CN111353369B - 一种城市路侧停车高位视频在辅助刑侦中的应用方法及*** - Google Patents
一种城市路侧停车高位视频在辅助刑侦中的应用方法及*** Download PDFInfo
- Publication number
- CN111353369B CN111353369B CN201910984244.0A CN201910984244A CN111353369B CN 111353369 B CN111353369 B CN 111353369B CN 201910984244 A CN201910984244 A CN 201910984244A CN 111353369 B CN111353369 B CN 111353369B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- information
- driver
- berth
- level video
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 112
- 238000011840 criminal investigation Methods 0.000 title claims abstract description 72
- 230000008569 process Effects 0.000 claims abstract description 54
- 230000009471 action Effects 0.000 claims abstract description 37
- 238000012545 processing Methods 0.000 claims abstract description 22
- 230000005021 gait Effects 0.000 claims description 44
- 230000001815 facial effect Effects 0.000 claims description 33
- 238000012549 training Methods 0.000 claims description 28
- 230000010354 integration Effects 0.000 claims description 22
- 238000013135 deep learning Methods 0.000 claims description 14
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 238000002372 labelling Methods 0.000 claims description 4
- 230000001502 supplementing effect Effects 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 3
- 238000011835 investigation Methods 0.000 abstract description 8
- 230000000875 corresponding effect Effects 0.000 description 43
- 230000006872 improvement Effects 0.000 description 36
- 238000010586 diagram Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000005923 long-lasting effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000011895 specific detection Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/53—Querying
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—Detection; Localisation; Normalisation
- G06V40/166—Detection; Localisation; Normalisation using acquisition arrangements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
- G06V20/625—License plates
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Human Computer Interaction (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Library & Information Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Social Psychology (AREA)
- Psychiatry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开一种城市路侧停车高位视频***在辅助刑侦中的应用***及方法，具体包括获取车辆驶入/驶出路侧泊位的动作信息，并根据该动作信息采集该泊位的高位视频图像，接收所述高位视频图像，获取驶入/驶出泊位车辆的特征图片以及该车辆驾驶员下车/上车过程的特征图片，识别驶入/驶出泊位车辆的特征图片以及该车辆驾驶员下车/上车过程的特征图片，确认人车关联事件信息；实时处理人车关联事件信息，根据实时处理结果整合人车联动数据库。采用本发明提供的路侧停车高位视频在辅助刑侦的应用***及方法，可规范、高效的存储驶入/驶出路侧停车的所有车牌信息、车辆特征信息及驾驶员信息，以供辅助侦查工作所用。
Description
技术领域
本发明涉及城市路侧停车管理及计算机辅助刑侦应用领域，尤其涉及一种城市路侧停车高位视频在辅助刑侦中的应用方法。
背景技术
路侧停车管理是利用地面上通行公路两侧的场地进行的停车管理。随着城市经济的飞速发展和人民生活水平的不断提高，城市机动车保有量快速增长，城市中静态交通的管理问题日益凸显其重要性。基于高位视频的路侧停车管理***因具有停车识别准确率高、安装后不易损坏、捕捉视频全面清晰、现场不需人操作、收费规范快捷方便等优点而被越来越多的城市管理部门所采用。目前，该***上线后，实践证明，在收费规范、缓解拥堵、解决泊位紧张等方面具有突出的效果。
实际上，在有些地区，侦查工作一直存在着辅助手段过于单一，刑侦工作效率偏低等影响我国长治久安的一些因素。有鉴于此，有必要开发新的刑侦辅助工具，尤其是投资少、实现快、效果好的技术方案，借助社会生活中一切有利于侦查工作的其他技术设备和技术方法，努力提高刑侦工作效率，提高侦破成功率，不断满足我国人民群众安居乐业的美好追求。
发明内容
本发明针对现有刑侦辅助手段太少，为了丰富刑侦辅助技术，通过对路侧停车高位视频等现有智能设备利用，不需投入太多的资金和人力，就可以使其成为刑侦工作的重要辅助手段，对于取证、勘验、搜寻等工作有着重要意义。
为实现上述目的，本发明提供一种城市路侧停车高位视频在辅助刑侦中的应用方法，所述方法包括：
获取车辆驶入/驶出路侧泊位的动作信息，并根据该动作信息采集该泊位的高位视频图像，
接收所述高位视频图像，获取驶入/驶出泊位车辆的特征图片以及该车辆驾驶员下车/上车过程的特征图片，
关联所述驶入/驶出泊位车辆的特征信息以及驾驶员下车/上车过程的特征信息，确认人车关联事件信息；
实时处理人车关联事件信息，根据实时处理结果整合人车联动数据库，
根据指令检索整合后的人车联动数据库信息，输出检索结果。
作为本发明的进一步改进，获取入位车辆的特征信息之后还包括，根据入位车辆特征信息获取该车辆入位的时间地点信息。
作为本发明的进一步改进，获取该车辆入位的时间地点之后还包括，在设定的时间阈内获取驾驶该车辆的驾驶员下车过程的特征信息，并将所述车辆特征信息、车辆入位的时间地点信息与驾驶员的特征信息关联。
作为本发明的进一步改进，获取车辆驶入路侧泊位的动作信息，并根据该动作信息采集该泊位的高位视频图像之前还包括；
检测车辆是否压线驶入泊位，若车辆驶入泊位，获取车辆驶入路侧泊位的动作信息。
作为本发明的进一步改进，获取车辆驶入路侧泊位的动作信息，并根据该动作信息采集该泊位的高位视频图像包括；
每隔数秒采集车辆驶入泊位过程中特显图片，识别车辆驶入泊位过程中特显图片，确认车辆入场时间；
当确认车辆泊位之后，继续采集若干帧图像信息，获取车辆在泊位内的高位视频图像。
作为本发明的进一步改进，获取车辆驶出路侧泊位的动作信息，并根据该动作信息采集该泊位的高位视频图像之前还包括；
连续采集路过车辆的疑似驾驶员的状态信息，当采集到的疑似驾驶员与车辆接触，且在设定的时间阈内，该车辆压线驶出泊位，
则确认疑似驾驶员为驾驶该辆车的驾驶员，确定车辆驶出泊位的时间地点信息，并将车辆驶出泊位的时间地点信息与驾驶员关联。
作为本发明的进一步改进，实时处理人车关联事件信息，根据实时处理结果整合人车联动数据库，之前还包括，
获取同一车辆多次驶入/驶出泊位视频信息，获取该车辆的驶入/驶出泊位图片以及包含驾驶员下车/上车过程的生物特征信息的图片，
训练同一车辆多张驶入/驶出泊位图片以及包含驾驶员下车/上车过程的生物特征信息的图片，得到相应的车辆信息模型以及驾驶员生物特征模型；
根据车辆信息模型以及驾驶员生物特征模型建立人车联动数据库。
作为本发明的进一步改进，
获取相应的车辆信息模型以及驾驶员生物特征模型的步骤为，
标注多张驶入/驶出泊位图片以及包含驾驶员下车/上车过程的生物特征信息的图片，增加车牌号、车辆品牌信息、驾驶员人脸以及驾驶员步态特征标记；
深度训练多张带有标记的图片，
根据车辆品牌信息建立车辆信息模型；
根据驾驶员面部特征和步态特征，建立驾驶员生物特征模型。
作为本发明的进一步改进，若同一车牌号有多个车辆信息模型和/或多个驾驶员生物特征模型，则以车牌号为主键，分别将多个车辆信息模型和/或多个驾驶员生物特征模型添加至人车联动数据库。
作为本发明的进一步改进，通过基于卷积神经网络的深度学习方法训练同一车辆多张含有驶入/驶出泊位图片以及驾驶员下车过程的生物特征信息的图片，获取相应的车辆信息模型以及驾驶员生物特征模型。
作为本发明的进一步改进，根据车辆信息模型以及驾驶员生物特征模型建立人车联动数据库之后还包括：根据车牌号，关联与之相应的车辆信息模型以及对应的驾驶员生物特征模型，建立一条车辆记录。
作为本发明的进一步改进，根据车牌号，关联与之相应的车辆信息模型以及对应的驾驶员生物特征模型，建立一条车辆记录：
若一个车牌号对应多个车辆品牌信息、车型信息以及对应的驾驶员面部特征和步态特征信息，分别以车牌号为主键，关联多个车辆信息模型以及生物特征模型，形成多条车辆记录。
作为本发明的进一步改进，接收所述高位视频图像并进行实时处理，根据实时处理结果整合人车联动数据库包括，
实时获取车辆驶入/驶出泊位高位视频信息，
标注驶入/驶出泊位图像，获取该车辆对应的车牌号以及驾驶员生物特征信息，
根据该车牌号、驾驶员生物特征信息与人车联动数据库中数据分别比对，获取比对结果。
作为本发明的进一步改进，若人车联动数据库中只存在驶入/驶出泊位车辆的车牌号，
则将该车辆对应的驾驶员生物特征信息补入至人车联动数据库中驶入/ 驶出泊位车辆对应的驾驶员生物特征模型中。
作为本发明的进一步改进，若人车联动数据库中不存在驶入/驶出泊位车辆的车牌号以及驾驶员下车过程的生物特征信息，则以该车牌号为主键，在该人车联动数据库中新增一条包含此条车辆记录中车辆信息模型以及驾驶员生物特征模型的记录。
作为本发明的进一步改进，根据指令检索整合后的人车联动数据库信息，输出检索结果具体步骤包括，
根据检索信息输入检索指令，
根据检索指令逐一确认所述检索信息是否与人车联动数据库信息中的一项或多项匹配，输出检索结果。
作为本发明的进一步改进，
根据检索指令逐一确认所述检索信息是否与人车联动数据库信息中的一项或多项匹配，输出检索结果包括：
输入人脸信息和/或步态信息，检索所述人车联动数据库中是否存在该信息，若存在，输出与人脸信息和/或步态信息相对应的车牌号、及车辆信息。
作为本发明的进一步改进，根据检索指令逐一确认所述检索信息是否与人车联动数据库信息中的一项或多项匹配，输出检索结果还包括：
输入车牌号和/或车辆信息，检索所述人车联动数库中是否存在该信息，若存在，输出与车牌号、及车辆信息对应的人脸信息。
一种路侧停车高位视频在辅助刑侦中的应用***，所述***包括图像采集设备、处理器和检索终端，所述图像采集设备、处理器和检索终端通信连接；
所述图像采集设备，用于获取车辆驶入/驶出路侧泊位的动作信息，并根据该动作信息采集该泊位的高位视频图像，
所述处理器用于接收所述高位视频图像，获取驶入/驶出泊位车辆的特征图片以及该车辆驾驶员下车/上车过程的特征图片，
所述处理器还用于关联所述驶入/驶出泊位车辆的特征信息以及驾驶员下车/上车过程的特征信息，确认人车关联事件信息，
所述处理器还用于处理人车关联事件信息，根据实时处理结果整合人车联动数据库，
所述检索终端用于根据指令检索整合后的人车联动数据库信息，输出检索结果。
作为本发明的进一步改进，所述处理器还用于根据入位车辆特征信息获取该车辆入位的时间地点信息。
作为本发明的进一步改进，所述处理器还用于在设定的时间阈内获取驾驶该车辆的驾驶员下车过程的特征信息，并将所述车辆特征信息、车辆入位的时间地点信息与驾驶员的特征信息关联。
作为本发明的进一步改进，还包括前端设备，所述前端设备还用于检测车辆是否进入泊位，若车辆进入泊位，获取车辆驶入/驶出路侧泊位的动作信息。
作为本发明的进一步改进，所述图像采集设备包括采集模块和车辆识别模块；
所述采集模块用于每隔数秒采集车辆入场过程中特显图片；
所述车辆识别模块用于识别车辆驶入泊位过程中特显图片，确认车辆入场时间；
所述采集模块还用于，当确认车辆泊位之后，继续采集若干帧图像信息，获取车辆在泊位内的高位视频图像。
作为本发明的进一步改进，所述采集模块还用于连续采集路过车辆的疑似驾驶员的状态信息，
作为本发明的进一步改进所述处理器包括识别模块、关联模块、标注模块、训练模块以及整合模块；
当采集到的疑似驾驶员与车辆接触，且在设定的时间阈内，该车辆压线驶出泊位，则确认疑似驾驶员为驾驶该辆车的驾驶员时，
所述车辆识别模块用于确定该车辆驶出泊位的时间地点信息以及识别车辆信息；
所述关联模块用于将车辆驶出/驶入泊位的时间地点信息与驾驶员上车/ 下车过程的生物特征信息关联，得到人车关联事件信息；
所述标注模块用于标注多张驶入/驶出泊位图片以及包含驾驶员上车/下车过程的生物特征信息的图片，增加车牌号、车辆品牌信息、驾驶员人脸以及驾驶员步态特征标记；
所述训练模块用于深度训练多张带有标记的图片；
所述整合模块用于根据车辆品牌信息建立车辆信息模型以及根据驾驶员面部特征和步态特征，建立驾驶员生物特征模型。
作为本发明的进一步改进，若同一车牌号有多个车辆信息模型和/或多个驾驶员生物特征模型，所述整合模块还用于以车牌号为主键，分别将多个车辆信息模型和/或多个驾驶员生物特征模型添加至人车联动数据库。
作为本发明的进一步改进，所述训练模块还用于通过基于卷积神经网络的深度学习方法训练同一车辆多张含有驶入/驶出泊位图片以及驾驶员下车过程的生物特征信息的图片，获取相应的车辆信息模型以及驾驶员生物特征模型。
作为本发明的进一步改进，所述整合模块还用于根据车牌号，关联与该车牌号相应的车辆品牌信息、车型信息以及对应的驾驶员面部特征和步态特征信息，建立一条车辆记录。
作为本发明的进一步改进，若一个车牌号对应多个辆品牌信息、车型信息以及对应的驾驶员面部特征和步态特征信息，所述整合模块还用于分别以车牌号为主键，关联多个车辆信息模型以及生物特征模型，形成多条车辆记录。
作为本发明的进一步改进，所述处理器还包括比对模块，所述比对模块用于根据实时获取的车牌号、驾驶员生物特征信息与人车联动数据库中数据分别比对，获取比对结果。
作为本发明的进一步改进，若人车联动数据库中只存在驶入/驶出泊位车辆的车牌号，所述整合模块还用于则将该车辆对应的驾驶员生物特征信息补入至人车联动数据库中驶入/驶出泊位车辆对应的驾驶员生物特征模型中。
作为本发明的进一步改进，若人车联动数据库中不存在驶入/驶出泊位车辆的车牌号以及驾驶员下车过程的生物特征信息，所述整合模块还用于以该车牌号为主键，在该人车联动数据库中新增一条包含此条车辆记录中车辆信息模型以及驾驶员生物特征模型的记录。
作为本发明的进一步改进，所述检索终端包括输入模块和检索模块；所述输入模块用于根据检索信息输入检索指令；
所述检索模块用于根据检索指令逐一确认所述检索信息是否与人车联动数据库信息中的一项或多项匹配，输出检索结果。
作为本发明的进一步改进，所述检索终端还包括输出模块；
当输入人脸信息和/或步态信息，检索所述人车联动数据库中存在该信息，所述输出模块还用于输出与人脸信息和/或步态信息相对应的车牌号、及车辆信息。
作为本发明的进一步改进，当输入车牌号和/或车辆信息，检索所述人车联动数据库中是存在该信息，所述输出模块还用于，输出与车牌号、及车辆信息对应的人脸信息。
作为本发明的进一步改进，所述***还包括人车联动数据库，所述人车联动数据库用于存储多条车辆记录。
采用本发明提供的路侧停车高位视频在辅助刑侦的应用***及方法，基于城市路侧停车管理***高位视频及训练创建的人车联动数据库，可规范、高效的存储驶入/驶出路侧停车的所有车牌信息、车辆特征信息及驾驶员信息，以供辅助侦查工作所用。使用时，能够精确、高效地根据数据库中的数据，对某些输入条件进行查找，以快速的搜寻可疑人员和可疑车辆的身份信息和特征信息，对于提高办案效率具有较大帮助。
附图说明
图1是本发明一种路侧停车高位视频在辅助刑侦的应用方法的流程示意图；
图2是本发明一种路侧停车高位视频在辅助刑侦的应用方法的流程示意图；
图3是本发明一种路侧停车高位视频在辅助刑侦的应用***的示意图；
图4是本发明一种路侧停车高位视频在辅助刑侦应用方法中建立人车联动数据库的示意图；
图5是本发明一种路侧停车高位视频在辅助刑侦的应用方法的应用场景图。
具体实施方式
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
针对现有刑侦辅助手段少的难题，为了丰富刑侦辅助技术，本发明通过对路侧停车高位视频等现有智能设备进行改进利用，不需投入太多的资金和人力，就可以使其成为刑侦工作的重要辅助手段，对于取证、勘验、搜寻等。
S1,获取车辆驶入/驶出路侧泊位的动作信息，并根据该动作信息采集该泊位的高位视频图像，具体的泊位动作一般包括车辆压线即将进入泊位的瞬间或者车辆有进入泊位的趋势的瞬间，此时可判定车辆可能入场；即可根据此动作信息对即将发生在该泊位的事件通过高位视频***记录。
在获取车辆驶入路侧泊位的动作信息，并根据进出泊位的动作信息采集该泊位的高位视频图像之前还包括；
检测车辆是否压线驶入泊位，若车辆驶入泊位，获取车辆驶入路侧泊位的动作信息。具体的检测方式为：可以通过地磁感应设备、红外感应设备或者采集即将进入泊位的高位视频来确定，在车辆即将驶入泊位时，设置在停车场入口处或者埋在停车场入口地下的地磁感应设备或红外感应设备感应到车辆经过时，即可将信号传递给高位视频设备，高位设备即可采集高位视频，当车辆即将进入停车位时，其行驶都是低速，便于获取清晰的车辆视频；
具体的，车辆在行驶到监控区域(一般指临近车场出入口或者停车位附近区域)时，即可每隔一段时间采集一段车辆行进过程的视频，包括采集车辆靠近停车位时的视频，一般的，无车辆进入路侧停车场时，也需至少保证至少每5秒采集一帧图像，以便保持垃圾数据的总量；当监测到有车辆驶出停车泊位时，按驶出发生时间向前一个时间段起，采集至车辆驶出为止；当自动监测到有车辆驶入停车泊位时，自驶入时间起，采集至某一时间段后止；监测到有车辆出入时，采集频率提高到至少每6帧/秒，保证捕捉到车辆驶入 /驶出泊位图片以及包含车辆驾驶员的人脸及步态等特征的图片，便于后期取证。
S2,接收所述高位视频图像，获取驶入/驶出泊位车辆的特征图片以及该车辆驾驶员下车/上车过程的特征图片；
车辆在进入泊位之前一直处于行驶当中，当车辆驶入泊位并停靠后，获取该车辆的特征信息，不限于车型信息、车牌号码、车辆颜色等，而且当车辆停靠后的某一个时间阈内(一般取0～4min),驾驶员会从车辆下来，此时采集到的视频里至少包括了车辆特征信息(不限于车型信息、车牌号码、车辆颜色等)、驾驶员的生物特征信息以及驾驶员与其驾驶的车辆关联的特征信息(包含驾驶员下车动作图片)；
当车辆驶出泊位之前，连续采集路过车辆的疑似驾驶员的状态信息，当采集到的疑似驾驶员与车辆接触且该疑似驾驶员有上车动作，且在设定的时间阈内，该车辆压线驶出泊位，则确认疑似驾驶员为驾驶该辆车的驾驶员，确定车辆驶出泊位的时间地点信息，此次采集的信息包括驾驶员生物特征信息、车辆特征信息以及驾驶员与其驾驶的车辆关联的特征信息(包括驾驶员上车动作图片)。
S3，识别所述驶入/驶出泊位车辆的特征信息以及驾驶员下车/上车过程的特征信息，确认人车关联事件信息；该人车关联事件信息是上述采集到的车辆的特征信息、驾驶该车辆的驾驶员的生物特征信息以及驾驶员上车以及下车过程中人车关联的特征信息汇总的事件信息，使得人和车进行高精准关联，一般可以以车辆的车牌号为主键形成汇总的事件信息，以确保人车关联事件的准确性。
S4，实时处理人车关联事件信息，根据实时处理结果整合人车联动数据库；
具体的，在将实时采集到的高位视频图像进行处理之前，需要建立人车联动数据库，如图3所示的是建立人车俩都数据库的示意图，
具体建立人车联动数据库通常可以采集一辆车多次进出泊位前后的视频图像来建立；并根据所获得的信息得到人车联动数据库；
但是为了保证数据的可靠性，通常可以分时段分区域采集同一辆车多次驶入/驶出泊位的视频信息，
获取同一车辆多次驶入/驶出泊位视频信息，获取该车辆的驶入/驶出泊位图片以及包含驾驶员下车/上车过程的生物特征信息的图片，
训练同一车辆多张驶入/驶出泊位图片以及包含驾驶员下车/上车过程的生物特征信息的图片，得到相应的车辆信息模型以及驾驶员生物特征模型；
根据车辆信息模型以及驾驶员生物特征模型建立人车联动数据库。
具体的，获取相应的车辆信息模型以及驾驶员生物特征模型的步骤如下：
标注多张驶入/驶出泊位图片以及包含驾驶员下车/上车过程的生物特征信息的图片，增加车牌号、车辆品牌信息、驾驶员人脸以及驾驶员步态特征标记；获得带有各种标记的多张图片，深度训练上述多张带有标记的图片；
根据训练得到的车辆品牌信息、车辆颜色、车牌号等建立车辆信息模型，具体车辆信息模型不限于车牌号模型、车辆品牌模型等；
根据驾驶员面部特征和步态特征，建立驾驶员生物特征模型，该生物特征模型不限于包括面部特征模型和步态特征模型，主要作为驾驶员的关键特征用于后期取证。
具体在实施时，驾驶员面部特征和驾驶员步态特征是人车关联事件里非常重要的特征，一般通过需要将车辆信息与驾驶员面部特征、步态特征均高度关联之后方可确认人车关联事件，但是由于特殊的天气原因或者夜间光线较差无法清晰获取驾驶员面部特征时，此时驾驶员步态特征即为完善人车关联事件极为重要的特征。
在上述步骤中，通过基于卷积神经网络的深度学习方法训练同一车辆多张含有驶入/驶出泊位图片以及驾驶员下车过程的生物特征信息的图片，获取相应的车辆信息模型以及驾驶员生物特征模型。
当建立了人车联动数据库之后，需要不定期对人车联动数据库的信息进行更新，作为对人车联动数据库的信息的进一步完善，需要根据车牌号来对人车联动数据库进行信息梳理和更新，
具体步骤如下：根据车牌号，关联与该车牌相应的车辆品牌模型、车型信息模型以及对应的驾驶员面部特征模型和步态特征模型，建立一条车辆记录。
若一个车牌号对应多个车辆品牌信息模型、车型信息模型以及对应的驾驶员面部特征模型和步态特征模型，分别以车牌号为主键，关联多个车辆信息模型以及生物特征模型，形成多条车辆记录。
当一个车牌号存在多个车辆品牌模型时，需要对该信息进行标注，可以打击***主；
当一个车牌号存在多个生物特征模型，可分别对每个生物特征进行标注，例如分别标注驾驶员1、驾驶员2等，当车辆被盗时，可以锁定嫌疑人，比如，当发现车辆丢失时候，即可锁定最后一位驾驶员，确定嫌疑人目标，方便案件的追踪。
进一步的，为了保证人车联动数据库为最新，需要不定时的对该数据库进行完善，只要车辆发生停车，就需要对该数据库信息进行更新；具体的，接收所述高位视频图像并进行实时处理，根据实时处理结果整合人车联动数据库具体还包括：
实时获取车辆驶入/驶出泊位图像信息，
标注驶入/驶出泊位图像，获取该车辆对应的车牌号以及驾驶员生物特征信息，
根据该车牌号、驾驶员生物特征信息与人车联动数据库中数据分别比对，获取比对结果。
根据比对结果来确认是否需要更新人车联动数据库，
若人车联动数据库中只存在驶入/驶出泊位车辆的车牌号，
则获取多张含有该车辆对应的驾驶员生物特征信息的图片并进行训练，得到驾驶员生物特征模型，并将其补入至人车联动数据库中。
若人车联动数据库中不存在驶入/驶出泊位车辆的车牌号以及驾驶员下车过程的生物特征信息，
则获取该车辆的驶入/驶出泊位的多张高位视频图片并进行训练得到车辆信息模型以及驾驶员生物特征模型，并以该车牌号为主键，在该人车联动数据库中新增一条包含此条车辆记录中车辆信息模型以及驾驶员生物特征模型的记录。
若实时获取得到的数据均存在人车联动数据库中，即可忽略此条记录不进行更新。
上述驾驶员生物特征包括驾驶员步态特征和驾驶员面部特征，车辆信息模型包括车型信息、车牌号以及车辆品牌等，为了保证人车联动数据库的信息是准确度最高的，需要经过多次更新，确保车主与车辆信息的高度契合，方便辅助刑侦。
另一种可实施的方式是，若刑侦中确认一个驾驶员有两个车辆信息模型，也有可能是车主更换车辆，若确认是车更换车辆，则删除人车联动数据库中车牌号下的原始记录，新增更换后的车辆记录。
S5,根据指令检索整合后的人车联动数据库信息，输出检索结果；
具体步骤包括，
根据检索信息输入检索指令，
根据检索指令逐一确认所述检索信息是否与人车联动数据库信息中的一项或多项匹配，输出检索结果。
当警方在侦查案件中，当获取了嫌疑人的面部特征时，可以根据面部特征匹配与之相应的车辆信息，若有车辆，则调取车辆信息，确认车辆经常活动的场所，根据车辆的活动轨迹确认嫌疑人的行踪；协助警方办案。
当未明确获取到嫌疑人的面部特征或者面部特征被遮挡导致获取不到清晰的面部特征时，也可通过步态特征匹配与之相应的车辆信息，若有车辆，则调取车辆信息，确认车辆经常活动的场所，根据车辆的活动轨迹确认嫌疑人的行踪；与此同时可以将模糊的面部特征与车牌号记录下的面部特征模型进行模糊匹配，进一步确认嫌疑人的身份。
若通过面部特征或者步态特征确认的该驾驶员有多辆车辆，则可逐一调取车辆信息，分别确认多辆车的轨迹，协助警方破案。
在车辆丢失案件中，当仅获取到嫌疑人的车牌信息，则可匹配该车牌记录下驾驶员的相应信息，若该车牌记录下有多位驾驶员，则可通过面部特征匹配，排除车主，进一步确认驾驶该辆车的其他驾驶员以及相应的驾车行驶轨迹，帮助车主寻找车辆。
另一种刑侦案件中，嫌疑犯犯罪后会弃车潜逃，这样警方只能获取车辆信息，在协助刑侦时，通过输入车牌号来获取信息记录，根据车牌号匹配车型信息，若与该车牌号匹配的车辆信息模型中只有一辆车且驾驶员面部特征只有一个，则嫌疑人很大概率为车主本人，检索驾驶该辆车的驾驶员，调取车辆以及驾驶员的活动轨迹，直接侦破案件。
若嫌疑人不是车主本人，且通过将车牌号与人车联动数据库中的车辆信息模型匹配，若同一车牌号记录下有不同的车辆模型，则可确认其中有一辆为***，则再分别根据不同车辆信息模型匹配对应的驾驶员，侦破案件。
若人车联动数据库用于辅助刑侦时，车辆的任何形态特征，包括车牌号、车型信息以及车辆品牌等；以及驾驶员生物特征，包括面部特征、步态特征等均可作为辅助刑侦的关键特征，关联上述任何两项或者多项特征即可完成刑侦线索链，为刑侦提供了有利的保障。
如图4所示，本发明还公开了一种执行上述方法的***，所述***包括前端设备8、图像采集设备4、处理器5和检索终端7和人车联动数据库6；
所述图像采集设备8，获取车辆驶入/驶出路侧泊位的动作信息，并根据该动作信息采集该泊位的高位视频图像，该图像采集设备优先选用阵列相机，所述阵列相机一般包含多个平行设置的不同焦距的摄像头，这些摄像头分别拍摄远端以及近端的图像，不仅可以获取车辆进出泊位的图像，还可以获取与车辆关联的驾驶员的生物特征以及步态特征图像，可以作为刑侦中强有力的证据；
图像采集设备8还可以选择枪球联动设备，枪球联动设备是指包含一个枪型摄像机和一个球形摄像机的联动设备，该联动设备可以准确的获取车辆进出泊位的图像，但是在驾驶员生物特征获取上稍有欠缺，但可以通过多次算法处理弥补上述不足，上述图像采集设备主要用于采集各种格式的视频以及图像，当图像采集设备采集图像之后通过有线或者无线网络传输至处理器，所述处理器接收所述高位视频图像，获取驶入/驶出泊位车辆的特征图片以及该车辆驾驶员下车/上车过程的特征图片，以及关联所述驶入/驶出泊位车辆的特征信息以及驾驶员下车/上车过程的特征信息，确认人车关联事件信息，
还用于处理人车关联事件信息，根据实时处理结果整合人车联动数据库，
具体处理过程包括数据的标注、深度学习等，具体标注车牌信息，车辆品牌型号，驾驶员人脸，驾驶员步态等信息。深度学习训练是指通过基于卷积神经网络的深度学习方法对所述多个车辆及驾驶员的视频图像样本进行训练，得到车辆品牌型号模型及驾驶员的人脸特征模型、步态特征模型。
所述检索终端用于根据指令检索整合后的人车联动数据库信息，输出检索结果，检索终端一般为设在刑侦检索终端，其与所述人车联动数据库通信连接，用于根据检索指令调取人车联动数据库中的人车信息。
所述***还包括前端设备，所述前端设备还用于检测车辆是否进入泊位，若车辆进入泊位，获取车辆驶入/驶出路侧泊位的动作信息，具体的前端设备可以为可为单个枪式摄像机、单个球式摄像机，多个球形摄像机、多个枪型摄像机或者平行阵列相机(包含若干台相机，相机安装在一个设备壳体内)，主要用于判定泊位是否有车辆进入，也可以通过地磁感应器、红外感应器等设备来协助判定。
具体的，所述采集设备包括采集模块；所述采集模块用于每隔数秒采集车辆入场过程中特显图片；所述采集模块还用于获取所述车辆对应的驾驶员下车/上车过程的生物特征信息图片。
本发明中，将驾驶员生物特征模型以及车辆信息模型等信息作为刑侦案件中搜索的关键信息。
本发明中，所述处理器包括识别模块、关联模块、标注模块、训练模块以及整合模块；
当采集到的疑似驾驶员与车辆接触，且在设定的时间阈内，该车辆压线驶出泊位，则确认疑似驾驶员为驾驶该辆车的驾驶员时，
所述车辆识别模块用于确定该车辆驶出泊位的时间地点信息以及识别车辆信息；
所述关联模块用于将车辆驶出泊位的时间地点信息与驾驶员上车过程的生物特征信息关联，得到人车关联事件信息；
所述标注模块用于标注多张驶入/驶出泊位图片以及包含驾驶员下车过程的生物特征信息的图片，增加车牌号、车辆品牌信息、驾驶员人脸以及驾驶员步态特征标记；
所述训练模块用于训练多张带有标记的样本图片；
所述整合模块用于根据车辆品牌信息建立车辆信息模型以及根据驾驶员面部特征和步态特征，建立驾驶员生物特征模型。
若同一车牌号有多个车辆信息模型和/或多个驾驶员生物特征模型，所述整合模块还用于以车牌号为主键，分别将多个车辆信息模型和/或多个驾驶员生物特征模型添加至人车联动数据库。
所述训练模块还用于通过基于卷积神经网络的深度学习方法训练同一车辆多张含有驶入/驶出泊位图片以及驾驶员下车过程的生物特征信息的图片，获取相应的车辆信息模型以及驾驶员生物特征模型。
所述整合模块还用于根据车牌号，关联与该车牌号相应的车辆品牌信息、车型信息以及对应的驾驶员面部特征和步态特征信息，建立一条车辆记录。
若一个车牌号对应多个辆品牌信息、车型信息以及对应的驾驶员面部特征和步态特征信息，所述整合模块还用于分别以车牌号为主键，关联多个车辆信息模型以及生物特征模型，形成多条车辆记录。
进一步的，所述处理器还包括比对模块，所述比对模块用于根据实时获取的车牌号、驾驶员生物特征信息与人车联动数据库中数据分别比对，获取比对结果。
若人车联动数据库中只存在驶入/驶出泊位车辆的车牌号，所述整合模块还用于则将该车辆对应的驾驶员生物特征信息补入至人车联动数据库中驶入 /驶出泊位车辆对应的驾驶员生物特征模型中。
若人车联动数据库中不存在驶入/驶出泊位车辆的车牌号以及驾驶员下车过程的生物特征信息，所述整合模块还用于以该车牌号为主键，在该人车联动数据库中新增一条包含此条车辆记录中车辆信息模型以及驾驶员生物特征模型的记录。
所述检索终端包括输入模块和检索模块；所述输入模块用于根据检索信息输入检索指令；
所述检索模块用于根据检索指令逐一确认所述检索信息是否与人车联动数据库信息中的一项或多项匹配，输出检索结果。
所述检索终端还包括输出模块；
当输入人脸信息和/或步态信息，检索所述人车联动数据库中存在该信息，所述输出模块还用于输出与人脸信息和/或步态信息相对应的车牌号、及车辆信息。
当输入车牌号和/或车辆信息，检索所述人车联动数据库中是存在该信息，所述输出模块还用于，输出与车牌号、及车辆信息对应的人脸信息。
本发明中所述的高位视频是指：在现有的路侧占道停车或者封闭停车场停车中所采用挂在监控杆高位的图像采集设备采集到的视频。
需要说明的是，本领域技术人员可以了解到，深度学习是机器学习的一种，而机器学习是实现人工智能的必经路径。深度学习的概念源于人工神经网络的研究，含多个隐藏层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。本方案中通过深度学习方法对样本进行标注及训练的具体步骤不再赘述。
本发明实施例提供了一种城市路侧停车高位视频在辅助刑侦中的应用方法，以上所述仅为本发明的较佳实施例。
应该明白，公开的过程中的步骤的特定顺序或层次是示例性方法的实例。基于设计偏好，应该理解，过程中的步骤的特定顺序或层次可以在不脱离本公开的保护范围的情况下得到重新安排。所附的方法权利要求以示例性的顺序给出了各种步骤的要素，并且不是要限于所述的特定顺序或层次。
在上述的详细描述中，各种特征一起组合在单个的实施方案中，以简化本公开。不应该将这种公开方法解释为反映了这样的意图，即，所要求保护的主题的实施方案需要清楚地在每个权利要求中所陈述的特征更多的特征。相反，如所附的权利要求书所反映的那样，本发明处于比所公开的单个实施方案的全部特征少的状态。因此，所附的权利要求书特此清楚地被并入详细描述中，其中每项权利要求独自作为本发明单独的优选实施方案。
为使本领域内的任何技术人员能够实现或者使用本发明，上面对所公开实施例进行了描述。对于本领域技术人员来说；这些实施例的各种修改方式都是显而易见的，并且本文定义的一般原理也可以在不脱离本公开的精神和保护范围的基础上适用于其它实施例。因此，本公开并不限于本文给出的实施例，而是与本申请公开的原理和新颖性特征的最广范围相一致。
上文的描述包括一个或多个实施例的举例。当然，为了描述上述实施例而描述部件或方法的所有可能的结合是不可能的，但是本领域普通技术人员应该认识到，各个实施例可以做进一步的组合和排列。因此，本文中描述的实施例旨在涵盖落入所附权利要求书的保护范围内的所有这样的改变、修改和变型。此外，就说明书或权利要求书中使用的术语“包含”，该词的涵盖方式类似于术语“包括”，就如同“包括，”在权利要求中用作衔接词所解释的那样。此外，使用在权利要求书的说明书中的任何一个术语“或者”是要表示“非排它性的或者”。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (37)
1.一种城市路侧停车高位视频在辅助刑侦中的应用方法，其特征在于，所述方法包括：
获取车辆驶入/驶出路侧泊位的动作信息，并根据所述动作信息采集该泊位的高位视频图像，
接收所述高位视频图像，获取驶入/驶出泊位车辆的特征图片以及该车辆驾驶员下车/上车过程的特征图片，
识别驶入/驶出泊位车辆的特征图片以及该车辆驾驶员下车/上车过程的特征图片，确认人车关联事件信息；
实时处理人车关联事件信息，根据实时处理结果整合人车联动数据库，
根据指令检索整合后的人车联动数据库信息，输出检索结果。
2.根据权利要求1所述的城市路侧停车高位视频在辅助刑侦中的应用方法，其特征在于，
获取车辆驶入路侧泊位的动作信息，并根据该动作信息采集该泊位的高位视频图像之前还包括；
检测车辆是否压线驶入泊位，若车辆驶入泊位，获取车辆驶入路侧泊位的动作信息。
3.根据权利要求2所述的城市路侧停车高位视频在辅助刑侦中的应用方法，其特征在于，
获取驶入泊位车辆的特征图像之后还包括根据入位车辆特征图像获取该车辆入位的时间地点信息。
4.根据权利要求3所述的城市路侧停车高位视频在辅助刑侦中的 应用方法，其特征在于，
获取该车辆入位的时间地点之后还包括，在设定的时间阈内获取驾驶该车辆的驾驶员下车过程的特征信息，并将所述车辆特征信息、车辆入位的时间地点信息与驾驶员的特征信息关联。
5.根据权利要求4所述的城市路侧停车高位视频在辅助刑侦中的应用方法，其特征在于，
获取车辆驶出路侧泊位的动作信息，并根据该动作信息采集该泊位的高位视频图像之前还包括；
连续采集路过车辆的疑似驾驶员的状态信息，当采集到的疑似驾驶员与车辆接触，且在设定的时间阈内，该车辆压线驶出泊位，
则确认疑似驾驶员为驾驶该辆车的驾驶员，确定车辆驶出泊位的时间地点信息，并将车辆驶出泊位的时间地点信息与驾驶员的特征信息关联。
6.根据权利要求5所述的城市路侧停车高位视频在辅助刑侦中的应用方法，其特征在于，
获取车辆驶入/驶出路侧泊位的动作信息，并根据该动作信息采集该泊位的高位视频图像之后还包括建立人车联动数据库。
7.根据权利要求6所述的城市路侧停车高位视频在辅助刑侦中的应用方法，其特征在于，
建立人车联动数据库的步骤为：获取同一车辆多次驶入/驶出泊位的高位视频信息，获取该车辆的驶入/驶出泊位图片以及包含驾驶员下车/上车过程的生物特征信息的图片，
训练同一车辆多张驶入/驶出泊位图片以及包含驾驶员下车/上车过程的生物特征信息的图片，得到相应的车辆信息模型以及驾驶员生物特征模型；
根据车辆信息模型以及驾驶员生物特征模型建立人车联动数据库。
8.根据权利要求7所述的城市路侧停车高位视频在辅助刑侦中的应用方法，其特征在于，
获取相应的车辆信息模型以及驾驶员生物特征模型的步骤为，
标注多张驶入/驶出泊位图片以及包含驾驶员下车/上车过程的生物特征信息的图片，增加车牌号、车辆品牌信息、驾驶员人脸以及驾驶员步态特征标记；
深度训练多张带有标记的图片，
根据车辆品牌信息建立车辆信息模型；
根据驾驶员面部特征和步态特征，建立驾驶员生物特征模型。
9.根据权利要求8所述的城市路侧停车高位视频在辅助刑侦中的应用方法，其特征在于，
若同一车牌号有多个车辆信息模型和/或多个驾驶员生物特征模型，则以车牌号为主键，分别将多个车辆信息模型和/或多个驾驶员生物特征模型添加至人车联动数据库。
10.根据权利要求8所述的城市路侧停车高位视频在辅助刑侦中的应用方法，其特征在于，
通过基于卷积神经网络的深度学习方法训练同一车辆多张含有驶入/驶出泊位图片以及驾驶员下车过程的生物特征信息的图片，获取相应的车辆信息模型以及驾驶员生物特征模型。
11.根据权利要求10所述的城市路侧停车高位视频在辅助刑侦中的应用方法，其特征在于：
根据车辆信息模型以及驾驶员生物特征模型建立人车联动数据库之后还包括：根据车牌号，关联与之相应的车辆信息模型以及对应的驾驶员生物特征模型，建立一条车辆记录。
12.根据权利要求11所述的城市路侧停车高位视频在辅助刑侦中的应用方法，其特征在于，
若一个车牌号对应多个车辆品牌信息、车型信息以及对应的驾驶员面部特征和步态特征信息，分别以车牌号为主键，关联多个车辆信息模型以及生物特征模型，形成多条车辆记录。
13.根据权利要求12所述的城市路侧停车高位视频在辅助刑侦中的应用方法，其特征在于，
实时处理人车关联事件信息，根据实时处理结果整合人车联动数据库的步骤为；
实时获取车辆驶入/驶出泊位高位视频信息，
标注驶入/驶出泊位图像，获取该车辆对应的车牌号以及驾驶员生物特征信息，
根据该车牌号、驾驶员生物特征信息与人车联动数据库中数据分别比对，获取比对结果。
14.根据权利要求13所述的城市路侧停车高位视频在辅助刑侦中的应用方法，其特征在于，
若人车联动数据库中只存在驶入/驶出泊位车辆的车牌号，
则将该车辆对应的驾驶员生物特征信息补入至人车联动数据库中驶入/驶出泊位车辆对应的驾驶员生物特征模型中。
15.根据权利要求14所述的城市路侧停车高位视频在辅助刑侦中的应用方法，其特征在于，
若人车联动数据库中不存在驶入/驶出泊位车辆的车牌号以及驾驶员下车/上车过程的生物特征信息，则以该车牌号为主键，在该人车联动数据库中新增一条包含此条车辆记录中车辆信息模型以及驾驶员生物特征模型的记录。
16.根据权利要求1至15中任一项所述的城市路侧停车高位视频在辅助刑侦中的应用方法，其特征在于，
根据指令检索整合后的人车联动数据库信息，输出检索结果具体步骤包括，
根据检索信息输入检索指令，
根据检索指令逐一确认所述检索信息是否与人车联动数据库信息中的一项或多项匹配，输出检索结果。
17.根据权利要求16所述的城市路侧停车高位视频在辅助刑侦中的应用方法，其特征在于，
根据检索指令逐一确认所述检索信息是否与人车联动数据库信息中的一项或多项匹配，输出检索结果包括：
输入人脸信息和/或步态信息，检索所述人车联动数据库中是否存在该信息，若存在，输出与人脸信息和/或步态信息相对应的车牌号及车辆信息。
18.根据权利要求17所述的城市路侧停车高位视频在辅助刑侦中的应用方法，
根据检索指令逐一确认所述检索信息是否与人车联动数据库信息中的一项或多项匹配，输出检索结果还包括：
输入车牌号和/或车辆信息，检索所述人车联动数据库中是否存在该信息，若存在，输出与车牌号、及车辆信息对应的人脸信息。
19.一种路侧停车高位视频在辅助刑侦中的应用***，其特征在于，所述***包括图像采集设备、处理器和检索终端，所述图像采集设备、处理器和检索终端通信连接；
所述图像采集设备，用于获取车辆驶入/驶出路侧泊位的动作信息，并根据该动作信息采集该泊位的高位视频图像，
所述处理器用于接收所述高位视频图像，获取驶入/驶出泊位车辆的特征图片以及该车辆驾驶员下车/上车过程的特征图片，
所述处理器还用于识别驶入/驶出泊位车辆的特征图片以及该车辆驾驶员下车/上车过程的特征图片，确认人车关联事件信息，
所述处理器还用于实时处理人车关联事件信息，根据实时处理结果整合人车联动数据库；
所述检索终端用于根据指令检索整合后的人车联动数据库信息，输出检索结果。
20.根据权利要求19所述的路侧停车高位视频在辅助刑侦中的应用***，其特征在于，
还包括前端设备，所述前端设备还用于检测车辆是否进入泊位，若车辆进入泊位，获取车辆驶入/驶出路侧泊位的动作信息。
21.根据权利要求20所述的路侧停车高位视频在辅助刑侦中的应用***，其特征在于，所述处理器还用于根据入位车辆特征信息获取该车辆入位的时间地点信息。
22.根据权利要求21述的路侧停车高位视频在辅助刑侦中的应用***，其特征在于，所述处理器还用于在设定的时间阈内获取驾驶该车辆的驾驶员下车过程的特征信息，并将所述车辆特征信息、车辆入位的时间地点信息与驾驶员的特征信息关联。
23.根据权利要求22所述的路侧停车高位视频在辅助刑侦中的应用***，其特征在于，
所述图像采集设备还用于每隔数秒采集入场车辆的特显图片；当确认车辆泊位之后，继续采集若干帧图像信息，获取车辆在泊位内的高位视频图像。
24.根据权利要求23所述的路侧停车高位视频在辅助刑侦中的应用***，其特征在于，
采集设备还用于连续采集路过车辆的疑似驾驶员的状态信息。
25.根据权利要求24所述的路侧停车高位视频在辅助刑侦中的应用***，其特征在于，
所述处理器包括识别模块、关联模块、标注模块、训练模块以及整合模块；
当采集到的疑似驾驶员与车辆接触，且在设定的时间阈内，该车辆压线驶出泊位，则确认疑似驾驶员为驾驶该辆车的驾驶员时，
所述识别模块用于确定该车辆驶出泊位的时间地点信息以及识别车辆信息；
所述关联模块用于将车辆驶出/驶入泊位的时间地点信息与驾驶员上车/下车过程的生物特征信息关联，得到人车关联事件信息；
所述标注模块用于标注多张驶入/驶出泊位图片以及包含驾驶员上车/下车过程的生物特征信息的图片，增加车牌号、车辆品牌信息、驾驶员人脸以及驾驶员步态特征标记；
所述训练模块用于深度训练多张带有标记的图片；
所述整合模块用于根据车辆品牌信息建立车辆信息模型以及根据驾驶员面部特征和步态特征，建立驾驶员生物特征模型。
26.根据权利要求25所述的路侧停车高位视频在辅助刑侦中的应用***，其特征在于，
若同一车牌号有多个车辆信息模型和/或多个驾驶员生物特征模型，所述整合模块还用于以车牌号为主键，分别将多个车辆信息模型和/或多个驾驶员生物特征模型添加至人车联动数据库。
27.根据权利要求26所述的路侧停车高位视频在辅助刑侦中的应用***，其特征在于，
所述训练模块还用于通过基于卷积神经网络的深度学习方法训练同一车辆多张含有驶入/驶出泊位图片以及驾驶员下车过程的生物特征信息的图片，获取相应的车辆信息模型以及驾驶员生物特征模型。
28.根据权利要求27所述的路侧停车高位视频在辅助刑侦中的应用***，其特征在于，
所述整合模块还用于根据车牌号，关联与该车牌号相应的车辆品牌信息、车型信息以及对应的驾驶员面部特征和步态特征信息，建立一条车辆记录。
29.根据权利要求28所述的路侧停车高位视频在辅助刑侦中的应用***，其特征在于，
若一个车牌号对应多个辆品牌信息、车型信息以及对应的驾驶员面部特征和步态特征信息，所述整合模块还用于分别以车牌号为主键，关联多个车辆信息模型以及生物特征模型，形成多条车辆记录。
30.根据权利要求29所述的路侧停车高位视频在辅助刑侦中的应用***，其特征在于，
所述处理器还包括比对模块，所述比对模块用于根据实时获取的车牌号、驾驶员生物特征信息与人车联动数据库中数据分别比对，获取比对结果。
31.根据权利要求29所述的路侧停车高位视频在辅助刑侦中的应用***，其特征在于，
若人车联动数据库中只存在驶入/驶出泊位车辆的车牌号，所述整合模块还用于则将该车辆对应的驾驶员生物特征信息补入至人车联动数据库中驶入/驶出泊位车辆对应的驾驶员生物特征模型中。
32.根据权利要求31所述的路侧停车高位视频在辅助刑侦中的应用***，其特征在于，
若人车联动数据库中不存在驶入/驶出泊位车辆的车牌号以及驾驶员下车过程的生物特征信息，所述整合模块还用于以该车牌号为主键，在该人车联动数据库中新增一条包含此条车辆记录中车辆信息模型以及驾驶员生物特征模型的记录。
33.根据权利要求19所述的路侧停车高位视频在辅助刑侦中的应用***，其特征在于，
所述检索终端包括输入模块和检索模块；所述输入模块用于根据检索信息输入检索指令；
所述检索模块用于根据检索指令逐一确认所述检索信息是否与人车联动数据库信息中的一项或多项匹配，输出检索结果。
34.根据权利要求33所述的路侧停车高位视频在辅助刑侦中的应用***，其特征在于，
所述检索终端还包括输出模块；
当输入人脸信息和/或步态信息，检索所述人车联动数据库中存在该信息，所述输出模块还用于输出与人脸信息和/或步态信息相对应的车牌号、及车辆信息。
35.根据权利要求34所述的路侧停车高位视频在辅助刑侦中的应用***，其特征在于，
当输入车牌号和/或车辆信息，检索所述人车联动数据库中是存在该信息，所述输出模块还用于，输出与车牌号、及车辆信息对应的人脸信息。
36.根据权利要求19至35中任一权利要求所述的路侧停车高位视频在辅助刑侦中的应用***，其特征在于，所述采集设备包括阵列相机或枪球联动摄像机。
37.根据权利要求19至35中任一权利要求所述的路侧停车高位视频在辅助刑侦中的应用***，其特征在于，所述***还包括人车联动数据库，所述人车联动数据库用于存储多条车辆记录。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910984244.0A CN111353369B (zh) | 2019-10-16 | 2019-10-16 | 一种城市路侧停车高位视频在辅助刑侦中的应用方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910984244.0A CN111353369B (zh) | 2019-10-16 | 2019-10-16 | 一种城市路侧停车高位视频在辅助刑侦中的应用方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111353369A CN111353369A (zh) | 2020-06-30 |
| CN111353369B true CN111353369B (zh) | 2023-11-10 |
Family
ID=71196949
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910984244.0A Active CN111353369B (zh) | 2019-10-16 | 2019-10-16 | 一种城市路侧停车高位视频在辅助刑侦中的应用方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111353369B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111862425B (zh) * | 2020-07-07 | 2022-05-13 | 深圳市凯达尔科技实业有限公司 | 一种基于3d立体可视化动态监控的停车场管理***及方法 |
| CN112766206B (zh) * | 2021-01-28 | 2024-05-28 | 深圳市捷顺科技实业股份有限公司 | 一种高位视频车辆检测方法、装置、电子设备和存储介质 |
| CN113205689B (zh) * | 2021-04-09 | 2022-09-20 | 超级视线科技有限公司 | 一种基于多维度的路侧停车入场事件判断方法及*** |
| CN113205690B (zh) * | 2021-04-09 | 2022-09-20 | 超级视线科技有限公司 | 一种基于多维度的路侧停车出场事件判断方法及*** |
| CN113449624B (zh) * | 2021-06-22 | 2024-05-14 | 超级视线科技有限公司 | 一种基于行人重识别确定车辆行为的方法及装置 |
| CN114141053A (zh) * | 2021-12-07 | 2022-03-04 | 无锡加视诚智能科技有限公司 | 一种高位枪球联动装置及使用方法 |
| CN115147911A (zh) * | 2022-08-22 | 2022-10-04 | 山东海博科技信息***股份有限公司 | 一种智慧城市档案信息整合方法、***及终端 |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102426786A (zh) * | 2011-11-15 | 2012-04-25 | 无锡港湾网络科技有限公司 | 一种自动识别***辆的智能视频分析***及方法 |
| CN107133563A (zh) * | 2017-03-17 | 2017-09-05 | 深圳市能信安科技股份有限公司 | 一种基于公安领域的视频分析***及方法 |
| CN107256394A (zh) * | 2017-06-09 | 2017-10-17 | 北京深瞐科技有限公司 | 驾驶员信息与车辆信息核验方法、装置以及*** |
| CN107633687A (zh) * | 2017-09-08 | 2018-01-26 | 绵阳西真科技有限公司 | 一种用于停车场的车辆识别方法及*** |
| CN107945521A (zh) * | 2017-11-20 | 2018-04-20 | 青岛比特信息技术有限公司 | 一种枪球联动路侧泊车检测***及方法 |
| CN108154708A (zh) * | 2018-01-19 | 2018-06-12 | 北京悦畅科技有限公司 | 停车场管理方法、服务器、摄像机和终端设备 |
| CN108288307A (zh) * | 2018-01-19 | 2018-07-17 | 北京悦畅科技有限公司 | 一种停车场管理方法、服务器、摄像机和终端设备 |
| CN108427718A (zh) * | 2018-02-07 | 2018-08-21 | 江苏大学 | 一种车辆行驶信息时空索引及大数据分析方法 |
| CN108470381A (zh) * | 2018-03-08 | 2018-08-31 | 沈志强 | 路侧停车管理方法 |
| CN108765976A (zh) * | 2018-06-21 | 2018-11-06 | 智慧互通科技有限公司 | 路侧平行停车信息管理***及方法 |
| CN108805008A (zh) * | 2018-04-19 | 2018-11-13 | 江苏理工学院 | 一种基于深度学习的社区车辆安保*** |
| CN109147068A (zh) * | 2018-09-12 | 2019-01-04 | 西安艾润物联网技术服务有限责任公司 | 无牌车辆管理方法、装置及计算机可读存储介质 |
| CN109446921A (zh) * | 2018-10-08 | 2019-03-08 | 武汉爱迪科技股份有限公司 | 一种基于停车场监控的警务综合监控方法 |
| CN109712255A (zh) * | 2019-02-27 | 2019-05-03 | 北京猎户智芯科技有限公司 | 一种基于动态图片合成的停车收费取证***和方法 |
| CN109815848A (zh) * | 2018-12-29 | 2019-05-28 | 深圳市天彦通信股份有限公司 | 停车场安全预警***及方法 |
-
2019
- 2019-10-16 CN CN201910984244.0A patent/CN111353369B/zh active Active
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102426786A (zh) * | 2011-11-15 | 2012-04-25 | 无锡港湾网络科技有限公司 | 一种自动识别***辆的智能视频分析***及方法 |
| CN107133563A (zh) * | 2017-03-17 | 2017-09-05 | 深圳市能信安科技股份有限公司 | 一种基于公安领域的视频分析***及方法 |
| CN107256394A (zh) * | 2017-06-09 | 2017-10-17 | 北京深瞐科技有限公司 | 驾驶员信息与车辆信息核验方法、装置以及*** |
| CN107633687A (zh) * | 2017-09-08 | 2018-01-26 | 绵阳西真科技有限公司 | 一种用于停车场的车辆识别方法及*** |
| CN107945521A (zh) * | 2017-11-20 | 2018-04-20 | 青岛比特信息技术有限公司 | 一种枪球联动路侧泊车检测***及方法 |
| CN108288307A (zh) * | 2018-01-19 | 2018-07-17 | 北京悦畅科技有限公司 | 一种停车场管理方法、服务器、摄像机和终端设备 |
| CN108154708A (zh) * | 2018-01-19 | 2018-06-12 | 北京悦畅科技有限公司 | 停车场管理方法、服务器、摄像机和终端设备 |
| CN108427718A (zh) * | 2018-02-07 | 2018-08-21 | 江苏大学 | 一种车辆行驶信息时空索引及大数据分析方法 |
| CN108470381A (zh) * | 2018-03-08 | 2018-08-31 | 沈志强 | 路侧停车管理方法 |
| CN108805008A (zh) * | 2018-04-19 | 2018-11-13 | 江苏理工学院 | 一种基于深度学习的社区车辆安保*** |
| CN108765976A (zh) * | 2018-06-21 | 2018-11-06 | 智慧互通科技有限公司 | 路侧平行停车信息管理***及方法 |
| CN109147068A (zh) * | 2018-09-12 | 2019-01-04 | 西安艾润物联网技术服务有限责任公司 | 无牌车辆管理方法、装置及计算机可读存储介质 |
| CN109446921A (zh) * | 2018-10-08 | 2019-03-08 | 武汉爱迪科技股份有限公司 | 一种基于停车场监控的警务综合监控方法 |
| CN109815848A (zh) * | 2018-12-29 | 2019-05-28 | 深圳市天彦通信股份有限公司 | 停车场安全预警***及方法 |
| CN109712255A (zh) * | 2019-02-27 | 2019-05-03 | 北京猎户智芯科技有限公司 | 一种基于动态图片合成的停车收费取证***和方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111353369A (zh) | 2020-06-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111353369B (zh) | 一种城市路侧停车高位视频在辅助刑侦中的应用方法及*** | |
| CN110008298B (zh) | 驻车多维信息感知应用***及方法 | |
| US7786897B2 (en) | High occupancy vehicle (HOV) lane enforcement | |
| CN103824037B (zh) | 车用防跟踪报警装置 | |
| CN108986472B (zh) | 一种掉头车辆监控方法及装置 | |
| CN105185123A (zh) | 一种***识别***及方法 | |
| CN105702048A (zh) | 基于行车记录仪的高速公路前车违法占道识别***及方法 | |
| CN107067730B (zh) | 基于卡口设备的网约车人车不一致监测方法 | |
| CN104766479A (zh) | 基于超高频射频与视频图像双识别匹配的汽车身份识别方法及装置 | |
| JP2006260483A (ja) | 顔照合システム及び顔照合方法 | |
| KR102181355B1 (ko) | 인공지능 기반 차량 검색 시스템 | |
| CN105046966A (zh) | 即停即离区域的违章停车行为自动检测***和方法 | |
| CN111445703A (zh) | 一种基于图像识别的智能停车场***及方法 | |
| CN107123270A (zh) | 一种针对渣土车的工地智能管控*** | |
| CN105118305A (zh) | 室外停车场出口车辆管理平台 | |
| KR100970278B1 (ko) | 주차위치 안내 및 방범기능을 갖는 통합 주차관제 시스템 | |
| WO2016107302A1 (zh) | 一种稽查行驶车辆的方法和*** | |
| CN104346928A (zh) | 一种闯红灯车辆监控拍照*** | |
| WO2014007762A1 (en) | A method and system for automated monitoring of traffic | |
| JP2007206785A (ja) | 車両追跡システムとこれに使用する画像処理装置、中央装置及び車載装置、並びに、車両追跡方法 | |
| CN111950499A (zh) | 一种检测车载人员统计信息的方法 | |
| CN107180535A (zh) | 一种基于深度学习的自动声检测的飙车行为自动识别装置及方法 | |
| JPH0830892A (ja) | 交通監視システム及び車番認識装置付き自動車 | |
| JP2002344952A (ja) | 車番認識装置及び方法 | |
| CN110837753A (zh) | 一种人车物识别布控的集分模型及其使用方法 |
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: 075000 ten building, phase 1, airport economic and Technological Development Zone, Zhangjiakou, Hebei Applicant after: Smart intercommunication Technology Co.,Ltd. Address before: 075000 ten building, phase 1, airport economic and Technological Development Zone, Zhangjiakou, Hebei Applicant before: INTELLIGENT INTER CONNECTION TECHNOLOGY Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |