一种使用卷积神经网络（CNN）对喜马拉雅地区上部及下部面部图像进行分类的新方法——其在法医鉴定中的应用

《Journal of Forensic and Legal Medicine》：A novel approach for classifying faces of the upper and lower Himalayan region using CNN- implications in forensic identification

【字体：大中小】 时间：2026年10月22日 来源：Journal of Forensic and Legal Medicine 1.7

编辑推荐：

　　•本研究旨在利用面部特征对上喜马拉雅地区和下喜马拉雅地区的人群进行分类。•数据包括492名参与者的正面和侧面图像。•定制了一个深度学习卷积神经网络（CNN）模型来识别独特而显著的面部特征。•该模型在区分上喜马拉雅地区和下喜马拉雅地区的人群时达到了86%的准确率。•该技术在法医面部

•
本研究旨在利用面部特征对上喜马拉雅地区和下喜马拉雅地区的人群进行分类。
•
数据包括492名参与者的正面和侧面图像。
•
定制了一个深度学习卷积神经网络（CNN）模型来识别独特而显著的面部特征。
•
该模型在区分上喜马拉雅地区和下喜马拉雅地区的人群时达到了86%的准确率。
•
该技术在法医面部识别、安全和监控以及犯罪现场调查中具有应用价值。

引言

面部识别是法医识别中的一个重要分支，这一领域受到了研究人员的广泛关注，并在世界各地的多个领域有着广泛的应用。在过去几十年中，由于安全需求的增加以及商业机构、执法部门、医疗保健、网络安全、市场营销、访问控制、监控系统、身份验证和法医案件等工作中的需求，面部识别技术得到了深入的研究。自9/11纽约袭击事件以来，为保护无辜市民的安全而采取的安全措施受到了更多关注。特别是在边境口岸和机场等高安全性场所，面部识别系统可以帮助降低风险并有可能预防此类攻击。¹

面部识别技术已成为日常生活的一部分，因为它被广泛用于笔记本电脑、智能手机以及各种机构的考勤管理系统中作为生物识别手段。这项技术在全球范围内被用于多种安全和信息分析目的。近年来，面部识别模型已经得到了优化，能够实时识别 individuals。文献分析表明，面部识别算法可以分为统计方法、机器学习方法和基于神经网络的方法。统计方法效率较低，因为这些方法计算复杂，且在图像尺度不同时无法准确识别面部；而基于机器学习和神经网络的方法是最先进的，能够以较高的准确率对面部进行分类。²

人类已经发展出了解读面部并从其独特特征中推断信息的能力。为了处理面部信息，我们的大脑具有专门的神经网络区域，使我们能够识别面部并判断一个人的性别、年龄、种族甚至情绪。根据面部的外表，我们利用行为能力将其与其他特征联系起来，从而推断出性格和智力等特征。³然而，从计算机视觉的角度来看，这个问题相当复杂。尽管如此，面部识别技术已经被应用于许多领域，通过使用机器学习技术为我们的日常生活提供了帮助。⁴面部识别是一种二元分类任务，用于确定两张照片中是否为同一个人。⁴在过去，人工智能取得了许多重大进展，其中之一是“深度学习”技术，该技术模仿了人类大脑的工作方式，在物体检测和图像分类等任务中产生了显著影响。尽管从不同图像中选择特征是一项具有挑战性的任务，但最流行的面部特征提取技术仍然是深度学习，尤其是卷积神经网络。²^,⁵

自动面部识别技术在安全和视频监控领域的广泛应用对该技术的发展提出了需求。⁶定位面部关键点（如嘴巴、鼻子和眼睛）对于面部识别系统非常重要，因为这可以使后续的特征提取和分类步骤更加有效和强大。⁷人类之间的差异是一个重要现象，对于科学家来说，根据这些差异根据个体的血统和种族进行分类具有重要的意义。目前，全世界已经开发出了多种面部识别算法和技术。

人类面部分析涵盖了多个研究领域，如面部检测、面部识别、面部表情识别和法医面部识别。虽然这些领域都涉及面部图像的分析，但它们在目标、方法和潜在应用方面存在显著差异。面部识别系统主要用于通过自动匹配参考数据库中的面部图像来进行生物特征认证或身份验证。相比之下，面部情绪或表情识别则侧重于解释行为或情感状态，这些应用于行为科学和心理学领域。

本研究旨在开发并评估一种基于面部形态的定制卷积神经网络（CNN）模型，以估计人口分布。所提出的方法旨在帮助法医专家和执法机构，优先处理调查线索，并在适当的法医场景中支持面部识别。

章节摘要

数据收集

数据收集自印度北部的喜马偕尔邦Mandi地区。本研究考虑了两个同质的人群群体，它们生活在不同的海拔高度。生活在海平面1153-2400米范围内的群体被定义为上喜马拉雅地区的人群，而生活在海平面730-860米范围内的群体则被定义为下喜马拉雅地区的人群。

结果

在本研究中，使用CNN模型对面部特征进行了分类，这种方法比传统的手动方法更为可靠。通过CNN，不仅可以获得详细的局部特征，还可以获取纹理等全局特征，从而确保分类结果的准确性。¹⁷此外，CNN能够直接从输入图像中学习相关的判别特征，无需人工干预

讨论

结论

知情同意声明

在收集数据时，已从每位参与者处获得了知情同意书，并签署了同意公开发布研究信息和/或图像的文件。此外，本研究遵循了《赫尔辛基宣言》的标准进行。

作者贡献

AG：概念设计、数据收集与获取、初稿撰写、数据分析和解释、审稿与编辑、最终批准。

KK：概念设计、初稿撰写、数据分析和解释、审稿、编辑、最终批准及项目监督。

DS：初稿撰写、数据分析和解释、审稿与编辑、最终批准。

RD：初稿撰写、数据分析和解释、审稿与编辑、最终批准。

PK：初稿撰写

伦理审批

已获得印度昌迪加尔Panjab大学机构伦理委员会（PUIEC）的伦理许可（许可编号23062-11-112，日期2023年6月9日），以 conduct 本研究。

数据可用性声明

本研究中生成和/或分析的数据可向主要作者AG索取。

资金情况

本研究未从任何资助机构获得资金支持。

利益声明

作者声明与本研究工作不存在竞争利益或利益冲突。部分研究成果已提交给印度新德里政府的知识产权办公室（Copyright Office, Intellectual Property Rights），以申请软件版权。

致谢

AG感谢印度政府的科技部（DST）授予的INSPIRE奖学金（授予编号为IF190719），用于攻读博士学位。作者还要感谢印度政府的教育部向昌迪加尔Panjab大学提供的RUSA 2.O奖学金，该奖学金为研究提供了各种设施和支持。

引言