随着扫黑除恶行动深入开展,缉枪治暴已经成为当前公安工作的重点任务之一,枪弹痕迹检验为侦破案件提供重要证据支撑,是打击涉枪犯罪的核心技术手段。传统的枪弹痕迹检验技术使用比对显微镜,通过二维图像比对、线条对接等方法检验弹头表面痕迹。该方法具有特征发现难、比对效率低、工作强度大、不能批量自动比对等缺陷。当前,已有一种采用细微痕迹三维形貌测量的技术和方法运用于枪弹痕迹检验鉴定业务,以高分辨率的3D点云数据和二维图像复合的方法重现弹头膛线痕迹的三维特征,不仅实现了枪弹痕迹的数字化归档,同时在基于“三维数据+二维图像”(3D+2D)的基础上快速认定痕迹特征相匹配的一对枪弹样本,达到认定作案枪支的目标。然而,基于三维形貌数据的枪弹痕迹比对仅仅是在痕迹特征的辨识依据、速度及效率上比传统的二维图像显微观测方法有显著提高,而对于多个枪弹物证样本与海量枪弹样本库识别和匹配时,需要一种全新的方法,在1:N、M:N(M:现场检材样本,N:海量的样本库)条件下识别、匹配时,快速筛查样本库,找到样本库中与现场检材相匹配的排序,以达到快速判别和认定疑似作案枪支、锁定犯罪嫌疑人的目标。卷积神经网络,具有局部感知和参数共享等特点,其采用原始图像作为输入,可以有效地从样本中学习到相应特征,避免复杂的特征提取过程。目前,卷积神经网络已广泛应用于图像分类、语音识别和目标识别等领域。本文针对当前弹痕比对方法存在的缺陷,提出了基于卷积神经网络的弹痕比对识别方法。主要研究内容和研究工作如下:(1)分析了目前弹痕比对的三类主要方法。二维图像比对法、截面深度曲线比对法和三维重建比对法。(2)提出了一种集迁移学习和卷积神经网络相结合的弹痕比对识别方法。用卷积神经网络提高比对效率和准确率,用迁移学习迁移FaceNet网络解决使用卷积神经网络需要大量数据集问题。该方法的主要步骤包括:首先,预处理深度数据,将数据处理为符合FaceNet网络模型的输入形式;其次,载入FaceNet网络的预训练模型,得到深度数据的特征向量;最后,使用类似于在线学习的方法,自适应的调整阈值,得到最终的弹痕相似度度量。理论分析和实验结果表明,与根据弹头截面的深度信息进行曲线相似度比对的方法相比,本方法在比对准确率和比对效率上均有较大提高。(3)使用和声搜索算法优化FaceNet网络权值,解决了在训练网络时使用Triplet loss需要特别选出合适的三元组,否则难以收敛的问题。通过对优化前后的比对准确率、F1-score及ROC曲线的实验结果表明,使用和声搜索算法优化FaceNet网络权值后,在弹痕比对中有较好的优化效果。