CN110191424A - 一种特定嫌疑人的轨迹生成方法和装置 - Google Patents
一种特定嫌疑人的轨迹生成方法和装置 Download PDFInfo
- Publication number
- CN110191424A CN110191424A CN201910407230.2A CN201910407230A CN110191424A CN 110191424 A CN110191424 A CN 110191424A CN 201910407230 A CN201910407230 A CN 201910407230A CN 110191424 A CN110191424 A CN 110191424A
- Authority
- CN
- China
- Prior art keywords
- camera
- suspect
- crime
- target person
- movement
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
- H04N7/181—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a plurality of remote sources
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/029—Location-based management or tracking services
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Multimedia (AREA)
- Alarm Systems (AREA)
Abstract
本发明涉及公共安全技术领域,具体涉及一种特定嫌疑人的轨迹生成方法和装置,方法包括:结合案发地的电子围栏和摄像头,确定案发地出现过但未携带手机的目标人物;利用案发地周围的多个摄像头对各目标人物进行跟踪,获取各目标人物在案发后的移动路径;根据摄像头的拍摄特征分别对各移动路径上的摄像头进行分组,得到对应于各目标人物的优选组和次选组摄像头;分别在各移动路径上按照从优选组到次选组的优先级顺序,查询人像信息,直至确定嫌疑人的身份或行动轨迹。本发明可筛选出案发地未携带手机的嫌疑人,从而进行专门的排查分析,并将移动路径上的多个摄像头预先分组,提高案情研判的效率和准确性。
Description
【技术领域】
本发明涉及公共安全技术领域,具体涉及一种特定嫌疑人的轨迹生成方法和装置。
【背景技术】
随着物联网技术的飞速发展,在公安实际的物联网设备环境中,已经有人脸摄像头,视频摄像头、电子围栏、WIFI嗅探等多种感知设备,因此人员活动轨迹、车辆行驶轨迹信息、手机定位信息等感知数据都可以被记录下来,这些数据累计起来形成巨量的数据,使得在公安实际业务中,排查嫌疑目标和寻找线索的时候,工作量变得异常庞大复杂,如果单纯的靠人工去根据案情从这些海量的数据中挖掘线索,无异于海底捞针,亦需要花非常多的时间和警力,往往效果并不理想,也耽误案件的侦破最佳时机。如何在这些数据中找出对于案件研判有价值的线索、快速定位到嫌疑目标,提高排查的工作效率,成为亟待解决的问题。
由于现在大部分人出门都会携带手机,根据这一特点,警方在案件研判过程中可通过电子围栏设备追踪嫌疑人的手机信息,来确定嫌疑人案发后的行动轨迹,寻找和排查嫌疑目标后锁定嫌疑人的身份。但是,有些嫌疑人可能具有一定的反侦察意识,为躲避警方的追踪,故意在作案时不携带手机,因此无法通过手机信息对这部分嫌疑人进行追踪,也就难以进行快速有效的排查,这无疑会直接影响警方案件研判的效率和准确性。
鉴于此,克服上述现有技术所存在的缺陷是本技术领域亟待解决的问题。
【发明内容】
本发明需要解决的技术问题是:
在警方通过手机信息追踪嫌疑人时,有些嫌疑人具有一定的反侦察意识,在作案时故意不携带手机以躲避追踪,导致针对这部分嫌疑对象难以进行快速排查,影响警方案件研判的效率和准确性。
本发明通过如下技术方案达到上述目的:
第一方面,本发明提供了一种特定嫌疑人的轨迹生成方法,包括:
结合案发地点的电子围栏设备和摄像头,确定案发时间在案发地点出现过但未携带手机的一个或多个目标人物;
结合各目标人物的图像特征,利用案发地点周围的多个摄像头对各目标人物进行目标跟踪,进而分别获取各目标人物在案发后预设时间段内的移动路径;
根据摄像头的拍摄特征,分别对各移动路径上的多个摄像头进行分组,从而得到对应于各目标人物的优选组摄像头和次选组摄像头;
分别在各移动路径上按照从优选组到次选组的优先级顺序,查询相应摄像头采集的人像信息,直至确定嫌疑人的身份或者从多个移动路径中确定嫌疑人的行动轨迹。
优选的,所述结合案发地点的电子围栏设备和摄像头,确定案发时间在案发地点出现过但未携带手机的一个或多个目标人物,具体包括:
通过案发地点的电子围栏设备,确定案发时间在案发地点出现过的多个手机IMSI号对应的移动数据;
通过案发地点的摄像头设备,确定案发时间在案发地点出现过的多个人物对应的移动数据;
将所述多个手机IMSI号的移动数据与所述多个人物的移动数据进行匹配,筛选出案发时间在案发地点出现过但未携带手机的一个或多个目标人物;
其中,所述移动数据包括在案发地点的移动方向和/或移动速度。
优选的,所述摄像头的拍摄特征包括:摄像头的拍摄方向、拍摄范围、拍摄分辨率、拍摄高度和拍摄角度中的一项或多项。
优选的,所述根据摄像头的拍摄特征,分别对各移动路径上的多个摄像头进行分组,从而得到对应于各目标人物的优选组摄像头和次选组摄像头,具体包括:
获取各移动路径上各摄像头的拍摄方向,并与各摄像头所在的移动路径进行匹配;
对于每个移动路径上的各摄像头,将拍摄方向迎向人物正面的摄像头归为优选组,将拍摄方向迎向人物非正面的摄像头归为次选组。
优选的,在对各移动路径上的多个摄像头进行分组时,所述分组还包括备选组摄像头;其中,与所述优选组摄像头和次选组摄像头相比,所述备选组摄像头的安装位置特殊、拍摄范围隐蔽,且在三组摄像头中被查询的优先级顺序最低。
优选的,所述分别在各移动路径上按照从优选组到次选组的优先级顺序,查询相应摄像头采集的人像信息,直至确定嫌疑人的身份或者从多个移动路径中确定嫌疑人的行动轨迹,具体包括:
对于每个移动路径,优先查询相应优选组摄像头采集的人像信息,以获取对应移动路径上目标人物的人脸特征;
如果通过优选组摄像头无法获取到人脸特征,则继续查询相应次选组摄像头采集的人像信息;
如果通过次选组摄像头仍无法获取到人脸特征,则将对应的目标人物初步列为嫌疑人,对应的移动路径初步确定为嫌疑人案发后的行动轨迹。
优选的,对于任一移动路径,在所述如果通过次选组摄像头仍无法获取到人脸特征,则将对应的目标人物初步列为嫌疑人之后,所述方法还包括:
根据对应移动路径上的摄像头获取对应嫌疑人的车辆信息,进而根据车辆信息确定对应嫌疑人的身份,并与警方信息库中有犯罪前科的人进行匹配;若匹配成功,则对应嫌疑人的身份被核实。
优选的,对于任一移动路径,如果通过优选组摄像头或次选组摄像头获取到人脸特征,则将人脸特征与警方信息库中有犯罪前科的人进行匹配;若匹配成功,则将相应有犯罪前科的人列为嫌疑人,并最终确定嫌疑人的身份。
优选的,对于任一移动路径,所述方法还包括:
通过摄像头采集的历史数据,获取对应移动路径上目标人物的历史运动轨迹;
确定对应目标人物当前的移动路径与历史运动轨迹间的关联性;若关联性不满足预设要求,则将对应目标人物列为嫌疑人,并通过人脸特征确定嫌疑人的身份。
第二方面,本发明提供了一种特定嫌疑人的轨迹生成装置,包括至少一个处理器和存储器,所述至少一个处理器和存储器之间通过数据总线连接,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令在被所述处理器执行后,用于上述第一方面所述的特定嫌疑人的轨迹生成方法。
本发明的有益效果是:
本发明提供的特定嫌疑人的轨迹生成方法中,结合案发地的电子围栏设备和摄像头设备,可筛选出那些可能具有反侦察意识而未携带手机的嫌疑人,进而针对这部分嫌疑人进行专门的路径分析和身份排查;同时将移动路径上的多个摄像头预先分组,并设置各组摄像头被查询的优先级顺序,在进行案件研判时可按照优先级顺序进行人像信息的查询,提高案情研判的效率和准确性。
【附图说明】
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例中所需要使用的附图作简单地介绍。显而易见地,下面所描述的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种用于确定嫌疑人的感知数据分析方法流程图;
图2为本发明实施例提供的一种警用地图中嫌疑人的行动轨迹以及沿途的感知设备示意图;
图3为本发明实施例提供的一种在警用地图上构建时空研判区域的示意图;
图4为本发明实施例提供的一种在警用地图上确定嫌疑人案发后的行动轨迹的流程图;
图5为本发明实施例提供的另一种在警用地图上确定嫌疑人案发后的行动轨迹的流程图;
图6为本发明实施例提供的一种通过感知数据交叉碰撞比对确定嫌疑人身份的流程图;
图7为本发明实施例提供的一种通过交叉碰撞比对后得到的感知数据列表示意图;
图8为本发明实施例提供的一种通过感知数据建立“人-车-IMSI”对应关系的流程图;
图9为本发明实施例提供的一种可确定嫌疑人行动轨迹的方法流程图;
图10为本发明实施例提供的一种案发地出现的多个目标人物在案发后的移动路径示意图;
图11为本发明实施例提供的一种各移动路径上摄像头的分组方法流程图;
图12为本发明实施例提供的一种特定嫌疑人的轨迹生成方法流程图;
图13为本发明实施例提供的一种确定在案发地出现过但未携带手机的目标人物的方法流程图;
图14为本发明实施例提供的一种特定嫌疑人的轨迹生成装置的架构图。
【具体实施方式】
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
在本发明的描述中,术语“内”、“外”、“纵向”、“横向”、“上”、“下”、“顶”、“底”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明而不是要求本发明必须以特定的方位构造和操作,因此不应当理解为对本发明的限制。
在本发明各实施例中,符号“/”表示同时具有两种功能的含义,而对于符号“A和/或B”则表明由该符号连接的前后对象之间的组合包括“A”、“B”、“A和B”三种情况。
此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。下面就参考附图和实施例结合来详细说明本发明。
实施例1:
本发明实施例首先提供了一种用于确定嫌疑人的感知数据分析方法,可帮助警方人员在案发后快速确定嫌疑人身份,有利于嫌疑人的追踪抓捕。如图1所示,本发明实施例提供的感知数据分析方法具体包括:
步骤201,通过对案发地点周围各感知设备采集的各感知数据进行综合研判,在警用地图上确定嫌疑人案发后的行动轨迹。
本发明基于警用地图进行追踪分析,所涉及范围内的各种感知设备的点位信息均可显示在所述警用地图上。其中,所述感知设备包括摄像头和/或电子围栏,所述摄像头又包括人像摄像头、视频摄像头和车辆摄像头中的一种或多种,相应地,所述感知数据包括人像数据、车辆数据和电子围栏数据中的一种或多种。
在案发地点周围的各个街道上,通常都安装有相应的感知设备,各感知设备实时采集相应感知范围内的感知数据,并存于感知数据***中,因此感知数据***中存有海量的视图结构化数据(由各种摄像头采集)和电子围栏数据。案发后,通过对感知数据***中案发时间点后预设时间段内的海量数据进行综合研判,即可得到嫌疑人的行动路线,进而可利用警用地图上的轨迹标注功能,标记和刻画嫌疑人的行动轨迹,如图2中的箭头线所示。确定嫌疑人的行动轨迹后,对后续追踪和抓捕嫌疑人具有重要的意义。其中,所述预设时间段可根据警方的研判需求进行设置,例如,如果警方需要获取案发后2小时内嫌疑人的活动情况,则所述预设时间段设为2小时。
步骤202,根据嫌疑人的行动轨迹,在警用地图上匹配并标注出沿途的多个感知设备,并计算案件研判所需的时空范围条件。
在嫌疑人行动轨迹的沿途通常会安装多个感知设备,确定行动轨迹后,相关平台(例如各感知设备所在的云端服务器)可自动获取和匹配所述行动轨迹沿途的各类感知设备,从而获取到案件研判所需的多个感知设备,以及各感知设备的点位信息、感知范围、感知方向等。或者,警方人员也可以沿着所述行动轨迹,在警用地图中根据关键字搜索相关的前端感知设备,例如电子围栏,过滤出符合关键字的感知设备列表,然后通过选择列表中的设备快速在警用地图上进行定位。
以图2为例,在箭头对应的所述行动轨迹上依次匹配出A、B、C、D、E五个感知设备(即图中的实心小三角)。据此,可以根据各感知设备的地位信息、感知范围等,确定案件研判的空间范围。再基于嫌疑人的行动方式,可以计算出相应空间范围之内嫌疑人的行动所需时间,据此,可以明确案件研判的时间范围。根据研判得到的空间范围和时间范围,则可以计算出案件研判所需的时空范围条件。
步骤203,基于时空范围条件和所述多个感知设备,在警用地图上沿行动轨迹框定出多个时空研判区域,并对每个时空研判区域进行节点设置;其中,每个时空研判区域内包含至少一个感知设备。
在警用地图上通常设有相应的研判工具箱,框定时空研判区域时,可直接利用研判工具箱中的“圈选”、“四边形框选”、“多边形框选”等多种研判区域选择方式,在警用地图上沿所述行动轨迹框定出多个时空研判区域以及对应的感知设备,如图3所示,是以四边形框选为例;当然,也可以直接由警方人员根据感知设备的感知范围进行手动框选,此处不做限定。图3中以每个区域内包含一个感知设备为例,但并不用以限定本发明;在实际操作时,一个区域内还可包含两个或两个以上的感知设备,例如,对于相距较近的至少两个感知设备,或者同一街道上的至少两个感知设备,可以框定进同一时空研判区域。
当框定出每个时空研判区域以及对应的感知设备之后,还需对各时空研判区域进行更多的节点设置,以便后续对各区域内感知设备进行感知数据的统计,如各区域的研判时间范围、研判需选用的感知数据(如手机号归属地等)以及关联的案件编号等;同时,为了在警用地图上方便区分识别,还可以设定各时空研判区域的节点颜色不同。
步骤204,通过对各时空研判区域内采集的感知数据进行交叉碰撞比对,确定嫌疑人对应的感知数据信息,进而确定嫌疑人的身份。
通过将多个时空研判区域内的人像数据、电子围栏数据和/或车辆数据等进行同项感知数据间相应的交叉碰撞比对,例如进行交叉比对计算出这些区域内共同出现过的感知数据,对应的人物即可判定为嫌疑对象。这是因为,通常在特定的时间(作案和逃跑时间)、特定的路线和特定的空间中,同时被感知设备捕获到的对象并不会特别的多。因此,通过数据碰撞得到的嫌疑对象是比较精准的,通过对碰撞得到的感知数据进行分析,即可确定嫌疑人的身份;还可结合警方已有的信息库进行匹配,更精准地进一步筛选后定位到嫌疑人。
其中,这里通过碰撞得到的感知数据确定嫌疑人的身份,具体可以是通过摄像头采集的人像数据,分析匹配得到嫌疑人的身份证信息,进而确定嫌疑人的身份;也可以是通过摄像头采集的车辆数据,分析得到相应的车辆信息,如车牌号、车辆颜色、车辆型号等,进而根据车辆信息匹配确定嫌疑人的身份;还可以通过电子围栏采集的电子围栏数据,分析得到相应的手机信息,如手机IMSI号、手机归属地等,进而根据手机信息匹配确定嫌疑人的身份。当然,还可以是结合其中的两种或三种感知数据,综合分析后确定嫌疑人的身份。
本发明实施例提供的上述用于确定嫌疑人的感知数据分析方法中,可基于嫌疑人行动轨迹上的多个感知设备,在警用地图上灵活地框定出多个时空研判区域,从而构建出多个时空比对研判节点,通过对各研判区域的感知数据进行交叉碰撞比对,确定出嫌疑人,提高了案情研判的效率和准确性,可帮助警方人员快速、精准地排查到嫌疑目标,确定嫌疑人身份。
由上可知,所述感知设备包括摄像头和/或电子围栏,则嫌疑人案发后的行动轨迹可根据案发地点周围各摄像头采集的感知数据(如人像数据、车辆数据)得到,也可根据案发地点周围各电子围栏采集的感知数据(电子围栏数据)得到。当行动轨迹根据摄像头得到时,所述通过对案发地点周围各感知设备采集的各感知数据进行综合研判,在警用地图上确定嫌疑人案发后的行动轨迹(即步骤201),可参考图4,具体包括:
步骤2011,结合案发时间、案发地点的摄像头采集信息,和/或,受害人和/或目击者提供的信息,确定嫌疑人的图像特征。
基于目前监控摄像头设置的普及化,在案发地点或者案发地点附近通常都会安装有摄像头,所述摄像头可以是人像摄像头、视频摄像头。通过调取案发时间点的摄像头监控,和/或,受害人和/或目击者提供的嫌疑人信息,可快速确定嫌疑人的图像特征。其中,所述图像特征主要指嫌疑人的体貌特征,如身高、体型、发型和穿着打扮等;另外,如果嫌疑人的行动方式为乘车或驾车,则所述图像特征还可包括嫌疑人的车辆特征,如车牌号、车辆型号和车辆颜色等。
步骤2012,根据嫌疑人的图像特征,对感知数据***中的多个视图结构化数据进行查询,进而探查到嫌疑人案发后的行动轨迹。
结合嫌疑人的图像特征,在所述感知数据***中,使用感知数据快查功能,从案发时间点后预设时间段内对应采集到的海量的视图结构化数据(即各类摄像头采集到的数据)中,以毫秒级的响应时间,探查到嫌疑人在案发时间后的行动轨迹。具体可操作如下:首先由警方人员在感知数据***中输入必要的查询条件,如嫌疑人的图像特征、案发时间、案发地点、查询的时间段范围(即预设时间段,如设置为案发时间后的3小时以内)等,然后由相关平台根据输入条件进行自动查询,查询完成后再由警方人员根据查询结果进行二次人为研判,最终确定嫌疑人的行动轨迹。除此以外,相关平台还可基于感知数据***中的视图结构化数据,对相应图像特征的嫌疑人直接进行目标跟踪,进而确定嫌疑人案发后的行动轨迹。
步骤2013,将探查到的嫌疑人案发后的行动轨迹标注在警用地图上。具体可利用研判工具箱中的轨迹标注功能,在警用地图上标记和刻画出嫌疑人的行动轨迹,如图2和图3中的箭头线所示。
进一步地,在手机抢夺一类的侵财案件中,嫌疑人抢夺手机后的短时间内还未来得及对盗窃手机处理,身上必定还携带着受害人的手机,而相应的手机信息以及手机移动情况可由案发地点周围的电子围栏获取,因此嫌疑人案发后的行动轨迹也可通过电子围栏确定。此时,所述通过对案发地点周围各感知设备采集的各感知数据进行综合研判,在警用地图上确定嫌疑人案发后的行动轨迹(即步骤201),可参考图5,具体包括:
步骤2011’,根据受害人提供的手机信息,或者案发时间、案发地点的电子围栏采集信息,获取受害人手机对应的IMSI号。
具体可结合受害人提供的手机号、手机型号、手机号绑定的用户身份等手机信息,转换得到对应的手机IMSI号。或者是,当案发地点恰好设置有电子围栏时,在案发时间可记录下相应感知范围内的手机数据,因此可通过电子围栏直接获取受害人相应的手机IMSI号。
步骤2012’,根据手机的IMSI号,对感知数据***中的多个电子围栏数据进行查询,进而探查到嫌疑人案发后的行动轨迹。
结合受害人的手机IMSI号,在所述感知数据***中,使用感知数据快查功能,从案发时间点后预设时间段内对应采集到的海量的电子围栏数据中,以毫秒级的响应时间,探查到相应手机IMSI号在案发时间后的动向,进而快速确定嫌疑人在案发时间后的行动轨迹。具体可操作如下:首先由警方人员在感知数据***中输入必要的查询条件,如受害人的手机IMSI号、案发时间、案发地点、查询的时间段范围(即预设时间段,如设置为案发时间后的3小时以内)等,然后由相关平台根据输入条件进行自动查询,查询完成后再由警方人员根据查询结果进行二次人为研判,最终确定嫌疑人的行动轨迹。除此以外,相关平台还可基于感知数据***中的电子围栏数据,对相应手机IMSI号的嫌疑人直接进行目标跟踪,进而确定嫌疑人案发后的行动轨迹。
步骤2013’,将探查到的嫌疑人案发后的行动轨迹标注在警用地图上。具体可利用研判工具箱中的轨迹标注功能,在警用地图上标记和刻画出嫌疑人的行动轨迹,如图2和图3中的箭头线所示。
在所述步骤202中,案件研判所需的时空范围具体可按照以下方法确定:当匹配出嫌疑人行动轨迹沿途的多个感知设备,并确定各感知设备的点位信息及感知范围后,从案发地点开始或所述行动轨迹上的第一个感知设备(即感知设备A)开始,到所述行动轨迹上最后一个感知设备(即感知设备E)之间的区域,即可作为案件研判的空间范围。在确定嫌疑人的行动方式后,可根据相应行动方式(比如步行、骑自行车、骑电动车、驾车等)的行驶速度,计算出相应空间范围之内嫌疑人的行动所需时间t,即从案发地点或感知设备A到感知设备E,嫌疑人的行动所需时间t,则从案发时间点T开始之后的时间段t内(即T~T+t),即可作为案件研判的时间范围。另外,考虑到根据行动方式确定时间范围可能会存在一定的误差,还可按以下方法确定时间范围:在步骤201中,通过对感知数据进行综合研判确定嫌疑人的行动轨迹后,查询嫌疑人通过行动轨迹上最后一个感知设备(即感知设备E)的时间点T’,则从案发时间点T开始到嫌疑人通过感知设备E时间点内的时间段(即T~T’),即可作为案件研判的时间范围。
进一步地,在所述步骤203中,对于每一个单独的时空研判区域,警用地图上框选出的区域大小即可作为相应区域的研判空间范围,而框选出的区域大小又可根据该区域内各感知设备的总感知范围来确定。对于各时空研判区域,相应的研判时间范围的确定方法具体为:
基于嫌疑人的行动方式和离开案发地点的时间,估算嫌疑人通过行动轨迹沿途各感知设备的时间,进而结合时空研判区域的划分,确定各时空研判区域的研判时间范围。参考图3,以每个时空研判区域内包含一个感知设备为例,在确定嫌疑人的行动方式后,可根据相应行动方式的行驶速度、案发地点距感知设备A的距离以及嫌疑人离开案发地点的时间点,计算出嫌疑人通过感知设备A时的时间点T1,并在相应时间点的基础上给与一定的上下波动范围Δt,则T1±Δt即可作为相应时空研判区域的研判时间范围,Δt可根据研判需求灵活选择,此处不做限定。同理地,以同样的方法计算出嫌疑人分别通过感知设备B、C、D、E时的时间点,进而得到相应时空研判区域的研判时间范围。
在另一种可选的方案中,为减少以行动方式估算造成的误差,对于各时空研判区域,相应的研判时间范围的确定方法还可如下:通过对感知数据进行综合研判得到嫌疑人的行动轨迹后,确定嫌疑人通过行动轨迹沿途各感知设备的时间,进而结合时空研判区域的划分,确定各时空研判区域的研判时间范围。参考图3,仍以每个时空研判区域内包含一个感知设备为例,在步骤201中,通过对感知数据进行综合研判确定嫌疑人的行动轨迹后,分别查询嫌疑人通过感知设备A、B、C、D、E时的时间点,并在相应时间点的基础上给与一定的上下波动范围(即相应时间点±Δt),以此作为相应时空研判区域的研判时间范围。
结合图6,在实际研判过程中,所述通过对各时空研判区域内采集的感知数据进行交叉碰撞比对,确定嫌疑人对应的感知数据信息,进而确定嫌疑人的身份(即步骤204),具体又包括以下步骤:
步骤2041,根据警方的研判思路,在所述行动轨迹沿途的各感知设备以及各时空研判区域间建立配合比对关系,形成研判模型。
在警用地图中,可通过拖拽的方式,在所述行动轨迹沿途的各感知设备及各时空研判区域间建立配合比对关系,从而可将警方人员的研判思路转化为一个人机思维一致的研判流程图,即研判模型。其中,这里建立配合比对关系主要是为了进行感知数据间的交叉碰撞比对,所述配合比对关系可以是交集、并集以及排除等。例如,对于包含至少两个感知设备的时空研判区域,在所述至少两个感知设备之间建立并集关系,从而可将对应时空研判区域内各感知设备采集的感知数据做并集处理,作为对应时空研判区域的感知数据;对于整个行动轨迹上,在沿途的各时空研判区域之间建立交集关系,从而可将各时空研判区域内对应采集的感知数据做交集处理;而对于某些存在故障的感知设备,采集的感知数据准确性会有所降低,则可将其排除。
进一步地,在构建好研判模型后,相关平台还可自动判断所述研判模型的合法性,比如判断各感知设备以及各时空研判区域间的配合比对关系是否构建正确、合理,各时空研判区域的节点设置是否合理,按照目前设置该模型是否可顺利执行等等。只有判断合法,所述研判模型才可以继续执行;如果判断不合法,则需要根据找出的问题进行处理,进而重建模型。
步骤2042,执行所述研判模型,使各时空研判区域内的感知数据进行交叉碰撞比对,得到包含一个或多个嫌疑人的嫌疑人列表。
按照以上配合比对关系,将各时空研判区域的同项感知数据进行交叉碰撞比对后,可得到各区域内共同出现过的感知数据,对应的人物即可判定为嫌疑对象。这部分共同出现过的感知数据可以列表的形式展示出来,每一条感知数据对应着一个嫌疑对象。以电子围栏感知数据为例,交叉比对后可获取各区域内共同出现过的电子围栏数据,包括手机的IMSI号、手机号归属地、对应手机号在相应时空研判区域内的捕获次数、对应手机号最近的活动频率(比如近30天内的活动天数)、对应手机号在相应时空研判区域内的活动时间和活动位置中的一项或多项,电子围栏数据的列表展示结果可参考图7。
其中,为便于列表展示,捕获次数在做交集处理后可取最少次数,近30天活动天数在做交集处理后可取最大活动天数。在进行排查时,可考虑实际情况进行有针对性的排查,例如,考虑到有些嫌疑人可能是流窜作案,外地人的可能性较大,因此对于手机号归属地非本地的嫌疑对象可重点排查;对于近30天在监控范围内活动频率较低的对象,可能是临时到达案发地进行作案,平时基本不在案发地周围活动,因此也可重点排查;等等。
以图7为例,交叉碰撞比对后共得到4条共同的感知数据,对应4个嫌疑对象,根据电子围栏数据提供的手机信息,可分别确定4个嫌疑对象的身份,进而得到一包含4个嫌疑人的嫌疑人列表。其中,当采用人像数据和/或车辆数据时,交叉碰撞比对后共同出现的感知数据也可按照图7的方式进行列表展示,再根据人像信息和/或车辆信息,确定嫌疑对象的身份。
步骤2043,结合案件特征和警方信息库中各嫌疑人的前科背景,对嫌疑人列表中的各嫌疑人进行筛选排查,最终确定嫌疑人的身份。
对于有犯罪前科背景的嫌疑人,警方信息库中都会有相应的记录,而与没有犯罪前科的人相比,有犯罪前科的人作案可能性通常更大一些,因此在得到嫌疑人列表后,可结合案件特征和警方信息库对各嫌疑人进一步筛选排查,从而更精确地定位到最终嫌疑人。例如,当前案件为偷盗案件,通过匹配查询后发现,嫌疑人列表中有一人曾有盗窃犯罪前科,因此可初步断定该嫌疑对象为该案件的嫌疑人。通过这种排查方法,将大幅度减少警方人员的排查范围,也能明显地缩减排查时间,极大提高研判效率,提升研判结果的准确性。
进一步地,考虑到在实际监控过程中,各感知设备受点位位置、捕捉时间间隔、捕捉对象的移动速度、捕捉周边环境等因素的影响,捕获率并不是100%,可能会存在捕获遗漏的情况。例如,在本发明实施例中研判模型的5个时空研判区域中,假设只有4个时空研判区域中捕获到嫌疑对象X的轨迹信息,此时如果仍然拿这5个时空研判区域的感知数据进行交叉碰撞比对,会由于感知设备捕获遗漏导致嫌疑对象X的轨迹并不在当中的某个时空研判区域中,从而不能完全满足研判模型设定的比对碰撞条件。因此,嫌疑对象X就不会出现在比对碰撞的嫌疑人列表中,嫌疑目标被漏掉导致研判并不精准。
为解决上述这种捕获遗漏的问题,可以利用“漏点分析研判模式”进行二次研判。具体为:在执行所述研判模型之前,全面分析各时空研判区域中的感知数据,进而研判每个嫌疑目标的捕获遗漏情况;如果存在捕获遗漏的时空研判区域(即对应区域中的感知设备出现捕获遗漏),则在出现捕获遗漏的时空研判区域中,将相应嫌疑目标的感知数据补充完整,假定这些嫌疑目标也在这些存在捕获遗漏的感知设备中出现过,从而可弥补碰撞数据的完整性,将碰撞结果进行纠偏,以更加精准的纠正感知设备捕获遗漏导致研判失误的结果。
其中,在未进行漏点分析的研判过程中,感知数据交叉碰撞对比之后,实际获取的是在所有时空研判区域中共同出现过的对象,即列为嫌疑人。在进行漏点分析的研判过程中,感知数据交叉碰撞比对之后,实际获取的是在预设比例的时空研判区域中共同出现过的对象,通俗地讲,就是在大部分的时空研判区域中都出现过的对象,即列为嫌疑人;其中,所述预设比例通常大于50%,例如可选80%。如此一来,假设某个对象并未在所有时空研判区域中都出现,但在80%或80%以上的时空研判区域中都出现过,则该对象可能在一小部分时空研判区域中存在捕获遗漏的情况,但仍可将该对象列为嫌疑人。
综上所述,本发明实施例提供的可确定嫌疑人的感知数据分析方法中,可先通过对感知数据的综合研判确定嫌疑人的行动轨迹,然后基于嫌疑人行动轨迹上的多个感知设备,在警用地图上框定出多个时空研判区域,从而构建出多个时空比对研判节点,通过对各研判区域的感知数据进行交叉碰撞比对,可筛选确定出嫌疑人,提高了案情研判的效率和准确性,可帮助警方人员快速、精准地排查到嫌疑目标。另外,通过结合案件特征和警方信息库对嫌疑人进一步筛选排查,可从有犯罪前科的人中更精确地定位到最终嫌疑人,大幅度减少警方人员的排查范围,也能明显地缩减排查时间。同时,为解决感知设备捕获遗漏的问题,还可采用“漏点分析研判模式”,以弥补碰撞数据的完整性,将碰撞结果进行纠偏,避免研判失误。
实施例2:
在上述实施例中提到,可通过感知数据信息确定嫌疑人的身份,即利用人像数据(摄像头获取)、车辆数据(摄像头获取)以及电子围栏数据(电子围栏获取)中的任一项、任两项或全部三项,来分析确定嫌疑人的身份。通常来讲,通过全部三项感知数据来确定嫌疑人的身份是比较容易做到的,而通过其中任两项获任一项感知数据来确定嫌疑人的身份可能具有一定的难度,尤其是仅仅获取一项感知数据时,想要确定嫌疑人的身份,难度是比较大的。
在公安实际的业务中,由于很多嫌疑对象具有一定的反侦察能力,因此在作案时可能会使用各种各样的手法以躲避被公安机关发现或识别。例如,有些嫌疑人在利用机动车作案的时候,会有意识的使用汽车驾驶座上方的挡板故意遮挡住面部,则人像数据无法有效获取;有些嫌疑人在作案的时候,会刻意不带手机,则电子围栏数据无法有效获取;等等。如此一来,最终可能无法获取到上述全部三种感知数据,而仅能获取到其中的一种或两种感知数据,因此在实际研判时需要做到,根据其中任一种感知数据,均能快速有效地锁定嫌疑人的身份,而无需必须依靠三种感知数据。
为实现上述要求,在进行实际案件研判之前,所述方法还包括:利用案发以前感知数据***中历史积累起来的海量感知数据,进行多维时空的交叉融合,建立“人-车-IMSI”之间的对应关系;其中,所述感知数据包括人像数据、车辆数据以及电子围栏数据。具体可参考图8,包括:
步骤101,利用各种感知设备案发前采集的感知数据、各感知设备的点位数据以及警方信息库中自有的静态数据,构建多个数据集。
一是构建人脸特征和人像轨迹数据集:在平时没有作案情况时,预先采集多个人像摄像头的数据,并导入感知数据***,利用人像识别算法进行聚类,从而生成人脸特征和人像轨迹的结构化数据集。
二是构建车辆特征和车辆轨迹数据集:在平时没有作案情况时,预先采集多个车辆摄像头的数据,并导入感知数据***,利用车辆识别算法进行聚类,从而生成车辆特征和车辆轨迹的结构化数据集。
三是构建IMSI和IMSI轨迹数据集:在平时没有作案情况时,预先采集多个电子围栏的数据,并导入感知数据***,生成电子围栏的结构化数据集,即IMSI和IMSI轨迹的结构化数据集。
四是构建感知设备的点位和点位对应关系数据集:在平时没有作案情况时,预先确定多个感知设备的点位和点位特点,基于各感知设备的位置信息,采用GIS算法,对感知设备点位和各感知设备点位之间的对应关系进行推算,从而形成感知设备的点位和点位对应关系数据集。
五是构建静态关系数据集:基于警方信息库中自有的静态数据,如人员的户籍关系数据、车辆的登记数据和车辆的违章处理数据等等,利用图数据库的算法逻辑,构建人、车等对象的静态关系数据集。
步骤102,结合所述多个数据集中的信息,分别构建“人-车”关系、“车-IMSI”关系和“人-IMSI”关系。
一是构建“人-车”关系:在机动车的登记信息或者违章处理信息等中,一般都会有人的相关信息,如身份证号、姓名、电话号码等实名信息;同时还有车辆的信息,如车牌号码、号牌颜色、车辆品牌型号等。因此,通过机动车的登记信息或者违章处理信息等,可以快速构建人和车的直接关系。但是,在实际生活中,并不一定是车主在驾驶车辆,还有可能是车主的亲戚朋友,则此时可通过前端的感知设备进行一抓三拍(拍摄车辆、拍摄驾驶人、拍摄副驾驶),从而获得驾驶人的人像信息,辅以人像识别和比对技术,能够找到实际驾驶车辆的人员信息,如身份证号,从而将该人和该车进行关联。通过以上方法及技术,可将人和车的关系挖掘出来。
二是构建“车-IMSI”关系:具体可利用车辆卡口处(即设置有车辆摄像头)及附近的电子围栏设备,将车辆卡口处捕获的车辆数据和电子围栏捕获的手机IMSI号进行交叉比对,从而推算出车辆和手机IMSI号之间的潜在关系。在实际工作中,车辆卡口附近通常会建立一些电子围栏设备,在车辆卡口捕捉车辆通行信息的同时,电子围栏设备也会同时工作,捕获一定距离(具体可根据厂家和业务的需求设置)范围内的手机IMSI。由于感知数据***中保存了车辆卡口、电子围栏长期以来积累的海量数据,那么,那些存在一定关系的车辆和IMSI就可通过同行次数、同行点位数、同行的天数等推算指标,推断车辆和IMSI这两者之间是否存在关联关系。其中,所述同行具体是指,在一定时间差内(例如30秒内),都被距离相近的车辆卡口和电子围栏设备捕获到。例如,某车和某手机IMSI号,在多个点位之间,有超过5天,共计30次的同行(即几乎同时被捕获到相应的信息),就可推断这辆车和这个手机IMSI之间是存在强关系的。据此,车和IMSI之间的关系即可建立。
三是构建“人-IMSI”关系:具体可利用人像卡口处(即设置有人像摄像头)及附近的电子围栏设备,将人像卡口处捕获的人像数据和电子围栏捕获的手机IMSI号进行交叉比对,从而推算出人和手机IMSI之间的潜在关系。在实际工作中,部署人像卡口的位置通常也会相应的部署一些电子围栏设备,当人像卡口捕获路过行人的面貌信息的时候,电子围栏也在同时工作,捕获一定距离(具体可根据厂家和业务的需求设置)范围内的手机IMSI信息。由于感知数据***内保存了长期以来的海量数据,那么,那些存在一定关系的人员和IMSI就可通过同行次数、同行点位数、同行的天数等推算指标,推断人和IMSI这两者之间是否存在关联关系。其中,所述同行具体是指,在一定时间差内(例如30秒内),都被距离相近的人像卡口和电子围栏设备捕获到。例如,某人和某手机IMSI,在多个点位之间,有超过5天,共计30次的同行(即几乎同时被捕获到相应的信息),就可推断这个人和这个手机IMSI之间是存在强关系的。据此,人和IMSI之间的关系即可建立。
步骤103,根据“人-车”关系、“车-IMSI”关系和“人-IMSI”关系,建立“人-车-IMSI”之间的对应关系。
基于所述步骤102中三个基本关系的构建,为整体的关系融合构建了基础数据集,进一步可打通“人-车-IMSI”三者之间的对应关系。进一步地,还可将得到的“人-车-IMSI”对应关系与所述静态关系数据集中的静态关系进行整合,夯实对象之间的关系。例如,通过感知设备的数据能够计算出车辆所有人和车辆实际驾驶人之间的潜在关系,但如果车辆所有人和车辆实际驾驶人之间同时又存在户籍关系的话,这些关系就可以叠加在一起构造多重关系,将“人-车-IMSI”间的对应关系进一步丰富化和全面化。
综上所述,在本发明实施例中,充分利用作案前长年日积月累起来的海量人像数据、车辆数据和电子围栏数据等,基于平时不作案时发现的规律或信息,建立“人-车-IMSI”之间的对应关系,以便用于案发时段的研判依据。如此一来,在进行实际研判时,只要获取到嫌疑人的其中某一项感知数据,即可根据“人-车-IMSI”之间的对应关系挖掘出其他的感知数据,进而综合分析研判后确定嫌疑人的身份,满足了案件研判需求。
实施例3:
在实施例1中,是通过对案发地点周围各感知设备采集的各感知数据进行综合研判,确定嫌疑人案发后的行动轨迹(即步骤201)。当根据沿途摄像头采集的感知数据来确定时,需要先确定嫌疑人的图像特征(具体参考步骤2011),而如果嫌疑人的图形特征难以直接确定,例如,案发地没有设置摄像头,或者摄像头拍摄不清晰,而且也无目击者提供相应信息,又或者由于人潮拥挤,摄像头内也无法直接锁定到作案人员,此时也就难以直接通过摄像头得到嫌疑人的行动轨迹。
考虑到大部分人出行都随身携带手机,而手机的移动轨迹又是可以通过电子围栏设备进行追踪检测的,因此,在嫌疑人图像特征难以直接获取的情况下,本发明实施例中可先结合电子围栏设备找出可能的多个移动路径,再结合各移动路径沿途的摄像头,综合分析确定出嫌疑人的行动轨迹,或者在此过程中直接确定嫌疑人的身份。同时考虑到,摄像头数量设置较多,如果一一调取查询会使警方的工作量增大,因此本发明实施例根据摄像头的拍摄特征对摄像头预先分组并设置浏览的优先级顺序,从而提高查询效率。
如图9所示,本发明实施例提供了一种可确定嫌疑人行动轨迹的方法,具体包括:
步骤301,通过电子围栏设备,确定案发时间在案发地点出现过的多个手机IMSI号,并分别获取各手机IMSI号在案发后预设时间段内的移动路径。
在案发时间点,案发地点通常会出现多个人,而由于大部分人都会随身携带手机,因此只要案发地点及案发地点周围设置有电子围栏设备,即可检测到每个人对应的手机IMSI号,以及跟踪检测到各手机IMSI号案发后的移动路径,也就是案发地出现的每个人在案发后的移动路径。具体操作如下:首先,通过查询由案发地点的电子围栏设备采集的电子围栏数据,确定案发时间在案发地点出现过的多个目标人物对应的多个手机IMSI号。然后,利用案发地点周围的多个电子围栏设备,对所述多个手机IMSI号分别进行目标跟踪,进而分别获取各手机IMSI号在案发后预设时间段内的移动路径。
例如,参考图10,在案发时间时的案发地点,通过电子围栏设备检测后发现3个手机IMSI号,分别对应三个目标人物甲、乙、丙;进一步通过案发地周围的多个电子围栏设备对这3个手机IMSI号进行目标跟踪后,得到相应的三条移动路径a、b、c分别如图所示。其中,所述预设时间段可根据警方的研判需求进行设置,例如,如果警方需要获取案发后2小时内嫌疑人的活动情况,则所述预设时间段设为2小时。
步骤302,根据摄像头的拍摄特征,分别对各移动路径上的多个摄像头进行分组,从而得到对应于各手机IMSI号的优选组摄像头和次选组摄像头。
在每个目标人物对应的移动路径上,通常都会设置有多个摄像头,确定移动路径后,相关平台可自动获取和匹配相应移动路径沿途的各个摄像头;通过对这些摄像头进行具体的人像信息查询,可进一步排查出嫌疑人的信息。而在调取各摄像头查询具体的人像信息之前,为便于节省警方人员的研判时间,对于每个移动路径上的摄像头都预先进行分组。其中,分组依据为摄像头的拍摄特征,所述拍摄特征包括:摄像头的拍摄方向、拍摄范围、拍摄分辨率、拍摄高度和拍摄角度中的一项或多项,即可以只依据其中一项特征分组,也可结合其中的多项特征分组。在本发明实施例中,主要以分成两组为例,即优选组和次选组,最终完成分组后,理论上优选组对应的整体图像质量应好于次选组,相应地可获取有效信息的概率也大于次选组,因此理应被优先查询。
步骤303,分别在各移动路径上按照从优选组到次选组的优先级顺序,查询相应摄像头采集的人像信息,直至确定嫌疑人的身份或者从多个移动路径中确定嫌疑人的行动轨迹。
在上面的步骤中,基于多个手机IMSI号获取了多个目标人物的移动路径,但并不是每个目标人物都是嫌疑人,还需通过各移动路径上的摄像头进一步筛选排查;通过筛选排查,可从多个目标人物中初步确定出嫌疑人,也就确定了相应的行动轨迹,对后续追踪和抓捕嫌疑人具有重要的意义。由于优选组摄像头可获取有效信息的概率大于次选组,因此可先查询优选组,如果可获取到有效信息则无需继续查询次选组摄像头;只有获取不到有效信息时才继续查询次选组摄像头。如此一来,无需对每个路径上的每个摄像头都进行调取,可大大节省警方的研判时间。
本发明实施例提供的上述方法中,将嫌疑人移动路径上的多个摄像头预先进行分组,例如分为优选组和次选组,并设置各组摄像头被查询的优先级顺序,则在进行案件研判时,可按照优先级顺序进行人像信息的查询,从而极大的提高案情研判的效率和准确性,可帮助警方人员快速、精准地确定嫌疑人身份或嫌疑人的行动轨迹。
在所述步骤302中,假设仅以摄像头的拍摄方向为依据进行分组。这是考虑到,从摄像头的拍摄方向来分析,如果能拍摄到目标人物的正面,则获取有效人脸特征的概率更大一些,因此将拍摄方向作为分组依据有比较重要的参考意义。在这种情况下,所述根据摄像头的拍摄特征,分别对各移动路径上的多个摄像头进行分组,从而得到对应于各手机IMSI号的优选组摄像头和次选组摄像头(即步骤302),具体可参考图11,包括:
步骤3021,获取各移动路径上各摄像头的拍摄方向,并与各摄像头所在的移动路径进行匹配。
参考图10,以目标人物丙所在的移动路径c为例,该路径上设置的多个摄像头如图中小圆点(包括实心圆点和空心圆点)所示。确定该路径上各摄像头的拍摄方向后,与移动路径c匹配,匹配后即可确定,在目标人物丙正常向前行驶的过程中,各摄像头是用于拍摄目标人物丙的正面、侧面还是背面。例如,在移动路径c上,目标人物丙是向东行驶,则如果摄像头的拍摄方向朝向西,或有细微的方向偏差,理论上可恰好拍摄到目标人物丙的正面,而其他朝向的摄像头则理论上无法拍摄到目标人物丙的正面,可能拍摄到侧面或背面。
步骤3022,对于每个移动路径上的各摄像头,将拍摄方向迎向人物正面的摄像头归为优选组,将拍摄方向迎向人物非正面的摄像头归为次选组。
继续参考图10,仍以目标人物丙所在的移动路径c为例,图中实心小圆点表示迎向人物正面的摄像头,归为优选组摄像头;空心小圆点表示迎向人物非正面的摄像头,归为次选组摄像头,优选组被查询的优先级高于次选组。此处是以拍摄方向为依据,将摄像头分为两组为例,当然,在其他可选的实施例中,还可结合更多的依据,将摄像头分为更多组。例如,假设以拍摄方向和分辨率为依据,将各路径上的摄像头分为四组,则可以如下设置:第一组摄像头为高分辨率,且拍摄方向朝向目标人物正面;第二组摄像头为低分辨率,但拍摄方向朝向目标人物正面;第三组摄像头为高分辨率,但拍摄方向朝向目标人物非正面;第四组摄像头为低分辨率,且拍摄方向朝向目标人物非正面;理论上分析,四组摄像头的图像质量依次降低,可获取有效信息的概率也依次降低,因此被查询的优先级顺序依次降低。其中,高分辨率和低分辨率的区分,具体可以是以某一预设值作为分界线,高于该预设值即为高分辨率,低于该预设值即为低分辨率,在此不做限定。
在另一个可选的方案中,考虑到拍摄范围对能否获取到有效信息也有重要影响,因此在对各移动路径上的多个摄像头进行分组时,除优选组摄像头和次选组摄像头外,所述分组还可包括备选组摄像头。其中,与所述优选组摄像头和次选组摄像头相比,所述备选组摄像头的安装位置特殊、拍摄范围隐蔽,且在三组摄像头中被查询的优先级顺序最低。例如,所述优选组摄像头和次选组摄像头通常是设置在街道上等明显的位置,更容易拍摄到路过的目标人物,而所述备选组摄像头可能是设置在街道旁的某个围墙上,或者被树丛等障碍物遮挡,因此拍摄范围较隐蔽,当目标人物在路上行驶时难以被拍摄到,获取有效信息的可能性很低,因此被查询的优先级顺序最低。但是,在某些特殊情况下,仍有可能拍摄到目标人物,例如当目标人物恰好攀爬围墙或隐藏于树丛中等可能恰好能被备选组摄像头拍摄到,此时可能获取到比优选组摄像头和次选组摄像头更有价值的信息,因此仍有一定的参考意义。
进一步地,所述分别在各移动路径上按照从优选组到次选组的优先级顺序,查询相应摄像头采集的人像信息,直至确定嫌疑人的身份或者从多个移动路径中确定嫌疑人的行动轨迹(即步骤303),具体为:对于每个移动路径,优先查询相应优选组摄像头采集的人像信息,以获取对应移动路径上目标人物的人脸特征。如果通过优选组摄像头无法获取到人脸特征,则继续查询相应次选组摄像头采集的人像信息;如果通过次选组摄像头仍无法获取到人脸特征,则将对应的目标人物初步列为嫌疑人,对应的移动路径初步确定为嫌疑人案发后的行动轨迹。
参考图10,以目标人物丙所在的移动路径c为例,如果目标人物丙沿移动路径正常行驶,理论上可通过优选组摄像头(即实心圆点)采集到正面的有效的人脸特征,此时便无需再调取次选组摄像头。但是如果目标人物丙在行驶中存在面部遮挡、低头、侧转头等情况,或者拍摄距离较远等,优选组摄像头可能就无法采集到人脸特征,此时便调取次选组摄像头进一步确认。理论上次选组摄像头(即空心圆点)无法采集到正面的人脸特征,但如果目标人物丙在行驶中存在侧转头、回头等情况,可能恰好由选组摄像头拍摄到正面,因此仍有一定的参考价值。如果通过次选组摄像头仍无法获取到有效的人脸特征,则很有可能目标人物丙故意遮挡了脸部或避开摄像头,可认为存在一定的作案嫌疑,因此可初步列为嫌疑人,对应的移动路径初步确定为嫌疑人案发后的行动轨迹。
其中,对于任一移动路径,在所述如果通过次选组摄像头仍无法获取到人脸特征,则将对应的目标人物初步列为嫌疑人之后,所述方法还包括:根据对应移动路径上的手机IMSI号,确定对应嫌疑人的身份,并与警方信息库中有犯罪前科的人进行匹配;若匹配成功,则对应嫌疑人的身份被核实。结合上述分析可知,如果通过各组摄像头均无法获取到人脸特征,可认为对应移动路径上的目标人物存在一定的作案嫌疑,虽然此时人脸特征无法获知,但手机IMSI号是已经确定了的,因此可根据手机IMSI号确定对应嫌疑人的身份。而之所以与警方信息库中有犯罪前科的人进行匹配,这是考虑到,与没有犯罪前科的人员相比,有犯罪前科的人作案的可能性更大,因此对这部分人进行优先排查。其中,根据手机IMSI号确定身份的方法可参考实施例2,基于“人-车-IMSI”的对应关系,只要知道手机IMSI号,即可确定嫌疑人的其他感知数据信息,进而确定身份。
进一步地,对于任一移动路径,如果通过优选组摄像头或次选组摄像头获取到有效的人脸特征,则可直接将人脸特征与警方信息库中有犯罪前科的人的人脸特征进行匹配;若匹配成功,则将相应有犯罪前科的人列为嫌疑人,并最终确定嫌疑人的身份。或者先根据获取到的人脸特征确定对应目标人物的身份,再与警方信息库中有犯罪前科的人进行匹配;若匹配成功,则将对应目标人物列为嫌疑人,并最终确定嫌疑人的身份。这同样是考虑到,与没有犯罪前科的人员相比,有犯罪前科的人作案的可能性更大,因此对这部分人进行优先排查。
在上述方案中,对于任一移动路径,在确定对应的目标人物是否有可能为嫌疑人时,所述方法还可进一步包括:通过电子围栏设备或摄像头采集的历史数据,获取对应移动路径上目标人物的历史运动轨迹;确定对应目标人物当前的移动路径与历史运动轨迹间的关联性;若关联性不满足预设要求,则将对应目标人物列为嫌疑人,并通过人脸特征或手机IMSI号确定嫌疑人的身份。
其中,感知数据***中存储有每个移动路径上长年积累起来的海量感知数据,其中也记录了在各移动路径上出现过的行人的历史运动轨迹,历史运动轨迹可以是基于人脸特征的目标跟踪实现,也可以是基于手机IMSI号的目标跟踪实现。对于任一移动路径,如果目标人物的人脸特征可获取,则可基于人脸特征去感知数据***中匹配出与目标人物对应的多个历史运动轨迹;如果目标人物的人脸特征不可获取,但由于手机IMSI号可获取,则可基于手机IMSI号去感知数据***中匹配出与目标人物对应的多个历史运动轨迹。得到历史运动轨迹后,即可研究目标人物的当前移动路径与历史运动轨迹间的关联性,也就是判断目标人物历史上是否经常沿当前移动路径活动,若沿当前移动路径活动的次数超过一定次数,则可认为两者的关联性满足预设要求;此时鉴于目标人物历史上经常沿当前移动路径活动,可推断这是目标人物的常规路线,作案逃逸的可能性较小,因此可初步将对应目标人物排除为嫌疑人的可能。相反地,如果目标人物历史上从未或几乎没有沿当前移动路径活动过,则当前移动路径与历史运动轨迹间的关联性不满足预设要求,可推断这并不是目标人物的常规路线,很可能是临时作案逃逸后选择的路线,因此可初步将对应目标人物列为嫌疑人,并通过获取的人脸特征或手机IMSI号确定嫌疑人的身份。
综上所述,本发明实施例提供的感知数据分析方法中,在案发地点的感知设备无法有效锁定嫌疑人的情况下,先通过案发地周围的电子围栏设备对案发地所有目标人物案发后的移动路径进行跟踪分析,然后配合各移动路径上的摄像头设备进一步确定嫌疑人以及嫌疑人的行动轨迹。其中,在利用摄像头进行分析前,预先根据拍摄特征对各路径上的摄像头进行分组,使得警方在研判时可根据优先级顺序进行信息查询,即图像质量最好的摄像头可优先被调取查看,更有针对性,从而极大的提高案情研判的效率和准确性,可帮助警方人员快速、精准地确定嫌疑人身份或嫌疑人的行动轨迹。
实施例4:
在上述实施例3中,考虑到大部分人出行都随身携带手机,警方可通过电子围栏设备,对案发时间案发地点出现过的各手机设备进行目标跟踪,进而确定各目标人物的移动路径。但是,考虑到有些嫌疑人可能具有一定的反侦察意识,为躲避警方的追踪,故意在作案时不携带手机,因此无法通过手机信息对这部分嫌疑人进行目标追踪。针对上述情况,本发明实施例提供了一种特定嫌疑人的轨迹生成方法,如图12所示,具体包括:
步骤401,结合案发地点的电子围栏设备和摄像头,确定案发时间在案发地点出现过但未携带手机的一个或多个目标人物。
在案发时间点,案发地点通常会出现多个人,而由于大部分人都会随身携带手机,因此只要案发地设置有电子围栏设备,即可检测到案发地携带手机的人对应的手机信息。案发地的摄像头则可检测到案发地每个人的图像信息,如果某个人仅可检测到图像信息,但没有对应的手机信息,可确定该人未携带手机,即可将该人确定为本次案件研判的一个目标人物。
步骤402,结合各目标人物的图像特征,利用案发地点周围的多个摄像头对各目标人物进行目标跟踪,进而分别获取各目标人物在案发后预设时间段内的移动路径。
在这里,目标人物的图像特征主要指图像中可体现出的体貌特征,如身高、体型、发型和穿着打扮等,所述图像特征主要是通过案发地点的摄像头设备来确定。图像特征确定后,案发地点周围的多个摄像头便可根据相应的图像特征对各目标人物进行目标跟踪,以获取各目标人物案发后预设时间段内的移动路径。
例如,参考图10,在案发时间时的案发地点,通过电子围栏设备和摄像头设备结合分析后发现有三个人未携带手机,分别列为目标人物甲、乙、丙;进一步通过案发地周围的多个摄像头对这三个目标人物进行目标跟踪后,得到相应的三条移动路径a、b、c分别如图所示。其中,所述预设时间段可根据警方的研判需求进行设置,例如,如果警方需要获取案发后2小时内嫌疑人的活动情况,则所述预设时间段设为2小时。
步骤403,根据摄像头的拍摄特征,分别对各移动路径上的多个摄像头进行分组,从而得到对应于各目标人物的优选组摄像头和次选组摄像头。
在每个目标人物对应的移动路径上,通常都会设置有多个摄像头,确定移动路径后,相关平台可自动获取和匹配相应移动路径沿途的各个摄像头;通过对这些摄像头进行具体的人像信息查询,可进一步排查出嫌疑人的信息。而在调取各摄像头查询具体的人像信息之前,为便于节省警方人员的研判时间,对于每个移动路径上的摄像头都预先进行分组。其中,分组依据为摄像头的拍摄特征,所述拍摄特征包括:摄像头的拍摄方向、拍摄范围、拍摄分辨率、拍摄高度和拍摄角度中的一项或多项,即可以只依据其中一项特征分组,也可结合其中的多项特征分组。在本发明实施例中,主要以分成两组为例,即优选组和次选组,最终完成分组后,理论上优选组对应的整体图像质量应好于次选组,相应地可获取有效信息的概率也大于次选组,因此理应被优先查询。
步骤404,分别在各移动路径上按照从优选组到次选组的优先级顺序,查询相应摄像头采集的人像信息,直至确定嫌疑人的身份或者从多个移动路径中确定嫌疑人的行动轨迹。
在上面的步骤中,基于未携带手机的多个目标人物获取了多条移动路径,但并不是每个未携带手机的目标人物都是嫌疑人,还需通过各移动路径上的摄像头进一步筛选排查;通过筛选排查,可从多个目标人物中确定出嫌疑人,也就确定了相应的行动轨迹,对后续追踪和抓捕嫌疑人具有重要的意义。由于优选组摄像头可获取有效信息的概率大于次选组,因此可先查询优选组,如果获取到有效信息则无需继续查询次选组摄像头;只有获取不到有效信息时才继续查询次选组摄像头。如此一来,无需对每个路径上的每个摄像头都进行调取,可大大节省警方的研判时间。
本发明实施例提供的特定嫌疑人的轨迹生成方法中,结合案发地的电子围栏设备和摄像头设备,可筛选出那些可能具有反侦察意识而未携带手机的嫌疑人,进而针对这部分嫌疑人进行专门的路径分析和身份排查;同时将移动路径上的多个摄像头预先分组,并设置各组摄像头被查询的优先级顺序,在进行案件研判时可按照优先级顺序进行人像信息的查询,提高案情研判的效率和准确性。
在所述步骤401中,具体可通过研究并匹配手机IMSI号的移动数据和人的移动数据,来找出案发地未携带手机的目标人物。则所述结合案发地点的电子围栏设备和摄像头,确定案发时间在案发地点出现过但未携带手机的一个或多个目标人物(即步骤401),可参考图13,具体包括:
步骤4011,通过案发地点的电子围栏设备,确定案发时间在案发地点出现过的多个手机IMSI号对应的移动数据。
通过电子围栏设备,可检测到感知范围以内的手机IMSI号,并跟踪出各手机IMSI号对应的移动数据;其中,所述移动数据包括在案发地点的移动方向和/或移动速度。
步骤4012,通过案发地点的摄像头设备,确定案发时间在案发地点出现过的多个人物对应的移动数据。
通过摄像头设备,可检测到感知范围以内的人物图像,并跟踪出各人物图像对应的移动数据;其中,所述移动数据包括在案发地点的移动方向和/或移动速度。
步骤4013,将所述多个手机IMSI号的移动数据与所述多个人物的移动数据进行匹配,筛选出案发时间在案发地点出现过但未携带手机的一个或多个目标人物。
将两种感知设备获取到的移动数据进行匹配后,对于携带手机的人,其人物图像的移动数据可与对应手机IMSI号的移动数据匹配成功;而对于未携带手机的人,则只有对应人物图像的移动数据,无法匹配到相应的手机IMSI号的移动数据。根据以上规律,便可筛选出案发时间在案发地点出现过但未携带手机的人,并作为后续研究的目标人物。
在所述步骤402中,假设仅以摄像头的拍摄方向为依据进行分组。这是考虑到,从摄像头的拍摄方向来分析,如果能拍摄到目标人物的正面,则获取有效人脸特征的概率更大一些,因此将拍摄方向作为分组依据有比较重要的参考意义。在这种情况下,所述根据摄像头的拍摄特征,分别对各移动路径上的多个摄像头进行分组,从而得到对应于各目标人物的优选组摄像头和次选组摄像头(即步骤402),具体可参考实施例3中的相关描述和图11,包括以下步骤:
步骤3021,获取各移动路径上各摄像头的拍摄方向,并与各摄像头所在的移动路径进行匹配。
参考图10,以目标人物丙所在的移动路径c为例,该路径上设置的多个摄像头如图中小圆点(包括实心圆点和空心圆点)所示。确定该路径上各摄像头的拍摄方向后,与移动路径c匹配,匹配后即可确定,在目标人物丙正常向前行驶的过程中,各摄像头是用于拍摄目标人物丙的正面、侧面还是背面。例如,在移动路径c上,目标人物丙是向东行驶,则如果摄像头的拍摄方向朝向西,或有细微的方向偏差,理论上可恰好拍摄到目标人物丙的正面,而其他朝向的摄像头则理论上无法拍摄到目标人物丙的正面,可能拍摄到侧面或背面。
步骤3022,对于每个移动路径上的各摄像头,将拍摄方向迎向人物正面的摄像头归为优选组,将拍摄方向迎向人物非正面的摄像头归为次选组。
继续参考图10,仍以目标人物丙所在的移动路径c为例,图中实心小圆点表示迎向人物正面的摄像头,归为优选组摄像头;空心小圆点表示迎向人物非正面的摄像头,归为次选组摄像头,优选组被查询的优先级高于次选组。此处是以拍摄方向为依据,将摄像头分为两组为例,当然,在其他可选的实施例中,还可结合更多的依据,将摄像头分为更多组。例如,假设以拍摄方向和分辨率为依据,将各路径上的摄像头分为四组,则可以如下设置:第一组摄像头为高分辨率,且拍摄方向朝向目标人物正面;第二组摄像头为低分辨率,但拍摄方向朝向目标人物正面;第三组摄像头为高分辨率,但拍摄方向朝向目标人物非正面;第四组摄像头为低分辨率,且拍摄方向朝向目标人物非正面;理论上分析,四组摄像头的图像质量依次降低,可获取有效信息的概率也依次降低,因此被查询的优先级顺序依次降低。其中,高分辨率和低分辨率的区分,具体可以是以某一预设值作为分界线,高于该预设值即为高分辨率,低于该预设值即为低分辨率,在此不做限定。
在另一个可选的方案中,考虑到拍摄范围对能否获取到有效信息也有重要影响,因此在对各移动路径上的多个摄像头进行分组时,除优选组摄像头和次选组摄像头外,所述分组还可包括备选组摄像头。其中,与所述优选组摄像头和次选组摄像头相比,所述备选组摄像头的安装位置特殊、拍摄范围隐蔽,且在三组摄像头中被查询的优先级顺序最低。例如,所述优选组摄像头和次选组摄像头通常是设置在街道上等明显的位置,更容易拍摄到路过的目标人物,而所述备选组摄像头可能是设置在街道旁的某个围墙上,或者被树丛等障碍物遮挡,因此拍摄范围较隐蔽,当目标人物在路上行驶时难以被拍摄到,获取有效信息的可能性很低,因此被查询的优先级顺序最低。但是,在某些特殊情况下,仍有可能拍摄到目标人物,例如当目标人物恰好攀爬围墙或隐藏于树丛中等可能恰好能被备选组摄像头拍摄到,此时可能获取到比优选组摄像头和次选组摄像头更有价值的信息,因此仍有一定的参考意义。
进一步地,所述分别在各移动路径上按照从优选组到次选组的优先级顺序,查询相应摄像头采集的人像信息,直至确定嫌疑人的身份或者从多个移动路径中确定嫌疑人的行动轨迹(即步骤404),具体为:对于每个移动路径,优先查询相应优选组摄像头采集的人像信息,以获取对应移动路径上目标人物的人脸特征。如果通过优选组摄像头无法获取到人脸特征,则继续查询相应次选组摄像头采集的人像信息;如果通过次选组摄像头仍无法获取到人脸特征,则将对应的目标人物初步列为嫌疑人,对应的移动路径初步确定为嫌疑人案发后的行动轨迹。
参考图10,以目标人物丙所在的移动路径c为例,如果目标人物丙沿移动路径正常行驶,理论上可通过优选组摄像头(即实心圆点)采集到正面的有效的人脸特征,此时便无需再调取次选组摄像头。但是如果目标人物丙在行驶中存在面部遮挡、低头、侧转头等情况,或者拍摄距离较远等,优选组摄像头可能就无法采集到人脸特征,此时便调取次选组摄像头进一步确认。理论上次选组摄像头(即空心圆点)无法采集到正面的人脸特征,但如果目标人物丙在行驶中存在侧转头、回头等情况,可能恰好由选组摄像头拍摄到正面,因此仍有一定的参考价值。如果通过选组摄像头仍无法获取到有效的人脸特征,则很有可能目标人物丙故意遮挡了脸部或避开摄像头,加上目标人物丙未携带手机,可认为存在一定的作案嫌疑,因此可初步列为嫌疑人,对应的移动路径初步确定为嫌疑人案发后的行动轨迹。
其中,对于任一移动路径,在所述如果通过次选组摄像头仍无法获取到人脸特征,则将对应的目标人物初步列为嫌疑人之后,所述方法还包括:根据对应移动路径上的摄像头获取对应嫌疑人的车辆信息,进而根据车辆信息确定对应嫌疑人的身份,并与警方信息库中有犯罪前科的人进行匹配;若匹配成功,则对应嫌疑人的身份被核实。结合以上分析可知,对于任一移动路径,如果通过各组摄像头均无法获取到人脸特征,可认为对应移动路径上的目标人物存在一定的作案嫌疑,而此时人脸特征无法获知,手机信息也无法获知(未携带手机),因此,可进一步借助车辆信息研究确定对应嫌疑人的身份。当然,该方法适用于嫌疑人驾车出行的情况,通过对应移动路径上的摄像头装置(具体可以是车辆卡口处的车辆摄像头),可获取对应嫌疑人的车辆信息,例如车牌号、车辆颜色、车辆型号等,进而确定目标人物的身份。其中,根据车辆信息确定身份的方法可参考实施例2,基于“人-车-IMSI”的对应关系,只要知道车辆信息,即可确定嫌疑人的其他信息,进而确定身份。而之所以与警方信息库中有犯罪前科的人进行匹配,这是考虑到,与没有犯罪前科的人员相比,有犯罪前科的人作案的可能性更大,因此对这部分人进行优先排查。
进一步地,对于任一移动路径,如果通过优选组摄像头或次选组摄像头获取到有效的人脸特征,则可直接将人脸特征与警方信息库中有犯罪前科的人的人脸特征进行匹配;若匹配成功,则将相应有犯罪前科的人列为嫌疑人,并最终确定嫌疑人的身份。或者先根据获取到的人脸特征确定对应目标人物的身份,再与警方信息库中有犯罪前科的人进行匹配;若匹配成功,则将对应目标人物列为嫌疑人,并最终确定嫌疑人的身份。这同样是考虑到,与没有犯罪前科的人员相比,有犯罪前科的人作案的可能性更大,因此对这部分人进行优先排查。
在上述方案中,对于任一移动路径,在确定对应的目标人物是否有可能为嫌疑人时,所述方法还可进一步包括:通过摄像头采集的历史数据,获取对应移动路径上目标人物的历史运动轨迹;确定对应目标人物当前的移动路径与历史运动轨迹间的关联性;若关联性不满足预设要求,则将对应目标人物列为嫌疑人,并通过人脸特征确定嫌疑人的身份。
其中,感知数据***中存储有每个移动路径上长年积累起来的海量感知数据,其中也记录了在各移动路径上出现过的人的历史运动轨迹,历史运动轨迹可以是基于人脸特征的目标跟踪实现,也可以是基于手机IMSI号的目标跟踪实现。对于任一移动路径,如果目标人物的人脸特征可获取,则可基于人脸特征去感知数据***中匹配出与目标人物对应的多个历史运动轨迹。得到历史运动轨迹后,即可研究目标人物的当前移动路径与历史运动轨迹间的关联性,也就是判断目标人物历史上是否经常沿当前移动路径活动,若沿当前移动路径活动的次数超过一定次数,则可认为两者的关联性满足预设要求;此时鉴于目标人物历史上经常沿当前移动路径活动,可推断这是目标人物的常规路线,作案逃逸的可能性较小,因此可初步将对应目标人物排除为嫌疑人的可能。相反地,如果目标人物历史上从未或几乎没有沿当前移动路径活动过,则当前移动路径与历史运动轨迹间的关联性不满足预设要求,可推断这并不是目标人物的常规路线,很可能是临时作案逃逸后选择的路线,因此可初步将对应目标人物列为嫌疑人,并通过获取的人脸特征确定嫌疑人的身份。
其中,本发明实施例提供的感知数据分析方法相当于是对实施例3中方法的补充,实施例3主要针对携带手机的人进行分析排查,而实施例4则主要针对未携带手机的人进行排查,相互配合即可对全部有可能的嫌疑人进行排查。
综上所述,本发明实施例在案发地点的感知设备无法有效锁定嫌疑人,且嫌疑人为躲避警方追查而刻意不带手机的情况下,先结合案发地的电子围栏设备和摄像头设备,筛选出那些可能具有反侦察意识而未携带手机的嫌疑人,进而获取这部分嫌疑人的移动路径,然后配合各移动路径上的摄像头设备确定嫌疑人以及嫌疑人的行动轨迹。其中,在利用摄像头进行分析前,预先根据拍摄特征对各路径上的摄像头进行分组,使得警方在研判时可根据优先级顺序进行信息查询,即图像质量最好的摄像头可优先被调取查看,更有针对性,从而极大的提高案情研判的效率和准确性,可帮助警方人员快速、精准地确定嫌疑人身份或嫌疑人的行动轨迹。
实施例5:
在上述实施例1-实施例4提供的各方法的基础上,本发明还提供了一种可用于实现上述方法的装置,如图14所示,是本发明实施例的装置架构示意图,一个或多个处理器21以及存储器22。其中,图14中以一个处理器21为例。
所述处理器21和所述存储器22可以通过总线或者其他方式连接,图14中以通过总线连接为例。
所述存储器22作为一种非易失性计算机可读存储介质,可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块,如实施例4中的特定嫌疑人的轨迹生成方法。所述处理器21通过运行存储在所述存储器22中的非易失性软件程序、指令以及模块,从而执行各种功能应用以及数据处理,即实现实施例1-实施例4的各方法。
所述存储器22可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中,所述存储器22可选包括相对于所述处理器21远程设置的存储器,这些远程存储器可以通过网络连接至所述处理器21。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述程序指令/模块存储在所述存储器22中,当被所述一个或者多个处理器21执行时,执行上述实施例1-实施例4中的各方法,例如,执行以上描述的附图所示的各个步骤。
本领域普通技术人员可以理解实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取存储器(RAM,RandomAccessMemory)、磁盘或光盘等。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种特定嫌疑人的轨迹生成方法,其特征在于,包括:
结合案发地点的电子围栏设备和摄像头,确定案发时间在案发地点出现过但未携带手机的一个或多个目标人物;
结合各目标人物的图像特征,利用案发地点周围的多个摄像头对各目标人物进行目标跟踪,进而分别获取各目标人物在案发后预设时间段内的移动路径;
根据摄像头的拍摄特征,分别对各移动路径上的多个摄像头进行分组,从而得到对应于各目标人物的优选组摄像头和次选组摄像头;
分别在各移动路径上按照从优选组到次选组的优先级顺序,查询相应摄像头采集的人像信息,直至确定嫌疑人的身份或者从多个移动路径中确定嫌疑人的行动轨迹。
2.根据权利要求1所述的特定嫌疑人的轨迹生成方法,其特征在于,所述结合案发地点的电子围栏设备和摄像头,确定案发时间在案发地点出现过但未携带手机的一个或多个目标人物,具体包括:
通过案发地点的电子围栏设备,确定案发时间在案发地点出现过的多个手机IMSI号对应的移动数据;
通过案发地点的摄像头设备,确定案发时间在案发地点出现过的多个人物对应的移动数据;
将所述多个手机IMSI号的移动数据与所述多个人物的移动数据进行匹配,筛选出案发时间在案发地点出现过但未携带手机的一个或多个目标人物;
其中,所述移动数据包括在案发地点的移动方向和/或移动速度。
3.根据权利要求1所述的特定嫌疑人的轨迹生成方法,其特征在于,所述摄像头的拍摄特征包括:摄像头的拍摄方向、拍摄范围、拍摄分辨率、拍摄高度和拍摄角度中的一项或多项。
4.根据权利要求1所述的特定嫌疑人的轨迹生成方法,其特征在于,所述根据摄像头的拍摄特征,分别对各移动路径上的多个摄像头进行分组,从而得到对应于各目标人物的优选组摄像头和次选组摄像头,具体包括:
获取各移动路径上各摄像头的拍摄方向,并与各摄像头所在的移动路径进行匹配;
对于每个移动路径上的各摄像头,将拍摄方向迎向人物正面的摄像头归为优选组,将拍摄方向迎向人物非正面的摄像头归为次选组。
5.根据权利要求1所述的特定嫌疑人的轨迹生成方法,其特征在于,在对各移动路径上的多个摄像头进行分组时,所述分组还包括备选组摄像头;其中,与所述优选组摄像头和次选组摄像头相比,所述备选组摄像头的拍摄范围隐蔽,且在三组摄像头中被查询的优先级顺序最低。
6.根据权利要求1所述的特定嫌疑人的轨迹生成方法,其特征在于,所述分别在各移动路径上按照从优选组到次选组的优先级顺序,查询相应摄像头采集的人像信息,直至确定嫌疑人的身份或者从多个移动路径中确定嫌疑人的行动轨迹,具体包括:
对于每个移动路径,优先查询相应优选组摄像头采集的人像信息,以获取对应移动路径上目标人物的人脸特征;
如果通过优选组摄像头无法获取到人脸特征,则继续查询相应次选组摄像头采集的人像信息;
如果通过次选组摄像头仍无法获取到人脸特征,则将对应的目标人物初步列为嫌疑人,对应的移动路径初步确定为嫌疑人案发后的行动轨迹。
7.根据权利要求6所述的特定嫌疑人的轨迹生成方法,其特征在于,对于任一移动路径,在所述如果通过次选组摄像头仍无法获取到人脸特征,则将对应的目标人物初步列为嫌疑人之后,所述方法还包括:
根据对应移动路径上的摄像头获取对应嫌疑人的车辆信息,进而根据车辆信息确定对应嫌疑人的身份,并与警方信息库中有犯罪前科的人进行匹配;若匹配成功,则对应嫌疑人的身份被核实。
8.根据权利要求6所述的特定嫌疑人的轨迹生成方法,其特征在于,对于任一移动路径,如果通过优选组摄像头或次选组摄像头获取到人脸特征,则将人脸特征与警方信息库中有犯罪前科的人进行匹配;若匹配成功,则将相应有犯罪前科的人列为嫌疑人,并最终确定嫌疑人的身份。
9.根据权利要求6所述的特定嫌疑人的轨迹生成方法,其特征在于,对于任一移动路径,所述方法还包括:
通过摄像头采集的历史数据,获取对应移动路径上目标人物的历史运动轨迹;
确定对应目标人物当前的移动路径与历史运动轨迹间的关联性;若关联性不满足预设要求,则将对应目标人物列为嫌疑人,并通过人脸特征确定嫌疑人的身份。
10.一种特定嫌疑人的轨迹生成装置,其特征在于,包括至少一个处理器和存储器,所述至少一个处理器和存储器之间通过数据总线连接,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令在被所述处理器执行后,用于完成权利要求1-9任一所述的特定嫌疑人的轨迹生成方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910407230.2A CN110191424B (zh) | 2019-05-16 | 2019-05-16 | 一种特定嫌疑人的轨迹生成方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910407230.2A CN110191424B (zh) | 2019-05-16 | 2019-05-16 | 一种特定嫌疑人的轨迹生成方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110191424A true CN110191424A (zh) | 2019-08-30 |
CN110191424B CN110191424B (zh) | 2021-06-15 |
Family
ID=67716573
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910407230.2A Active CN110191424B (zh) | 2019-05-16 | 2019-05-16 | 一种特定嫌疑人的轨迹生成方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110191424B (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110677588A (zh) * | 2019-10-14 | 2020-01-10 | 浙江大华技术股份有限公司 | 画面的获取方法及装置、存储介质和电子装置 |
CN110851646A (zh) * | 2019-11-18 | 2020-02-28 | 陈镜涛 | 智能园区的工作效率统计方法 |
CN111143602A (zh) * | 2019-12-24 | 2020-05-12 | 云粒智慧科技有限公司 | 一种案件线索关联方法、***、电子设备及存储介质 |
CN111163288A (zh) * | 2019-09-23 | 2020-05-15 | 济南市公安局 | 一种智能移动警务***及警务办公方法 |
CN111367955A (zh) * | 2019-10-09 | 2020-07-03 | 杭州海康威视***技术有限公司 | 目标对象的识别方法、装置、电子设备和存储介质 |
CN111382189A (zh) * | 2019-12-20 | 2020-07-07 | 厦门市美亚柏科信息股份有限公司 | 一种异源异构数据碰撞分析方法、终端设备及存储介质 |
CN112258761A (zh) * | 2020-10-21 | 2021-01-22 | 杭州电子科技大学 | 基于探针电子围栏***的智能社区平台 |
CN112291531A (zh) * | 2020-11-12 | 2021-01-29 | 珠海大横琴科技发展有限公司 | 一种监控点处理方法和装置 |
CN112738468A (zh) * | 2020-12-25 | 2021-04-30 | 四川众望安全环保技术咨询有限公司 | 一种智慧园区安全预警方法及*** |
CN113329343A (zh) * | 2021-06-02 | 2021-08-31 | 杨成 | 一种基于目标WiFi及蓝牙特征ID嗅探数据分析方法 |
CN113536083A (zh) * | 2021-05-31 | 2021-10-22 | 中国人民公安大学 | 一种基于案事件时空坐标的目标人轨迹碰撞分析方法 |
CN113823072A (zh) * | 2020-06-18 | 2021-12-21 | 三菱电机大楼技术服务株式会社 | 人物追踪支援装置及人物追踪支援*** |
CN114093014A (zh) * | 2022-01-20 | 2022-02-25 | 深圳前海中电慧安科技有限公司 | 一种图码关联强度计算方法、装置、设备及存储介质 |
CN114399537A (zh) * | 2022-03-23 | 2022-04-26 | 东莞先知大数据有限公司 | 一种目标人员的车辆跟踪方法及*** |
TWI839234B (zh) * | 2023-05-26 | 2024-04-11 | 國立彰化師範大學 | 智慧管理系統 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8254633B1 (en) * | 2009-04-21 | 2012-08-28 | Videomining Corporation | Method and system for finding correspondence between face camera views and behavior camera views |
CN203136061U (zh) * | 2013-03-11 | 2013-08-14 | 武汉中软通科技有限公司 | 一种城市热点区域与人员监控*** |
US20140357295A1 (en) * | 2013-06-03 | 2014-12-04 | The Morey Corporation | Geospatial asset tracking systems, methods and apparatus for acquiring, manipulating and presenting telematic metadata |
CN204046693U (zh) * | 2014-06-17 | 2014-12-24 | 王传琪 | 一种公安用电子围栏 |
CN104331929A (zh) * | 2014-10-29 | 2015-02-04 | 深圳先进技术研究院 | 基于视频地图与增强现实的犯罪现场还原方法 |
US20160217638A1 (en) * | 2014-04-25 | 2016-07-28 | Vivint, Inc. | Identification-based barrier techniques |
CN106096577A (zh) * | 2016-06-24 | 2016-11-09 | 安徽工业大学 | 一种摄像头分布地图中的目标追踪***及追踪方法 |
CN107909033A (zh) * | 2017-11-15 | 2018-04-13 | 西安交通大学 | 基于监控视频的嫌疑人快速追踪方法 |
CN108540751A (zh) * | 2017-03-01 | 2018-09-14 | 中国电信股份有限公司 | 基于视频与电子设备标识的监控方法、装置及*** |
CN109033440A (zh) * | 2018-08-15 | 2018-12-18 | 武汉烽火众智数字技术有限责任公司 | 一种视频侦查多维轨迹分析方法 |
CN109618286A (zh) * | 2018-10-24 | 2019-04-12 | 广州烽火众智数字技术有限公司 | 一种实时监控***和方法 |
CN109657025A (zh) * | 2018-12-17 | 2019-04-19 | 武汉星视源科技有限公司 | 现场勘察信息收集***及现场勘察管理*** |
CN109714565A (zh) * | 2017-10-26 | 2019-05-03 | 北京航天长峰科技工业集团有限公司 | 一种基于视频结构化技术的视频追踪应用方法 |
-
2019
- 2019-05-16 CN CN201910407230.2A patent/CN110191424B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8254633B1 (en) * | 2009-04-21 | 2012-08-28 | Videomining Corporation | Method and system for finding correspondence between face camera views and behavior camera views |
CN203136061U (zh) * | 2013-03-11 | 2013-08-14 | 武汉中软通科技有限公司 | 一种城市热点区域与人员监控*** |
US20140357295A1 (en) * | 2013-06-03 | 2014-12-04 | The Morey Corporation | Geospatial asset tracking systems, methods and apparatus for acquiring, manipulating and presenting telematic metadata |
US20160217638A1 (en) * | 2014-04-25 | 2016-07-28 | Vivint, Inc. | Identification-based barrier techniques |
CN204046693U (zh) * | 2014-06-17 | 2014-12-24 | 王传琪 | 一种公安用电子围栏 |
CN104331929A (zh) * | 2014-10-29 | 2015-02-04 | 深圳先进技术研究院 | 基于视频地图与增强现实的犯罪现场还原方法 |
CN106096577A (zh) * | 2016-06-24 | 2016-11-09 | 安徽工业大学 | 一种摄像头分布地图中的目标追踪***及追踪方法 |
CN108540751A (zh) * | 2017-03-01 | 2018-09-14 | 中国电信股份有限公司 | 基于视频与电子设备标识的监控方法、装置及*** |
CN109714565A (zh) * | 2017-10-26 | 2019-05-03 | 北京航天长峰科技工业集团有限公司 | 一种基于视频结构化技术的视频追踪应用方法 |
CN107909033A (zh) * | 2017-11-15 | 2018-04-13 | 西安交通大学 | 基于监控视频的嫌疑人快速追踪方法 |
CN109033440A (zh) * | 2018-08-15 | 2018-12-18 | 武汉烽火众智数字技术有限责任公司 | 一种视频侦查多维轨迹分析方法 |
CN109618286A (zh) * | 2018-10-24 | 2019-04-12 | 广州烽火众智数字技术有限公司 | 一种实时监控***和方法 |
CN109657025A (zh) * | 2018-12-17 | 2019-04-19 | 武汉星视源科技有限公司 | 现场勘察信息收集***及现场勘察管理*** |
Non-Patent Citations (2)
Title |
---|
I-CHENG CHANG; JIUN-WEI YU; JIA-HONG YANG: ""Event detection and target tracking based on co-operative multi-camera system"", 《 2009 DIGEST OF TECHNICAL PAPERS INTERNATIONAL CONFERENCE ON CONSUMER ELECTRONICS》 * |
郭萍; 梅蓉: ""手机信息侦查中的反侦查行为及对策"", 《山西警官高等专科学校学报》 * |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111163288A (zh) * | 2019-09-23 | 2020-05-15 | 济南市公安局 | 一种智能移动警务***及警务办公方法 |
CN111367955B (zh) * | 2019-10-09 | 2024-03-26 | 杭州海康威视***技术有限公司 | 目标对象的识别方法、装置、电子设备和存储介质 |
CN111367955A (zh) * | 2019-10-09 | 2020-07-03 | 杭州海康威视***技术有限公司 | 目标对象的识别方法、装置、电子设备和存储介质 |
CN110677588A (zh) * | 2019-10-14 | 2020-01-10 | 浙江大华技术股份有限公司 | 画面的获取方法及装置、存储介质和电子装置 |
CN110851646A (zh) * | 2019-11-18 | 2020-02-28 | 陈镜涛 | 智能园区的工作效率统计方法 |
CN111382189A (zh) * | 2019-12-20 | 2020-07-07 | 厦门市美亚柏科信息股份有限公司 | 一种异源异构数据碰撞分析方法、终端设备及存储介质 |
CN111143602A (zh) * | 2019-12-24 | 2020-05-12 | 云粒智慧科技有限公司 | 一种案件线索关联方法、***、电子设备及存储介质 |
CN111143602B (zh) * | 2019-12-24 | 2023-05-02 | 云粒智慧科技有限公司 | 一种案件线索关联方法、***、电子设备及存储介质 |
CN113823072A (zh) * | 2020-06-18 | 2021-12-21 | 三菱电机大楼技术服务株式会社 | 人物追踪支援装置及人物追踪支援*** |
CN112258761A (zh) * | 2020-10-21 | 2021-01-22 | 杭州电子科技大学 | 基于探针电子围栏***的智能社区平台 |
CN112291531A (zh) * | 2020-11-12 | 2021-01-29 | 珠海大横琴科技发展有限公司 | 一种监控点处理方法和装置 |
CN112291531B (zh) * | 2020-11-12 | 2021-12-03 | 珠海大横琴科技发展有限公司 | 一种监控点处理方法和装置 |
CN112738468A (zh) * | 2020-12-25 | 2021-04-30 | 四川众望安全环保技术咨询有限公司 | 一种智慧园区安全预警方法及*** |
CN113536083A (zh) * | 2021-05-31 | 2021-10-22 | 中国人民公安大学 | 一种基于案事件时空坐标的目标人轨迹碰撞分析方法 |
CN113536083B (zh) * | 2021-05-31 | 2023-11-24 | 中国人民公安大学 | 一种基于案事件时空坐标的目标人轨迹碰撞分析方法 |
CN113329343A (zh) * | 2021-06-02 | 2021-08-31 | 杨成 | 一种基于目标WiFi及蓝牙特征ID嗅探数据分析方法 |
CN114093014A (zh) * | 2022-01-20 | 2022-02-25 | 深圳前海中电慧安科技有限公司 | 一种图码关联强度计算方法、装置、设备及存储介质 |
CN114399537A (zh) * | 2022-03-23 | 2022-04-26 | 东莞先知大数据有限公司 | 一种目标人员的车辆跟踪方法及*** |
CN114399537B (zh) * | 2022-03-23 | 2022-07-01 | 东莞先知大数据有限公司 | 一种目标人员的车辆跟踪方法及*** |
TWI839234B (zh) * | 2023-05-26 | 2024-04-11 | 國立彰化師範大學 | 智慧管理系統 |
Also Published As
Publication number | Publication date |
---|---|
CN110191424B (zh) | 2021-06-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110191424A (zh) | 一种特定嫌疑人的轨迹生成方法和装置 | |
CN110175217A (zh) | 一种用于确定嫌疑人的感知数据分析方法和装置 | |
CN110213723A (zh) | 一种根据轨迹快速确定嫌疑人的方法和装置 | |
US10930151B2 (en) | Roadside parking management method, device, and system based on multiple cameras | |
JP6849898B2 (ja) | 生成ニューラルネットワークと、判別ニューラルネットワークとを含む敵対的生成ネットワークを利用して、合成可否判断不可の合成イメージを生成する方法、及び装置 | |
CN107358146B (zh) | 视频处理方法、装置及存储介质 | |
CN109684916B (zh) | 基于路径轨迹数据异常检测方法、***、设备及存储介质 | |
CN108986474A (zh) | 交通事故的定责方法、装置、计算机设备及计算机存储介质 | |
US8553084B2 (en) | Specifying search criteria for searching video data | |
CN110443828A (zh) | 对象跟踪方法和装置、存储介质及电子装置 | |
CN109461106A (zh) | 一种多维信息感知处理方法 | |
Al Boni et al. | Area-specific crime prediction models | |
CN110021172A (zh) | 一种车辆全要素特征采集方法和*** | |
CN106241533A (zh) | 基于机器视觉的电梯乘员综合安全智能监控方法 | |
US8798318B2 (en) | System and method for video episode viewing and mining | |
CN106218584A (zh) | 一种基于红外及人脸识别技术的车辆防盗*** | |
CN111444840B (zh) | 一种***辆自动检测方法及*** | |
CN109831648A (zh) | 防盗远程监控方法、装置、设备及存储介质 | |
CN107832364A (zh) | 一种基于时空数据锁定目标对象的方法及装置 | |
CN114067270B (zh) | 一种车辆追踪方法和装置、计算机设备及存储介质 | |
CN110213720A (zh) | 基于用户行为分析的手机使用过程中的意外预防方法 | |
Atzori et al. | HEIMDALL: an AI-based infrastructure for traffic monitoring and anomalies detection | |
US20210089784A1 (en) | System and Method for Processing Video Data from Archive | |
CN110189425A (zh) | 基于双目视觉的多车道自由流车辆检测方法及*** | |
Garcia-Zanabria et al. | Mirante: A visualization tool for analyzing urban crimes |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 430000, No.3, 3rd floor, Chuangye building, science and Technology Park, Wuhan University, Donghu Development Zone, Wuhan City, Hubei Province Applicant after: Wuhan Digital Mining Technology Co.,Ltd. Address before: 430000, No.3, 3rd floor, Chuangye building, science and Technology Park, Wuhan University, Donghu Development Zone, Wuhan City, Hubei Province Applicant before: Wuhan Number Mine Science and Technology Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |