52、法医学与多媒体取证中的概率评估及隐写分析技术

法医学与多媒体取证中的概率评估及隐写分析技术

在司法系统中，多种形式的法医证据早已得到应用，如痕迹证据（潜在指纹、笔迹、鞋印）、微量证据（油漆碎片、花粉、纤维、玻璃、头发）等。然而，为这些证据的识别准确性提供科学依据仍是必要的。可以通过判别式或生成式方法来定量确定法医证据形式的个体特征程度。判别式方法是在构建合适的分类器后确定错误率；生成式方法则是确定概率分布，进而评估不同类型的随机对应概率（PRC）。

生成式模型与概率评估

生成式个体特征模型试图对特征分布进行建模，然后利用这些模型确定随机对应概率。下面介绍几种不同类型的生成式模型。

生日模型

生日的生成式模型基于均匀分布假设，即每个日期出现的可能性相等。生日的PRC为0.0027。对于40个人，nPRC为0.8912，特定nPRC（任意日期）为0.1015。当n = 23时，nPRC值达到0.5，这就是著名的生日悖论。

身高模型

男性和女性的身高采用高斯分布建模，其参数从健康统计数据中学习得到。女性和男性身高的PRC分别为0.0134和0.0173。在一个40人的群体中，女性和男性的nPRC分别为0.99995和0.99999997，女性（57英寸）和男性（68英寸）的特定nPRC分别为0.1815和0.5862。

指纹模型

已经为指纹的脊流和细节点提出了个体特征模型。提出了一种混合分布来建模细节点信息。通过在NIST 4数据集上的实现和实验，将新的生成式模型与经验结果进行了比较。一个指纹模板和输入各有36个细节点，其中12个匹配时，得到的PRC为1.1 × 10⁻¹¹，这与经验结果3.1 × 10⁻¹¹非常接近。还