CN111222370A - 一种案件研判方法、***及装置 - Google Patents
一种案件研判方法、***及装置 Download PDFInfo
- Publication number
- CN111222370A CN111222370A CN201811418363.1A CN201811418363A CN111222370A CN 111222370 A CN111222370 A CN 111222370A CN 201811418363 A CN201811418363 A CN 201811418363A CN 111222370 A CN111222370 A CN 111222370A
- Authority
- CN
- China
- Prior art keywords
- video
- frame
- criminal
- information
- preset
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 230000006399 behavior Effects 0.000 claims description 108
- 238000012549 training Methods 0.000 claims description 34
- 238000010801 machine learning Methods 0.000 claims description 21
- 239000013598 vector Substances 0.000 claims description 13
- 238000013507 mapping Methods 0.000 claims description 12
- 230000009471 action Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 230000003542 behavioural effect Effects 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 5
- 239000000463 material Substances 0.000 abstract description 7
- 238000012544 monitoring process Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000010924 continuous production Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Social Psychology (AREA)
- Educational Administration (AREA)
- Psychiatry (AREA)
- Human Computer Interaction (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种案件研判方法、***及装置,包括:获取视频信息;调用预设的研判模型,所述预设的研判模型用于对所述每帧视频图像的特征信息进行分析,得到每帧视频图像的识别结果,并对连续多帧视频图像的识别结果进行分析,确定是否有犯罪行为的发生。这样,通过预设的研判模型实现了对视频中案件的自动化研判,提高了研判速度,节省了人力、物力。
Description
技术领域
本发明涉及视频处理领域,尤其涉及一种案件研判方法、***及装置。
背景技术
随着城市的发展,城市天眼已经越来越普及,很多城市在公共场所以及会危及人身安全的地方都安装有监控摄像头。这样,公安部门或者相关的安保部门可以通过调取监控视频协助侦破案件,或者通过监控视频对案件进行研判。
其中,案件研判主要是对监控视频进行分析,判断是否有犯罪行为的发生。但是,现有技术中,通过是人工对监控视频进行查看,并对视频内容进行分析,从而判断是否有犯罪行为的发生。
然而,随着监控设备在城市的大面积覆盖,视频数据成几何倍的增长,若是仍通过人工方式对案件进行研判,不仅会耗费巨大的人力、物力,而且研判的效率低。
发明内容
有鉴于此,本发明实施例公开了一种案件研判方法、***及装置,实现了通过自动化的方式对视频进行案件研判,提高了研判速度,节省了人力、物力。
一种案件研判方法,包括:
获取视频信息;
提取所述视频信息中每帧视频图像的特征信息,所述特征信息包括:用于表征行为动作的信息;
调用预设的研判模型,所述预设的研判模型用于对所述每帧视频图像的特征信息进行分析,得到每帧视频图像的识别结果,并对连续多帧视频图像的识别结果进行分析,确定是否有犯罪行为的发生。
可选的,所述提取所述视频信息中每帧图像的特征信息,包括:
提取所述每帧视频图像中每个像素点的特征;
依据每帧视频图像中每个像素点的特征,过滤掉与案件研判无关的像素点;
依据每帧图像中过滤掉像素点后剩余的像素点的特征,生成数据包;其中每帧视频图像对应一个数据包。
可选的,还包括:
根据每帧视频图像的生成时间,确定相应数据包的标识;
在预设的映射表中记录所述数据包的标识;所述映射表表示数据包和所述数据生成时间的关系;
依据所述映射表和所述数据包,生成有序的特征向量,所述特征向量为所述研判模型中用于分析的特征信息。
可选的,所述预设的研判模型为通过标注有犯罪行为的视频样本对预设的机器学习模型进行训练后得到的。
可选的,所述预设的研判模型的训练过程包括:
获取预设时间长度的第一视频样本;所述第一视频样本中标记有犯罪行为模式;
提取所述第一视频样本中每帧视频图像犯罪行为的特征信息;
依据所述第一视频样本中每帧视频图像犯罪行为的特征信息和所述视频样本标记的犯罪行为模式,对预设的机器学习模型进行训练,得到研判模型。
或者所述研判模型的训练过程包括:
将预设时间长度的视频样本划分为多个时间段;
依次获取每个时间段中的第二视频样本;所述第二视频样本中标记有犯罪行为模式;
依次提取每个第二视频样本中每帧视频图像犯罪行为的特征信息;
依据每个第二视频样本的特征信息和所述第二视频样本标记的犯罪行为模式,对预设的机器学习模型进行训练,得到研判模型。
可选的,所述对所述每帧视频图像的特征信息进行分析,得到每帧视频图像的识别结果,并对每帧视频图像的识别结果进行分析,确定是否有犯罪行为的发生,包括:
通过研判模型对每帧视频图像的特征信息进行分析,得到每帧图像中包含犯罪行为的第一概率;
通过连续的多帧视频图像的犯罪行为的概率计算视频中包含犯罪行为的第二概率;
判断所述第二概率是否大于预设的概率阈值;
若大于预设的概率阈值,则表示视频中有犯罪行为的发生。
可选的,还包括:
将判定有犯罪行为的连续多帧视频图像中的特征信息与预设的研判模型中各个犯罪模式的目标特征进行匹配;
根据匹配结果,确定判定有犯罪行为的连续多帧视频图像中包含的犯罪模式。
可选的,还包括:
在确定所述视频信息中有犯罪行为发生时,提取确定出有犯罪行为的视频信息中犯罪嫌疑人的人脸特征;
将提取到的人脸的特征与预设的身份识别库进行匹配;
根据匹配结果确定所述犯罪嫌疑人的身份。
本发明实施例还公开了一种案件研判装置,包括:
第一获取单元,用于获取视频信息;
第一特征提取单元,用于提取所述视频信息中每帧视频图像的特征信息,所述特征信息包括:用于表征行为动作的信息;
犯罪行为分析单元,用于调用预设的研判模型,所述预设的研判模型用于对所述每帧视频图像的特征信息进行分析,得到每帧视频图像的识别结果,并对每帧视频图像的识别结果进行分析,确定是否有犯罪行为的发生。
可选的,所述预设的研判模型为通过标注有犯罪行为的视频样本对预设的机器学习模型进行训练后得到的。
本发明实施例还公开了一种案件研判***,包括:
视频采集端、服务器端;
所述视频采集端用于采集视频信息;
提取所述视频信息中每帧视频图像的特征信息,所述特征信息包括:用于表征行为动作的信息;
所述服务器端用于获取视频信息,调用预设的研判模型,所述预设的研判模型用于对所述每帧视频图像的特征信息进行分析,得到每帧视频图像的识别结果,并对连续多帧视频图像的识别结果进行分析,确定是否有犯罪行为的发生。
可选的,所述***还包括:
客户端;
所述客户端用于对训练研判模型的视频样本进行筛选;所述研判模型用于执行如下的步骤:
对所述每帧视频图像的特征信息进行分析,得到每帧视频图像的识别结果,对连续多帧视频图像的识别结果进行分析,确定是否有犯罪行为的发生。
本发明实施例公开了一种案件研判方法、***及装置,包括:获取视频信息;调用预设的研判模型,所述预设的研判模型用于对所述每帧视频图像的特征信息进行分析,得到每帧视频图像的识别结果,并对连续多帧视频图像的识别结果进行分析,确定是否有犯罪行为的发生。这样,通过预设的研判模型实现了对视频中案件中犯罪行为的自动化研判,提高了研判速度,节省了人力、物力。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,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,还可以根据提供的附图获得其他的附图。
图1示出了本发明实施例提供的一种案件研判方法的流程示意图;
图2示出了本发明实施例提供的一种研判模型的训练方法的流程示意图;
图3示出了本发明实施例提供的一种研判模型的训练方法的另一流程示意图;
图4示出了本发明实施例提供的一种案件研判装置的结构示意图;
图5示出了本发明实施例提供的一种案件研判***的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参考图1,示出了本发明实施例提供的一种案件研判方法的流程示意图,在本实施例中,该方法包括:
S101:获取视频信息;
本实施例中,视频信息的来源包括很多,在本实施例中不进行限定,例如可以从相关视频采集设备中获取、从网络中下载,或者从相关存储设备中获取等。。
S102:调用预设的研判模型,所述预设的研判模型用于对所述每帧视频图像的特征信息进行分析,得到每帧视频图像的识别结果,并对连续多帧视频图像的识别结果进行分析,确定是否有犯罪行为的发生。
其中,研判模型是通过标记有犯罪行为的视频样本信息对预设的机器学习模型进行训练后得到的,具体的训练过程会在下文中进行详细的介绍,在这里就不再赘述。
本实施例中,视频中具有生命体的人或者动物的动作会对识别是否有犯罪行为的发生具有至关重要的作用。例如,若检测到有撬锁的动作,则认为可能发生了犯罪行为,或者检测到持刀打架的动作,也可以认为可能发生了犯罪行为。
但是除了动作信息外,为了更加准确的对视频帧图像中人物的行为信息进行识别,提取的图像的特征还可以包括:表征时间的特征信息、表征性别的特征信息以及表征特定物品(例如犯罪工具)的特征中的任意一个或者多个。
举例说明:若检测到特征信息为“凌晨2点”、“男性”、“撬锁”的特征后,可以判定为有犯罪行为的发生。
具体的,对每帧视频图像进行特征提取的过程,包括:
提取所述每帧视频图像中每个像素点的特征;
依据每帧视频图像中每个像素点的特征,过滤掉与案件研判无关的像素点;
依据每帧图像中过滤掉像素点后剩余的像素点的特征,生成数据包;其中,每帧视频图像对应一个数据包。
本实施例中,每一帧的视频图像中,会包含大量的像素点,有些像素点的特征对识别犯罪行为有用,但是有一些像素点的特征对识别犯罪行为无用,例如,视频图像中的背景部分。因此,为了提高处理速度,对提取到的特征信息进行降维,可以将视频图像中对识别犯罪行为无用的特征过滤掉,即过滤掉对犯罪行为无用的特征的像素点。
本实施例中,在生成了包含特征信息数据包后,一个视频中会包含大量的视频帧,每个视频帧对应一个数据包,由于视频中的视频帧是存在先后顺序的,那么数据包的生成时间也是有先后顺序的,在对特征信息进行分析时,为了体现视频帧的先后顺序,可以将数据包按照生成时间的先后顺序进行排序,具体的可以通过如下的方式实现:
根据每帧视频图像的生成时间,确定相应数据包的标识;
在预设的映射表中记录所述数据包的标识;所述映射表标识所述包和数据包生成时间的关系;
依据所述映射表和所述数据包,生成有序的特征向量,所述特征向量为所述研判模型中用于分析的特征信息。
本实施例中,生成的特征向量包含所有数据包中的特征信息,每个数据包相对应的特征向量进行有序排列,例如可以将数据包转换为特征向量,并将该特征向量进行排序,即按照时间顺序对每个数据包的特征向量进行排序。
本实施例中,确定犯罪行为的发生,可以包括多种实现方式,例如可以包括如下的两种实现方式:
方式一:通过研判模型对每帧视频图像进行分析,得到视频图像的识别结果,该识别结果可以为是否为犯罪行为的概率,但是由于犯罪行为是一个连续的过程,一帧视频图像无法确定是否出现了犯罪行为,因此可以将每帧视频帧出现犯罪行为的概率进行分析,进而确定出该视频出现犯罪行为的概率,从而确定是否有犯罪行为发生,具体的,包括:
通过研判模型对每帧视频图像的特征信息进行分析,得到每帧图像中包含犯罪行为的第一概率;
通过连续的多帧视频图像的犯罪行为的概率计算视频中包含犯罪行为的第二概率;
判断所述第二概率是否大于预设的概率阈值;
若大于预设的概率阈值,则表示视频中有犯罪行为的发生;
若小于预设的概率阈值,则表示视频帧中的犯罪行为不成立。
其中,对于第一概率的计算,可以通过视频帧中包含的特征与研判模型中包含的犯罪行为的特征进行匹配,例如研判模型中对于撬锁的特征信息包括:时间:凌晨零点到3点、性别:男、动作:弯腰、锁、非钥匙工具等特征。当对某一帧视频图像进行识别时,识别出该帧视频图像包括:男、弯腰、锁、凌晨2点,根据视频帧中包含的特征与全部特征的匹配程度,确定该视频帧有犯罪行为的概率。然后对连续的多个视频帧进行分析,计算出犯罪行为的概率。
方式二:通过研判模型对每帧视频图像进行分析,得到视频图像的识别结果,该识别结果为视频图像是否包含犯罪行为;并判断具有犯罪行为的视频帧的图像是否大于预设阈值,若大于预设的阈值,则该视频中包含犯罪行为。
本实施例中,在判定出视频帧中是否包含有犯罪行为发生时,为了给用户提供更有针对性的分析结果,还输出了该视频帧的犯罪模式,具体的,包括:
将判定有犯罪行为的连续多帧视频图像中的特征信息与预设的研判模型中各个犯罪模式的目标特征进行匹配;
根据匹配结果,确定判定有犯罪行为的连续多帧视频图像中包含的犯罪模式。
其中,一个视频中可能包含有一个或者多个犯罪模式,假设犯罪行为包括行凶模式、抢劫模式、偷盗模式,但是在不法分子进行抢劫时,可能也实施了行凶行为,因此,该视频中就包含了抢劫模式和行凶模式。由此可知,对犯罪行为匹配的结果可能包括一种或者多种犯罪模式。
具体的,将判定有犯罪行为的连续多帧视频图像中的特征信息与预设的研判模型中各个犯罪模式的目标特征进行匹配,包括:
通过判定有犯罪行为的连续多帧视频图像中的特征信息与预设的研判模型中各个犯罪模式的目标特征进行匹配,计算连续多帧视频图像属于各个犯罪模式的第三概率值;
筛选出大于预设阈值的第三概率值,并将大于预设阈值的第三概率值对应的犯罪模式作为输出结果;
或者
筛选出最大的第三概率值,并将最大的第三概率值对应的犯罪模式作为输出结果。本实施中,在确定出有犯罪行为发生后,为了提高破案效率,可以根据视频图像进行人脸识别,从而确定出犯罪嫌疑人身份,具体的,还包括:
在确定所述视频信息中有犯罪行为发生时,提取确定出由犯罪行为的视频信息中犯罪嫌疑人的人脸特征;
将提取到的人脸的特征与预设的身份识别库进行匹配;
根据匹配结果确定所述犯罪嫌疑人的身份。
其中,在对人脸进行识别时,可以通过一帧视频图像或者通过多帧视频图像提取出人脸的特征。
其中,身份识别库包括犯罪嫌疑人的人脸特征和身份信息,可以通过身份识别库中对人脸特征进行匹配,并根据匹配结果确定出犯罪嫌疑人的身份。
本实施例中,通过提取视频信息中每帧视频图像的特征信息,所述特征信息包括:用于表征行为动作的信息;对每帧视频图像的特征信息进行分析,得到每帧视频图像的识别结果,并对连续多帧视频图像的识别结果进行分析,确定是否有犯罪行为的发生。这样,通过对视频进行自动化分析,实现了对案件进行自动化研判的目的,提高了研判速度,节省了人力、物力。
参考图2,示出了本发明实施例提供的一种研判模型的训练方法的流程示意图,在本实施例中,该方法包括:
S201:获取预设时间长度的第一视频样本;所述第一视频样本中标记有犯罪行为模式;
其中,犯罪行为模式是用于表征不同犯罪行为的,例如包括:行凶模式、抢劫模式、偷盗模式、撬锁模式等。
S202:提取所述第一视频样本中每帧视频图像犯罪行为的特征信息;
S203:依据所述第一视频样本中每帧视频图像犯罪行为的特征信息和所述视频样本标记的犯罪行为模式,对预设的机器学习模型进行训练,得到研判模型。
其中,本实施例中S202中剔除的特征的提取方式与上述S102中特征提取的方式一致。
并且,本实施例中,对视频样本的标记,可以是专家通过对视频分析后标记的,其中,视频样本中每帧视频图像可以标记出结果,并且对发生犯罪行为的一段时间内的视频也进行标记。这样不仅可以训练出每帧视频图像的识别结果,还可以根据训练出的识别结果训练出一段时间内是否确定有犯罪行为的发生。
本实施例中,预设的时间长度可以为较长一段时间,在获取到该预设时间长度的视频后,对该视频样本进行标记,对视频样本进行标记后,对机器学习模型进行训练,这样可以得到较为完整的统计特性。
参考图3,示出了本发明实施例提供的一种研判模型的训练方法的另一流程示意图,在本实施例中,该方法包括:
S301:将预设时间长度的视频样本划分为多个时间段;
S302:依次获取每个时间段中的第二视频样本;所述第二视频样本中标记有犯罪行为模式;
其中,犯罪行为模式是用于表征不同犯罪行为的,例如包括:盗窃模式、抢劫模式、偷盗模式、撬锁模式等。
S303:依次提取每个第二视频样本中每帧视频图像犯罪行为的特征信息;
S304:依据每个第二视频样本的特征信息和所述第二视频样本标记的犯罪行为,对预设的机器学习模型进行训练,得到研判模型。
本实施例中,对应预设时间长度的视频,将该预设的时间长度划分为多个时间段,并依次应该每个时间段内的视频样本,对预设的机器学习模型进行训练,这样,数据处理速度快。
并且,本实施例中,对视频样本的标记,可以是专家通过对视频分析后标记的,其中,视频样本中每帧视频图像可以标记出结果,并且对发生犯罪行为的一段时间内的视频也进行标记。这样不仅可以训练出每帧视频图像的识别结果,还可以根据训练出的识别结果训练出一段时间内是否确定有犯罪行为的发生。
本实施例中,上述提到的机器学习模型可以包括多种机器学习算法,或者多种机器学习算法的结合,在本实施例中不进行限定。
为了清楚的标识对机器学习模型的训练过程,本实施例中通过如下的两种算法进行举例说明:
1、卡尔曼滤波器算法
后验概率分布p(xk-1|y1:k-1)为高斯分布,动态***是线性的,动态***表示为:
xk=Sxk-1+Tuk-1+qk-1
yk=Hxk+rk
其中,xk是k时刻的状态,uk是k时刻的控制量,如同款摄像机A和B,即使拍摄同样的画面,也会多少有色差、亮度的区别,这些都作为***控制量,表明它对实际图像的影响力度。S和T是参数,yk是k时刻的测量值,H为***参数,qk和rk分别表示过程噪声和测量噪声。
在训练过程中,***噪声和测量噪声都是高斯分布的,协方差矩阵分别为Qk-1和Rk。
卡尔曼滤波器算法的五个核心公式:
为下一次估计k+1时刻的状态值的迭代进行更新操作,更新Pk值。
如此,算法就能自回归进行运算。
2、维纳滤波算法
估计值计算如下
目标函数最小均方误差
对最小均方误差求冲击响应偏导并使其为0得到维纳霍夫方程
此时求得h(m)为hopt(m),并有
Rxs(j)=E[x(n-j)s(n)],
Rxx(j-m)=E[x(n-m)x(n-j)];
维纳霍夫方程可简化为
此处假设信号与噪声不相关
Rxs(m)=E[x(n)s(n+m)]=E[s(n)s(n+m)+ω(n)s(n+m)]=E[s(n)s(n+m)]=Rss(m)Rxx(m)=E[x(n)s(n+m)]=E[(s(n)+ω(n))(s(n+m)+ω(n+m))]=Rss(m)+Rωω(m)
则维纳霍夫方程可简化为
其中,n为时间,s(n)为n时刻的实际的结果值,s(n)(n顶上有个人字标记)为n时刻预测的结果值,x(n)为n时刻的输入参数,即n时刻特征值,h(n)为冲击响应,在本文中应该是一个预测的模型,opt下标的h(n)为n时刻的乐观值,也就是n时刻最理想的预测模型,通过不断优化已有的h,得到研判模型。
参考图4,示出了本发明实施例提供的一种案件研判装置的结构示意图,
在本实施例中,该装置包括:
第一获取单元401,用于获取视频信息;
第一特征提取单元402,用于提取所述视频信息中每帧视频图像的特征信息,所述特征信息包括:用于表征行为动作的信息;
犯罪行为分析单元403,用于调用预设的研判模型,所述预设的研判模型用于对所述每帧视频图像的特征信息进行分析,得到每帧视频图像的识别结果,并对每帧视频图像的识别结果进行分析,确定是否有犯罪行为的发生。
可选的,犯罪行为分析单元,包括:
特征提取子单元,用于提取所述每帧视频图像中每个像素点的特征;
过滤子单元,用于依据每帧视频图像中每个像素点的特征,过滤掉与案件研判无关的像素点;
数据包生成子单元,用于依据每帧图像中过滤掉像素点后剩余的像素点的特征,生成数据包;其中每帧视频图像对应一个数据包。
可选的,还包括:
标识确定单元,用于根据每帧视频图像的生成时间,确定相应数据包的标识;
记录单元,用于在预设的映射表中记录所述数据包的标识;所述映射表表示数据包和所述数据生成时间的关系;
有序向量生成单元,用于依据所述映射表和所述数据包,生成有序的特征向量。
可选的,所述预设的研判模型为通过标注有犯罪行为的视频样本对预设的机器学习模型进行训练后得到的。
可选的,还包括:
第二获取单元,用于获取预设时间长度的第一视频样本;所述第一视频样本中标记有犯罪行为模式;
第二特征提取单元,用于提取所述第一视频样本中每帧视频图像犯罪行为的特征信息;
第一研判模型训练单元,用于依据所述第一视频样本中每帧视频图像犯罪行为的特征信息和所述视频样本标记的犯罪行为模式,对预设的机器学习模型进行训练,得到研判模型。
或者
时间划分单元,用于将预设时间长度的视频样本划分为多个时间段;
第三获取单元,用于依次获取每个时间段中的第二视频样本;所述第二视频样本中标记有犯罪行为模式;
第三特征提取单元,用于依次提取每个第二视频样本中每帧视频图像犯罪行为的特征信息;
第二研判模型训练单元,用于依据每个视频样本的特征信息和所述第二视频样本标记的犯罪行为模式,对预设的机器学习模型进行训练,得到研判模型。
可选的,所述犯罪行为分析单元,具体用于:
通过研判模型对每帧视频图像的特征信息进行分析,得到每帧图像中包含犯罪行为的第一概率;
通过连续的多帧视频图像的犯罪行为的概率计算视频中包含犯罪行为的第二概率;
判断所述第二概率是否大于预设的概率阈值;
若大于预设的概率阈值,则表示视频中有犯罪行为的发生。
可选的,还包括:
匹配单元,用于将判定有犯罪行为的连续多帧视频图像中的特征信息与预设的研判模型中各个犯罪模式的目标特征进行匹配;
输出单元,用于根据匹配结果,确定判定有犯罪行为的连续多帧视频图像中包含的犯罪模式。
可选的,还包括:
身份识别单元,用于
确定所述视频信息中有犯罪行为发生时,提取确定出有犯罪行为的视频信息中犯罪嫌疑人的人脸特征;
将提取到的人脸的特征与预设的身份识别库进行匹配;
根据匹配结果确定所述犯罪嫌疑人的身份。
本实施例中,通过本实施例的装置,实现了对视频中案件的自动化研判,提高了研判速度,节省了人力、物力。
参考图5,示出了本发明实施例提供的一种案件研判***的结构示意图,在本实施例中,该***包括:
视频采集端501、服务器端502;
所述视频采集端用于采集视频信息;
所述服务器端用于获取视频信息,调用预设的研判模型,所述预设的研判模型用于对所述每帧视频图像的特征信息进行分析,得到每帧视频图像的识别结果,并对连续多帧视频图像的识别结果进行分析,确定是否有犯罪行为的发生。
可选的,还包括:
客户端503;
所述客户端用于对训练研判模型的视频样本进行筛选;所述研判模型用于执行如下的步骤:
对所述每帧视频图像的特征信息进行分析,得到每帧视频图像的识别结果,对连续多帧视频图像的识别结果进行分析,确定是否有犯罪行为的发生。
其中,在不同的地区或者在不同的时间,案件发生的情况会有不同,对案件研判的要求也会不同,因此,为了对适应不同地区的要求,可以在客户端设置设防方案,即训练满足不同要求的研判模型。
具体的,对不同研判模型的训练不同主要体现在,用于训练的视屏样本不同,以及训练的研判模型的准确率的高低,因此客户端可以筛选用于不同目的的视频样本进行训练,以达到不同的目的,或者设置训练时相关机器学习算法的参数用于对研判模型的训练中。
通过上述***,不仅可以实现对视频中案件的自动化研判,提高了研判速度,节省了人力、物力,并且,还可以进行以人搜案、以案搜人、案案互搜,实现了对案件的管理。
需要说明的是,本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (12)
1.一种案件研判方法,其特征在于,包括:
获取视频信息;
提取所述视频信息中每帧视频图像的特征信息,所述特征信息包括:用于表征行为动作的信息;
调用预设的研判模型,所述预设的研判模型用于对所述每帧视频图像的特征信息进行分析,得到每帧视频图像的识别结果,并对连续多帧视频图像的识别结果进行分析,确定是否有犯罪行为的发生。
2.根据权利要求1所述的方法,其特征在于,所述提取所述视频信息中每帧图像的特征信息,包括:
提取所述每帧视频图像中每个像素点的特征;
依据每帧视频图像中每个像素点的特征,过滤掉与案件研判无关的像素点;
依据每帧图像中过滤掉像素点后剩余的像素点的特征,生成数据包;其中每帧视频图像对应一个数据包。
3.根据权利要求2所述的方法,其特征在于,还包括:
根据每帧视频图像的生成时间,确定相应数据包的标识;
在预设的映射表中记录所述数据包的标识;所述映射表表示数据包和所述数据生成时间的关系;
依据所述映射表和所述数据包,生成有序的特征向量,所述特征向量为所述研判模型中用于分析的特征信息。
4.根据权利要求1所述的方法,其特征在于,所述预设的研判模型为通过标注有犯罪行为的视频样本对预设的机器学习模型进行训练后得到的。
5.根据权利要求4所述的方法,其特征在于,所述预设的研判模型的训练过程包括:
获取预设时间长度的第一视频样本;所述第一视频样本中标记有犯罪行为模式;
提取所述第一视频样本中每帧视频图像犯罪行为的特征信息;
依据所述第一视频样本中每帧视频图像犯罪行为的特征信息和所述视频样本标记的犯罪行为模式,对预设的机器学习模型进行训练,得到研判模型;
或者所述研判模型的训练过程包括:
将预设时间长度的视频样本划分为多个时间段;
依次获取每个时间段中的第二视频样本;所述第二视频样本中标记有犯罪行为模式;
依次提取每个第二视频样本中每帧视频图像犯罪行为的特征信息;
依据每个第二视频样本的特征信息和所述第二视频样本标记的犯罪行为模式,对预设的机器学习模型进行训练,得到研判模型。
6.根据权利要求1所述的方法,其特征在于,所述对所述每帧视频图像的特征信息进行分析,得到每帧视频图像的识别结果,并对每帧视频图像的识别结果进行分析,确定是否有犯罪行为的发生,包括:
通过研判模型对每帧视频图像的特征信息进行分析,得到每帧图像中包含犯罪行为的第一概率;
通过连续的多帧视频图像的犯罪行为的概率计算视频中包含犯罪行为的第二概率;
判断所述第二概率是否大于预设的概率阈值;
若大于预设的概率阈值,则表示视频中有犯罪行为的发生。
7.根据权利要求1所述的方法,其特征在于,还包括:
将判定有犯罪行为的连续多帧视频图像中的特征信息与预设的研判模型中各个犯罪模式的目标特征进行匹配;
根据匹配结果,确定判定有犯罪行为的连续多帧视频图像中包含的犯罪模式。
8.根据权利要求1所述的方法,其特征在于,还包括:
在确定所述视频信息中有犯罪行为发生时,提取确定出有犯罪行为的视频信息中犯罪嫌疑人的人脸特征;
将提取到的人脸的特征与预设的身份识别库进行匹配;
根据匹配结果确定所述犯罪嫌疑人的身份。
9.一种案件研判装置,其特征在于,包括:
第一获取单元,用于获取视频信息;
第一特征提取单元,用于提取所述视频信息中每帧视频图像的特征信息,所述特征信息包括:用于表征行为动作的信息;
犯罪行为分析单元,用于调用预设的研判模型,所述预设的研判模型用于对所述每帧视频图像的特征信息进行分析,得到每帧视频图像的识别结果,并对每帧视频图像的识别结果进行分析,确定是否有犯罪行为的发生。
10.根据权利要求8所述的装置,其特征在于,所述预设的研判模型为通过标注有犯罪行为的视频样本对预设的机器学习模型进行训练后得到的。
11.一种案件研判***,其特征在于,包括:
视频采集端、服务器端;
所述视频采集端用于采集视频信息;
提取所述视频信息中每帧视频图像的特征信息,所述特征信息包括:用于表征行为动作的信息;
所述服务器端用于获取视频信息,调用预设的研判模型,所述预设的研判模型用于对所述每帧视频图像的特征信息进行分析,得到每帧视频图像的识别结果,并对连续多帧视频图像的识别结果进行分析,确定是否有犯罪行为的发生。
12.根据权利要求11所述的***,其特征在于,还包括:
客户端;
所述客户端用于对训练研判模型的视频样本进行筛选;所述研判模型用于执行如下的步骤:
对所述每帧视频图像的特征信息进行分析,得到每帧视频图像的识别结果,对连续多帧视频图像的识别结果进行分析,确定是否有犯罪行为的发生。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811418363.1A CN111222370A (zh) | 2018-11-26 | 2018-11-26 | 一种案件研判方法、***及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811418363.1A CN111222370A (zh) | 2018-11-26 | 2018-11-26 | 一种案件研判方法、***及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111222370A true CN111222370A (zh) | 2020-06-02 |
Family
ID=70828724
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811418363.1A Pending CN111222370A (zh) | 2018-11-26 | 2018-11-26 | 一种案件研判方法、***及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111222370A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112434580A (zh) * | 2020-11-13 | 2021-03-02 | 珠海大横琴科技发展有限公司 | 一种视频统计分析方法和装置 |
CN114821936A (zh) * | 2022-03-21 | 2022-07-29 | 慧之安信息技术股份有限公司 | 基于边缘计算的违法犯罪行为检测方法和装置 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101883258A (zh) * | 2009-05-08 | 2010-11-10 | 上海弘视通信技术有限公司 | 暴力犯罪检测***及其检测方法 |
CN102938058A (zh) * | 2012-11-14 | 2013-02-20 | 南京航空航天大学 | 面向平安城市的视频主动智能感知方法及*** |
CN104820834A (zh) * | 2015-05-19 | 2015-08-05 | 深圳市保千里电子有限公司 | 一种斗殴预警方法及装置 |
CN104821060A (zh) * | 2015-05-19 | 2015-08-05 | 深圳市保千里电子有限公司 | 一种抢劫预警方法及装置 |
CN106650655A (zh) * | 2016-12-16 | 2017-05-10 | 北京工业大学 | 一种基于卷积神经网络的动作检测模型 |
CN107818312A (zh) * | 2017-11-20 | 2018-03-20 | 湖南远钧科技有限公司 | 一种基于异常行为识别的嵌入式*** |
CN108288015A (zh) * | 2017-01-10 | 2018-07-17 | 武汉大学 | 基于时间尺度不变性的视频中人体动作识别方法及*** |
CN108351968A (zh) * | 2017-12-28 | 2018-07-31 | 深圳市锐明技术股份有限公司 | 一种针对犯罪活动的告警方法、装置、存储介质及服务器 |
CN108446649A (zh) * | 2018-03-27 | 2018-08-24 | 百度在线网络技术(北京)有限公司 | 用于告警的方法及装置 |
CN108805142A (zh) * | 2018-05-31 | 2018-11-13 | 中国华戎科技集团有限公司 | 一种犯罪高危人员研判方法及*** |
-
2018
- 2018-11-26 CN CN201811418363.1A patent/CN111222370A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101883258A (zh) * | 2009-05-08 | 2010-11-10 | 上海弘视通信技术有限公司 | 暴力犯罪检测***及其检测方法 |
CN102938058A (zh) * | 2012-11-14 | 2013-02-20 | 南京航空航天大学 | 面向平安城市的视频主动智能感知方法及*** |
CN104820834A (zh) * | 2015-05-19 | 2015-08-05 | 深圳市保千里电子有限公司 | 一种斗殴预警方法及装置 |
CN104821060A (zh) * | 2015-05-19 | 2015-08-05 | 深圳市保千里电子有限公司 | 一种抢劫预警方法及装置 |
CN106650655A (zh) * | 2016-12-16 | 2017-05-10 | 北京工业大学 | 一种基于卷积神经网络的动作检测模型 |
CN108288015A (zh) * | 2017-01-10 | 2018-07-17 | 武汉大学 | 基于时间尺度不变性的视频中人体动作识别方法及*** |
CN107818312A (zh) * | 2017-11-20 | 2018-03-20 | 湖南远钧科技有限公司 | 一种基于异常行为识别的嵌入式*** |
CN108351968A (zh) * | 2017-12-28 | 2018-07-31 | 深圳市锐明技术股份有限公司 | 一种针对犯罪活动的告警方法、装置、存储介质及服务器 |
CN108446649A (zh) * | 2018-03-27 | 2018-08-24 | 百度在线网络技术(北京)有限公司 | 用于告警的方法及装置 |
CN108805142A (zh) * | 2018-05-31 | 2018-11-13 | 中国华戎科技集团有限公司 | 一种犯罪高危人员研判方法及*** |
Non-Patent Citations (1)
Title |
---|
王恬 等: "《利用姿势估计实现人体异常行为识别》", vol. 37, no. 10, pages 2366 - 2372 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112434580A (zh) * | 2020-11-13 | 2021-03-02 | 珠海大横琴科技发展有限公司 | 一种视频统计分析方法和装置 |
CN114821936A (zh) * | 2022-03-21 | 2022-07-29 | 慧之安信息技术股份有限公司 | 基于边缘计算的违法犯罪行为检测方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110070029B (zh) | 一种步态识别方法及装置 | |
CN111382623B (zh) | 一种直播审核的方法、装置、服务器和存储介质 | |
CN109325429B (zh) | 一种关联特征数据的方法、装置、存储介质及终端 | |
CN111898581B (zh) | 动物检测方法、装置、电子设备及可读存储介质 | |
CN111353352B (zh) | 异常行为检测方法及装置 | |
CN111210399B (zh) | 一种成像质量评价方法、装置及设备 | |
EP1801757A1 (en) | Abnormal action detector and abnormal action detecting method | |
CN108009466B (zh) | 行人检测方法和装置 | |
JP2017111660A (ja) | 映像パターン学習装置、方法、及びプログラム | |
CN113065474B (zh) | 行为识别方法、装置及计算机设备 | |
JP2015082245A (ja) | 画像処理装置、画像処理方法及びプログラム | |
CN107516102B (zh) | 图像数据分类与建立分类模型方法、装置及*** | |
CN109195011B (zh) | 一种视频处理方法、装置、设备及存储介质 | |
CN110674680B (zh) | 活体识别的方法、装置、存储介质 | |
CN109255360B (zh) | 一种目标分类方法、装置及*** | |
CN106612385B (zh) | 视频检测方法和视频检测装置 | |
CN111723656B (zh) | 一种基于YOLO v3与自优化的烟雾检测方法及装置 | |
EP3706068A1 (en) | Land use determination system, land use determination method and program | |
CN111222370A (zh) | 一种案件研判方法、***及装置 | |
CN109785386A (zh) | 物体识别定位方法和装置 | |
CN114463776A (zh) | 跌倒识别方法、装置、设备及存储介质 | |
CN108596068B (zh) | 一种动作识别的方法和装置 | |
CN116245838A (zh) | 一种岩土勘探行为的监测方法、监测装置、设备及介质 | |
CN111382628B (zh) | 同行判定方法及装置 | |
CN113571092A (zh) | 一种发动机异响识别方法及其相关设备 |
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 |