Sains Malaysiana 38(2): 249-260(2009)

 

 

Penyaringan dan Pemilihan Fitur Statistik Asas untuk Pengecaman

Spesimen Forensik Balistik

(Extraction and Selection of Basic Statistical Features for

Forensic Ballistic Specimen Identification)

 

 

Nor Azura Md Ghani

Pusat Pengajian Statistik

Fakulti Teknologi Maklumat dan Sains Kuantitatif

Universiti Teknologi MARA, 40450 Shah Alam, Selangor D.E..

 

Liong Choong-Yeun & Abdul Aziz Jemain

Pusat Pengajian Sains Matematik, Fakulti Sains dan Teknologi

Universiti Kebangsaan Malaysia, 43600 UKM Bangi, Selangor D.E.

 

 

Diserahkan: 12 Mac 2008 / Diterima:  16 Julai 2008

 

 

ABSTRAK

 

Pengecaman senjata api semakin serius dan amat penting di dalam bidang penyiasatan jenayah khususnya untuk tempoh dua dekad ini.  Dalam makalah ini, suatu sistem untuk pengecaman senjata api berasaskan tapak kelongsong peluru telah diperkenalkan. Tapak kelongsong peluru adalah satu daripada penunjuk yang amat penting dalam membantu menyelesaikan masalah pengecaman pistol.  Peluru yang telah digunakan akan meninggalkan lebih daripada 30 ciri yang amat berharga pada tapak kelongsong bagi membantu pihak tertentu mengecam pistol yang telah diguna. Ciri-ciri tersebut sebagai suatu gabungan membentuk apa yang dikenali sebagai kesan cap jari bagi pistol.  Lantaran itu, kajian ini adalah untuk mendapatkan fitur yang sesuai bagi pengecaman senjata api.  Terlebih dahulu imej tapak kelongsong peluru ini telah ditemberengkan kepada tiga bahagian, membentuk tiga set imej yang berlainan. Imej-imej ini juga dilakukan prapemprosesan untuk membentuk tiga set imej lagi.    Fitur-fitur seterusnya disaring daripada imej asal tapak kelongsong peluru dan imej yang telah melalui prapemprosesan.  Dua puluh fitur yang berbeza secara signifikan telah diperoleh dan dikirakan untuk imej-imej asal dan yang telah dilakukan prapemprosesan.  Kesemua pemprosesan telah dilakukan menggunakan pengaturcaraan MATLAB. Suatu skim berdasarkan analisis korelasi seterusnya telah diperkenalkan untuk pencarian fitur berdasarkan konsep meminimumkan lewahan data tetapi memastikan ciri-ciri unik tersimpan.  Fitur-fitur yang berkorelasi tinggi akan digugurkan pasangannya dan hasilnya tinggal cuma tujuh fitur sahaja.  Ketujuh-tujuh fitur ini telah diuji sebagai suatu vektor fitur untuk mengelaskan lima pistol daripada model yang sama menggunakan analisis diskriminan.  Hasil pengelasan menunjukkan lebih 80% daripada imej-imej tapak kelongsong peluru itu telah dikelaskan dengan jayanya.

 

                  Kata kunci:  Analisis korelasi; analisis diskriminan; fitur; imej tapak kelongsong peluru; senjata api

 

 

ABSTRACT

 

Firearms identification has been getting very important in crime investigation in the last two decades.  In this paper, a recognition system for firearms identification based on cartridge case image is introduced.   Cartridge case is one of the important clues towards solving the gun file.  There are more than 30 marks left on the surface of the cartridge case when a gun is fired which are invaluable towards identifying the firearm used.  These marks in combination produces a “fingerprint” for identification of a firearm.  Therefore, the aim of this research work is towards extraction and identification of suitable features for firearms recognition. Firstly the cartridge case images are segmented into three parts, forming three sets of images. These images were also preprocessed to form three more sets of images. Features were extracted from these original and preprosessed.  Twenty significant features each were identified and computed for the original and the preprocessed images. All processing were done using MATLAB programming. A scheme based on correlation analysis were introduced towards features selection based on the concept of minimising data redundancy but maximising classes’ differences. Features that are highly correlated were dropped and eventually there are only seven significant features. The seven features formed a feature vector for the fireams recognition and were tested on five pistols of the same model using discriminant analysis. The classification results show that more than 80% of the cartridge case images were classified correctly.

 

Keywords:  cartridge case image; correlation analysis; discriminant analysis; firearms; feature

 

 

RUJUKAN

 

Burrard, G.  1951.  The Identification of Firearms and Forensic Ballistics.  London: Herbert Jenkins.

Chapman, S.J.  2004.  MATLAB Programming for Engineers.  Edisi ke-3.  Sydney: Thomson Learning.

Coakes, S.J., Steed, L. & Dzidic, P.  2006.  SPSS Version 13.0 for Windows: Analysis Without Anguish.  Milton: John Wiley & Sons.

French, A & Poulsen, J.  2002. Multivariate analysis of variance (MANOVA). [atas talian] http://online.sfsu.edu/~efc/classes/biol710/manova/manova.htm  (21 Ogos 2006).

Geradts, Z., Bijhold, J. & Hermsen, R.  1999.  Pattern recognition in a database of cartridge cases.  Proceedings SPIE:  Investigation and Forensic Science Technologies 3576:104-105.

Geradts, Z., Bijhold, J., Hermsen, R. & Murtagh, F.  2001.  Image matching algorithms for breech face marks and firing pins in a database of spent cartridge cases of firearms.  Forensic Science International 119(1): 97-106.

Gonzales, R.C., Wood, R.E.  & Eddins, S.L.  2004.  Digital Image Processing Using MATLAB.  Upper Saddle River, NJ:  Pearson Prentice-Hall.

Gonzales, R.C.  & Wood, R.E.  2002.  Digital Image Processing.  Edisi ke-2.  Upper Saddle River, NJ:  Prentice-Hall.

Haddad, R.A. & Parsons, T.W. 1991. Digital Signal Processing:  Theory, Applications and Hardware.  Upper Saddle River, NJ: W.H. Freeman and Co.

Hair, J. F., Black, W. C., Babin, J. B.,  Anderson, R. E. & Tatham, R. L. 2006.  Multivariate Data Analysis.  Edisi ke-6. Upper Saddle River, NJ: Pearson Prentice Hall.

Hall, M. A.  1999.  Correlation-based Feature Selection for Machine Learning.  Disertasi doktor falsafah yang tidak diterbitkan.  University of Waikato, New Zealand.

Heard, B.J.  1997.  Handbook of Firearms and Ballistics: Examining and Interpreting Forensic Evidence.  Chichester:  John Wiley & Sons Ltd.

Jain, A.K. 1989.  Fundamentals of Digital Image Processing.  Upper Saddle River, NJ: Prentice-Hall. 

Jahne, B. 1997. Digital Image Processing: Concepts, Algorithms and Scientific Applications. Edisi ke-4. Berlin: Springer-Verlag.

Johnson, R.A. & Wichern, D.W. 2002.  Applied Multivariate Statistical Analysis.  Edisi ke-5.  Upper Saddle River,  NJ: Prentice Hall.

Kou, C., Tung, C.-T. & Fu, H.C. 1994.  FISOFM: Firearms Identification based on SOFM Model of Neural Network.  Proceedings of the Institute of Electrical and Electronics Engineers 28th Annual International Carnahan Conference on Security Technology, 12 – 14 Oktober: 120-125.

Lattin, J., Carroll. J.D. & Green. P.E.  2003.  Analyzing Multivariate Data.  Toronto: Thomson Learning.

Liong, C.-Y.  2001.  Investigation of Vision Based System for Passenger Position Recognition.  Disertasi doktor falsafah yang tidak diterbitkan.  Cranfield University, United Kingdom.

Manly,  B.  1986.  Multivariate Statistical Methods: A Primer.  London: Chapman and Hall.

MathWorks.  2003.  Image Processing Toolbox for Use with MATLAB:  User’s Guide Version 4.  Cetakan ke-4.  The MathWorks, Inc.

Morrison, D.F.  2005. Multivariate Statistical Methods.  Edisi ke-4.   Southbank: Thomson Learning.

Smith, C.L. & Cross, J.M.  1995.  Optical Imaging Techniques for Ballistics Specimens to Identify Firearms.  Proceedings of the IEEE International Carnahan Conference on Security Technology, Oktober: 275-289.

Smith, C.L.  1997.  Fireball: A Forensic Ballistics Imaging System.  Proceedings of The Institute of Electrical and Electronics Engineers 31st Annual International Carnahan Conference on Security Technology, 15–17 Oktober: 64–70.

Smith, C.L. 2001.  An Intelligent Imaging Approach to the Identification of Forensic Ballistics Specimens.  Proceedings of IEEE International Conferences on Info-tech and Info-net 3: 390-396.

S-PLUS. 2002. S-PLUS Essentials II:  The Command Line.  Seattle: Insightful Corporation.

Swiniarski, R. W. & Skowron, A.  2002.  Rough Set Methods in Feature Selection and Recognition.  Pattern Recognition  24: 833 – 849.

Wulder, M. 2005. Multivariate Statistics: Multicollinearity and Singularity. [atas talian] http://www.pfc.cfs.nrcan.gc.ca/profiles/wulder/mvstats/multicol_e.html  (4 April 2008).

Xin, L.-P., Zhou, J. & Rong, G.  2000.  A Cartridge Identification System for  Firearms Authentication. Signal Processing Proceedings, IEEE 21-25 Ogos: 1405-1408.

Zhang, M. & Yao, J.T.  2004.  A Rough Sets Based Approach to Feature Selection.  Processing NAFIPS ’04, IEEE Annual Meeting of the Fuzzy Information, 27 – 30 June, 1: 434 – 439. 

Zhou, J., Xin, L.-P., Gao, D.-S., Zhang, C.-S. & Zhang, D.  2001.  Automated Identification for Firearms Authentication.  Proceedings of the IEEE Computer Society Conference 1: 749-754.

 

 

sebelumnya