技术领域
[0001] 本
发明提出了一种基于“
大数据挖掘”和“
模式识别”技术的“犯罪现场指纹遗留区域频度”动态重建
算法模型，属于
生物特征识别领域。
背景技术
[0002] 指纹自动识别系统(AFIS)是当今世界最广泛应用的个体特征识别系统，既是各国警方认定案件作案人和重大案事件罹难人员身份的首选利器，也是警方对审察对象、未知名尸体、特殊行业从业者、限制行为能
力人、走失人员、在逃嫌疑人、重点管理对象等的身份进行快速、准确认定的首选方法，其巨大的破案效能和快速反应、直接认定人身、精准打击的特点也常为各国办案机构称道。
[0003] 十指指纹
数据库的建库
质量，特别是指纹图像数据的质量与系统破案
水平发挥直接相关。捺印区域不全、纹线清晰度不佳、特征反应差的指纹数据入库，会造成目标候选指纹排前率降低、明显提高漏查率并增加人工认证难度，甚至误导指纹专家错误认定无辜人员或者错误排除涉案人员。此外，大批低质量数据入库，会造成系统比对反馈速度降低，前台用户等待时间加长，影响一线
法庭科学机构开展指纹信息实战应用的积极性。
[0004] 针对某一特定品牌AFIS系统比对算法的特点，兼顾某类采集业务的组织模式，设计十指指纹图像质量控制算法本不是难题(几乎所有AFIS系统的前台采集工作站和后台数据库都有此类的功能)。但当前各国警方用户均对现有AFIS系统的质量控
制模式多有不满，关闭“系统前台质量控制模
块”采集指纹数据也已成为业内的普遍现象。各国警方采集人员的抱怨主要集中在：所有AFIS厂商提供装备的质量评测程序和评测算法都是“黑箱模块”，评价机制不透明，实际效能也无法测算，与其相信机器的判断，不如相信自己的经验判断。
[0005] 此外，多年来，各国法庭科学部
门的指纹物证比对专家们对上述指纹质量评价“黑箱模块”也多有抱怨，主要集中在：现有指纹厂商的质量评测算法，均主要立足于“保证指纹档案图像的全面性”(即确保十指指纹每个指位的图像各个部位纹线均得到采集)和“提高档案图像纹线的准确性”(即确保图像质量达到机器特征识别的最低标准，提高目标档案在比对候选名单中的排前率)。以这样的标准作为十指指纹采集工作的质量
门槛，不仅在“纹线采集全面性指标”方面远远超出“大多数采集人员能够达到的水平”(实际工作中，很难保证嫌疑人十个指位的全部纹线均能得到采集)和“指纹比对工作的实战需要”(实际工作中，不论机器比对还是人工认证，关注的要点都是“目标嫌疑人在犯罪现场遗留指纹物证指位上对应区域纹线图像的图像质量水平”。而受人类
手指结构和动作习惯等因素的影响，不仅十指指纹各指位在犯罪现场遗留现场指纹的频度不同，而且每个指位不同部位区域纹线的遗留频度也存在很大差异。那些“使用
频率最高的指位”和“最频繁
接触现场物体表面，并在现场遗留纹线的手指区域”，才是指纹档案图像质量控制理应重点关注的部位)，而这些区域的指纹图像质量水平才是指纹质量控制的要点。换言之，现有AFIS系统主流质量评测算法追求的“全面、优质采集标准”，与警方采集部门和法庭科学部门的实际需求之间，存在很大的脱节。
[0006] 因此，法庭科学行业需要找到一种犯罪现场指纹纹线遗留区域频度的动态重建技术，为十指指纹图像质量评测的中“同一指位不同区域纹线图像质量”和“同一人十指指纹不同指位纹线图像质量”水平对十指指纹整体质量评级贡献计算提供了实时、准确的赋权参数模型，从而解决现有指纹系统指纹图像质量评测算法“各区域纹线采集质量对各指位指纹图像质量评级赋权参数”和“各指位质量权重对十指指纹整体质量评级赋权参数”无统计学数据
支撑的问题。
发明内容
[0007] 为解决上述问题，本方法基于“大
数据挖掘”和“模式识别”技术，建立一套旨在动态重建犯罪现场指纹纹线遗留区域频度的方法。
[0008] 本发明解决其技术问题所采用的技术方案是：一种犯罪现场指纹纹线遗留区域频度动态重建方法，包括以下步骤：
[0009] 对现场指纹纹线
覆盖区域外围轮廓线进行识别和数据提取；
[0010] 将现场指纹纹线遗留区域在比中捺印指纹上进行重建；
[0011] 进行犯罪现场指纹纹线遗留区域频度的动态重建。
[0012] 所述对现场指纹纹线覆盖区域外围轮廓线进行识别和数据提取包括以下步骤：
[0013] 步骤S02.1、提取现场指纹遗留纹线并转换成结构化纹线数据Sgql；
[0014] 步骤S02.2、提取并存储结构化纹线数据 控制点、Cgql曲线；
[0015] 步骤S02.3、提取现场指纹纹线覆盖区域外围轮廓线数据。
[0016] 所述步骤S02.1包括以下步骤：
[0017] (1)对现场指纹图像Pql去除图像噪声得到现场指纹增强图Peql；
[0018] (2)提取前景纹线，并根据质量判断进行区域分割，排除比例尺线条；
[0019] (3)方向场的提取和校准：先采用梯度算法求取去除比例尺的Peql方向场并做平滑处理，再根据Qrql值，将相邻质量区域中Qrql高值区域的方向场数据对Qrql低值区域的方向场数据进行覆盖，获取现场指纹整体方向场数据Dql；
[0020] (4)纹线频率的计算：利用Dql提供的方向场参数，沿Peql纹线方向投影；测量一维投影图的极值点，求出极值点的频率，即为纹线频率Frql；
[0021] (5)采用Gabor滤波算法，以Dql和Frql为参数对Peql进行纹线清晰化处理，并将断开的纹线重新连接起来，获取Peql的Gabor滤波结果数据Pgql；
[0022] (6)二值化：对Pgql进行二值化得到二值图像Bgql；
[0023] (7)纹线细化：通过Hilditch算法将Bgql转变为设定
像素宽度的细化图，即纹线图Tgql；
[0024] (8)细化纹线的
跟踪和数据存储：检测Tgql中全部的纹线端点，然后以全部端点为起始点，逐条跟踪Tgql的每一条纹线，将构成纹线的每一像素点的坐标按照纹线跟踪顺序存储起来，即得到Tgql的结构化纹线数据Sgql。
[0025] 所述(2)提取前景纹线，并根据质量判断进行区域分割，排除比例尺线条包括以下步骤：
[0026] a)采用方向一致性算法处理Peql各点，提取有方向规律性即方向一致性参数位于设定范围内的纹理区域，作为指纹纹线遗留区域Rrql，将指纹纹线遗留区域Rrql以外的其他区域作为与指纹纹线无关的背景区域Riql；
[0027] b)设定连通性分析算法的
阈值和方向一致性算法的阈值，依据上述两算法修正Rrql和Riql数据，形成连续的分布；
[0028] c)获取Rrql像素清晰度、
对比度和反差的图像质量指标，将这些指标加权求和，即得到反映前景Prql各像素综合质量的综合质量指标Qrql；根据Qrql数值将Prql分割成若干质量区域Pgql；
[0029] d)检测Peql中是否存在平行等距排列的多条直线段即比例尺；如存在，则将这些平行等距直线段所在的区域标定为比例尺区域，并去除比例尺。
[0030] 所述步骤S02.2包括以下步骤；
[0031] (1)定义结构化纹线数据的 控制点结构、Cgql曲线结构；
[0032] (2)提取并存储 控制点和Cgql曲线；
[0033] 调用Sgql数据，从左侧纹线起始点开始，到右侧纹线终止点为止，每隔距离d提取纹线上某点作为控制点 同时定义纹线左侧起始点和右侧终止点为
[0034] 先将全部提取出的 按控制点结构存储在关系型数据库SDB1中，再将Sgql数据按照Cgql曲线结构存储在关系型数据库SDB1中。
[0035] 步骤S02.3包括以下步骤：
[0036] (1).建立 模型：建立用于反映 点存在状况数据 的矩阵模型；
[0037] (2).设定扫描滑动窗口；
[0038] (3).建立现场指纹MDOCgql模型，用于存储DOCgql数据分布范围数据；
[0039] (4).
抽取和存储现场指纹遗留区域外围轮廓线控制点
[0040] 使用扫描滑动窗口对MDOCgql全部单元数据进行Z型扫描；记录每行扫描结果为最左侧 的扫描单元坐标和最右侧 的扫描单元坐标，并记为 如扫描行无的单元，则跳转到下一行；如果扫描行只有1个 的单元，则也记录该单元的坐
标为 坐标；
[0041] 完成所有行扫描后，将所有 坐标数据的x值和y值分别乘以8得到点然后将其映射到Pql图像的 (8x，8y)；
[0042] 从y值最低点开始，逐个沿顺
时针顺序连接所有 形成DOCgql；
[0043] 将所有上述 坐标存储到数据库中。
[0044] 所述将现场指纹纹线遗留区域在比中捺印指纹上进行重建包括以下步骤：
[0045] 步骤S03.1、求取最佳细节特征点匹配基准坐标参照数据Tm；
[0046] 步骤S03.2、对Tm进行分析计算得出现场指纹纹线遗留区域重建的最佳刚体运动关系M；
[0047] 步骤S03.3以M为参数，将DOCgql数据映射到其对应Pkt图像上的纹线对应区域，获得外围轮廓重建数据。
[0048] 步骤S03.1包括以下步骤：
[0049] (1).定义现场指纹-捺印指纹特征匹配赋权二部图模型BGltm的数据结构和参数：
[0050] 建立数组minu pMnt[N]表示所有细节特征点，N为细节特征点的个数；二部图中的每个
顶点表示一个细节特征点；定义二维数组pW[M][N]表示二部图中每个细节特征点的匹配权重；
[0051] (2).赋权二部图的建模
[0052] 使用IFV表示现场指纹的特征数据Mql和捺印指纹的特征数据Mkt之间的每对匹配细
节点间的旋转平移无关量 即细节特征匹配的局部模式；
[0053] 以Pql细节特征点i为中心，与距离i最近的细节特征点构造旋转平移无关量IFVi；以Pkt上与i对应匹配的细节特征点j为中心，与距离j最近的细节特征点构造旋转平移无关量IFVj；
[0054] IFVi与IFVj之间的匹配相似度
[0055] 上式中，qi为细节特征点i所在坐标
位置的图像质量Qrql，qj为细节特征点j所在坐标位置的图像质量Qrql；
[0056] 以Pql和Pkt上全部细节特征点为顶点，wij为权重,构造赋权二部图；
[0057] (3).针对BGltm模型，使用Kuhn–Munkres算法得出数据Tm。
[0058] 步骤S03.2包括以下步骤：
[0059] 对于Tm内的细节特征点匹
配对pij，在刚体变换条件下，以Pql和Pkt坐标原点为旋转中心，i，j的旋转
角度Tθ满足以下关系：
[0060]
[0061] (x,y)和(x',y')分别代表匹配对坐标，Tx和Ty表示平移距离，Tθ代表旋转角度；
[0062] 计算刚体运动的参数为：
[0063] Tx＝xj-(xicosTθ-yisinTθ)
[0064] TyyjxisinTθ+yicosTθ)
[0065] Tθ＝θj-θi
[0066] 定义Mij＝(Tx,Ty,Tθ)为i到j的运动参数；
[0067] 计算获得所有可能匹配集{pij}的运动参数集{Mij},求平均值，得到最佳的刚体运动关系M＝(Tx,Ty,Tθ)，pij表示可能的匹配点。
[0068] 所述进行犯罪现场指纹纹线遗留区域频度的动态重建包括以下步骤：
[0069] S04.01、建立DRR模板：DRR模板的结构为十个方形图像，分别对应十指指纹的各指位；
[0070] 将全部方格按照网格Md进行分区，按照位置对全部Md进行编码；
[0071] S04.02、进行DRR的区域频度重建，获得犯罪现场指纹纹线遗留区域频度动态重建数据Fdrr；
[0072] (1)、DRR区域数据的抽取和转换
[0073] 使用扫描滑动窗口对DRR数据进行扫描，记录现场指纹纹线遗留重建区域所对应的Md坐标点数据；扫描完成后，将DRR区域换算为一组Md坐标点的网格数据；
[0074] (2)、将全部DRR数据重建在各指位上，即可获得犯罪现场指纹纹线遗留区域频度动态重建数据Fdrr；
[0075] S04.03、将Fdrr数据通过图形显示。
[0076] 本发明具有以下有益效果及优点：
[0077] 1、本方法的第2步骤中，采用图像增强，区域分割，方向场提取，纹线频率分析，Gabor滤波，二值化，纹线细化，纹线跟踪、纹线流向一致性校验、纹线连贯性分析、
霍夫变换等模式识别技术，对警用指纹自动识别系统内存储“比中数据”的现场指纹图像进行大数据挖掘，在确保现场遗留指纹纹线自动提取客观性和准确性的同时，有效排除了“背景无关纹线”和“比例尺图像”给现场指纹纹线自动提取带来的干扰，准确提取了“现场纹线遗留区域的外围轮廓数据”；
[0078] 2、本方法第3步骤中，首先采用“赋权二部图模型”和Kuhn–Munkres算法对现场指纹及其比中关系对应档案指纹的细节特征点数据进行分析，优选出最佳的“基准坐标参照数据”；其次，采用刚体变换的参数控制算法计算得出现场指纹纹线遗留区域重建的“最佳刚体运动关系数据”；最后，以“最佳刚体运动关系数据”为参数，将前述“现场纹线遗留区域的外围轮廓数据”映射到其对应档案指纹图像上的纹线对应区域，获得了客观、准确的“现场纹线遗留区域外围轮廓重建区域数据”；
[0079] 3、本方法第4步骤中，采用专门设计的统计学矩阵模型，通过对第3步骤获取的“现场纹线遗留区域外围轮廓重建区域数据”的频度统计，得到“犯罪现场指纹纹线遗留区域频度动态重建数据”Fdrr，为十指指纹图像质量评测中“同一指位不同区域纹线图像质量”和“同一人十指指纹不同指位纹线图像质量”水平对“十指指纹整体质量评级贡献计算”提供了实时、准确的赋权参数模型，从而解决了现有指纹系统指纹图像质量评测算法“各区域纹线采集质量对各指位指纹图像质量评级赋权参数”和“各指位质量权重对十指指纹整体质量评级赋权参数”无统计学数据支撑的问题。
[0080] 4、此外，本方法第4步骤中，采用专门设计的“纹线区域遗留频度---可见
光谱频率”转换算法和“纹线区域遗留频度---三维立体曲面图”转换算法，实现了对各指位全区域纹线犯罪现场遗留频度的动态化模拟。该模拟方法及其后台数据，可以直接用于各类平面捺印指纹图像数据(如出入境、身份证、驾驶员、考生指纹登记等)在法庭科学领域开展实战应用可行性的评测。
[0081] 5、本发明主要用于多比对算法架构的超大规模指纹系统，可有效提升指纹系统建库的图像质量水平和指纹系统破案效能，并在“指纹系统比对漏查
风险分析”、“漏查目标范围
锁定”、“各类平面捺印指纹图像数据(如出入境、身份证、驾驶员、考生指纹登记等)法庭科学领域实战应用可行性评测”等方面具有突出意义。
附图说明
[0083] 图2a是大数据方法抽取的现场指纹图像Pql；
[0084] 图2b是Pql提取的Sgql效果图；
[0085] 图3是现场指纹纹线遗留区域的突出显示效果图；
[0086] 图4是细节特征匹配的局部模式示意图；
[0087] 图5是现场指纹与其比中档案指纹的细节特征点赋权二部图示意图；
[0088] 图6a是现场指纹纹线遗留区域外围轮廓重建效果图一；
[0089] 图6b是现场指纹纹线遗留区域外围轮廓重建效果图一；
[0090] 图7是某一指位的DRR模板示意图；
[0091] 图8是十指指纹Fdrr数据的“可见光光波
波长热图”显示效果图；
[0092] 图9是某一指位Fdrr数据的“三维立体频度图”显示效果图。
具体实施方式
[0093] 下面结合
实施例对本发明做进一步的详细说明。
[0094] 如图1所示，本方法包括以下步骤：
[0095] 步骤S01：大数据抽样。
[0096] 本步骤需要对法庭科学部门现有AFIS数据库内存储的信息进行动态化大数据抽样。需要抽取的数据主要包括：
[0097] 1、指纹比中关系数据。比中关系数据，是指纹系统用户(一般为法庭科学部门)在实战比对工作中逐渐积累的，记录某案件犯罪现场提取的某枚现场指纹，通过指纹系统比对和多组指纹专家(每组至少两人)分别独立开展人工鉴定，证明该枚现场指纹物证与某人(一般即为作案嫌疑人)某指位捺印档案指纹存在“同一关系”的数据记录。
[0098] 2、法庭科学部门在犯罪现场提取、建库并且已经比中的现场指纹物证数据，该数据既包括该枚被比中现场指纹的图像数据(以下简称Pql)，也包括(案件、物证相关)文字信息数据和该枚现场指纹的特征数据(以下简称Mql)。
[0099] 3、警务部门(司法机关)采集、建库并且已经比中的十指指纹数据，该数据既包括该枚被比中捺印档案某一指位指纹的图像数据(以下简称Pkt)，也包括(被捺印人)文字信息数据和该枚捺印指纹的特征数据(以下简称Mkt)。
[0100] 步骤S02：现场指纹纹线覆盖区域外围轮廓线的识别和数据提取。
[0101] 本步骤需要在模式识别技术的支持下，对前述Pql数据的现场指纹纹线覆盖区域外围轮廓线数据进行算法自动识别和坐标数据提取，其关键技术要点是：
[0102] S02.1、现场指纹遗留纹线的自动提取技术
[0103] 受物证遗留条件限制，Pql图像上的指纹纹线清晰度往往较差，因此，现场纹线的自动提取是一个比较复杂的问题。为此，本步骤采用图像增强，
图像分割，方向场提取，纹线频率计算，Gabor滤波，二值化，细化，纹线跟踪存储等多种处理方式，确保提取现场指纹纹线数据的客观性和准确性。如图2a、图2b所示。
[0104] 本步骤的具体方法如下：
[0105] (1).图像增强
[0106] 采用“灰度归一化”、“直方图均衡化”、“均值滤波”、“高速滤波”、“方向滤波”等算法去除图像噪声，得到Pql图像的增强图Peql；
[0107] (2).前景纹线的提取、质量判断、区域分割和比例尺线条排除
[0108] 犯罪现场上的多种物体表面都会遗留现场指纹物证，在勘查人员拍摄提取现场指纹图像时，上述承痕物体表面原有的各类线条(一般为加工、装饰、使用磨损等形成)作为背景图像，也会与指纹物证纹线一同被提取下来。此外，按照法庭科学行业的指纹物证图像提取标准，为确保录入AFIS系统的现场指纹
图像比例大小正确，技术人员拍摄现场提取现场指纹时，必须附带1：1比列尺图像。因此，为了客观准确提取现场指纹纹线数据，必须对上述“背景无关纹线”和“比例尺线条”产生的“假纹线”进行识别和消除，具体方法是：
[0109] a)采用方向一致性算法处理Peql各点，提取有方向规律性的纹理区域作为“指纹纹线遗留区域”(以下简称Rrql)，将“噪声严重、方向一致性杂乱无章的区域”定义为“与指纹纹线无关的背景区域”(以下简称Riql)；
[0110]
[0111]
[0112]
[0113]
[0114] 其中xi,yi是指纹图像中某一像素点(i,j)的横纵坐标值。θij为该象素点(i,j)的方向。h、k分别表示累加
迭代变量， 表示对x求偏导数， 表示y求偏导数；rij表示方向一致性。
[0115] b)采用连通性分析算法对Rrql和Riql内的部分零星分布的孤立小区域进行“前景/背景属性判断”，并根据判断结果反复修正Rrql和Riql数据，直至Rrql和Riql形成完整的连续分布；
[0116] c)通过方向一致性、灰度均值和方差计算获取Rrql像素清晰度、对比度和反差等图像质量指标，将这些指标加权求和，即得到反映前景Prql各像素综合质量的“综合质量指标”(以下简称Qrql)。根据Qrql数值的高低，将Prql分割成若干质量不同区域(以下简称Pgql)；
[0117] d)采用霍夫变换算法检测Peql中是否存在“平行等距排列的多条直线段”(比例尺)，如存在，则将这些平行等距直线段所在的区域标定为“比例尺区域”,并去除比例尺。
[0118] (3).方向场的提取和校准
[0119] 先采用梯度算法求去除比例尺的Peql方向场并做平滑处理，再以Qrql高低为依据，利用(相邻质量区域中)Qrql高值区域的方向场数据对其临近的Qrql低值区域的方向场数据进行校准(覆盖)，获取准确的“现场指纹整体方向场数据”(以下简称Dql)，梯度法求方向场公式如下：
[0120]
[0121]
[0122]
[0123]
[0124] 其中xi,yi是指纹图像中某一像素点(i,j)的横纵坐标值。θij为该象素点(i,j)的方向。h、k分别表示累加迭代变量， 表示x求偏导数， 表示y求偏导数；rij表示方向一致性。
[0125] (4).纹线频率的计算
[0126] 利用Dql提供的方向场参数，沿Peql纹线方向投影。测量一维投影图的极值点，计算求出极值点的频率，即为纹线频率(以下简称Frql)；
[0127] (5).Gabor滤波
[0128] 采用Gabor滤波算法，以Dql和Frql为参数，对Peql进行纹线清晰化处理，并将断开的纹线重新连接起来，获取Peql的Gabor滤波结果数据(以下简称Pgql)；
[0129] (6).二值化
[0130] 对Pgql进行二值化处理，设灰度阈值为T，将Pgql中灰度值大于T的像素点的灰度值设为0(表示非纹线)，将Pgql中灰度值小于等于T的设为1(表示纹线)，从而将Pgql变为0，1二值图像(以下简称Bgql)；
[0131] (7).纹线细化
[0132] 通过Hilditch算法将Bgql转变为1个像素宽度的细化图，即纹线图(以下简称Tgql)；
[0133] (8).细化纹线的跟踪和数据存储
[0134] 检测Tgql中全部的纹线端点，然后以全部端点为起始点，逐条跟踪Tgql的每一条纹线，将构成纹线的每一像素点的坐标按照纹线跟踪顺序存储起来，即得到Tgql的结构化纹线数据Sgql。
[0135] S02.2、Sgql控制点 Cgql曲线的提取和存储
[0136] Rrql计算得出的Sgql信息量很大，不方便存储和下步的
定位处理。因此，本步骤使用了专门设计的结构定义，提取了Sgql数据的控制点 和Cgql曲线，并将其存储在关系型数据库SDB1中备用。本步骤的具体方法如下：
[0137] (1).Sgql控制点 结构定义、Cgql曲线求法及其结构定义
[0138] Sgql控制点 数据的结构定义为：
[0139] typedef struct tagGFRT_SplineCtrlPoint
[0140] {
[0141] double fx；//控制点x坐标
[0142] double fy；//控制点y坐标
[0143] }GFRT_SPLINECTRLPOINT；//控制点结构
[0144] (控制点x，y坐标的表示方法参照中华人们共和国公共安全行业标准《特征点与指纹方向坐标表示方法》Fingerprint Minutia Coordination and Direction System GA-775(2008)中的细节特征位置坐标体系定义，以下简称Cc)。
[0145] Cgql曲线求法公式为：
[0146]
[0147]
[0148] Ni,0(u)表示第i个0次B-样条基函数，Ni,p(u)表示第i个p次B-样条基函数，ui表示第i个节点向量的分量值，p表示基函数的次数，u表示节点向量，i表示节点ui在节点向量u中的次序。
[0149] Cgql曲线数据的结构定义为：
[0150]
[0151] (2).Sgql控制点 和Cgql曲线的提取和存储
[0152] 调用S02.1步骤获得的Sgql数据，从左侧纹线起始点开始，到右侧纹线终止点为止，每隔距离 提取细化纹线上1点作为控制点(以下称为 )，同时定义细化纹线左侧起始点和右侧终止点为
[0153] 先将全部提取出的 按照S02.2.(1)步骤定义的控制点数据结构存储在关系型数据库SDB1中，再将Sgql数据按照S02.2.(1)步骤定义的Cgql数据结构存储在关系型数据库SDB1中。
[0154] S02.3、现场指纹纹线覆盖区域外围轮廓线数据的提取
[0155] “现场指纹纹线覆盖区域外围轮廓线数据”(以下简称DOCgql)，是指模拟“现场指纹纹线覆盖区域外围轮廓线”(以下简称Orql)分布空间位置的“现场指纹遗留区域外围轮廓线控制点”(以下简称 )在Pql现场指纹图像上对应的像素点(以下简称 )的坐标数据。
[0156] (1).建立MCp模型
[0157] 模型是指专门设计，用于建立反映“ 点存在状况数据”(以下简称 数据)的矩阵模型，其数据结构和赋值方法为：
[0158] 为512*512单元的矩阵。该矩阵每个元素为2位比特，用于存储 (以下简称)。参照Cc坐标体系定义，对 全部单元的 进行赋值： 坐标对应单元 赋值为01，非 坐标对应单元 赋值为00；
[0159] (2).扫描滑动窗口的参数设计
[0160] 考虑到Cgql曲线之间存在较大间隙，所以，扫描滑动窗口过小，会导致现场指纹纹线覆盖区域外围轮廓线(以下简称OCgql)的扫描结果数据(以下简称DOCgql)的分布连续性降低；而扫描滑动窗口过大，会导致DOCgql数据失真。经过反复验证，采用了8元素*8元素，步长值为8元素的滑动窗口比较适中。
[0161] (3).建立现场指纹MDOCgql模型
[0162] MDOCgql模型，是指专门设计，用于存储DOCgql数据分布范围数据的矩阵模型，其数据结构和赋值方法为：
[0163] 建立一个64*64单元的矩阵，每个元素为2位比特。参照Cc坐标体系定义，从坐标原点开始，对 模型模型数据进行Z型扫描处理，取当前滑动窗口 最大值输入MDOCgql模型；
[0164] (4). 的抽取和存储
[0165] 参照Cc坐标体系定义，使用1*1单元，步长值为1的扫描滑动窗口，对MDOCgql全部单元数据进行Z型扫描。记录每行扫描结果为“最左侧 的扫描单元坐标”和“最右侧的扫描单元坐标”(以下简称 )。如扫描行无 的单元，则跳转到下一行。如果扫描行只有1个 的单元，则也记录该单元的坐标为 坐标。
[0166] 完成所有64行扫描后，参照Cc坐标体系定义，将所有 坐标数据的x值和y值分别乘以8，然后将其映射到Pql图像的 (8x，8y)。
[0167] 从y值最低点开始，逐个沿顺时针顺序连接所有 即可形成DOCgql。
[0168] 将所有上述 坐标以JSON格式存储到数据库中。
[0169] (5).Pql图像DOCgql内部区域的突出显示方法
[0170] 在完成DOCgql提取后，如果需要排除无纹线区域背景干扰，则可使用与前述相同尺寸的矩形小方格与DOCgql内区域取补集，采用GDI+法对补集区域设置阴影遮罩层，即可突出显示现场指纹的纹线遗留区域图像。如图3所示。
[0171] 步骤S03：现场指纹纹线遗留区域在比中捺印指纹上的重建。
[0172] 本步骤采用模式识别技术，将现场指纹纹线遗留区域的外围轮廓数据重建到其对应Pkt图像上的纹线对应区域，具体技术方法如下：
[0173] S03.1、最佳细节特征点匹配“基准坐标参照数据”Tm的计算
[0174] 本步骤采用“赋权二部图模型”(以下简称二部图)，Kuhn–Munkres算法(以下简称K-M算法)和“刚体变化模型”对S01步骤抽取Mql及其比中关系对应Mkt的进行分析，优选最佳的细节特征点匹配局部模式，作为将DOCgql映射到其对应Pkt对应区域的“基准坐标参照数据”(以下简称Tm)。本步骤具体方法如下：
[0175] (1).现场指纹-捺印指纹特征匹配赋权二部图模型(以下简称BGltm模型)的数据结构和参数定义
[0176]
[0177] 建立数组minu pMnt[N]表示所有细节特征点，N为细节特征点的个数。二部图中的每以个顶点表示一个细节特征点。定义二维数组pW[M][N]表示二部图中每个细节特征点的匹配权重。
[0178] (2).赋权二部图的建模
[0179] 使用IFV(Invariant Feature Vector)表示每对“匹配细节点”间的旋转平移无关量 即细节特征匹配的局部模式。如图4所示。
[0180] 以Pql细节特征点i为中心，与距离i最近的细节特征点构造旋转平移无关量IFVi。以Pkt上与i对应匹配的细节特征点j为中心，与距离j最近的细节特征点构造旋转平移无关量IFVj。
[0181] 设wij为IFVi与IFVj之间的匹配相似度。
[0182]
[0183] 上式中，qi为细节特征点i所在坐标位置的图像质量Qrql，qj为细节特征点j所在坐标位置的图像质量Qrql，qj的算法与S02.1(2).c步骤所述方法相同。
[0184] 以Pql和Pkt上全部细节特征点为顶点，wij为权重,构造赋权二部图，如图5所示。
[0185] (3).针对BGltm模型，使用Kuhn–Munkres算法，通过优选计算，得出最佳的Tm。
[0186] S03.2、使用“刚体变换模型”对Tm进行分析，计算得出现场指纹纹线遗留区域重建的“最佳刚体运动关系”(以下简称M)
[0187] 对于Tm内的细节特征点匹配对pij，在刚体变换条件下，以Pql和Pkt坐标原点为旋转中心，i，j的旋转角度Tθ满足以下关系：
[0188]
[0189] 上式中，(x,y)和(x',y')分别代表匹配对坐标，即分别表示现场指纹图像和十指指纹图像中的坐标，Tx和Ty表示平移距离，Tθ代表旋转角度。
[0190] 计算刚体运动的参数为：
[0191] Tx＝xj-(xi cos Tθ-yi sin Tθ)
[0192] Ty＝yj-xisinTθ+yicos Tθ)
[0193] Tθ＝θj-θi
[0194] xi,yi和xj,yj分别代表待匹配点对pi,pj的横纵坐标，θi,θj表示pi,pj的细节特征点角度，Tθ代表旋转角度。pi,pj分别表示现场指纹图像和十指指纹图像中的坐标。
[0195] 定义Mij＝(Tx,Ty,Tθ)为i到j的运动参数。
[0196] 计算获得所有可能匹配集{pij}的运动参数集{Mij},求平均值，得到最佳的刚体运动关系M＝(Tx,Ty,Tθ)。
[0197] S03.3以M为参数，将DOCgql数据映射到其对应Pkt图像上的纹线对应区域，获得“外围轮廓重建数据”。
[0198] 根据上一步骤求得的运动关系M＝(Tx,Ty,Tθ)，将现场指纹的外围轮廓数据进行刚体变换，得到现场指纹纹线遗留区域在对应十指指纹图像上的重建数据(以下简称DRR)，数据存储格式不变。如图6a、图6b所示。
[0199] 步骤S04：犯罪现场指纹纹线遗留区域频度的动态重建。
[0200] 本步骤将建立专用统计模型，对DRR数据的区域频度进行动态重建，具体技术方法是：
[0201] S04.01、建立DRR模板
[0202] DRR模板的结构为5*2个1280像素*1280像素纯白色正方形图像(下文称D1、D2、D3……D10)，分别对应十指指纹的01-10指位。将全部方格按照160行*160列的标准网格(下文简称Md)进行分区(即每个网格的长宽为8像素×8像素)，按照位置对全部Md进行编码,设全部Md的计数器(下文简称Mcd)统计数为0。以每个正方形区域左上角为坐标原点，建立平面直角
坐标系，设Md的位置坐标为其对应的横纵格数(x，y)。见表一。如图7所示。
[0203] 表一
[0204]编号 指位 编号 指位
D1 右手拇指 D6 左手拇指
D2 右手食指 D7 左手食指
D3 右手中指 D8 左手中指
D4 右手环指 D9 左手环指
D5 右手小指 D10 左手小指
[0205] S04.02、DRR的区域频度重建(获得“犯罪现场指纹纹线遗留区域频度动态重建数据”，以下简称Fdrr)
[0206] (1)、DRR区域数据的抽取和转换
[0207] 使用1*1单元，步长值为1的扫描滑动窗口对DRR数据进行Z型扫描，记录现场指纹纹线遗留重建区域所对应的Md坐标点数据。扫描完成后，将DRR区域换算为一组Md坐标点的网格数据。
[0208] (2)、Mcd的赋值和“犯罪现场指纹纹线遗留区域频度动态重建数据”的计算方法[0209] 重复步骤S01，S02，S03，直到指纹系统内存储的全部比对关系数据(及其涉及的现场指纹和捺印档案指纹)的DRR区域信息均被处理完成，并将全部DRR区域数据重建在D1、D2、D3……D10上，即可获得“犯罪现场指纹纹线遗留区域频度动态重建数据”Fdrr。
[0210] S04.03、Fdrr数据的图形展示方法
[0211] Fdrr数据的展示可使用“平面多色频度热图方式”(将Mcd的Fdrr分布规律换算成“可见光光波波长热图”并展示给用户)，或者使用“三维立体频度图”(将Mcd的Fdrr分布规律换算成高度曲面高度并展示给用户)，均可以形成动态、实时反映“犯罪现场指纹纹线遗留区域频度”的图形化分析结果。
[0212] (1).Fdrr数据的“可见光光波波长热图”展示方法
[0213] a)设Mcd值最大值为max，按指位、横坐标、纵坐标将Md分组，设Md频度ratio＝Mcd/max，作为Mcd
颜色显示的参照值，存入数据库。
[0214] b)显示时，以可见光全光谱显示全部Md的Mcd分布情况。ratio为0的Md为白色，随着Mcd频度的升高，依次以橙、黄、绿、蓝、靛、紫的16进制颜色代码'#ffffff','#ff0000','#FF7F00','#FFFF00','#00ff00','#00ffff','#0000ff','#ff00ff'对Md进行颜色显示。这样，就实现了纹线遗留部位频度分布规律全光谱
动态图像显示。如图8所示。
[0215] (2).Fdrr数据的“三维立体频度图”
[0216] a)设Mcd值最大值为max，按指位、横坐标、纵坐标将Md分组，设Md频度ratio＝Mcd/max，作为Mcd高度显示的参照值，存入数据库。
[0217] b)3D显示时，取max为有色曲面的最大高度，根据Md对应的ratio显示其对应的有色曲面高度，即可实现纹线遗留部位频度分布规律的三维立体显示。如图9所示。
