申请/专利权人：郑州信大先进技术研究院

申请日：2020-12-17

公开（公告）日：2024-06-18

公开（公告）号：CN112464015B

主分类号：G06F16/583

分类号：G06F16/583;G06F18/241;G06N3/08;G06N3/0464

优先权：

专利状态码：有效-授权

法律状态：2024.06.18#授权;2021.03.26#实质审查的生效;2021.03.09#公开

摘要：本发明提供一种基于深度学习的图像电子证据筛选方法，包括从电子设备中获取数据为证据源，复制证据源进行图像预处理得到图像证据数据集；将图像证据数据集输送到深度学习分类网络中进行分类，保存分类结果和分类特征；同时将图像证据数据集输送到深度学习检测网络中进行检测，保存检测结果和检测特征；将分类结果和检测结果进行阈值判别，筛选出相同目标类别；将分类特征和检测特征进行特征比对，筛选出相同目标类别；经过阈值筛选和特征比对的同目标类别图像即为电子证据。为了提高图像电子证据的精度，采用两种深度学习方法进行图像电子证据筛选；为了提高图像电子证据的有效性，运用阈值筛选和特征比对的方法进行图像电子证据筛选。

主权项：1.一种基于深度学习的图像电子证据筛选方法，其特征在于，包括以下步骤：1在涉嫌犯罪案件的电子设备中获取图像数据为图像证据源，复制图像证据源，留存原件；2对复制的图像证据源进行图像预处理得到图像证据数据集；3将步骤2得到的图像证据数据集送入到深度学习分类网络中进行分类，保存图像特征，输出多目标分类结果；4对步骤2得到的图像证据数据集送入到深度学习检测网络中进行检测，保存图像特征，输出多目标类别结果；5对步骤3得到的多目标分类结果进行标签类别筛选，提取案件所需的单一类别或多类别图像，输出深度学习分类算法筛选出的电子证据图像；对步骤4得到的多目标类别结果进行标签类别筛选，提取案件所需的单一类别或多类别图像，输出深度学习检测算法筛选出的电子证据图像；6运用阈值筛选方法，对步骤5得到的深度学习分类算法筛选出的电子证据图像和检测算法筛选出的电子证据图像进行同一目标判断，输出高精度目标图像；7从步骤3和步骤4保存的图像特征中检索出步骤6输出的高精度目标图像的图像特征，对步骤6输出的高精度目标图像的图像特征进行特征比对，比对输出的结果即为深度学习算法筛选的电子证据图像；根据筛选出的高精度目标图像，在分类特征集{FCi,FCj}和检测特征集{FDi,FDj}中检索出分类特征FCi和检测特征FDi，提取分类特征FCi和检测特征FDi的前512维特征进行欧氏距离比对，比对结果小于0.2的图像进行输出即为电子证据；其中，特征比对欧氏距离计算： 为特征欧式距离，FCi为分类特征向量，FDi为检测特征向量，k是向量维数，采用Sigmod函数将欧氏距离映射到区间0，1。

全文数据：

权利要求：

百度查询： 郑州信大先进技术研究院 一种基于深度学习的图像电子证据筛选方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD