 21(1) 0.42

Парный след 5(2) на втором месте приоритетного списка.

Табл.4. Первые 15 номеров приоритетного списка для исследуемого следа 31(1). Нулевой номер представлен для контроля корректности расчетов. N - порядковый номер изображения в приоритетном списке.

N Тест. след Мах НСП 31(2) 0 31(2) 1 1 31(1) 0.81 2 21(1) 0.80 3 21(2) 0.77 4 4(1) 0.69 5 4(2) 0.60 6 47(1) 0.57 7 1(1) 0.53 8 6(2) 0.53 9 39(2) 0.50 10 1(2) 0.50 11 5(2) 0.45 12 39(1) 0.42 13 13(1) 0.42 14 5(1) 0.41

Парный след 31(1) на первом месте приоритетного списка.

Табл.5. Первые 15 номеров приоритетного списка для исследуемого следа 6(1). Нулевой номер представлен для контроля корректности расчетов. N - порядковый номер изображения в приоритетном списке.

N Тест. след Мах НСП 6(1) 0 6(1) 1 1 5(2) 0.85 2 6(2) 0.84 3 5(1) 0.82 4 39(1) 0.82 5 1(1) 0.82 6 1(2) 0.80 7 39(2) 0.78 8 13(1) 0.68 9 4(1) 0.58 10 47(1) 0.57 11 4(2) 0.55 12 31(1) 0.52 13 21(2) 0.43 14 21(1) 0.42

Парный след 6(2) на втором месте приоритетного списка.

Табл.6 Первые 15 номеров приоритетного списка для исследуемого следа 13(2). Нулевой номер представлен для контроля корректности расчетов. N - порядковый номер изображения в приоритетном списке.

N Тест. след Мах НСП 13(2) 0 13(2) 1 1 13(1) 0.73 2 1(2) 0.66 3 5(2) 0.65 4 1(1) 0.65 5 39(1) 0.65 6 5(1) 0.64 7 6(2) 0.64 8 39(2) 0.63 9 6(1) 0.63 10 4(2) 0.59 11 4(1) 0.57 12 47(1) 0.55 13 21(2) 0.50 14 31(1) 0.47

Парный след 13(1) на первом месте приоритетного списка.

Табл.7. Первые 15 номеров приоритетного списка для исследуемого следа 4(1). Нулевой номер представлен для контроля корректности расчетов. N - порядковый номер изображения в приоритетном списке.

N Тест. след Мах НСП 4(1) 0 4(1) 1 1 4(2) 0.72 2 47(1) 0.61 3 5(2) 0.59 4 5(1) 0.58 5 1(1) 0.58 6 1(2) 0.57 7 13(1) 0.56 8 39(1) 0.55 9 39(2) 0.53 10 31(1) 0.53 11 6(2) 0.53 12 6(1) 0.51 13 21(2) 0.51 14 21(1) 0.48

Парный след 4(2) на первом месте приоритетного списка.

Табл.8. Первые 15 номеров приоритетного списка для исследуемого следа 47(2). Нулевой номер представлен для контроля корректности расчетов. N - порядковый номер изображения в приоритетном списке.

N Тест. след Мах НСП 47(2) 0 47(2) 1 1 47(1) 0.73 2 31(1) 0.62 3 4(1) 0.59 4 6(2) 0.58 5 21(2) 0.58 6 21(1) 0.56 7 5(2) 0.53 8 4(2) 0.52 9 39(2) 0.52 10 6(1) 0.51 11 5(1) 0.50 12 39(1) 0.50 13 1(1) 0.50 14 13(1) 0.48

Парный след 47(1) на первом месте приоритетного списка.

Табл.9. Первые 15 номеров приоритетного списка для исследуемого следа 9(1), не имеющего в базе данных парного следа. Нулевой номер представлен для контроля корректности расчетов. N - порядковый номер изображения в приоритетном списке.

N Тест. след Мах НСП 9(1) 0 9(1) 1 1 21(2) 0.66 2 31(1) 0.56 3 21(1) 0.54 4 47(1) 0.44 5 4(1) 0.42 6 4(2) 0.35 7 6(2) 0.35 8 13(1) 0.32 9 1(2) 0.31 10 5(1) 0.28 11 1(1) 0.27 12 39(2) 0.27 13 6(1) 0.26 14 5(2) 0.25

Достаточно низкое значение максимумов модуля НСП контуров в табл.9 сигнализирует о возможном отсутствии в базе данных изображения парного следа бойка. Для исследуемого следа 9(1) в базе данных парный след отсутствует.

Достигнутый технический результат заключается в повышении эффективности формирования приоритетного списка изображений по степени их схожести с исследуемым следом за счет исключения влияния ориентации изображений на результат сравнения, ускорения выбора изображений по степени их схожести с исследуемым за счет упрощения вычислительных операций.

В тестовых испытаниях использовался компьютер со следующими характеристиками: 1 гигабайт оперативной памяти, 512 мегабайт видеопамяти, процессор Пентиум Е655, видеокарта GeForce 210. База данных включала 210 однотипных изображений следов бойков с признаками (индивидуальными особенностями рельефа) в виде пятен произвольной формы. Время поиска в автоматическом режиме по исследуемому следу по базе данных и формирования приоритетного списка в среднем не превышало 5 минут. Следует отметить, что программное обеспечение было реализовано в среде «Matlab 7.7.0», а при переходе на язык программирования типа «Си++» время поиска может сократиться еще в несколько раз.

Выводы

Тестовые испытания показали работоспособность предложенного способа, эффективность его применения для корректного выбора изображений по степени их схожести с исследуемым следом, а также малое время, необходимое для проведения в автоматическом режиме анализа изображений по всей базе данных.

Похожие патенты RU2595181C2

название год авторы номер документа
СИСТЕМА УПРАВЛЕНИЯ ОГНЕМ НЕСКОЛЬКИХ СНАЙПЕРОВ 2011
  • Брылёв Сергей Фёдорович
RU2498191C1
МНОГОМЕРНАЯ БАЗА ДАННЫХ И СПОСОБ УПРАВЛЕНИЯ МНОГОМЕРНОЙ БАЗОЙ ДАННЫХ 2008
  • Васильев Андрей Евгеньевич
RU2389066C2
СПОСОБ ОБЕСПЕЧЕНИЯ РАБОТЫ РАДИОЭЛЕКТРОННЫХ СРЕДСТВ, ФУНКЦИОНИРУЮЩИХ НА ОДНОМ ОБЪЕКТЕ 2007
  • Панов Владимир Петрович
  • Приходько Виктор Владимирович
RU2345482C1
СПОСОБ АВТОМАТИЧЕСКОЙ ИДЕНТИФИКАЦИИ ОБЪЕКТОВ НА ИЗОБРАЖЕНИЯХ 2012
  • Давыдов Вячеслав Федорович
  • Комаров Евгений Геннадиевич
  • Корольков Анатолий Владимирович
  • Давыдова Светлана Вячеславовна
RU2514155C1
УСТРОЙСТВО ОБНАРУЖЕНИЯ ДЕФЕКТОВ НА АРХИВНЫХ ФОТОГРАФИЯХ 2013
  • Марчук Владимир Иванович
  • Воронин Вячеслав Владимирович
  • Франц Владимир Александрович
  • Шерстобитов Александр Иванович
  • Гапон Николай Валерьевич
  • Сизякин Роман Алексеевич
RU2541920C2
Управляющая векторная вычислительная система 1982
  • Прангишвили Ивери Варламович
  • Бабичева Елена Владимировна
  • Малюгин Владимир Дмитриевич
  • Соколов Владимир Владимирович
  • Денисенко Сергей Васильевич
  • Вейц Александр Вениаминович
  • Иванов Александр Иванович
  • Шкатулла Анатолий Иванович
  • Зверков Борис Семенович
  • Зрелова Татьяна Ивановна
  • Левертов Яков Анатольевич
  • Тодуа Джондо Альпезович
  • Гоголадзе Омар Васильевич
  • Вепхвадзе Анзор Николаевич
  • Гудушаури Гмаи Шалвович
  • Голубев Александр Павлович
  • Березенко Александр Иванович
  • Корягин Лев Николаевич
SU1120340A1
СПОСОБ И СИСТЕМА ДЛЯ ИДЕНТИФИКАЦИИ ЧЕЛОВЕКА ПО ИЗОБРАЖЕНИЮ ЛИЦА 2007
  • Тельных Александр Александрович
  • Еремин Евгений Викторович
  • Разумов Владимир Автандилович
  • Беллюстин Николай Сергеевич
  • Шемагина Ольга Владимировна
  • Краева Татьяна Анатольевна
  • Калафати Юрий Дмитриевич
  • Джейн Аджай Кумар
  • Рохаджи Упендра Сингх
  • Яхно Владимир Григорьевич
RU2382408C2
СПОСОБ РАЗМЕЩЕНИЯ ЦИФРОВОЙ МАРКИРОВКИ НА РАДИОГРАФИЧЕСКОМ ИЗОБРАЖЕНИИ ПРИ ОСУЩЕСТВЛЕНИИ ПРОМЫШЛЕННОГО РАДИОГРАФИЧЕСКОГО КОНТРОЛЯ 2024
  • Самойлов Владимир Анатольевич
  • Файзиева Юлия Фахритдиновна
  • Елагина Алена Андреевна
RU2822862C1
Способ контроля состояния объектов 2024
  • Григорьев Алексей Валерьевич
  • Кочегаров Игорь Иванович
  • Юрков Николай Кондратьевич
RU2823990C1
СПОСОБ ОБНАРУЖЕНИЯ МАЛОРАЗМЕРНЫХ ОБЪЕКТОВ НА ИЗОБРАЖЕНИЯХ 2020
  • Козирацкий Юрий Леонтьевич
  • Донцов Александр Александрович
  • Кулешов Павел Евгеньевич
  • Нагалин Даниил Александрович
  • Ганин Алексей Викторович
  • Калинин Василий Сергеевич
RU2743224C1

Иллюстрации к изобретению RU 2 595 181 C2

Реферат патента 2016 года СПОСОБ ВЫБОРА ИЗОБРАЖЕНИЙ ДЛЯ ИДЕНТИФИКАЦИИ ОРУЖИЯ ПО СЛЕДУ БОЙКА

Изобретение относится к области идентификации огнестрельного оружия по следам бойка с индивидуальным признаком в виде пятна произвольной формы путем обработки цифровых изображений следов бойков и последующего их анализа. Исследуемую гильзу сканируют с получением исходного цифрового изображения исследуемого следа бойка в градациях серого. Сглаживают локальные перепады градаций. Сглаженное исходное цифровое изображение следа бойка преобразуют в бинарное черно-белое изображение, в котором фон имеет один цвет, а индивидуальный признак другой. Измеряют дескрипторы индивидуального признака, не зависящие от ориентации изображения, в качестве которых используют площадь S, периметр Р, максимальный Imax и минимальный Imin моменты инерции. Выбирают схожие изображения следа бойка с индивидуальным признаком в виде пятна произвольной формы из базы изображений следов. Из отобранных из базы изображений следов проводят выборку изображений следов с наиболее близкими значениями дескрипторов S, Р, Imax, Imin. Представляют контур индивидуального признака исследуемого следа и следов, отобранных из базы изображений следов, в виде N стандартных комплекснозначных векторов. Находят модуль нормированного скалярного произведения контура исследуемого следа с контурами выбранных из базы следов. Для идентификации оружия выбирают из базы изображения следов с наибольшим значением максимума модуля нормированного скалярного произведения контуров. Повышается эффективность формирования приоритетного списка изображений по степени их схожести с исследуемым следом за счет исключения влияния ориентации изображений на результат сравнения, а также ускоряется выбор изображений по степени их схожести с исследуемым за счет упрощения вычислительных операций. 1 з.п. ф-лы, 7 ил., 9 табл.

Формула изобретения RU 2 595 181 C2

1. Способ идентификации оружия по следу бойка с индивидуальным признаком в виде пятна произвольной формы, включающий сканирование исследуемой гильзы с получением исходного цифрового изображения исследуемого следа бойка в градациях серого, сглаживание локальных перепадов градаций и выбор схожих изображений следа бойка с индивидуальным признаком в виде пятна произвольной формы из базы изображений следов, отличающийся тем, что полученное сглаженное исходное цифровое изображение следа бойка преобразуют в бинарное черно-белое изображение, в котором фон имеет один цвет, а индивидуальный признак другой, измеряют дескрипторы индивидуального признака, не зависящие от ориентации изображения, в качестве которых используют площадь S, периметр Р, максимальный Imax и минимальный Imin моменты инерции, из отобранных из базы изображений следов проводят выборку изображений следов с наиболее близкими значениями дескрипторов S, Р, Imax, Imin, представляют контур индивидуального признака исследуемого следа и следов, отобранных из базы изображений следов, в виде N стандартных комплекснозначных векторов, находят модуль нормированного скалярного произведения контура исследуемого следа с контурами выбранных из базы следов, а для идентификации оружия выбирают из базы изображения следов с наибольшим значением максимума модуля нормированного скалярного произведения контуров.

2. Способ по п. 1, отличающийся тем, что дополнительно измеряют на бинарном изображении исследуемого следа бойка характеристику Эйлера, изменяют уровень бинаризации изображения исследуемого следа бойка в сторону увеличения или уменьшения до изменения характеристики Эйлера, а затем осуществляют выбор изображений из базы изображений следов по новым значениям дескрипторов.

Документы, цитированные в отчете о поиске Патент 2016 года RU2595181C2

СПОСОБ ФОРМИРОВАНИЯ ИЗОБРАЖЕНИЙ И ОПРЕДЕЛЕНИЯ РЕЛЬЕФА ОБЪЕКТОВ СЛОЖНОЙ ФОРМЫ 2000
  • Зайцев П.А.
  • Бичигов В.Н.
  • Моксин А.В.
RU2166748C1
СПОСОБ МАРКИРОВКИ ОГНЕСТРЕЛЬНОГО ОРУЖИЯ 1992
  • Бодня В.И.
  • Дерягин А.А.
  • Могутов В.И.
  • Неугодов А.С.
  • Сергеев Б.Д.
  • Мартынов С.Б.
RU2015492C1
СПОСОБ ИДЕНТИФИКАЦИИ ОГНЕСТРЕЛЬНОГО ОРУЖИЯ ПО СЛЕДУ ОТ БОЙКА НА ГИЛЬЗЕ 2009
  • Ежов Анатолий Николаевич
  • Ежова Лариса Александровна
  • Ежова Анжелика Анатольевна
  • Ежов Александр Анатольевич
  • Щербаков Сергей Витальевич
  • Садаков Владимир Сергеевич
  • Циммерман Игорь Михайлович
RU2431104C2
Машина для упаковки фруктов 1930
  • Токман Ш.Г.
SU21813A1
Приспособление для соединения вагонетки с тяговым крюком 1930
  • Токарь А.П.
SU28791A1
US 4175346 A1, 27.11.1979.

RU 2 595 181 C2

Авторы

Федоренко Владимир Александрович

Корнилов Максим Владиславович

Даты

2016-08-20Публикация

2014-10-17Подача