笔迹可视化处理的技术路径及其应用

秦 晔

（中南财经政法大学刑事司法学院 湖北 武汉 430073）

1 引言

近年来，笔迹检验领域大量使用先进检验设备，检验过程基本实现影像化，形成各种类型的图像资料，这些图像资料即为笔迹可视化处理的基础。换言之，笔迹可视化处理的对象即是笔迹检验中形成的电子化图片资料。通过对笔迹检验中形成的图像资料进行数据化处理和三维建模，可实现对笔迹的三维观测，多角度直观呈现检验过程中特征点的提取、差异点的分析和比对，还原或者模拟笔迹书写过程，破解笔迹检验“过程黑盒”，同时也可为鉴定人出庭示证提供有力支撑。笔迹可视化处理的技术路径包括图像预处理、笔迹特征结构化转换与数据化计算两个步骤。为便于论述，本实验选取字迹为“张杨”的签名笔迹作为实验材料（该项实验材料源于真实案例，系某起贪污案件中的笔迹检验，其实验结果也被应用于实际检验和示证环节，很好地印证了技术路径的可行性。鉴于案件保密要求，对“张杨”签名笔迹材料进行去密处理后作为论述对象），重点论证笔迹检验可视化处理的最优路径、操作方法及笔迹特征点的标注方法。

2 笔迹检验图像预处理的路径分析

笔迹检验图像预处理是为了获取更好的图像效果并锁定可视化处理区域，而对笔迹原始图像所做的一系列优化处理。笔者通过实验分析，将图像预处理路径划分为图像处理和字符拆分两部分，以“张杨”签名字迹为例论述，并以此具体阐述图片处理的必要性和字符拆分规则。

2.1 图像二值化和滤波处理

由于纸张的材质、检验时的光照及图片中的噪声，会产生大量无用的特征点，影响后续特征点提取的准确性。因此，需要对原始图像进行二值化处理，使整个图像区域呈现出明显的黑白效果。经过图像二值化处理，图片中无用的数据量大幅减少，进而能够凸显目标轮廓。

图1（a）为原始输入图像，受纸张材质、光照等因素影响，字迹周围散布大量墨点，因纸张材质的凹凸形成了一些沟痕，光照也影响了部分笔画的清晰度。计算机对特征点的捕捉不同于人的观察，至少到目前为止是无法自动过滤无用特征点的，因此，有必要通过图片二值化的方法将无用特征点去除。图1（b）是对原始图像二值化处理后的图像，已经去除了纸张、墨迹和光照等干扰因素，字迹特征点更加突出。

图1 图像二值化处理

图像数据二值化处理后，对图片进行滤波处理，二值化处理主要是针对外在影响笔迹清晰度的因素，而滤波处理主要针对数字图像系统本身影响笔迹清晰度的因素，即图像噪音。图像噪音是在电子图像形成过程中产生的无用的或者多余的干扰信息。现今，大部分数字图像系统，图像输入时基本采取的是“冻结-扫描”方式，将多维图像变成一系列的电信号，然后对电信号进行处理、存储、传输等变换加工。此过程中，图像噪声也同样经历上述的分解组合，从而使人眼（包括计算机）对图像噪声的精准分析变得更为困难。以“张杨”签名笔迹为例，检验中采集的签名笔迹图像不可避免地含有一定的噪声，这些噪声在图像中通常以孤立的像素点形式呈现，噪声像素会对后续特征提取造成干扰，为了提升笔迹可视化处理的精度，需要对输入图像进行数字滤波去噪处理。

对图像的像素（x,y）进行滤波处理，计算公式如下：

其中，f' (x,y)是滤波后的像素值，f (x,y)是原始图像中的像素值，z是归一化参数。

其中，参数Ω表示像素（x,y）相邻区域的像素，参数ω（i,j）表示当前像素的权重。

需要说明的是，针对图像噪声处理有多种滤波方法，例如高斯滤波、双边滤波等。但高斯滤波是对图像中每一像素周围指定范围内的像素分配不同的高斯权重，加权平均得到的处理结果，高斯滤波考虑了像素空间位置，但忽略了图像边缘像素的特殊性。而笔迹检验特征点提取时，对图像边缘像素的要求较高，因而高斯滤波不适用于笔迹检验可视化处理需求。而双边滤波是一种非线性的滤波方法，较之高斯滤波多了一个高斯方差，是结合图像空间临近度和灰度相似性，实现保边去噪目的，更为适合对笔迹检验图像的处理。以“张杨”签名笔迹为例，高斯滤波和双边滤波处理结果如图2所示，在“张”字的“弓”部，“杨”字的竖画及折画等边缘特征点上，双边滤波的处理效果明显好于高斯滤波。因此，本实验选取改进的双边滤波方法对图像进行滤波处理。

图2 图片滤波处理

2.2 字符切分原因及方法

经过二值化、滤波处理后的图像，签名笔迹的特征点更为突出，但整个图像仍然存在多余部分，如图片右下角的黑点、两道横线等。针对此类问题，需在特征提取之前通过进行字符分割，以实现计算机对图像有效部分的精准抓取。

字符分割有多种方法，经实验论证，在笔迹可视化处理中采用投影分割法对字符进行切分比较恰当。投影分割法的原理是对二值化、滤波处理后图片的像素分布直方图进行分析，找出字符分界点，对字符进行分割。笔迹检验形成的大部分可视化资料，其应用价值取决于图片像素。在可视化处理过程中，计算机对笔迹的识别效果也同像素直接关联，如果像素值低于最低识别值，则计算机无法识别该笔迹。同时计算机对图片中有效及无效笔迹的区分，也主要是依据像素值识别的。以“张杨”签名笔迹为例，图3所示是横向和纵向投影后的像素分布直方图，根据（a）和（b）投影直方图特点，对两个方向的投影像素进行阈值限定，满足阈值范围内的像素被认定为有效像素。阈值是自动识别系统中生成的一个校正动作的最小输入值，于笔迹可视化处理而言，其是能够反映笔迹特征校正的最小像素值。在后续的笔迹可视化处理程序设计时，阈值限定和有效像素选取将被设计成为人工操作节点，系统将在此节点生成选择提示项，供操作者选取并点击确定后，系统才进行下一步处理。如在对图2（c）进行横向和纵向两个方向投影后，得到图像大小为432×324像素，此数值即为有效像素的阈值范围。但是图3（b）纵轴投影像素分布直方图在30～40、205～215区域内像素累计数达到400以上，虽在阈值范围内，但显然该区域对应的是图2（c）中两条横线的投影像素，这部分像素非字符像素，为无效像素，应予以排除。

图3 投影像素分布直方图

确定有效像素后，接下来便是对字符进行分割。系统会选取字符各边界位置，如最左侧、最右侧等，操作者根据系统划分提示，调整字符像素区间范围，去除错误分割并提交，系统在对图像完成归一化处理后，根据设定的阈值完成字符划分。如“张杨”签名笔迹所示，根据图3中的投影像素分布直方图直接对图2（c）输入图像进行字符分割，分割结果如图4所示。位置x1表示字符最左侧像素的位置，x6表示字符最右侧像素的位置，y1表示字符最上方像素的位置，y2表示字符最下方像素的位置。

图4 根据投影像素直方图直接字符分割结果

图4中位置x4和x5为两个字符之间的间距，但x2和x3将左右结构字符分割为两个字符，故为错误的分割。因而在分割过程中，需要调整字符像素区间范围：对输入图像进行检测，将签名字符整体划分切割，然后对图像进行归一化处理，以保证图像大小一致，再设定阈值对单字符进行划分，结果如图5所示。

图5 归一化调整阈值后字符分割结果

3 笔迹特征结构化处理的方法及规则

虽然书写习惯因人而异，不同书写者的笔迹千差万别，但依据书写动力定型理论，一套书写动作是在比较稳定的神经系统支配下所形成的，书写者的笔迹由书写动作系统形成，大多数成年书写者会形成书写动作系统化的习惯，并反映在笔迹的书写特征中[1]。这些特征表现在笔迹的整体布局关系之内，如单字的形体大小与结构成分，偏旁笔画之间的搭配比例关系，以及笔顺特征、运笔特征等[2]，一般而言，正常书写人的上述特征相对稳定，不同书写者的书写习惯也是通过上述特征表现出来的。笔迹可视化中的特征结构化处理，即是依据上述书写特征理论，通过边缘检测和空间变换检测的方式，标记出笔迹特征信息；通过笔迹数据库中的存储信息，分析笔迹特征的属性及价值（笔迹数据库的建设需要一个过程，并且要达到量的积累，在此之前可采用人工标注的方法替代，系统程序设计时将在此处加设人工操作节点。待操作人员完成特征点标注并提交后，系统对提取的特征点进行分类整理和特征分析，从而得到笔迹信息的结构化数据）。

3.1 字符谋篇布局特征的结构化处理

字符谋篇布局即书写笔迹的整体章法和字阵特征，前者体现在字符位置、字符边缘留空等方面，而后者字阵特征作为汉字的独有特征，包括字符的大小、字间距、行间距、字行走势及彼此间的变化与配合。一般而言，长篇笔迹更能体现字符谋篇布局特征，但鉴于本研究旨在论证笔迹可视化处理方法的可行性，对检验效果未做高质量要求，故仍以“张杨”签名笔迹为例阐述。字符谋篇布局特征的结构化处理，一般是通过计算单个字符与整体字迹的位置关系和比例关系来体现的，计算机程序识别不同于人眼的直观观察，前者需要数值化处理，其优点在于特征描述更为精准，缺点在于要逐次设定特征提取标准。针对笔迹可视化处理而言，字符谋篇布局特征主要靠宽度和高度的比值来标注，通过宽度之间、高度之间、宽度和高度之间各标注值与整体篇幅比值的计算，反映字符的位置和大小、倾斜走势等特征。标注的规则是，以整体布局为载体，梯次计算所要标注字符的宽度与高度比值，标注点的选取根据字符特征自动节选横向与纵向的突出点位，并以突出点位为圆心，以水平或垂直为方向平行划线，经计算机运算处理后输出字符谋篇布局特征的结构化处理数据。在计算机运算处理时，字符宽度基准值设定为提取字符最小外接矩阵的宽度，字符最小外接矩阵指的是能包含字符所有像素的最小矩阵，计算机识别和提取笔迹特征数据是以像素值为依据的。如图6所示，以整个签名笔迹上下左右四点位为圆心勾画水平和垂直连线，形成的矩形部分作为“张杨”签名笔迹的整体布局范围。L1为整体签名宽度，L2为第二个字符“杨”字的字符宽度。L2与L1的比例关系体现了“杨”字符最大宽度同笔迹整体布局的比例特征关系。当然系统不止截取此一处特征，诸如“张”字的最大宽度、“杨”字的最小宽度、“弓”部的最大宽度等，处理的方法同“L1和L2”的标注方法相同，故不赘述。

图6 字符谋篇布局特征

需要说明的是，图6展示的是字符宽度与整体字迹的比例关系，在字符谋篇布局特征的结构化处理过程中，需要同时选取字符宽度和高度作为匹配特征，高度特征处理与宽度特征处理方法一致，最终系统根据操作者预先设定的提取规则，逐次完成该签名字迹宽度和高度之间的比值计算，输出结构化数据结果。

3.2 字符间分布特征的结构化处理

字符间分布特征主要体现在字符的垂直和倾斜形态，严格意义而言，字符的谋篇布局特征包含了垂直和倾斜。但在笔迹可视化处理过程中，字符垂直和倾斜并非采用计算宽度和高度之间的比值来标注，而是通过对单个字符的重心位置进行测量后，再与整体布局的基准线进行比值计算后输出结构化数据结果。字符重心指的是字符最小外接矩阵的重心，如图7所示O1为第一个字符的重心，O2为第二个字符的重心。

图7 字符间分布特征

在笔迹检验中，字符的倾斜特征是稳定性较强的，但受书写环境和书写姿态的影响，同一书写人的字符倾斜形态会呈现视觉性差异。在笔迹可视化处理研究中，为解决观测的视觉性差异，设计了倾斜线与重心基本线，通过两线夹角的计算值精确标注字符倾斜度。具体方法是在确定字符重心后，以字符重心和选取的反映字符垂直和倾斜的特征点进行连线，此类线条可称为“倾斜线”，计算倾斜线与重心基本线（图7中红线）的比值，倾斜线数量根据字符特征点数量选定，通过计算机程序对上述形成的系列数值进行处理运算，得到字符垂直和倾斜形态的结构化处理数据。

3.3 字符形状特征的结构化处理

字符形状是指单个字符长、方、扁、圆等外部特征，字符形状特征的结构化处理以单个字符的特征为载体，通过计算单个字符外接矩阵的宽和高的比值来体现字符形状特征。在笔迹可视化处理中，对字符形状特征的标注，兼采宽、高比值和字符重心两种方法。如图8所示，结构化处理后的数据关系为：L2为字符“杨”外接矩阵的宽度；g2为字符“杨”外接矩阵的高度；宽度L2与高度g2的比值体现了字符“杨”的形状特征。

图8 字符形状特征

当然，形状特征不限于单一高度和宽度的比值，图8是以垂直90度纵轴为参照，如果以字符重心为基点，参照轴线向右倾斜45度，则会得到一组新的高度和宽度比值。以此类推，具体取几组数据依字符特征点多少而定。随后通过计算机程序对系列数值处理运算，输出字符形状特征的结构化数据。

3.4 字符细节特征的结构化处理

字符细节特征是区分不同书写字迹的核心，因而字符细节特征结构化处理也是笔迹可视化的关键。字符细节特征包括起收笔特征、连笔特征、笔顺特征等方面。在字符细节特征结构化处理时，主要采用“割线分区”的方法对特征点进行数字化标注。割线分区法是在笔迹可视化处理区域内划定众多水平和垂直的割线，形成众多的网格，计算机通过读取网格间像素差值并测算相互之间的差异关系，借此识别字符的细节特征。割线分区法借助对像素差值的测算，计算相同笔迹细节特征的像素差值，以此表征笔迹的细节特征并判断其相似度。至于起收笔、折笔、连笔、笔顺等特征点的选取则可设计为自动选取，亦可在自动选取的基础上进行人工筛选。如图9所示，签名“张杨”笔迹的起笔、转折、连笔等特征便是根据网格像素值的计算结果自动标注的，程序设计在此处也加入了人工操作节点，可以对程序选定的特征点进行修正。

图9 字符细节特征

至此，笔迹特征的结构化处理基本完成。笔迹图像结构化处理实质是将图像数字化，转换为计算机能够识别的语言，其输出的可视结果是对特征的标记，每个标记背后对应的是一组数据值，这些数据值是笔迹特征数据化计算的基础，也是笔迹特征数据库建设的重要数据源。

4 笔迹特征数据化计算

在完成笔迹特征的结构化处理后，通过预先设计的软件程序进行数据化运算，输出笔迹图像的特征量化值、三维测量值等结果。

4.1 字符特征量化值

前述经过结构化处理的笔迹特征，经数据化运算后生成笔迹特征值，如图10所示。笔迹特征值是以字符细节特征量化标注为主要测算对象，同时兼顾字符谋篇布局特征、字符间分布特征、字符形状特征等特征结构化数据的运用。如“张”字起笔特征，根据“割线分区”的方法，起笔区域被分割成众多网格，通过计算网格间像素差异值得出曲度率为0.3，“张”字首笔横画则是根据平行角度计算出平行度为0.8，字间距的计算值0.8根据字阵特征值中的宽度比值计算得出。

图10 字符细节特征量化

4.2 三维建模及比对

笔迹三维建模的方法是根据笔迹定量化的结构数据生成结构轮廓，进行三维自动建模。一般在三维建模时，需要经过渲染程序，渲染是一种高端的“着色”技术，可以使生成的图像更符合实际场景。在笔迹三维建模过程中，采用点集方式替代传统的三角形或多边形网格来构建物体表面，既能满足笔迹可视化建模的需要，也有助于简化各阶段的处理与显示，如图11所示。

图11 笔迹三维建模图

对笔迹进行三维建模的主要目的是实现对两幅或多幅图像之间笔迹特征的对比分析，并计算笔迹信息的相似度，如图12所示。此外，还可根据量化的特征点，可视化还原笔迹书写过程。

图12 字符相似度比对可视化效果图

以上是以“张杨”签名笔迹的特征数据值为输入数据，旨在阐明笔迹三维建模后输出的相关效果图样，但并不代表输出结果仅限于此，或者每份输出结果均包含以上信息项。概括而言，笔迹可视化处理后形成的笔迹特征量化值和三维图像，能够从整体章法、大小规律、倾斜度、字间距、行间距、行势、字的结构、笔画特征等诸多角度进行标注、比对和分析，从而将笔迹检验可视化应用提升到新的层面高度。

5 笔迹可视化处理中建模和编程

笔迹可视化处理是笔迹检验技术同计算机建模、编程技术结合运用的典型样例，在对笔迹检验可视化处理过程中，笔迹检验方法是基础，计算机建模和编程技术是工具，其结合应用的目标归纳为特征数据化、依据可视化和检验智能化三方面。作为笔迹可视化处理研究，可以将其中的建模和编程的具体工作委托给相关专业技术人员，但对于建模和编程中涉及笔迹图像处理、笔迹特征点标注等问题，则需要结合笔迹检验技术规范，由笔迹检验研究人员完成构思设计。

5.1 笔迹可视化处理中的建模

笔迹可视化处理中的三维建模是通过对笔迹特征结构化数据的处理，根据已有的知识和经验来构建模型并输出三维图像，其总体思路是围绕三维立体化展示笔迹特征点的目标开展的。因而在建模过程中，尤为强调特征点的抓取和比对，前者的关键是尽可能多地对有效特征点进行描述，同时去除无效特征点；后者的关键是设定合理的笔迹建模规范，尽可能多地包揽差异点的相互比对。基于此，笔迹可视化处理研究人员在建模的思路设计中主要完成的任务有两方面，一是梳理笔迹特征点的标注方法并形成知识图谱供计算机学习，二是制定特征差异点评断的技术规范作为计算机评断的标准。以前文为例，对“张杨”签名笔迹原始图像的二值化滤波处理，主要目的便是去除无效特征点；对笔迹特征的结构化、数据化处理，是应用图像处理技术将标注的笔迹特征点转化为计算机可以识别的数据信息。该过程中使用的特征点提取方法和数据计算路径，可以视作研究人员设定的供计算机识别、评断和建模用的技术规范。当然，此处的技术规范不具有普遍应用性，仅适用于举例笔迹的可视化处理。

5.2 笔迹可视化处理中的编程

在笔迹可视化处理过程中，需要编写一套可视化处理操作程序，借此完成诸如特征点提取、标注、比对等内容项的衔接。操作程序是重要的工具，是将各类技术融合的桥梁。但在笔迹可视化处理研究中，其重点不是阐述操作程序是如何编写的，而是着重阐释操作程序在笔迹可视化过程中所发挥的作用。笔迹的原始图像一般是视觉性的图片，计算机对这些原始图片的读取和处理需要多种软件技术，如前文提到的二值化处理技术、三维建模技术等。操作程序将这些技术依笔迹可视化处理的需求整合到统一平台，以此简化操作步骤，提升应用效率。同时，笔迹可视化操作程序根据笔迹检验的技术步骤设计了部分处理节点，用以人工修正和补充特征点，弥补因计算机识别错误或数据库缺失等原因导致的可视化处理误差。

5.3 笔迹可视化处理中特征权重计算

在笔迹可视化处理过程中，字符谋篇布局特征、字符间分布特征、字符形状特征、字符细节特征对笔迹检验的作用权重是存在差异的，而且不同类型的笔迹检验，如整篇多段落笔迹相对于单个签名笔迹而言，谋篇布局特征的权重自然是不同的。为此，在系统设计时设置了两套参数：一是相同特征体系比较生成的相似度数值，二是不同特征体系的权重差异值，两者的乘积即为该项特征的量化计算值。目前已经研发的量化评测系统，一般采用宏观层次特征、中观层次特征和微观层次特征表征量化评价，并赋予不同权重值[3]。但限于笔迹特征数据库尚不够完善，因而设计了人工修正权重差异值的操作环节，以便根据具体检验笔迹的特征体系修正权重。

总之，在笔迹可视化处理中，可视化资料是基础，笔迹检验规范是准则，而建模和编程的应用是创新载体，正是其深挖出笔迹可视化资料的价值，使得笔迹可视化处理具有了全新的研究意义。

6 笔迹可视化处理后的应用分析

笔迹可视化处理后的应用依托于可视化处理生成的“产品”，包括笔迹特征点的数据化标注、笔迹形态的三维比对、书写形态的动态展示，以及生成上述结果所依托的结构化数据。笔迹可视化的着眼点是对笔迹检验鉴定过程中产生的图像资料进行“深加工”，以此形成的一系列“副产品”，关于其应用定位，目前存有很大争议，焦点为其是否能应用于检验鉴定。而关于其应用价值的评述，则意见较为一致，主要体现在构筑笔迹检验智能化的基础和辅助鉴定人出庭示证两方面。

6.1 笔迹可视化处理的应用定位

综合现有的各方争论而言，目前技术条件下的笔迹可视化处理无法应用于检验鉴定：一是现今笔迹可视化处理的原始图像资料，基本是检验鉴定过程中形成的鉴定意见的依据，可视化处理不过是对已有依据的再加工，没有必要用再次处理的结果去证明本已经被证实的结论意见。二是可视化处理过程中涉及的诸多技术处理方法并未得到权威认可，如前文提及的根据像素值提取计算特征点，在技术原理上具有可行性，而使用规范和效果评定方面却并未有国家标准或行业标准或业内普遍认可的技术标准予以确认，如此就不能应用于检验鉴定。但从发展角度来看，笔迹可视化处理在解决数据库存储和技术标准规范化问题后，仍存有将可视化输出结果直接作为鉴定意见依据使用的可能。

因此，笔迹可视化处理目前在检验鉴定中主要发挥的是辅助性作用：一是对检验结果进行检测。虽然在现阶段，可视化处理基本是对业已形成检验鉴定意见的图像资料的处理，即在对图像可视化处理前鉴定意见已经形成，但是可视化处理后的比对分析及数值化测量仍能发挥检测鉴定意见的作用。如果将笔迹检验可视化图像处理后，呈现的各项特征值与原检测结果差异较大，则要认真复查原检验过程和结论。二是辅助进行样本查找。客观而言，辅助样本查找是个案性应用，适用于检验样本数量大并且无法具体确定的情况。由于自动高清扫描等技术的应用，已经能够批量完成检材和样本图像的采集。在此前提下，当需要对数量巨大的样本进行筛选时，便可应用可视化处理软件，自动生成相似度数值，对于相似度低于一定数值的（数值如何选定，依据个案中检材样本实际条件而定）便可直接予以排除，以此达成提升检验效率的目的。

6.2 笔迹可视化处理为笔迹检验智能化奠定基础

大数据、人工智能技术的应用改变了人们的生活，也影响着各学科领域的发展，笔迹检验同样无法回避智能化检验这个发展面向。一般情况下，智能化相关技术应用到某领域需要三个条件：一是通用的AI能力，即通用的算法、模型达到该领域应用需求；二是行业的AI能力，在通用AI基础上，加上自己的行业技术特征，对笔迹检验领域而言，即是笔迹检验特征的智能标注和智能比对能力达到实际应用的标准；三是面向用户的辅助检验工具和系统（应用模型）。而目前以上三个条件在笔迹检验领域都不具备，究其根源是缺少基础数据，无论是通用的AI能力还是行业AI能力，抑或是应用工具模型的构建，都需要大量的结构化数据组成的数据库。笔迹的可视化处理形成的结构化数据是未来笔迹检验数据库的重要数据来源，笔迹可视化处理过程将为传统检验方法和智能化检验手段相契合提供重要的路径参考。再者，笔迹可视化处理中笔迹特征点的提取和数值计算方法有助于推动该领域AI能力的提升，可视化操作软件也可以作为智能化应用模型的基础。总体而言，笔迹可视化处理的智能化应用仍处于初级阶段，主要价值体现在数据库的积累和机器自学习的训练，并以此构筑笔迹检验智能化的基础。对笔迹可视化处理的研究，实质上也是在探索笔迹检验智能化检验的路径。如果依照可视化处理的路径，将检材和样本图像进行二值化、滤波处理后，系统自动标记笔迹的特征点并进行比较分析，输出数值化比对结果，依此研判书写者的书写习惯并得出鉴定意见，即是标准的智能化检验模式，只不过目前其受限于两方面关键性条件：一是缺乏图像处理标准，导致无法证明对图像的处理是否改变了笔迹原有特征；二是缺少笔迹特征数据库，计算机程序无法对笔迹特征点自动抓取比对。但在笔迹可视化处理中，经论证并使用的图像处理方法和笔迹特征点的结构化处理方法、数据化计算方法等，都是笔迹检验智能化的关键技术，申言之，笔迹可视化处理为笔迹检验智能化奠定了基础。

6.3 笔迹可视化处理辅助鉴定人出庭示证

近年来，有关鉴定人出庭的规定愈发明确，鉴定人出庭率也呈上升趋势，如刑事诉讼法第192条即明确规定“人民法院认为鉴定人有必要出庭的，鉴定人应当出庭作证，经人民法院通知，鉴定人拒不出庭作证，鉴定意见不得作为定案根据”，修订后的《司法鉴定程序通则》也专设第5章，用以规范“司法鉴定人出庭作证”。上述规定的出台，促使检验鉴定由书面表述进入示证表达，如何在法庭上将专业的技术检验流程和鉴定意见向非专业的诉讼参与人解释清楚，成为司法鉴定人必须直面的问题。于笔迹检验鉴定而言，出庭示证最难阐释的部分在于检验过程的重塑和分析过程的演示，这部分内容经常面临“可意会却不可言传”的窘境，即所谓的“过程黑盒”。笔迹检验可视化一定程度上破解了上述难题，如图10就展示了笔迹检验的分析过程，较为直观地回溯了特征点的标注和比对。

7 结语

笔迹可视化处理的应用尚处于探索阶段，我们有必要正视其作用。一方面，不能将其作为检验鉴定技术使用，至少截至目前，笔迹相关可视化技术因缺乏基础数据支撑和应用模型，仍无法承担检验鉴定任务。另一方面，也要正视可视化技术的发展前景，未来笔迹可视化处理将成为笔迹检验研究领域无法回避的课题之一，笔迹智能化检验同样也是未来的技术发展趋势。