基于角膜圖像的死亡時(shí)間推斷研究和中毒死亡案件的調(diào)查研究.pdf

1、背景：
　　 死亡時(shí)間（Postmortem interval，PMI）推斷一直刑事科學(xué)技術(shù)和法庭科學(xué)技術(shù)的重點(diǎn)和難點(diǎn)。如何實(shí)現(xiàn)準(zhǔn)確、快速的推斷，對(duì)迅速偵破案件，處理司法鑒定中的疑難問題等均具有重要意義。死亡時(shí)間推斷實(shí)驗(yàn)成果頗多，但均因檢材制備較為復(fù)雜，實(shí)驗(yàn)方法難以統(tǒng)一，離實(shí)際應(yīng)用存在一定的距離。
　　 本實(shí)驗(yàn)以易于觀察、結(jié)構(gòu)單一的角膜為實(shí)驗(yàn)對(duì)象，通過高清數(shù)碼攝像機(jī)連續(xù)拍攝48小時(shí)，對(duì)家兔死后角膜隨時(shí)間的變化進(jìn)行直接的觀

2、察和記錄。在角膜區(qū)域圖像分割和圖像特征提取的基礎(chǔ)上，使用分類計(jì)算的方法建立死亡時(shí)間推斷模型。本實(shí)驗(yàn)采用的方法步驟簡(jiǎn)單，運(yùn)算方法可靠，預(yù)測(cè)結(jié)果較為滿意。
　　 目的：
　　 1.建立0～48小時(shí)內(nèi)，連續(xù)高清攝像，間隔15min截取兔眼數(shù)碼照片以觀察角膜變化的方法。
　　 2.應(yīng)用matlab軟件，在角膜圖像分割方法的基礎(chǔ)上和建立進(jìn)行參數(shù)提取和運(yùn)算的方法，取得角膜混濁圖片特征庫。
　　 3.建立用分類器進(jìn)行死

3、亡時(shí)間推斷的模型。
　　 4.對(duì)不同分類器預(yù)測(cè)效果的進(jìn)行比較。
　　 方法和步驟：
　　 1.預(yù)實(shí)驗(yàn)：健康家兔1只，空氣栓塞法處死。尸體置于溫度控制在（25±1）℃，相對(duì)濕度20％～60％的暗室中，門窗關(guān)緊遮光，臺(tái)燈照明，用止血鉗使角膜暴露于空氣中。從死后即時(shí)到48小時(shí)內(nèi)，使用高清攝像機(jī)（SONY, HDR-SR12）連續(xù)拍攝48小時(shí)，取得視頻每15分鐘截圖，取死后15分鐘至47小時(shí)的圖片依次標(biāo)號(hào)為1～188。

4、
　　 2.對(duì)兔眼圖片進(jìn)行直方圖分割，將圖片分割為角膜瞳孔區(qū)域和其他區(qū)域，并提取出角膜瞳孔區(qū)域。
　　 3.利用matlab軟件提取一下9種視覺特征：GF，EL，G，S，C，J，Mean，Var和Ske。其中，GF、MEAN/VAR和SKE為顏色特征量，G、S、C和J為紋理特征量。9個(gè)特征參數(shù)分別為：GF：描述兩區(qū)域灰度值的區(qū)別；MEAN：反應(yīng)圖像顏色的平均值；VAR：表達(dá)顏色在圖像上的分布均勻程度；SKE：表達(dá)圖像顏

5、色分布的不對(duì)稱性；EL：描述圖像紋理的光滑程度；G：描述圖像紋理清晰程度；S：反映圖像紋理的多少和質(zhì)地；C：描述矩陣中行或列元素之間相似程度的；J對(duì)圖像灰度分布均勻性的度量。
　　 4.用K最近鄰(K-Nearest Neighbor，KNN)分類器對(duì)兔子的所有圖片進(jìn)行分類計(jì)算，采用4-折的交叉驗(yàn)證運(yùn)算結(jié)果取平均值，進(jìn)行5輪運(yùn)算。將15分鐘到47小時(shí)依次分為3個(gè)、4個(gè)、5個(gè)、6個(gè)、8個(gè)、10個(gè)和14個(gè)時(shí)間段（分類數(shù)為3時(shí)，則表示

6、將死后時(shí)間分隔成三段，每個(gè)時(shí)間段15小時(shí)左右），觀察各個(gè)時(shí)間段分類的準(zhǔn)確率和時(shí)間精度對(duì)結(jié)果的影響。
　　 5.取家兔4只。依次標(biāo)為兔1，兔2，兔3，兔4，圖片攝取和分析處理的方法以及KNN運(yùn)算方法同預(yù)實(shí)驗(yàn)。
　　 6.取9個(gè)參數(shù)聯(lián)合使用，分別用KNN分類器、Adaboost（Adaptive Boosting）分類器和SVM（Support Vector Machine）分類器對(duì)4只兔子的所有圖片進(jìn)行分類計(jì)算，采用4-折

7、的交叉驗(yàn)證運(yùn)算結(jié)果取平均值，進(jìn)行5輪運(yùn)算。將15分鐘到47小時(shí)依次分為3個(gè)、4個(gè)、5個(gè)、6個(gè)、8個(gè)、10個(gè)和14個(gè)時(shí)間段（類別數(shù)），比較三種種分類器的分類準(zhǔn)確率。
　　 [結(jié)果]：
　　 1.建立的分類模型能較好的完成死亡時(shí)間的分類運(yùn)算以進(jìn)行預(yù)測(cè)。
　　 2.所用角膜分割方法均能較好的完成的兔眼圖像分割。
　　 3.9種視覺特征均可用于推斷模型，單獨(dú)使用的分類能力較弱，聯(lián)合使用結(jié)果較好。
　　 4

8、.同類別數(shù)下，9個(gè)參數(shù)聯(lián)合運(yùn)用KNN分類器，單只兔子和4只聯(lián)合運(yùn)算均取得了較為滿意的結(jié)果。
　　 5.聯(lián)合使用各特征，隨著死后時(shí)間分段數(shù)的增加，各時(shí)間間隔內(nèi)的分類準(zhǔn)確率下降。對(duì)單只兔子數(shù)據(jù)使用KNN分類器，在分類數(shù)為3時(shí)，單只兔子的分類準(zhǔn)確率平均值為97.1％，分類數(shù)為8時(shí)準(zhǔn)確率平均值為88.5％，分類數(shù)為14時(shí)平均值為81.5％；取四只兔子圖片數(shù)據(jù)一起進(jìn)行分類，其準(zhǔn)確率在分類數(shù)3時(shí)為96.9％，分類數(shù)為8時(shí)準(zhǔn)確率為87.6％，

9、分類數(shù)14時(shí)準(zhǔn)確率為80.9％。
　　 6.使用Adaboost分類器，9參數(shù)聯(lián)合使用，單只兔子的分類準(zhǔn)確率平均值在分類數(shù)為3時(shí)，為94.4％；分類數(shù)為8時(shí)，平均值為85.3％，分類數(shù)為14時(shí)，平均值為72.9％。四只兔子聯(lián)合運(yùn)算，分類數(shù)為3時(shí)準(zhǔn)確率為85.1％；分類數(shù)為14時(shí)準(zhǔn)確率為64.7％。統(tǒng)計(jì)分析結(jié)果顯示，較之于KNN分類器，單只兔子運(yùn)算，分類數(shù)較少時(shí)兩者無明顯差異，而分類數(shù)較多（10個(gè)和14個(gè)）有統(tǒng)計(jì)學(xué)差異，Adabo

10、ost分類器低于KNN分類器的結(jié)果。而多只兔子聯(lián)合運(yùn)算時(shí)Adaboost明顯低于KNN分類器。
　　 7.使用SVM分類器，9參數(shù)聯(lián)合使用，分類數(shù)為3時(shí)，單只兔子的平均分類準(zhǔn)確率為88.3％，四只兔子聯(lián)合運(yùn)算時(shí)準(zhǔn)確率為78.9％；分類數(shù)為14時(shí)，單只兔子的平均分類準(zhǔn)確率為50.9％，四只兔子聯(lián)合運(yùn)算時(shí)準(zhǔn)確率為30.2％。遠(yuǎn)低于前兩種分類器。
　　 結(jié)論：
　　 1.成功建立了用9個(gè)圖像特征對(duì)死亡時(shí)間進(jìn)行推斷的分類