马德里指纹错案的出现使得现行指纹鉴定体系不断受到挑战和质疑。以指纹二级特征的统计规律为基础的量化鉴定技术成为了新的研究难点与热点，而指纹二级特征的自动检测与分类是实现指纹二级特征自动统计的基础。因此，提出一种基于YOLOv5的指纹二级特征检测方法。首先，建立指纹二级特征数据集，共包含4000张带标注的指纹图像；其次，根据指纹二级特征点尺寸小且分布密集的特点，对YOLOv5网络结构进行改进，删除原有的32倍下采样大目标特征检测层，添加新的微小特征融合层；再使用Feature Pyramid Networks（FPN）、Pyramid Attention Network（PAN）和Spatial Pyramid Pooling（SPP）结构通过融合多种尺度的方式实现局部特征和全局特征提取；最后，添加Squeeze-and-Excitation（SE）通道注意力机制模块，有效增强模型的鲁棒性和密集小目标的检测能力。实验结果表明，相比于原模型，改进后YOLOv5s_FI模型，在检测速度基本不变的情况下，平均精度均值（mAP0.5）从93.0%提高到97.4%，且权重缩减了3/4。

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%。

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。

随着深度伪造技术的发展，生成的图片视频质量越来越逼真，给社会带来了巨大的安全风险。针对现有的检测方法参数量大、网络较深、模型结构复杂等情况，首先对取证领域的经典检测模型XceptionNet进行优化，提出一种轻量化的取证模型Xcep_Block8，在减少模型参数量的同时，仍保持较高的检测精度。其次，针对类别不均衡问题，通过提高较少类别样本的采样概率，较好地解决了正负样本不均的情况。最后使用混合式数据增强方法CutMix增强样本之间的线性表达。实验结果表明，所提模型的测试结果较基线结果提升约1.01个百分点，同时在参数量方面较其他方法也有一定优势。

结合现场鞋印和周边监控视频锁定犯罪嫌疑人是公安机关刑事侦查破案的一种重要技战法，然而该技战法自动化程度低、耗时耗力，限制了应用范围。针对这一问题，本文提出一种基于YOLOv4算法的目标检测方法，可实现对监控视频下行人鞋部的自动检测。根据行人鞋部区域的特点，首先使用K-means聚类算法获得先验框尺度，并确定其数量；然后根据构建的数据集选取合适的检测层以强化对鞋部特征的学习；最后，通过多尺度特征融合，将调整后的空间金字塔池化结构迁移到剪枝后的网络内，增强模型的学习能力。结果表明，提出的YOLOv4_shoe算法训练权重仅为39.56 MB，参数量约为原模型的六分之一，mAP值达到了97.93%，比原YOLOv4模型提升了2.07%。

根据现场遗留鞋印推断出作案人所穿鞋型，再从周围监控视频中搜索嫌疑鞋型已成为公安机关侦破案件的重要技战法。针对该技战法完全依赖人工筛查、受主观影响大、易造成漏检等问题，提出了一种基于注意力机制的鞋型识别算法。首先，建立了贴近公安刑侦实战、样本容量为300的多背景监控鞋型数据集。然后，提出了一种注意力机制模型，以增强残差网络（ResNet50）对鞋子重要特征的提取能力。最后，对比了选取不同特征层输出作为鞋子特征及不同卷积特征聚合方法对识别精度的影响。为了增强模型的泛化能力，在损失函数中加入Label Smoothing。在多背景数据集上的实验结果表明，本算法的Rank-1、平均精度均值分别达到74.32%和56.97%。

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。

刑事案件现场图作为刑事案件现勘记录的重要组成部分,在法庭科学领域中发挥着重要作用,然而在公安实战中,现场图绘制不规范的情况仍然时有发生。基于此,提出一种基于卷积神经网络的现场图自动分类方法,实现对全国公安机关现场勘验信息系统(简称为现勘系统)中现场图的自动分类核查。首先,利用现勘系统中现场图构建刑事案件现场图数据集,包括64098幅现场图和作为负类的27162张现场照片;然后,在AlexNet的基础上引入Inception结构,提出适用于现场图分类问题的卷积神经网络结构XCTNet;最后,多维度展现XCTNet的性能,并提取出分类错误的图像。实验结果表明:XCTNet在参数量仅为AlexNet的10%的条件下,在测试集上的准确度达到了98.65%,相比较AlexNet提升了3.78个百分点,但对自绘方位示意图的识别精度仍需要进一步提高。

为解决基于可穿戴传感器的步态事件检测技术对个体配合程度依赖性大、能耗高、应用条件苛刻等问题,提出一种基于机器视觉的足跟着地事件检测算法,可以在不需要参与者合作的情况下,利用普通摄像机实现对足跟着地事件的精确检测。提出一种新颖的特征,即连续轮廓帧差图(CSD-maps)来表达步态模式。一个连续轮廓帧差图可以将视频帧中行人连续的轮廓二值图编码到一张特征图中,使其蕴含丰富的步态时空信息。不同数量的行人连续轮廓帧差会产生不同的连续轮廓帧差图。利用卷积神经网络对连续轮廓帧差图进行特征提取和足跟着地事件分类。在公开数据库上,对124名受试者在5个视角下不同穿着状态的视频数据进行训练和测试,实验结果表明,该方法具有良好的检测精度,识别准确率达93%以上。

“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。