Forensic reconstruction of an incident scene using rigid body photogrammetry techniques
Notice bibliographique
Résumé
Forensic biomechanics is used to draw conclusions about incident and injury reports, relying on images of the incident for relevant photogrammetric measurement techniques, such as spatial resection and intersection. However, these techniques rely on the quality and type of media available, which can vary substantially. As such, this study aims to quantify the error associated with utilizing various supporting media. A simulated incident scene containing 2 objects of interest, a model rifle and a motorcycle, was 3D scanned and recorded from 3 camera angles. PhotoModeler was used to measure the 3D location of these objects with supporting media being limited to the use of a 3D scan, calibrated or uncalibrated cameras, single or multiple viewing angles, and stationary or moving cameras. The results of statistical analysis demonstrated that, when supported by a scan, single and multiple camera angles resulted in similar positional measurement errors. Mean errors of 6.52 cm and 5.98 cm for the single view, compared to ranges of 3.73–5.71 cm and 2.56 – 13.74 cm with multiple views, were found for the motorcycle and rifle, respectively. Also, using 3 stationary cameras resulted in lower distance and orientation errors than 3 frames from a moving camera. Thus, it was concluded that supporting 3D scans provide the highest level of accuracy and the use of single or multiple stationary cameras demonstrated higher accuracy compared to mobile cameras. Using 3D scans in conjunction with stationary cameras provides reliability and admissibility of photogrammetry-based evidence in forensic investigations.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».