CN111522995A - 目标对象分析方法、装置及电子设备 - Google Patents
目标对象分析方法、装置及电子设备 Download PDFInfo
- Publication number
- CN111522995A CN111522995A CN202010337913.8A CN202010337913A CN111522995A CN 111522995 A CN111522995 A CN 111522995A CN 202010337913 A CN202010337913 A CN 202010337913A CN 111522995 A CN111522995 A CN 111522995A
- Authority
- CN
- China
- Prior art keywords
- time
- person
- factor
- time interval
- space
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 45
- 238000012544 monitoring process Methods 0.000 claims abstract description 75
- 238000009792 diffusion process Methods 0.000 claims abstract description 51
- 238000000034 method Methods 0.000 claims description 24
- 230000008859 change Effects 0.000 claims description 23
- 238000012216 screening Methods 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 238000007418 data mining Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 7
- 238000012806 monitoring device Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000011840 criminal investigation Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 239000011521 glass Substances 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000004480 active ingredient Substances 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
- G06F16/78—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/783—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
- G06F16/7837—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using objects detected or recognised in the video content
- G06F16/784—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using objects detected or recognised in the video content the detected or recognised objects being people
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
- G06F16/78—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/7867—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, title and artist information, manually generated time, location and usage information, user ratings
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
- G06F16/78—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/787—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using geographical or spatial information, e.g. location
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Library & Information Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Alarm Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提出一种目标对象分析方法、装置及电子设备,涉及数据挖掘技术领域。其中,上述目标对象分析方法包括获取第一时间段内与目标区域相关的第一目标监控数据;从所述第一目标监控数据中提取出现于第一目标监控数据的待选人员所对应的时空数据;基于所述待选人员的所对应的时空数据,计算所述待选人员的时空扩散因子及移动趋势因子;根据所述时空扩散因子及移动趋势因子评估所对应的所述待选人员的嫌疑值,以便根据所述嫌疑值从所述待选人员中确定出目标对象。如此,面对人流量较大的场景,也能够利用快速、准确地计算每一个可疑人员的嫌疑值,从而快速锁定目标对象。
Description
技术领域
本发明涉及数据挖掘技术领域,具体而言,涉及一种目标对象分析方法、装置及电子设备。
背景技术
在公安刑事侦查业务中,抓拍、视频数据的回放分析一直以来都是侦破案件的关键。随着信息技术产业的快速发展,先进的图像识别、视频监控等技术广泛应用在智慧警务领域当中,目前已经由传统的人工回放筛查升级为以图搜图、图像侦查、智能识别等诸多智能化手段,大大提高了办案效率。
然而,对于案发地点位于人口流动量较大的地方,且监控中并没抓拍到作案过程的画面时,如何快速锁定嫌疑人,目前并没有很好的解决方案。
发明内容
有鉴于此,本发明的目的在于提供一种目标对象分析方法、装置及电子设备。
为了实现上述目的,本发明实施例采用的技术方案如下:
第一方面,本发明实施例提供一种目标对象分析方法,应用于电子设备,所述目标对象分析方法的步骤:
获取第一时间段内与目标区域相关的第一目标监控数据;其中,所述第一时间段为包含事件发生时间点的时段,所述目标区域为包含事件发生地的空间范围;
从所述第一目标监控数据中提取出现于第一目标监控数据的待选人员所对应的时空数据;
基于所述待选人员的所对应的时空数据,计算所述待选人员的时空扩散因子及移动趋势因子;
其中,所述时空扩算因子和移动趋势因子分别从不同角度表征所述待选人员与所述事件发生时间、事件发生地之间关联程度;所述时空扩算因子包括依据所述待选人员在所述第一时间段内与所述事件发生地之间的距离变化情况得到的分值因子;所述移动趋势因子包括依据所述待选人员在所述第一时间段内相对于所述事件发生地的运动方向变化情况得到的分值因子;
根据所述时空扩散因子及移动趋势因子评估所对应的所述待选人员的嫌疑值,以便根据所述嫌疑值从所述待选人员中确定出目标对象。
第二方面,本发明实施例提供一种目标对象分析装置,应用于电子设备,所述目标对象分析装置的步骤:
获取模块,用于获取第一时间段内与目标区域相关的第一目标监控数据;其中,所述第一时间段为包含事件发生时间点的时段,所述目标区域为包含事件发生地的空间范围;
提取模块,用于从所述第一目标监控数据中提取出现于第一目标监控数据的待选人员所对应的时空数据;
计算模块,用于基于所述待选人员的所对应的时空数据,计算所述待选人员的时空扩散因子及移动趋势因子;
其中,所述时空扩算因子和移动趋势因子分别从不同角度表征所述待选人员与所述事件发生时间、事件发生地之间关联程度;所述时空扩算因子包括依据所述待选人员在所述第一时间段内与所述事件发生地之间的距离变化情况得到的分值因子;所述移动趋势因子包括依据所述待选人员在所述第一时间段内相对于所述事件发生地的运动方向变化情况得到的分值因子;
评估模块,用于根据所述时空扩散因子及移动趋势因子评估所对应的所述待选人员的嫌疑值,以便根据所述嫌疑值从所述待选人员中确定出目标对象。
第三方面,本发明实施例提供一种电子设备,包括处理器和存储器,所述存储器存储有能够被所述处理器执行的机器可执行指令,所述处理器可执行所述机器可执行指令以实现前述实施方式任一所述的方法。
第四方面,本发明实施例提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如前述实施方式中任一项所述的方法。
相较于现有技术,本发明实施例提供的目标对象分析方法通过获取第一时间段内与目标区域相关的第一目标监控数据,以便寻找在第一时间段内出现在事件发生地及附近的人员,以作为待选人员。再从第一目标监控数据中获取待选人员所对应的时空数据。之后基于待选人员的所对应的时空数据,计算所述待选人员的时空扩散因子及移动趋势因子。由于时空扩散因子及移动趋势因子可以从多个角度评估待选人员与事件发生地和事件发生时间点的关联程度,因此,根据所述时空扩散因子及移动趋势因子评估所对应的所述待选人员的嫌疑值。如此,即便是目标区域内人员流动大,也能快速利用嫌疑值从待选人员中确定出目标对象,提高目标对象锁定的准确性和效率。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1示出了本发明实施例提供的电子设备的示意图。
图2示出了本发明实施例提供的目标对象分析方法的步骤流程图之一。
图3为图2中步骤S103的子步骤流程图之一。
图4为图3中子步骤S103-3的子步骤流程图。
图5为图2中步骤S103的子步骤流程图之二。
图6为图2中步骤S103的子步骤流程图之三。
图7示出了本发明实施例提供的目标对象分析方法的步骤流程图之二。
图8示出了本发明实施例提供的目标对象分析方法的步骤流程图之三。
图9示出了本发明实施例提供的目标对象分析装置的示意图。
图标:100-电子设备;110-存储器;120-处理器;130-通信模块;400-目标对象分析装置;401-获取模块;402-提取模块;403-计算模块;404-评估模块。
具体实施方式
下面将结合本发明实施例中附图,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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的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。
需要说明的是,术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
在公安刑事侦查中,抓拍、视频数据的回放分析一直以来都是侦破案件的关键。随着信息技术产业的快速发展,先进的图像识别、视频监控等技术广泛应用在智慧警务领域当中,目前已经由传统的人工回放筛查升级为以图搜图、图像侦查、智能识别等诸多智能化手段,大大提高了办案效率。
但对于在案发地点附近出现的大量人群中且对于犯罪嫌疑人在案发时空前后及周边领域被监控设备捕捉的情况下,如何快速的利用抓拍或视频的人脸、人体结构化数据缩小嫌疑人排查范围甚至锁定嫌疑人,目前还没有一个较好的可行技术方案。对于上述情况,目前更多的还是仅仅采取人物特征的检索的方法,局限性较大。
为了改善上述问题,本发明实施例提供了一种目标对象分析方法、装置及电子设备。
请参照图1,本发明实施例提供的目标对象分析方法及装置可以应用于电子设备100。上述电子设备100可以具备图像识别能力,且可以接收监控设备采集的监控数据(比如,监控视频)。上述监控设备可以是天眼,也可以是道路两侧设置的卡口相机,还可以楼宇内设置的监控相机。上述电子设备100可以直接与监控设备通信连接,以获得监控数据。当然,在一些实施例中,电子设备100还可以通过中转服务获取监控设备所采集的监控数据。
上述图1是电子设备100的方框示意图。所述电子设备100包括存储器110、处理器120及通信模块130。所述存储器110、处理器120以及通信模块130各元件相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。
其中,存储器110用于存储程序或者数据。所述存储器110可以是,但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-Only Memory,PROM),可擦除只读存储器(ErasableProgrammable Read-Only Memory,EPROM),电可擦除只读存储器(Electric ErasableProgrammable Read-Only Memory,EEPROM)等。
处理器120用于读/写存储器110中存储的数据或程序,并执行相应地功能。
通信模块130用于通过所述网络建立所述电子设备100与其它通信终端之间的通信连接,并用于通过所述网络收发数据。
应当理解的是,图1所示的结构仅为电子设备100的结构示意图,所述电子设备100还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。图1中所示的各组件可以采用硬件、软件或其组合实现。
请参考图2,本发明实施例提供了一种目标对象分析方法。如图2所示,上述目标对象分析方法可以包括以下步骤:
步骤S101,获取第一时间段内与目标区域相关的第一目标监控数据。
上述第一时间段为包含事件发生时间点的时段。上述事件可以是需要进行相关人员挖掘的事件,比如,上述事件可以是刑事侦查案件,上述第一时间段可以是包含案件发生前后一小时的时段。上述举例仅为示例,在实际实施过程中,确保第一时间段包括事件发生时间点的前提下,第一时间段的时间长度及事件发生时间点在第一时间段中的位置均可以根据实际需求设置。比如,第一时间段还可以是以事件发生时间点为起点的指定时段,或者以事件发生时间点为终点的指定时段。
上述目标区域为包含事件发生地的空间范围。可选地,上述目标区域可以包括事件发生地及该事件发生地的邻近区域。作为一种实施方式,可以将事件发生地作为圆心、辐射半径内的区域作为目标区域。作为一个例子,上述时间发生地可以是案发地,上述目标区域可以是案发地为圆心、一公里以内的空间范围。
上述与目标区域相关的第一目标监控数据可以是采集地点位于目标区域的视频数据。此外,第一目标监控数据的采集时间属于第一时间段。换句话说,第一目标监控数据可以是所有位于目标区域的监控设备在第一时间段内采集到的监控数据。
在一些实施例中,每台监控设备可以对采集到的监控数据添加表征采集地点的位置标签和表征采集时间的时间标签,如此,电子设备100在确定了事件发生地和时间发生时间点后,即可从所获得的监控数据中筛选出第一目标监控数据。
在另外一些实施例中,每台监控设备可以对采集到的监控数据添加表征采集时间的时间标签,电子设备100可以先基于事件发生时间点从所得到的监控数据中获取属于第一时间段的监控视频,然后,根据各个监控视频的背景画面,识别监控视频的采集地点,最后,根据事件发生地及各个监控视频的采集地点,筛选出第一目标监控数据。
步骤S102,从第一目标监控数据中提取出现于第一目标监控数据的待选人员所对应的时空数据。
上述待选人员包括所有出现于第一目标监控数据的人员。
上述时空数据是一种结构化数据。比如,时空数据可以包括待选人员ID、人脸特征数据、采集时间及采集地点。其中,人脸特征数据可以作为时空数据中的唯一主键,此外,相似度超过指定阈值的人脸特征数据可以对应同一待选人员ID。换句话说,每一条时空数据均具有对应的待选人员,时空数据中都包含有彼此关联的时间点和位置点。
在一些实施例中,可以对第一目标监控数据进行人脸识别。若从第一目标监控数据的监控图像中识别出人脸,则基于该人脸的人脸特征信息、所对应的待选人员、采集到该监控图像的监控设备的位置点(比如,经纬度信息)及该监控图像被采集到的时间点,生成一条时空数据。在识别完第一目标监控数据的所有监控图像后,即可得到所有待选人员所对应的时空数据。此外,可以理解地,每个待选人员至少对应着一条时空数据。
步骤S103,基于待选人员的所对应的时空数据,计算待选人员的时空扩散因子及移动趋势因子。
上述时空扩算因子和移动趋势因子分别从不同角度表征待选人员与事件发生时间、事件发生地之间关联程度。
可选地,时空扩算因子包括依据所述待选人员在所述第一时间段内与所述事件发生地之间的距离变化情况得到的分值因子。可选地,移动趋势因子包括依据所述待选人员在所述第一时间段内相对于事件发生地的运动方向变化情况得到的分值因子。
在一些实施例中,依据每一个待选人员的时空数据,计算该待选人员的时空扩散因子及移动趋势因子。此外,计算每一个待选人员的时空扩散因子及移动趋势因子的原理是相同的。为了方便说明,本实施例中以计算一个待选人员的时空扩散因子及移动趋势因子为例进行描述。
在一些实施例中,如图3所示,上述步骤S103中计算时空扩散因子的步骤包括:
子步骤S103-1,将第一时间段划分为多个时间区间。
在一些实施例中,可以根据实际业务需求将第一时间段划分为时间长度不超过指定值的时间区间。在一些实施例中,所得到的时间区间的长度相同。比如,可以将第一时间段划分为多个时间长度不超过3分钟的。作为一种实施方式,可以将第一时间段划分为2t+1个时间区间,此时t根据第一时间段的时间长度T确定。可选地,确定t的取值时,需要确保t能够满足条件:条件中q代表指定值,比如,上例中时间长度不超过3分钟,则q取值为3。
子步骤S103-2,按照时空数据的时间点,将待选人员的时空数据划分至所属的时间区间。
在一些实施例中,将待选人员的所有时空数据按照所对应的时间点进行划分。比如,一条时空数据的时间点属于一个时间区间,则将该时空数据与该时间区间关联上,如此便完成对一条时空数据的划分。
子步骤S103-3,根据第一时间区间及所对应的距离均值,计算第一时间区间对应的时空扩散分值。
上述第一时间区间为所得到的时间区间中具有关联的时空数据的区间。
上述距离均值为估算出的待选人员在该第一时间区间内距离事件发生地的距离值。可选地,上述距离均值可以根据时空数据对应的位置点与事件发生点之间的空间距离进行计算。可以理解地,上述第一时间区间包括至少一条时空数据。也就是,在对应这多条时空数据时,该第一时间区间对应的距离均值为多个时空数据的位置点到事件发生地之间的空间距离的均值。在仅对应一条时空数据时,该第一时间区间对应的距离均值为该时空数据的位置点与事件发生地之间的空间距离,事实上也算是,时空数据的位置点到事件发生地之间的空间距离的均值的一个特例。
上述时空扩散分值用于表征在对应的第一时间区间内待选人员与事件发生地之间的关联,通常第一时间区间距离事件发生时间点越近且对应的距离均值越小,则时空扩散分值越高。
在一些实施例中,如图4所示,上述子步骤S103-3可以包括以下步骤:
S103-3-1,将第一时间区间的距离均值进行归一化处理。
在一些实施例中,可以将第一时间区间的距离均值与辐射半径之比作为归一化处理后的距离均值。上述辐射半径为确定目标区域时所用的半径。
S103-3-2,获取第一时间区间与关键时间区间之间的区间间隔数量。
上述关键时间区间为包含事件发生时间点的时间区间。可以理解地,第一时间段所划分出的时间区间可以根据是否具有对应的时空数据分为第一时间区间和第二时间区间。此外,第一时间段所划分出的时间区间也可以根据是否包括事件发生时间点而分为关键时间区间和普通时间区间。可见,划分第一时间区间/第二时间区间和划分关键时间区间/普通时间区间事实上是从两个不同的角度对时间区间进行分类。当然,若存在一个时间区间既存在对应的时空数据,又包括事件发生时间点,则它既是第一时间区间,又是关键时间区间。若普通时间区间具有时空数据,则他可以是第一时间区间,反之则为第二时间区间。
在一些实施例中,上述区间间隔数量为从第一时间区间到关键时间区间所经过的时间区间的数量。作为一种实施方式,可以将关键时间区间赋予标签0作为区间序号。排列在关键时间区间之前的普通时间区间被赋予负值标签作为区间序号,排列在关键时间区间之后的普通时间区间被赋予正值标签作为区间序号。使得到的时间区间均对应有区间序号,且按照时间区间的排列顺序呈公差为1的等差数列。如此,在确定第一时间区间与关键时间区间之间的区间间隔数量时,可以将第一时间区间所对应的区间序号的绝对值作为对应的区间间隔数量。
比如,将第一时间段划分为5个时间区间,将上述5个时间区间按照时间的先后顺序排列,此时位于中间的时间区间包括事件发生时间点(即,关键时间区间),那么上述5个时间区间的区间序号为{-2,-1,0,1,2}。此时,若是第一时间区间的区间序号为-2,则其对应的区间间隔数量为2。
S103-3-3,基于区间间隔数量和归一化处理后的距离均值,利用公式:
计算第一时间区间的时空扩散分值。上述tdf代表所述时间区间的时空扩散分值。d代表归一化处理后得到的距离均值;|t|代表区间间隔数量。
子步骤S103-4,根据得到的时空扩散分值,计算待选人员的时空扩散因子。
在一些实施例中,可以将所有第一时间区间对应的时空扩散分数值进行求和,得到待选人员的时空扩散因子。
在另外一些实施例中,还可以是将所有时间区间对应的时空扩散分数值进行求和,得到待选人员的时空扩散因子。
值得注意的是,所有的时间区间中还包括不具有关联的时空数据的第二时间区间。根据上述子步骤S103-3-1至S103-3-3所描述的计算时空扩散分数值的原理可知,计算第二时间区间所对应的时空扩散分数值还需第二时间区间所对应的距离均值。显然,第二时间区间不具有时空数据,故不能直接计算出第二时间区间所对应的距离均值。为了解决这一问题,本发明实施例中,如图5所示,上述步骤S103中计算时空扩散因子还可以包括步骤:
子步骤S103-5,检验时间区间中是否存在不具有时空数据的第二时间区间。
子步骤S103-6,若存在第二时间区间,则从第一时间区间中获取与第二时间区间相邻的邻近时间区间。
上述邻近时间区间包括分别位于第二时间区间两侧的第一时间区间。每一侧的邻近时间区间都是该侧的第一时间区间中距离该第二时间区间最近的时间区间。
接上例,得到的5个时间区间中区间序号为-2、1和2的时间区间为第一时间区间,区间序号为-1和0的时间区间为第二时间区间。那么,区间序号为-1的第二时间区间所对应的邻近时间区间包括区间序号为-2的第一时间区间及区间序号为1的第一时间区间。同样,区间序号为0的第二时间区间所对应的邻近时间区间包括区间序号为-2的第一时间区间及区间序号为1的第一时间区间。
子步骤S103-7,根据邻近时间区间的距离均值,估算待选人员在第二时间区间与事件发生点之间的距离均值。
在一些实施例中,可以直接将所对应的邻近时间区间的距离均值之间的平均数作为该第二时间区间的距离均值。
在另一些实施例中,也可以是首先在时间轴上基于两个相邻时间区间对应的距离均值进行拟合,得到距离变化曲线。然后,在离变化曲线上获取上述第二时间区间的距离均值。比如,根据两个邻近时间区间对应的距离均值,在两个邻近时间区间的中心时间点之间拟合距离变化曲线。再将第二时间区间的中心时间点在上述距离变化曲线中所对应的值作为该第二时间区间的距离均值。
子步骤S103-8,根据第二时间区间及所对应的距离均值,计算第二时间区间对应的时空扩散分值。
在一些实施例中,上述子步骤S103-8与子步骤S103-3的原理相同,对此不再赘述。
进一步地,如图6所示,上述步骤S103中计算移动趋势因子的步骤包括:
子步骤S103-9,根据各个时间区间对应的距离均值,利用公式:
计算每一个时间区间对应的距离变化因子。
上述m1代表计算得到的时间区间所对应的距离变化因子。dt代表时间区间所对应的归一化后的距离均值,dt+1代表相邻下一个时间区间所对应的归一化后的距离均值,dt-1代表相邻上一个时间区间所对应的归一化后的距离均值。dt、dt-1和dt+1中的t可以是前述举例中提及的区间序号,用于表征时间区间之间的先后排列顺序,且关键时间区间所对应的t取值为0。t<0代表当前被计算的时间区间位于事件发生时间点之前,t>0代表当前被计算的时间区间位于事件发生时间点之后。换句话说,t<0代表当前被计算的时间区间位于关键时间区间之前,t>0代表当前被计算的时间区间位于关键时间区间之后。
子步骤S103-10,对所有的时间区间的距离变化因子求和,并进行归一化处理得到第一中间量。
作为一种实施方式,可以先将满足t<0的时间区间的距离变化因子累加,得到m11。再将满足t>0的时间区间的距离变化因子累加,得到m12。然后利用公式:m2=(m11+m12+2)/4,计算得到诡异化处理后的第一中间量m2。
通常事件相关的嫌疑人,在事件发生时间点之前会具有靠近事件发生地的移动趋势,在事件发生时间点之前会具有远离事件发生地的移动趋势。然而,实际进行分析时,人流量大的目标区域中,会出现人员来回徘徊的现象,而待选人员若是在目标区域中徘徊,则会影响对待选人员相对于事件发生地的移动趋势的分析。
而本发明实施例中,通过分段计算距离变化因子,再进行求和的方式,改善待选人在目标区域内徘徊而对分析造成干扰。得到更能够准确表征待选人员相对于事件发生地的移动趋势的因子。
子步骤S103-11,根据关键时间区间所对应的距离均值及第一中间量,利用公式:
确定待选人员的移动趋势因子。m2代表第一中间量,上述关键时间区间为包含事件发生时间点的时间区间;d0代表关键时间区间所对应的距离均值;m代表计算得到的移动趋势因子;a代表预设阈值,比如,a可以去0.1。
可以理解地,在关键时间区间待选人员距离事件发生地越近,那么待选人员与事件之间的关联性越大,因此,通过上式可以增加移动趋势判断的可靠性。
步骤S104,根据时空扩散因子及移动趋势因子评估所对应的待选人员的嫌疑值。
在一些实施例中,可以根据时空扩散因子及移动趋势因子之和作为待选人员的嫌疑值。如此,即可根据嫌疑值从大量待选人员中筛选出目标对象。上述目标对象即为与事件关联程度高的人员,比如,刑侦案件嫌疑人。
进一步地,为了提高得到的嫌疑值表征待选人员与事件的关联程度的可靠性。在计算嫌疑值时还可以配合人物陌生度。即,在一些实施例中,上述步骤S104还可以是将时空扩散因子、移动趋势因子及人物陌生度之和作为待选人员的嫌疑值。
上述人物陌生度用于表征待选人员对目标区域的熟悉程度。通常熟悉程度越低,对应的人物陌生度就越高。故,在一些实施例中,如图7所示,上述目标对象分析方法还可以包括步骤:
步骤S201,获取第二时间段内与目标区域相关的第二目标监控数据。
上述第二时间段可以是以天为计数单位的时间段。上述第二时间段可以是事件发生日期以前的时间段。比如,事件发生时间点对应的日期为27号,那么第二时间段可以是20号至27号之间的时间段。上述第二目标监控数据为电子设备100获得的监控数据中采集时间属于第二时间段且采集地点属于目标区域的监控数据。
步骤S202,依据第二目标监控数据统计待选人员在目标区域的出现日期及每个出现日期距离事件发生时间点的距离天数。
在一些实施例中,利用待选人员的人脸特征数据在第二目标监控数据进行查询。如果第二目标监控数据的监控图像中查询到与待选人员匹配的人脸特征数据,那么将该帧监控图像所对应的日期作为出现日期。如此,即可获得待选人员在第二时间段中的所有出现日期。
得到出现日期后,依次计算每个出现日期距离事件发生时间点的天数,作为距离天数。接上例,如果确定21号是待选人员的出现日期,那么该出现日期对应的距离天数为6天。
步骤S203,根据出现日期距离的距离天数,利用公式:
计算人物陌生度。上述s代表所述人物陌生度;M代表第二时间段的总天数,接上例,第二时间段的总天数为7天。上述N(x)代表第二中间变化量,p代表待选人员对应的出现日期的总数量,比如,待选人员在第二时间段中出现了3天,那么p的取值为3;yi代表第i个出现日期的距离天数。
利用上述公式计算得到的人物陌生度,能够更好的区分出现相同天数的待选人员所对应的陌生度之间的差异。比如,都出现了两天的两个待选人员,出现日期距离所对应的距离天数之和越小,对应的人物陌生度越高。减少在较早日期和事发当天偶然出现在目标区域的人员所带来的干扰。
此外,在一些实施例中,如图8所示,上述目标对象分析方法还包括:
步骤S301,依据预选的筛选特征,调整嫌疑值。
上述筛选特征包括生理特征和外形特征。上述生理特征可以包括性别、年龄、五官特点等。上述外形特征可以包括衣着、发型等。上述筛选特征可以是已掌握的目标对象的确切特征,其可以是生理特征和外形特征之一或之间的组合。比如,筛选特征可以包括黑色衣服、男性、戴眼镜、戴有帽子。
在一些实施例中,上述步骤S301可以是根据待选人员在第一目标监控数据中的实际特征之间是否存在差异,对嫌疑值进行调整。可选地,上述步骤S301可以包括:
(1)依据第一目标监控数据,识别待选人员与筛选特征相关的实际特征。
接上例,基于第一目标监控数据识别待选人员的衣服颜色、性别、是否佩戴眼睛及是否戴有帽子,将识别结果作为待选人员的实际特征。
(2)若存在与对应的筛选特征不匹配的实际特征,则利用对应的筛选特征的区分因子下调嫌疑值。
上述区分因子依据所述电子设备100对实际特征的识别精度确定。针对筛选特征的识别精度越高,对应的区分因子可调整嫌疑值的幅度越大,反之,对应的区分因子可调整嫌疑值的幅度越小。
不同的电子设备100的识别能力和识别优势不相同,可通过预先的测试电子设备100针对每一类筛选特征的识别能力从而确定对应的区分因子取值。比如,电子设备100针对人物性别识别能力弱,那么与人物性别相关的筛选特征所对应的区分因子可调整嫌疑值的幅度越小。相较于识别出的实际特征与筛选特征不同便立即排除待选人员的嫌疑而言,上述方式避免设备本身识别精度而造成的误判。
在一些实施例中,上述区分因子可以是比例值。区分因子均大于0且小于1。电子设备100识别精度越高的筛选特征所对应的区分因子取值越小,反之,区分因子取值越大。如此,利用区分因子调整嫌疑值的方式可以是,将区分因子与对应的嫌疑值进行相乘。
接上例,针对筛选特征黑色衣服的区分因子为0.8、针对筛选特征男性的区分因子为0.5、针对筛选特征戴眼镜的区分因子为0.8、针对筛选特征戴有帽子的区分因子为0.8。如果识别出待选人员的实际特征为女性、白色衣服、戴有眼镜和戴有帽子,那么将该待选人员的限制值乘以0.5和0.8,从而得到调整后的嫌疑值。
步骤S302,根据调整后的嫌疑值从待选人员中确定出目标对象。
在一些实施例中,可以将调整后的嫌疑值最高的待选人员确定为目标对象。
在另一些实施例中,还可以将调整后的嫌疑值超过指定阈值的待选人员确定为目标对象。
如此,即便是事件发生在人流量较大的场所,电子设备100也能够利用上述方法快速计算每一个可疑人员的嫌疑值,从而快速锁定目标对象。在计算嫌疑值的过程中避免目标区域人多、人员徘徊、出现于目标区域的巧合所带来的干扰,还合理利用设置的筛选特征,提高对目标对象的识别准确度。
为了执行上述实施例及各个可能的方式中的相应步骤,下面给出一种目标对象分析装置400的实现方式,可选地,该目标对象分析装置400可以采用上述图1所示的电子设备100的器件结构。进一步地,请参阅图9,图9为本发明实施例提供的一种目标对象分析装置400的功能模块图。需要说明的是,本实施例所提供的目标对象分析装置400,其基本原理及产生的技术效果和上述实施例相同,为简要描述,本实施例部分未提及之处,可参考上述的实施例中相应内容。该目标对象分析装置400包括:获取模块401、提取模块402、计算模块403及评估模块404。
获取模块401,用于获取第一时间段内与目标区域相关的第一目标监控数据。
优选地,第一时间段为包含事件发生时间点的时段,所述目标区域为包含事件发生地的空间范围。
提取模块402,用于从所述第一目标监控数据中提取出现于第一目标监控数据的待选人员所对应的时空数据。
计算模块403,用于基于所述待选人员的所对应的时空数据,计算所述待选人员的时空扩散因子及移动趋势因子。
优选地,时空扩算因子和移动趋势因子分别从不同角度表征所述待选人员与所述事件发生时间、事件发生地之间关联程度;所述时空扩算因子包括依据所述待选人员在所述第一时间段内与所述事件发生地之间的距离变化情况得到的分值因子;所述移动趋势因子包括依据所述待选人员在所述第一时间段内相对于所述事件发生地的运动方向变化情况得到的分值因子。
评估模块404,用于根据所述时空扩散因子及移动趋势因子评估所对应的所述待选人员的嫌疑值,以便根据所述嫌疑值从所述待选人员中确定出目标对象。
在一些实施例中,上述目标对象分析装置400还包括:
获取模块401,还用于获取第二时间段内与目标区域相关的第二目标监控数据。
处理模块,用于依据所述第二目标监控数据统计所述待选人员在所述目标区域的出现日期及每个所述出现日期距离所述事件发生时间点的距离天数;
计算模块403,还用于根据所述出现日期距离的所述距离天数,利用公式:
计算人物陌生度;其中,s代表所述人物陌生度;M代表所述第二时间段的总天数;N(x)代表第二中间变化量;p代表所述待选人员对应的所述出现日期的总数量;yi代表第i个所述出现日期的所述距离天数;
上述评估模块404还包括用于:将所述待选人员的所述时空扩散因子、移动趋势因子及人物陌生度之和作为所述待选人员的嫌疑值。
在一些实施例中,上述目标对象分析装置400还包括:
调整模块,用于依据预选的筛选特征,调整所述嫌疑值。上述筛选特征包括生理特征和外形特征。
选择模块,用于根据调整后的所述嫌疑值从所述待选人员中确定出目标对象。
可选地,上述模块可以软件或固件(Firmware)的形式存储于图1所示的存储器110中或固化于该电子设备100的操作***(Operating System,OS)中,并可由图1中的处理器120执行。同时,执行上述模块所需的数据、程序的代码等可以存储在存储器110中。
综上所述,本发明实施例提供了一种目标对象分析方法、装置及电子设备。其中,上述目标对象分析方法包括获取第一时间段内与目标区域相关的第一目标监控数据;其中,所述第一时间段为包含事件发生时间点的时段,所述目标区域为包含事件发生地的空间范围;从所述第一目标监控数据中提取出现于第一目标监控数据的待选人员所对应的时空数据;基于所述待选人员的所对应的时空数据,计算所述待选人员的时空扩散因子及移动趋势因子;其中,所述时空扩算因子和移动趋势因子分别从不同角度表征所述待选人员与所述事件发生时间、事件发生地之间关联程度;所述时空扩算因子包括依据所述待选人员在所述第一时间段内与所述事件发生地之间的距离变化情况得到的分值因子;所述移动趋势因子包括依据所述待选人员在所述第一时间段内相对于所述事件发生地的运动方向变化情况得到的分值因子;根据所述时空扩散因子及移动趋势因子评估所对应的所述待选人员的嫌疑值,以便根据所述嫌疑值从所述待选人员中确定出目标对象。如此,即便是事件发生在人流量较大的场所,电子设备也能够利用上述方法快速计算每一个可疑人员的嫌疑值,从而快速锁定目标对象。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (11)
1.一种目标对象分析方法,其特征在于,应用于电子设备,所述目标对象分析方法的步骤:
获取第一时间段内与目标区域相关的第一目标监控数据;其中,所述第一时间段为包含事件发生时间点的时段,所述目标区域为包含事件发生地的空间范围;
从所述第一目标监控数据中提取出现于第一目标监控数据的待选人员所对应的时空数据;
基于所述待选人员的所对应的时空数据,计算所述待选人员的时空扩散因子及移动趋势因子;
其中,所述时空扩算因子和移动趋势因子分别从不同角度表征所述待选人员与所述事件发生时间、事件发生地之间关联程度;所述时空扩算因子包括依据所述待选人员在所述第一时间段内与所述事件发生地之间的距离变化情况得到的分值因子;所述移动趋势因子包括依据所述待选人员在所述第一时间段内相对于所述事件发生地的运动方向变化情况得到的分值因子;
根据所述时空扩散因子及移动趋势因子评估所对应的所述待选人员的嫌疑值,以便根据所述嫌疑值从所述待选人员中确定出目标对象。
2.根据权利要求1所述的目标对象分析方法,其特征在于,所述时空数据包括彼此关联的时间点和位置点;所述基于所述待选人员的所对应的时空数据,计算所述待选人员的时空扩散因子的步骤包括:
将所述第一时间段划分为多个时间区间;
按照所述时空数据的所述时间点,将所述待选人员的时空数据划分至所属的所述时间区间,以获得具有时空数据的第一时间区间;
根据所述第一时间区间及所对应的距离均值,计算所述第一时间区间对应的时空扩散分值;其中,所述距离均值为所述第一时间区间对应的各个所述位置点与所述事件发生点之间的空间距离的均值;
根据得到的所述时空扩散分值,计算所述待选人员的时空扩散因子。
4.根据权利要求2所述的目标对象分析方法,其特征在于,所述基于所述待选人员的所对应的时空数据,计算所述待选人员的时空扩散因子的步骤还包括:
检验所述时间区间中是否存在不具有所述时空数据的第二时间区间;
若存在所述第二时间区间,则从所述第一时间区间中获取与所述第二时间区间相邻的邻近时间区间;
根据所述邻近时间区间的所述距离均值,估算所述待选人员在所述第二时间区间与所述事件发生点之间的距离均值,以便计算所述第二时间区间对应的所述时空扩散因子。
5.根据权利要求2所述的目标对象分析方法,其特征在于,基于所述待选人员的所对应的时空数据,计算所述待选人员的移动趋势因子的步骤包括:
根据所述时间区间对应的所述距离均值,利用公式:
计算每一个所述时间区间对应的距离变化因子;其中,m1代表所述距离变化因子;dt代表所述时间区间所对应的归一化后的所述距离均值,dt+1代表相邻下一个时间区间所对应的归一化后的所述距离均值;dt-1代表相邻上一个时间区间所对应的归一化后的距离均值;t代表所述时间区间的区间序号,所述事件发生时间点所属的时间区间的t=0;t<0代表所述时间区间位于所述事件发生时间点之前,t>0代表所述时间区间位于所述事件发生时间点之后;
对所有的所述时间区间的距离变化因子求和,并进行归一化处理得到第一中间量;
根据关键时间区间所对应的所述距离均值及所述第一中间量,利用公式:
确定所述待选人员的移动趋势因子;其中,m2代表所述第一中间量;所述关键时间区间为包含所述事件发生时间点的时间区间;d0代表所述关键时间区间所对应的距离均值;m代表所述移动趋势因子;a代表预设阈值。
6.根据权利要求1所述的目标对象分析方法,其特征在于,所述目标对象分析方法还包括:
获取第二时间段内与目标区域相关的第二目标监控数据;
依据所述第二目标监控数据统计所述待选人员在所述目标区域的出现日期及每个所述出现日期距离所述事件发生时间点的距离天数;
根据所述出现日期距离的所述距离天数,利用公式:
计算人物陌生度;其中,s代表所述人物陌生度;M代表所述第二时间段的总天数;N(x)代表第二中间变化量;p代表所述待选人员对应的所述出现日期的总数量;yi代表第i个所述出现日期的所述距离天数;
所述根据所述时空扩散因子及移动趋势因子评估所对应的所述待选人员的嫌疑值的步骤包括:将所述待选人员的所述时空扩散因子、移动趋势因子及人物陌生度之和作为所述待选人员的嫌疑值。
7.根据权利要求1所述的目标对象分析方法,其特征在于,所述目标对象分析方法还包括:
依据预选的筛选特征,调整所述嫌疑值;其中,所述筛选特征包括生理特征和外形特征;
根据调整后的所述嫌疑值从所述待选人员中确定出目标对象。
8.根据权利要求7所述的目标对象分析方法,其特征在于,所述依据预选的筛选特征,调整所述嫌疑值的步骤包括:
依据所述第一目标监控数据,识别所述待选人员与所述筛选特征相关的实际特征;
若存在与对应的所述筛选特征不匹配的所述实际特征,则利用对应的所述筛选特征的区分因子下调所述嫌疑值;所述区分因子依据所述电子设备对所述实际特征的识别精度确定。
9.一种目标对象分析装置,其特征在于,应用于电子设备,所述目标对象分析装置包括:
获取模块,用于获取第一时间段内与目标区域相关的第一目标监控数据;其中,所述第一时间段为包含事件发生时间点的时段,所述目标区域为包含事件发生地的空间范围;
提取模块,用于从所述第一目标监控数据中提取出现于第一目标监控数据的待选人员所对应的时空数据;
计算模块,用于基于所述待选人员的所对应的时空数据,计算所述待选人员的时空扩散因子及移动趋势因子;
其中,所述时空扩算因子和移动趋势因子分别从不同角度表征所述待选人员与所述事件发生时间、事件发生地之间关联程度;所述时空扩算因子包括依据所述待选人员在所述第一时间段内与所述事件发生地之间的距离变化情况得到的分值因子;所述移动趋势因子包括依据所述待选人员在所述第一时间段内相对于所述事件发生地的运动方向变化情况得到的分值因子;
评估模块,用于根据所述时空扩散因子及移动趋势因子评估所对应的所述待选人员的嫌疑值,以便根据所述嫌疑值从所述待选人员中确定出目标对象。
10.一种电子设备,其特征在于,包括处理器和存储器,所述存储器存储有能够被所述处理器执行的机器可执行指令,所述处理器可执行所述机器可执行指令以实现权利要求1-8任一所述的方法。
11.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010337913.8A CN111522995B (zh) | 2020-04-26 | 2020-04-26 | 目标对象分析方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010337913.8A CN111522995B (zh) | 2020-04-26 | 2020-04-26 | 目标对象分析方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111522995A true CN111522995A (zh) | 2020-08-11 |
CN111522995B CN111522995B (zh) | 2023-06-27 |
Family
ID=71904566
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010337913.8A Active CN111522995B (zh) | 2020-04-26 | 2020-04-26 | 目标对象分析方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111522995B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112232424A (zh) * | 2020-10-21 | 2021-01-15 | 成都商汤科技有限公司 | 身份识别方法及装置、电子设备和存储介质 |
CN112488068A (zh) * | 2020-12-21 | 2021-03-12 | 重庆紫光华山智安科技有限公司 | 监控目标搜索方法、装置、设备及计算机存储介质 |
CN113157764A (zh) * | 2021-02-04 | 2021-07-23 | 浙江大华***工程有限公司 | 一种隐性特质人员的挖掘方法、***、存储介质及设备 |
CN114491148A (zh) * | 2022-04-14 | 2022-05-13 | 武汉中科通达高新技术股份有限公司 | 目标人员搜索方法、装置、计算机设备及存储介质 |
CN117391877A (zh) * | 2023-12-07 | 2024-01-12 | 武汉大千信息技术有限公司 | 一种快速生成可疑人员关系网的方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012243128A (ja) * | 2011-05-20 | 2012-12-10 | Jvc Kenwood Corp | 監視装置、監視方法及び監視プログラム |
CN102819578A (zh) * | 2012-07-24 | 2012-12-12 | 武汉大千信息技术有限公司 | 视频侦查嫌疑目标分析***及方法 |
CN102843547A (zh) * | 2012-08-01 | 2012-12-26 | 安科智慧城市技术(中国)有限公司 | 一种嫌疑目标智能追踪方法和*** |
US20150117835A1 (en) * | 2013-10-31 | 2015-04-30 | JVC Kenwood Corporation | Information processing apparatus, control method and program |
CN104679864A (zh) * | 2015-02-28 | 2015-06-03 | 武汉烽火众智数字技术有限责任公司 | 一种基于gis的嫌疑目标智能跟踪方法和装置 |
CN106203458A (zh) * | 2015-04-29 | 2016-12-07 | 杭州海康威视数字技术股份有限公司 | 人群视频分析方法及*** |
CN107315755A (zh) * | 2016-04-27 | 2017-11-03 | 杭州海康威视数字技术股份有限公司 | 查询对象的轨迹生成方法及装置 |
US20180349710A1 (en) * | 2016-03-08 | 2018-12-06 | Accuware, Inc. | Method and arrangement for receiving data about site traffic derived from imaging processing |
CN109635059A (zh) * | 2018-11-23 | 2019-04-16 | 武汉烽火众智数字技术有限责任公司 | 基于轨迹相似度匹配的人车关联分析方法及*** |
CN110705480A (zh) * | 2019-09-30 | 2020-01-17 | 重庆紫光华山智安科技有限公司 | 目标对象的停留点定位方法及相关装置 |
-
2020
- 2020-04-26 CN CN202010337913.8A patent/CN111522995B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012243128A (ja) * | 2011-05-20 | 2012-12-10 | Jvc Kenwood Corp | 監視装置、監視方法及び監視プログラム |
CN102819578A (zh) * | 2012-07-24 | 2012-12-12 | 武汉大千信息技术有限公司 | 视频侦查嫌疑目标分析***及方法 |
CN102843547A (zh) * | 2012-08-01 | 2012-12-26 | 安科智慧城市技术(中国)有限公司 | 一种嫌疑目标智能追踪方法和*** |
US20150117835A1 (en) * | 2013-10-31 | 2015-04-30 | JVC Kenwood Corporation | Information processing apparatus, control method and program |
CN104679864A (zh) * | 2015-02-28 | 2015-06-03 | 武汉烽火众智数字技术有限责任公司 | 一种基于gis的嫌疑目标智能跟踪方法和装置 |
CN106203458A (zh) * | 2015-04-29 | 2016-12-07 | 杭州海康威视数字技术股份有限公司 | 人群视频分析方法及*** |
US20180349710A1 (en) * | 2016-03-08 | 2018-12-06 | Accuware, Inc. | Method and arrangement for receiving data about site traffic derived from imaging processing |
CN107315755A (zh) * | 2016-04-27 | 2017-11-03 | 杭州海康威视数字技术股份有限公司 | 查询对象的轨迹生成方法及装置 |
CN109635059A (zh) * | 2018-11-23 | 2019-04-16 | 武汉烽火众智数字技术有限责任公司 | 基于轨迹相似度匹配的人车关联分析方法及*** |
CN110705480A (zh) * | 2019-09-30 | 2020-01-17 | 重庆紫光华山智安科技有限公司 | 目标对象的停留点定位方法及相关装置 |
Non-Patent Citations (1)
Title |
---|
孙晨星等: "面向社区矫正的敏感区域行为分析方法", 《地理与地理信息科学》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112232424A (zh) * | 2020-10-21 | 2021-01-15 | 成都商汤科技有限公司 | 身份识别方法及装置、电子设备和存储介质 |
CN112488068A (zh) * | 2020-12-21 | 2021-03-12 | 重庆紫光华山智安科技有限公司 | 监控目标搜索方法、装置、设备及计算机存储介质 |
CN113157764A (zh) * | 2021-02-04 | 2021-07-23 | 浙江大华***工程有限公司 | 一种隐性特质人员的挖掘方法、***、存储介质及设备 |
CN114491148A (zh) * | 2022-04-14 | 2022-05-13 | 武汉中科通达高新技术股份有限公司 | 目标人员搜索方法、装置、计算机设备及存储介质 |
CN114491148B (zh) * | 2022-04-14 | 2022-07-12 | 武汉中科通达高新技术股份有限公司 | 目标人员搜索方法、装置、计算机设备及存储介质 |
CN117391877A (zh) * | 2023-12-07 | 2024-01-12 | 武汉大千信息技术有限公司 | 一种快速生成可疑人员关系网的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111522995B (zh) | 2023-06-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111522995A (zh) | 目标对象分析方法、装置及电子设备 | |
US20220092881A1 (en) | Method and apparatus for behavior analysis, electronic apparatus, storage medium, and computer program | |
US10672140B2 (en) | Video monitoring method and video monitoring system | |
US20150227814A1 (en) | Secure and private tracking across multiple cameras | |
CN108229335A (zh) | 关联人脸识别方法和装置、电子设备、存储介质、程序 | |
CN106780250B (zh) | 一种基于物联网技术的智慧社区安全事件处理方法及*** | |
CN105404860A (zh) | 用于管理走失人员信息的方法和设备 | |
US20210357624A1 (en) | Information processing method and device, and storage medium | |
CN111221991B (zh) | 人员身份属性的确定方法、装置和电子设备 | |
CN112437280A (zh) | 一种基于大数据分析的智慧监控安防数据处理管理*** | |
CN111079577B (zh) | 一种动态区域聚集预警实时推荐的计算方法及*** | |
CN111753642B (zh) | 一种确定关键帧的方法及装置 | |
Erdélyi et al. | Privacy protection vs. utility in visual data: An objective evaluation framework | |
Giorgi et al. | Privacy-Preserving Analysis for Remote Video Anomaly Detection in Real Life Environments. | |
CN110363180A (zh) | 一种统计陌生人人脸重复出现的方法和装置以及设备 | |
CN114519879A (zh) | 人体数据归档方法、装置、设备及存储介质 | |
CN113869220A (zh) | 重大交通事故的监测方法及*** | |
CN113450236B (zh) | 基于时空数据的可疑人员识别方法、装置、***和介质 | |
CN115719428A (zh) | 基于分类模型的人脸图像聚类方法、装置、设备及介质 | |
CN115083004A (zh) | 一种身份识别方法、装置和计算机可读存储介质 | |
CN111723761B (zh) | 异常人脸图像的确定方法、装置及存储介质 | |
CN114090909A (zh) | 一种图码联侦关联方法、装置、计算机设备及存储介质 | |
CN113468948A (zh) | 基于视图数据的治安防控方法、模块、设备及存储介质 | |
CN113537078B (zh) | 人员管理方法、装置、智能终端及计算机可读存储介质 | |
Vinith et al. | An Approach for Detecting and Identifying Suspected Weapons Using YOLO Algorithm |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |