■林立和

(莆田市公安局交警支队， 莆田 351100)

伴随中国社会经济的快速发展， 人均车辆拥有量也随之增加，人们在享受汽车带来便捷的同时，也伴随着交通事故伤亡率的逐年上升的问题[1]。在屡次发生的案件中， 明确的证据对交通事件的破解就显得格外关键， 而现场留下的轮胎痕迹物证是最为客观、直接的有效证据，它是客观存在的，并不随着人的意志而发生转移，凭其固有属性去鉴别案件。不需要对当事人和案发现场的目击者进行调查和询问，在很大程度上避免人为因素和其它因素的消极影响。

在实际调查中，有关交通事故轮胎痕迹鉴别主要是从以下几个方面进行考虑的：一是审查事故发生的原因和具体过程；二是检查交通事故现场中轮胎痕迹的形成原因，包括现场轮胎痕迹是怎样出现的、是和什么发生碰撞的以及碰撞后的具体状况；三是对其它现场留下的痕迹，主要包括车辆遗落物的检查，以及现场留下的诸如血渍、毛发等物证的鉴别，而这当中最重要的事故评判依据就是轮胎痕迹[2]。 因为交通事故现场中轮胎痕迹比较多且个中因缘颇为复杂，再加上传统的痕迹鉴别方法又主要是根据现场鉴证人员的工作经验和综合素质来分析， 存在很大的主观臆测性， 如此一来就极有可能在判断责任认定方时发生认知偏差，降低调查结果的可信度。

1 基于似然比的交通事故现场轮胎痕迹鉴别方法

1.1 路面轮胎痕迹的鉴别与参数获取

汽车在驾驶过程中需要时刻转换调整车速，如加速、减速、刹车等，因而当车辆驶过后，路面上会留下大量轮胎经过的痕迹[3]，而这对能够准确判断肇事车辆的轮胎信息，以及交通事故的破解具有至关重要的作用。

测量痕迹宽度与花纹间距：对轮胎痕迹宽度进行测量前必须率先确定肇事车辆前后车轮在路面留下的痕迹，普遍来说车辆前轮会完整或部分覆盖后轮留下的痕迹[4]。 确定前后轮胎留下的路面痕迹后， 主要是根据轮胎痕迹两边的边缘痕迹为界限，求取车胎之间的垂线长度，此即为轮胎实际接地宽度[5]。 多点测量时必须同时兼顾到平均值的取值，过程中尽量选取平坦路面。 假若轮胎留下的痕迹并不完全的话，可视情况而定，按照轮胎胎面具体花纹的对称性以及部分花纹留下的残留印在测量过程时，可持续性的对轮胎痕迹宽度、花纹间距进行测量，通过多次测量，取均值，结果尽量精确到微米[6]。本文主要是利用以下方法对轮胎痕迹进行获取：

(1)摄像法。 借助对交通事故现场肇事车辆的轮胎痕迹进行单独摄像，获取到客观资料，对于后续分析提供了直观、全面、有效地资料。

(2)照相法。 利用高清摄像拍照机对交通事故现场拍照， 保证对轮胎痕迹每一位置和损坏位置进行聚焦辨别，确保肇事车辆留下的轮胎痕迹的完整性。

(3)现场绘制图。 通过现场对肇事汽车留下痕迹的绘图，可以对轮胎痕迹的实际尺寸大小、事故地点、痕迹长度和宽度等进行准确绘制，保障后续案件侦破信息的实时性。

(4)制作勘察现场笔录。 对肇事车辆轮胎痕迹的勘查进行全程笔录，主要是对交通事故的发生过程以及司机面对事故时的操作过程进行记录，此举有利于对现场轮胎痕迹的后续解析和鉴别。

1.2 轮胎痕迹图像预处理

似然比即著名的贝叶斯法则应用，似然比检验则是由美国Neyman-Pearson 于20 世纪90 年代提出的[7]。 贝叶斯法则利用概率比来表示。 利用拍照、摄影技术对事故现场的轮胎痕迹进行信息保存时，由于二维图像节点的不稳定性，轮胎花纹不可避免地会出现背景冗杂、曝光过大等问题，为了有利于后续对现场肇事车辆轮胎花纹信息的边缘检测与特征识别， 就需要选择一种合适的算法对图像进行预处理。 图像预处理具体包括灰度转换、降噪处理、图像锐化等，轮胎痕迹花纹的预处理同时也是肇事车辆轮胎痕迹特征识别的第一个环节， 处理效果的好坏会直接影响到之后图像处理和最后鉴别的精确度。 图像预处理的最终目的就是为了后续对肇事车辆的轮胎痕迹进行图像边缘识别与特征提取提取。

在司法鉴定中，一般会用到LR 法，在应用过程中是将两个假设概率比当成下定论前的先行概率比，以及获得定论后的后行概率比。 根据贝叶斯法得出概率比是怎样跟随信息的获取而发生变化的，公式表达为：

式中，LR 代表似然比，P 代表轮胎事件发生概率，E 代表轮胎现场表现出来的直接证据，H 代表假设条件,P′代表样本事件的发生概率，E′代表样本现场表现出来的直接证据。 在事故现场轮胎痕迹检验过程中，似然比分子将轮胎和样本的相似度进行了超额量化，其分母对轮胎和样本内在参考痕迹典型性进行量化。 所以，样本的相似性和典型性会影响到似然比值，贝叶斯理论证明，相似性和典型性现场证据必不可少的测量环节。

轮胎痕迹图像预处理优势，首先，可以大幅降低或排除噪声等因素对己采集图像的干扰，进一步提升图像像素的信噪比；其次，能够在一定程度上减少或消除图像的模糊比；再次，能够避免图像出现大幅锐化， 降低图像失真的比率；最后，还能够及时调整图像的模式结构，比如将非线性结构转变为线性结构，有利于后续对图像的分析处理。

为了对图像进行有效处理， 必须将作为待处理对象的模拟图像转变成数字化图像[8]。 数字化图像指的是利用连续性的图像信号图像将图像转变为离散信号，以供图像采样和超额量化。 一般根据似然比， 一幅黑白图像可视其为一个二维函数f(x,y)，其函数值以(x,y)来代指目标图像的实际亮度。数字化图像主要是借助矩阵或二维数据组[f]m·n来完成的。 数字化图像的一系列处理就是利用矩阵计算获取有效图像。 从二维函数f(x,y 转变到数字化图像矩阵[f]m·n，这中间涉及到诸多样本，在实际操作就需要在不同数据上求值， 并用完成时的离散数值来代表样本量化值， 这就实现了图像的数字化处理。

数字化处理后得到的图像[f]m·n偶尔会出现f(x,y)原本信息发生变动的情况，换句话说就是在空间表达上，f(x,y)取样密度不适合用于等级太大的图像，否则就代表样本实际亮度较低，这就需要将[f]m·n转变为f(x,y)，此即图像重建。

在提取轮胎痕迹时常常会因为现场环境，如光照、湿度、温度，以及摄像灵敏度等因素而导致轮胎痕迹图像的某些位置曝光明显或较低。 此时就需要对图像进行灰度校正，具体方法如下所示：

假设原始图像为f(x,y)，经拍摄处理后的不均匀图像为g(x,y)，那么

假设e(x,y)=C代表常数，表示图像质量最终是均匀成像，否则就代表成像不均匀。 为获取e(x,y)往往利用原始均匀图像f(x,y)=C 来成像，一般会得到一个gc(x,y)输出值，此时

不均匀图像(m,n) 通过灰度校正后会形成一个均匀图像f(m,n)。而在对图像进行逐点校正后，最终呈现的图像， 其灰度范围极有可能会大于标准范围，此时就需要以灰度转换加以修订；在整个过程中， 降质图像修正后的量化值基本已发生变化，需要注意的是，在图像重建时需同时将量化值进行校正方可使用。

1.3 轮胎花纹图像特征分割

为有效精确提取到事故现场肇事汽车轮胎痕迹花纹的图像特征， 本文利用小波转换和分水岭对轮胎花纹图像的特征进行高效切割。 选取MAKMO 中的双层三维小波拆解法对肇事车辆的轮胎花纹图像进行双层拆分， 之后对图案类似细节的权数快速进行小波切换， 重构层级别一般分为三层， 以便详细观察肇事车辆轮胎花纹的图像细节。 细节特征一般表现为肇事车辆轮胎痕迹的图像个性特征。

关于分水岭，需要着重对预先处理的轮胎痕迹中的花纹图像以sobekmugtal 边缘界限进行水平方向和垂直方向的过滤， 求取平均值， 通过sobekmugtal 边缘界限过滤后的花纹图像在边界处会表现的较为明显，在边界划线不明显处，其表现较为一般。 通过上文图像预处理环节的计算过程可以看到，在消除轮胎痕迹图像中的小污点时，操作过程中必须保证不会对图像整体信息内容造成损坏。 另外可利用图像局部放大的方式标记图像特征位置。 将放大后的图像局部特征最大值叠加到原图后，着重强调其背景，在标记图像上，暗淡像素在属性上属于图像背景， 因而能够从最值大小上着手。 通常来说，背景像素会集中在白色鲜亮区，通过“骨架波及范围”对“细化”背景最值进行计算，或以Size 加以区分特征图像的细化前景。 这个具体可以通过公式(3)、(4)求取图像花纹特征的间距分水岭， 然后借此找到轮胎痕迹图像的信息特征分水岭脊线。 成功切换分水岭以后，就可以继续对肇事车辆遗留在事故现场的轮胎痕迹图像进行针对性特征分割和提取。 在完成上述边界叠加、前景标记、背景鲜亮、特征分割、提取至原始图像以后， 本文基本完成了对肇事车辆轮胎痕迹花纹重构的提取与计算， 实现了对车辆轮胎痕迹花纹的图像鉴别。

2 实验与效果分析

为了更加清楚、具体地看出本文设计基于似然比的交通事故现场轮胎痕迹鉴别方法的效果，特与传统方法进行对比，对其轮胎痕迹的准确率进行比较。 本实验选择某大学某汽车实验场为实车实验场地， 以公路运输中比较常见的乘用车为实验对象。对汽车轮胎痕迹采集实验而言，主要是参考了车辆制动性实验标准的规定。

2.1 实验设备条件

由于实车实验过程中汽车会高速驾驶，且司机会突发性加速或急刹车，这就会在路面上留下或明显或浅淡的轮胎痕迹，因而这就对实验设备的适应性、安全性提出较高标准。

本次实验所用到的主要仪器设备有：GPS 定位仪、照片喷印机、照相机、摄像式轮胎气压计、直尺、米尺、10 m 长绳索等。 其中照相机以索尼的照相机为最佳。

2.2 实验步骤

(1)安装和调试阶段。 将全部设备按照使用顺序有序对接，并检查设备是否固定良好，以免汽车在发生紧急刹动时因为设备不固定而发生安全事故。

(2)划定实验起点和终点以及各自的拍摄地点。在实验路段上放置一个醒目标志， 即汽车驾驶起点；在实验路段右后方450 m 处固定一个摄像机和摄像式轮胎气压计，其中摄像机必须保证自汽车启动至停止全过程保持动态拍摄。

(3)实验进行阶段。 根据上述实验方法并备好实验汽车、相关仪器设备后正式开始实验。 每次实验之前都需要将全部仪器设备安装在汽车内，根据安全车速驾驶路程，针对车速进行8 次实验，设备将实验过程中出现的数据信息详细记载下来，以便后续对轮胎痕迹的信息采集。 之后分别以本文方法和传统方法对轮胎痕迹进行鉴别。

2.3 结果分析

分别以不同方法鉴别实验轮胎痕迹，具体的鉴别结果如图1 所示。

图1 鉴证效果对比图

实验结果表明，本文提出的基于似然比的交通事故现场轮胎痕迹鉴别方法相比于传统的轮胎痕迹鉴别方法， 在鉴证结果准确率上表现稳定且优秀，有利于交通事故案件的侦破。

3 结语

对交通事故现场轮胎痕迹鉴别方法进行探究，依托似然比的技术要求，根据交通事故肇事逃逸车辆的特点提取，对其轮胎痕迹进行鉴别。 实践表明，该设计的方法具备极高的实用性。 虽然对轮胎痕迹图像进行过一系列处理操作，但终究因为事故现场留有的轮胎痕迹图像受到各项因素的影响，导致在图像处理过程中会出现部分问题，这点留待学界继续探究。