CN107506368A - 一种类案嫌疑车辆的确定方法及装置 - Google Patents
一种类案嫌疑车辆的确定方法及装置 Download PDFInfo
- Publication number
- CN107506368A CN107506368A CN201710538737.2A CN201710538737A CN107506368A CN 107506368 A CN107506368 A CN 107506368A CN 201710538737 A CN201710538737 A CN 201710538737A CN 107506368 A CN107506368 A CN 107506368A
- Authority
- CN
- China
- Prior art keywords
- car data
- data set
- mrow
- car
- crossed
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/22—Indexing; Data structures therefor; Storage structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
Abstract
本发明公开了一种类案嫌疑车辆的确定方法及装置,该方法包括获取串案中各案件的案件信息,根据各案件的案发时间、案发地点和车辆特征信息,确定与各案件相对应的多个过车数据集合,确定多个过车数据集合中是否存在满足碰撞条件的车辆,在不存在满足碰撞条件的车辆时,根据该多个过车数据集合,进行非结构化比对,确定出类案嫌疑车辆。由于对过车数据集合采用非结构化比对,可以提高确定嫌疑车辆的准确率,并可以提高确定嫌疑车辆的效率,从而提高工作人员案件分析的效率。
Description
技术领域
本发明实施例涉及交通数据处理技术领域,尤其涉及一种类案嫌疑车辆的确定方法及装置。
背景技术
近几年,全国各地都在大力发展平安城市,平安城市建设已成为城市基础建设的一部分,据统计2016第一季度平安城市市场项目有494个,未来还会有广阔的发展。维护社会治安提高侦查办案效率是平安城市建设的核心工作。随着社会的进步,民众对案件的办理效率和信息公开化要求越来越高,特别是对于社会关注的大案要案,如果不能合理的处理很可能带来较大的负面影响,严重影响社会稳定。
目前,国内对串并案件中作案的车辆缺少有效的分析手段,主要是通过区域碰撞分析出相同号牌的车辆,而这种手段过于简单,当犯罪嫌疑人利用套牌或假牌做隐藏,区域碰撞分析方式存在漏洞,无法有效定位嫌疑车辆。
发明内容
本发明实施例提供一种类案嫌疑车辆的确定方法及装置,用以解决的串并案件中通过套牌、假牌逃避检测的问题。
本发明实施例提供的一种类案嫌疑车辆的确定方法,包括:
获取串案中各案件的案件信息,所述案件信息包括案发时间、案发地点和车辆特征信息;
根据所述各案件的案发时间、案发地点和车辆特征信息,确定与所述各案件相对应的多个过车数据集合;
确定所述多个过车数据集合中是否存在满足碰撞条件的车辆,所述碰撞条件为同一车牌号至少在两个过车数据集合中出现;
若否,则根据所述多个过车数据集合,进行非结构化比对,确定出类案嫌疑车辆。
可选的,若所述多个过车数据集合中存在满足碰撞条件的车辆,则将所述满足碰撞条件的车辆确定为类案嫌疑车辆。
可选的,所述根据所述多个过车数据集合,进行非结构化比对,确定出类案嫌疑车辆,包括:
对每个过车数据集合中的过车数据提取原始特征点,并建立索引;
将建立索引后的多个过车数据集合中任一过车数据集合中的每条过车数据的特征点与其它过车数据集合中的过车数据进行比对,确定目标过车数据与对比过车数据的相似度;
将相似度符合设定阈值的目标过车数据所对应的车辆确定为类案嫌疑车辆。
可选的,所述对每个过车数据集合中的过车数据提取原始特征点,并建立索引,包括:
对每条过车数据提取原始特征点的特征数据;
将提取的原始特征点的特征数据中的每个特征点映射到视觉字典中的一个字上,生成词袋(Bag of words,Bow)特征;
使用反向索引法为所述Bow特征建立索引。
可选的,所述将建立索引后的多个过车数据集合中任一过车数据集合中的每条过车数据的特征点与其它过车数据集合中的过车数据进行比对,确定目标过车数据与对比过车数据的相似度,包括:
选取多个过车数据集合中任一过车数据集合中的任一条过车数据为目标过车数据,其它过车数据集合中的每条过车数据为比对过车数据;
根据公式(1)确定所述目标过车数据与对比过车数据的相似度;
所述公式(1)为:
其中,F(A,B)为目标过车数据和对比过车数据的相似度,P(A∩B)为目标过车数据和对比过车数据的匹配特征点的个数,P(A)为目标过车数据的特征点的个数,P(B)为对比过车数据的特征点的个数。
可选的,在所述确定出类案嫌疑车辆之后,还包括:
将所述确定出的类案嫌疑车辆关联公安警务综合系统,为确定出的类案嫌疑车辆进行嫌疑度排序。
相应的,本发明实施例还提供了一种类案嫌疑车辆的确定装置,包括:
获取单元,用于获取串案中各案件的案件信息,所述案件信息包括案发时间、案发地点和车辆特征信息;
处理单元,用于根据所述各案件的案发时间、案发地点和车辆特征信息,确定与所述各案件相对应的多个过车数据集合;确定所述多个过车数据集合中是否存在满足碰撞条件的车辆,所述碰撞条件为同一车牌号至少在两个过车数据集合中出现;若所述多个过车数据集合中不存在满足碰撞条件的车辆,则根据所述多个过车数据集合,进行非结构化比对,确定出类案嫌疑车辆。
可选的,所述处理单元还用于:
若所述多个过车数据集合中存在满足碰撞条件的车辆,则将所述满足碰撞条件的车辆确定为类案嫌疑车辆。
可选的,所述处理单元具体用于:
对每个过车数据集合中的过车数据提取原始特征点,并建立索引;
将建立索引后的多个过车数据集合中任一过车数据集合中的每条过车数据的特征点与其它过车数据集合中的过车数据进行比对,确定目标过车数据与对比过车数据的相似度;
将相似度符合设定阈值的目标过车数据所对应的车辆确定为类案嫌疑车辆。
可选的,所述处理单元具体用于:
对每条过车数据提取原始特征点的特征数据;
将提取的原始特征点的特征数据中的每个特征点映射到视觉字典中的一个字上,生成Bow特征;
使用反向索引法为所述Bow特征建立索引。
可选的,所述处理单元具体用于:
选取多个过车数据集合中任一过车数据集合中的任一条过车数据为目标过车数据,其它过车数据集合中的每条过车数据为比对过车数据;
根据公式(1)确定所述目标过车数据与对比过车数据的相似度;
所述公式(1)为:
其中,F(A,B)为目标过车数据和对比过车数据的相似度,P(A∩B)为目标过车数据和对比过车数据的匹配特征点的个数,P(A)为目标过车数据的特征点的个数,P(B)为对比过车数据的特征点的个数。
可选的,所述处理单元还用于:
在所述确定出类案嫌疑车辆之后,将所述确定出的类案嫌疑车辆关联公安警务综合系统,为确定出的类案嫌疑车辆进行嫌疑度排序。
本发明实施例表明,获取串案中各案件的案件信息,根据各案件的案发时间、案发地点和车辆特征信息,确定与各案件相对应的多个过车数据集合,确定多个过车数据集合中是否存在满足碰撞条件的车辆,在不存在满足碰撞条件的车辆时,根据该多个过车数据集合,进行非结构化比对,确定出类案嫌疑车辆。由于对过车数据集合采用非结构化比对,可以提高确定嫌疑车辆的准确率,并可以提高确定嫌疑车辆的效率,从而提高工作人员案件分析的效率。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简要介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域的普通技术人员来讲,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类案嫌疑车辆的确定方法的流程示意图;
图2为本发明实施例提供的一种确定过车数据集合的示意图;
图3为本发明实施例提供的一种确定是否满足碰撞条件的示意图;
图4为本发明实施例提供的一种过车数据图像的相对位置划分的示意图;
图5为本发明实施例提供的一种类案嫌疑车辆的确定装置的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述,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它实施例,都属于本发明保护的范围。
本发明实施例中卡口即为道路交通治安卡口监控系统,该监控系统采用先进的光电、计算机、图像处理、模式识别、远程数据访问等技术,对监控路段的机动车道、非机动车道进行全天候实时监控并记录相关图像数据,图像数据包括车辆的通过时间、地点、行驶方向、车牌号码、车牌颜色、车身颜色等信息,并将获取到的信息通过计算机网络传输到卡口系统控制中心的数据库中进行数据存储、查询、比对等处理。本发明实施例中的过车数据也可以为卡口监控系统拍摄的图像数据。
基于上述描述,图1示例性的示出了本发明实施例提供的一种类案嫌疑车辆的确定方法的流程,该流程可以由类案嫌疑车辆的确定装置执行。
如图1所示,该流程的具体步骤包括:
步骤101,获取串案中各案件的案件信息。
步骤102,根据所述各案件的案发时间、案发地点和车辆特征信息,确定与所述各案件相对应的多个过车数据集合。
步骤103,确定所述多个过车数据集合中是否存在满足碰撞条件的车辆。
步骤104,若所述多个过车数据集合中不存在满足碰撞条件的车辆,则根据所述多个过车数据集合,进行非结构化比对,确定出类案嫌疑车辆。
在本发明实施例中,串案是指串并案件,也可以说是由同一伙嫌疑人作案的多个案件,也可以称为类案。串案的各个案件的案件信息可以包括案件时间、案发地点和车辆特征信息等,这里仅是示例作用,对此不做限制。
在得到串案的各案件的案件信息后,根据各案件的案发时间、案发地点和车辆特征信息,从车辆历史过车数据库中得到各案件相对应的多个过车数据集合。例如,如图2所示,经判断一犯罪团伙先后在火车站、汽车站、万达商圈三个位置进行盗窃,此时可以根据案件发生的地点、时间和嫌疑人乘坐的车辆特征信息,调取车辆历史过车数据库中相应的过车数据,组成过车数据集合。在图2中,调取了火车站附件20个卡口监控中,2016年9月12日20点30分至20点45分,颜色为黑色或灰色的车辆的过车数据,将这些过车数据确定为过车数据集合1。调取了汽车站西站口10个卡口监控中,2016年9月15日18点16分至19点05分,颜色为黑色或灰色大众品牌的车辆的过车数据,将这些过车数据确定为过车数据集合2。调取了万达广场北门15个卡口监控中,2016年10月9日21点10分至21点25分,颜色为黑色或灰色的车辆的过车数据,将这些过车数据确定为过车数据集合3。为了便于描述,本发明实施例仅是一个案件对应一个过车数据集合,一个案件也可以对应多个过车数据集合,比如,汽车站北出站口附近的卡口监控的过车数据也可以组成一个过车数据集合。
在得到多个过车数据集合后,需要确定该多个过车数据集合中是否存在满足碰撞条件的车辆,该碰撞条件为同一车牌号至少在两个过车数据集合中出现过。
如图3所示,车牌号为鲁B12342的车辆在过车数据集合1和过车数据集合2中出现过,车牌号为鲁B12344的车辆在过车数据集合1和过车数据集合3中出现过,车牌号为鲁B12345的车辆在过车数据集合1和过车数据集合2中出现过,车牌号为鲁B11111的车辆在过车数据集合2和过车数据集合3中出现过。由此可以确认车牌号为鲁B12342、鲁B12344、鲁B12345、鲁B11111的车辆为满足碰撞条件的车辆,从而可以将这些满足碰撞条件的车辆确定为类案嫌疑车辆,为公安人员破案提供帮助。
如果该多个过车数据集合中不存在满足碰撞条件的车辆,则可以根据该多个过车数据集合,进行非结构化比对,确定出类案嫌疑车辆。具体的,对每个过车数据集合中的过车数据提取原始特征点,并建立索引。然后将建立索引后的多个过车数据集合中任一过车数据集合中的每条过车数据的特征点与其它过车数据集合中的过车数据进行比对,确定目标过车数据与对比过车数据的相似度。最后可以将将相似度符合设定阈值的目标过车数据所对应的车辆确定为类案嫌疑车辆。该设定阈值可以依据经验设置,比如可以设置相似度为90%。
对过车数据集合中的过车数据提取原始特征点,并建立索引是为了后续的非结构化比对做准备,由于过车数据数量大,而且提取的特征是局部特征,维度较高,在查询时通过线性查询比对的方式行不通,因此需要采用索引的方式进行查询。具体的,对每条过车数据提取原始特征点的特征数据,将提取的原始特征点的特征数据中的每个特征点映射到视觉字典中的一个字上,生成Bow特征,使用反向索引法为Bow特征建立索引。
其中提取的过车数据的原始特征点可以是过车数据中车辆的车身区域的局部特征的原始特征点,局部特征可以是尺度不变特征转换(Scale-invariant featuretransform,简称SIFT)特征,也可以是稠密尺度不变特征转换(Dense Scale-invariantfeature transform,简称DCSift)特征,其中一个SIFT特征通常为128维,DCSift特征通常为216维。特征数据为多个原始特征点的集合。具体实施中,在映射到视觉字典之前首先需指定视觉字典的大小,视觉字典的大小即视觉字典中包含的字的个数,具体数值可以根据实际情况确定,比如可以取800或1000。然后将提取的原始特征点的特征数据中的每个特征点映射到视觉字典中的一个字上,生成Bow特征,这样一条过车数据可以生成一个Bow特征,再使用索引建立接口按Bow特征文件结构读取存储的Bow特征,对所有的Bow特征使用反向索引方法进行处理,即可建立索引。
例如,一条过车数据的编号可以记为Did=0001,将该过车数据的图像划分为多个相对位置,使用数字0~8进行编号,如图4所示,该过车数据的原始特征点可以为车牌、左车灯、右车灯、左后视镜、右后视镜等特征点,其中,车牌位于7号位置,左车灯位于8号位置,右车灯位于6号位置,左后视镜位于5号位置,右后视镜位于3号位置。将提取的原始特征点与视觉字典中的字建立映射关系,确定出原始特征点在视觉字典中的字的编号,视觉字典中字的编号可以记为Wid,图4所示的原始特征点中的车牌映射的字的编号为50,左车灯映射的字的编号为58等。在建立索引时,使用反向索引法,可以说是从字的编号开始记录,如:一条索引信息为58/8/0001时,表示字的编号为58、相对位置为8、过车数据编号为0001的原始特征点。在进行检索时,只通过索引信息就可以快速的查询到对应的过车数据。
反向索引是解决特征匹配速度的关键算法,经过上述反向索引检索的优化,可以在保证实时性需求的情况下尽可能准确地找到相似度最高的过车数据。
在建立索引之后,可以将建立索引后的多个过车数据集合中任一过车数据集合中的每条过车数据的特征点与其它过车数据集合中的过车数据进行比对,确定目标过车数据与对比过车数据的相似度。具体的,可以选取选取多个过车数据集合中任一过车数据集合中的任一条过车数据为目标过车数据,其它过车数据集合中的每条过车数据为比对过车数据。例如,A、B、C为三个案发区域的过车数据集合。首先选择过车数据集合A中一条过车数据为目标过车数据,找到其对应的特征点索引,过车数据集合B、过车数据集合C中的每条过车数据为比对过车数据,将目标过车数据与过车数据集合B、过车数据集合C中比对过车数据的特征点索引进行比对,得到过车数据集合B、过车数据集合C中与目标过车数据的特征相似的过车数据。
比对出匹配的过车数据后。若没有相似度大于设定阈值(如95%)的过车数据,则判定该过车数据集合中没有相同的车辆。可选的,若相似度大于90%的过车数据有多条,则可以取相似度最高的前5条的比对结果,然后计算前5条相似度的平均值。若平均值大于设定阈值(如95%),则判定为存在相同车辆,返回该条记录。采用多个数据平均值的方式,可以提高比对结果的稳定性。
可选的,可以根据公式(1)确定所述目标过车数据与对比过车数据的相似度。
该公式(1)为:
其中,F(A,B)为目标过车数据和对比过车数据的相似度,P(A∩B)为目标过车数据和对比过车数据的匹配特征点的个数,P(A)为目标过车数据的特征点的个数,P(B)为对比过车数据的特征点的个数。
当上述过车数据集合A中的过车数据全部比对完成后,再将过车数据集合B中未被过车数据集合A中的过车数据比对出的过车数据确定为目标过车数据,然后在过车数据集合C中进行比对,直到全部的过车数据比对完毕。
重复上述比对步骤,比对完所有过车数据集合后,可以得到在多个过车数据集合中都出现过的嫌疑车辆。
可选的,在上述确定出多个过车数据集合中存在满足碰撞条件的车辆时,将满足碰撞条件的车辆确定为类案嫌疑车辆之后,还可以根据排除类案嫌疑车辆之后的过车数据集合,进行非结构化比对,进一步的确定出类案嫌疑车辆。如图3所示,过车数据集合1、2、3在排除嫌疑车辆后,得到过车数据集合A、B、C三个集合,再对这些过车数据集合进行非结构化比对。具体的比对步骤已在上述步骤中描述,不在赘述。
可选的,在得到类案嫌疑车辆后,可以将这些类案嫌疑车辆关联公安警务综合系统,为这些类案嫌疑车辆进行嫌疑度排序。按照嫌疑度排序,可以保证嫌疑度高的车辆优先显示,嫌疑度确定方式可以如下:
将满足碰撞条件的嫌疑车辆的嫌疑值确定为10;将不满足碰撞条件但经过非结构化比对得到的嫌疑车辆的嫌疑值确定为10;嫌疑车辆为被盗车辆的嫌疑值确定为10;嫌疑车辆的车主有犯罪前科的嫌疑值确定为10等。类案嫌疑车辆的多个嫌疑值进行累加,就可以得到嫌疑度。
通过关联警务综合系统,可以查询在逃人员信息库、违法犯罪信息库、被盗窃车辆信息库等警综系统,将分析出的嫌疑车辆按照犯罪嫌疑度排序,并直接展示车主有无犯罪记录、是否为盗抢车、嫌疑人联系方式等信息,可以提高案件分析效率。
上述实施例表明,获取串案中各案件的案件信息,根据各案件的案发时间、案发地点和车辆特征信息,确定与各案件相对应的多个过车数据集合,确定多个过车数据集合中是否存在满足碰撞条件的车辆,在不存在满足碰撞条件的车辆时,根据该多个过车数据集合,进行非结构化比对,确定出类案嫌疑车辆。由于对过车数据集合采用非结构化比对,可以提高确定嫌疑车辆的准确率,并可以提高确定嫌疑车辆的效率,从而提高工作人员案件分析的效率。
基于相同的技术构思,图5示出了本发明实施例提供的一种类案嫌疑车辆的确定装置的结构,该装置可以执行类案嫌疑车辆的确定流程。
如图5所示,该装置包括:
获取单元501,用于获取串案中各案件的案件信息,所述案件信息包括案发时间、案发地点和车辆特征信息;
处理单元502,用于根据所述各案件的案发时间、案发地点和车辆特征信息,确定与所述各案件相对应的多个过车数据集合;确定所述多个过车数据集合中是否存在满足碰撞条件的车辆,所述碰撞条件为同一车牌号至少在两个过车数据集合中出现;若所述多个过车数据集合中不存在满足碰撞条件的车辆,则根据所述多个过车数据集合,进行非结构化比对,确定出类案嫌疑车辆。
可选的,所述处理单元502还用于:
若所述多个过车数据集合中存在满足碰撞条件的车辆,则将所述满足碰撞条件的车辆确定为类案嫌疑车辆。
可选的,所述处理单元502具体用于:
将每个过车数据集合进行优化处理,建立索引;
将建立索引后的多个过车数据集合中任一过车数据集合中的每条过车数据的特征点与其它过车数据集合中的过车数据进行比对,确定目标过车数据与对比过车数据的相似度;
将相似度符合设定阈值的目标过车数据所对应的车辆确定为类案嫌疑车辆。
可选的,所述处理单元502具体用于:
对每条过车数据提取原始特征点的特征数据;
将提取的原始特征点的特征数据中的每个特征点映射到视觉字典中的一个字上,生成Bow特征;
使用反向索引法为所述Bow特征建立索引。
可选的,所述处理单元502具体用于:
选取多个过车数据集合中任一过车数据集合中的任一条过车数据为目标过车数据,其它过车数据集合中的每条过车数据为比对过车数据;
根据公式(1)确定所述目标过车数据与对比过车数据的相似度;
所述公式(1)为:
其中,F(A,B)为目标过车数据和对比过车数据的相似度,P(A∩B)为目标过车数据和对比过车数据的匹配特征点的个数,P(A)为目标过车数据的特征点的个数,P(B)为对比过车数据的特征点的个数。
可选的,所述处理单元502还用于:
在所述确定出类案嫌疑车辆之后,将所述确定出的类案嫌疑车辆关联公安警务综合系统,为确定出的类案嫌疑车辆进行嫌疑度排序。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (12)
1.一种类案嫌疑车辆的确定方法,其特征在于,包括:
获取串案中各案件的案件信息,所述案件信息包括案发时间、案发地点和车辆特征信息;
根据所述各案件的案发时间、案发地点和车辆特征信息,确定与所述各案件相对应的多个过车数据集合;
确定所述多个过车数据集合中是否存在满足碰撞条件的车辆,所述碰撞条件为同一车牌号至少在两个过车数据集合中出现;
若否,则根据所述多个过车数据集合,进行非结构化比对,确定出类案嫌疑车辆。
2.如权利要求1所述的方法,其特征在于,若所述多个过车数据集合中存在满足碰撞条件的车辆,则将所述满足碰撞条件的车辆确定为类案嫌疑车辆。
3.如权利要求1所述的方法,其特征在于,所述根据所述多个过车数据集合,进行非结构化比对,确定出类案嫌疑车辆,包括:
对每个过车数据集合中的过车数据提取原始特征点,并建立索引;
将建立索引后的多个过车数据集合中任一过车数据集合中的每条过车数据的特征点与其它过车数据集合中的过车数据进行比对,确定目标过车数据与对比过车数据的相似度;
将相似度符合设定阈值的目标过车数据所对应的车辆确定为类案嫌疑车辆。
4.如权利要求3所述的方法,其特征在于,所述对每个过车数据集合中的过车数据提取原始特征点,并建立索引,包括:
对每条过车数据提取原始特征点的特征数据;
将提取的原始特征点的特征数据中的每个特征点映射到视觉字典中的一个字上,生成词袋Bow特征;
使用反向索引法为所述Bow特征建立索引。
5.如权利要求3所述的方法,其特征在于,所述将建立索引后的多个过车数据集合中任一过车数据集合中的每条过车数据的特征点与其它过车数据集合中的过车数据进行比对,确定目标过车数据与对比过车数据的相似度,包括:
选取多个过车数据集合中任一过车数据集合中的任一条过车数据为目标过车数据,其它过车数据集合中的每条过车数据为比对过车数据;
根据公式(1)确定所述目标过车数据与对比过车数据的相似度;
所述公式(1)为:
<mrow>
<mi>F</mi>
<mrow>
<mo>(</mo>
<mi>A</mi>
<mo>,</mo>
<mi>B</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mi>P</mi>
<mrow>
<mo>(</mo>
<mi>A</mi>
<mo>&cap;</mo>
<mi>B</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
<mrow>
<mo>(</mo>
<mi>P</mi>
<mo>(</mo>
<mi>A</mi>
<mo>)</mo>
<mo>,</mo>
<mi>P</mi>
<mo>(</mo>
<mi>B</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mn>...</mn>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,F(A,B)为目标过车数据和对比过车数据的相似度,P(A∩B)为目标过车数据和对比过车数据的匹配特征点的个数,P(A)为目标过车数据的特征点的个数,P(B)为对比过车数据的特征点的个数。
6.如权利要求1至5任一所述的方法,其特征在于,在所述确定出类案嫌疑车辆之后,还包括:
将所述确定出的类案嫌疑车辆关联公安警务综合系统,为确定出的类案嫌疑车辆进行嫌疑度排序。
7.一种类案嫌疑车辆的确定装置,其特征在于,包括:
获取单元,用于获取串案中各案件的案件信息,所述案件信息包括案发时间、案发地点和车辆特征信息;
处理单元,用于根据所述各案件的案发时间、案发地点和车辆特征信息,确定与所述各案件相对应的多个过车数据集合;确定所述多个过车数据集合中是否存在满足碰撞条件的车辆,所述碰撞条件为同一车牌号至少在两个过车数据集合中出现;若所述多个过车数据集合中不存在满足碰撞条件的车辆,则根据所述多个过车数据集合,进行非结构化比对,确定出类案嫌疑车辆。
8.如权利要求6所述的装置,其特征在于,所述处理单元还用于:
若所述多个过车数据集合中存在满足碰撞条件的车辆,则将所述满足碰撞条件的车辆确定为类案嫌疑车辆。
9.如权利要求6所述的装置,其特征在于,所述处理单元具体用于:
对每个过车数据集合中的过车数据提取原始特征点,并建立索引;
将建立索引后的多个过车数据集合中任一过车数据集合中的每条过车数据的特征点与其它过车数据集合中的过车数据进行比对,确定目标过车数据与对比过车数据的相似度;
将相似度符合设定阈值的目标过车数据所对应的车辆确定为类案嫌疑车辆。
10.如权利要求8所述的装置,其特征在于,所述处理单元具体用于:
对每条过车数据提取原始特征点的特征数据;
将提取的原始特征点的特征数据中的每个特征点映射到视觉字典中的一个字上,生成词袋Bow特征;
使用反向索引法为所述Bow特征建立索引。
11.如权利要求8所述的装置,其特征在于,所述处理单元具体用于:
选取多个过车数据集合中任一过车数据集合中的任一条过车数据为目标过车数据,其它过车数据集合中的每条过车数据为比对过车数据;
根据公式(1)确定所述目标过车数据与对比过车数据的相似度;
所述公式(1)为:
<mrow>
<mi>F</mi>
<mrow>
<mo>(</mo>
<mi>A</mi>
<mo>,</mo>
<mi>B</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mi>P</mi>
<mrow>
<mo>(</mo>
<mi>A</mi>
<mo>&cap;</mo>
<mi>B</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
<mrow>
<mo>(</mo>
<mi>P</mi>
<mo>(</mo>
<mi>A</mi>
<mo>)</mo>
<mo>,</mo>
<mi>P</mi>
<mo>(</mo>
<mi>B</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mn>...</mn>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,F(A,B)为目标过车数据和对比过车数据的相似度,P(A∩B)为目标过车数据和对比过车数据的匹配特征点的个数,P(A)为目标过车数据的特征点的个数,P(B)为对比过车数据的特征点的个数。
12.如权利要求7至11任一所述的装置,其特征在于,所述处理单元还用于:
在所述确定出类案嫌疑车辆之后,将所述确定出的类案嫌疑车辆关联公安警务综合系统,为确定出的类案嫌疑车辆进行嫌疑度排序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710538737.2A CN107506368A (zh) | 2017-07-04 | 2017-07-04 | 一种类案嫌疑车辆的确定方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710538737.2A CN107506368A (zh) | 2017-07-04 | 2017-07-04 | 一种类案嫌疑车辆的确定方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107506368A true CN107506368A (zh) | 2017-12-22 |
Family
ID=60679483
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710538737.2A Pending CN107506368A (zh) | 2017-07-04 | 2017-07-04 | 一种类案嫌疑车辆的确定方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107506368A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108492580A (zh) * | 2018-04-23 | 2018-09-04 | 泰华智慧产业集团股份有限公司 | 判断涉案嫌疑车辆的方法及系统 |
CN108595622A (zh) * | 2018-04-23 | 2018-09-28 | 泰华智慧产业集团股份有限公司 | 基于大数据分析单车牌串并的方法及系统 |
CN108664600A (zh) * | 2018-05-09 | 2018-10-16 | 山东合天智汇信息技术有限公司 | 一种用于识别特殊场所嫌疑人的方法和装置 |
CN109508395A (zh) * | 2018-09-26 | 2019-03-22 | 安徽四创电子股份有限公司 | 一种基于车型检索的智能串并案的方法 |
CN110727671A (zh) * | 2019-10-11 | 2020-01-24 | 北京明略软件系统有限公司 | 案件数据处理方法及装置 |
CN110852302A (zh) * | 2019-11-20 | 2020-02-28 | 北京明略软件系统有限公司 | 事故嫌疑身份信息确定方法及相关设备 |
CN111222666A (zh) * | 2018-11-26 | 2020-06-02 | 中兴通讯股份有限公司 | 一种数据计算方法和装置 |
CN111259054A (zh) * | 2018-11-30 | 2020-06-09 | 杭州海康威视数字技术股份有限公司 | 一种隐匿车确定方法、装置及电子设备 |
CN111367958A (zh) * | 2019-11-19 | 2020-07-03 | 杭州海康威视系统技术有限公司 | 一种数据分析方法、装置、电子设备及存储介质 |
CN111767776A (zh) * | 2019-12-28 | 2020-10-13 | 西安宇视信息科技有限公司 | 一种异常车牌推选方法及装置 |
CN112364682A (zh) * | 2020-09-22 | 2021-02-12 | 苏州千视通视觉科技股份有限公司 | 一种案件搜索方法及装置 |
CN112396830A (zh) * | 2020-10-23 | 2021-02-23 | 武汉烽火众智数字技术有限责任公司 | 一种提供过车数据快速查询及应用的方法及系统 |
CN116030642A (zh) * | 2023-03-27 | 2023-04-28 | 南京莱斯信息技术股份有限公司 | 交通流卡口过车信息中的嫌疑车辆确定方法及终端 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101944292A (zh) * | 2010-09-16 | 2011-01-12 | 公安部交通管理科学研究所 | 基于轨迹碰撞的嫌疑车辆分析方法 |
CN102610102A (zh) * | 2012-02-27 | 2012-07-25 | 安科智慧城市技术(中国)有限公司 | 一种嫌疑车辆查控方法及系统 |
US8941680B2 (en) * | 2008-07-09 | 2015-01-27 | Raytheon Bbn Technologies Corp. | Volumetric image motion-based visualization |
CN105069130A (zh) * | 2015-08-14 | 2015-11-18 | 安徽新华博信息技术股份有限公司 | 一种嫌疑对象预测方法 |
CN105261218A (zh) * | 2015-10-27 | 2016-01-20 | 杭州电子科技大学 | 基于大数据分析的浮动车伴随行为模式挖掘方法 |
CN106126680A (zh) * | 2016-06-29 | 2016-11-16 | 北京互信互通信息技术有限公司 | 一种视频图像侦察方法及系统 |
-
2017
- 2017-07-04 CN CN201710538737.2A patent/CN107506368A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8941680B2 (en) * | 2008-07-09 | 2015-01-27 | Raytheon Bbn Technologies Corp. | Volumetric image motion-based visualization |
CN101944292A (zh) * | 2010-09-16 | 2011-01-12 | 公安部交通管理科学研究所 | 基于轨迹碰撞的嫌疑车辆分析方法 |
CN102610102A (zh) * | 2012-02-27 | 2012-07-25 | 安科智慧城市技术(中国)有限公司 | 一种嫌疑车辆查控方法及系统 |
CN105069130A (zh) * | 2015-08-14 | 2015-11-18 | 安徽新华博信息技术股份有限公司 | 一种嫌疑对象预测方法 |
CN105261218A (zh) * | 2015-10-27 | 2016-01-20 | 杭州电子科技大学 | 基于大数据分析的浮动车伴随行为模式挖掘方法 |
CN106126680A (zh) * | 2016-06-29 | 2016-11-16 | 北京互信互通信息技术有限公司 | 一种视频图像侦察方法及系统 |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108595622A (zh) * | 2018-04-23 | 2018-09-28 | 泰华智慧产业集团股份有限公司 | 基于大数据分析单车牌串并的方法及系统 |
CN108492580A (zh) * | 2018-04-23 | 2018-09-04 | 泰华智慧产业集团股份有限公司 | 判断涉案嫌疑车辆的方法及系统 |
CN108664600A (zh) * | 2018-05-09 | 2018-10-16 | 山东合天智汇信息技术有限公司 | 一种用于识别特殊场所嫌疑人的方法和装置 |
CN109508395B (zh) * | 2018-09-26 | 2022-03-29 | 安徽四创电子股份有限公司 | 一种基于车型检索的智能串并案的方法 |
CN109508395A (zh) * | 2018-09-26 | 2019-03-22 | 安徽四创电子股份有限公司 | 一种基于车型检索的智能串并案的方法 |
CN111222666A (zh) * | 2018-11-26 | 2020-06-02 | 中兴通讯股份有限公司 | 一种数据计算方法和装置 |
CN111259054B (zh) * | 2018-11-30 | 2024-01-23 | 杭州海康威视数字技术股份有限公司 | 一种隐匿车确定方法、装置及电子设备 |
CN111259054A (zh) * | 2018-11-30 | 2020-06-09 | 杭州海康威视数字技术股份有限公司 | 一种隐匿车确定方法、装置及电子设备 |
CN110727671A (zh) * | 2019-10-11 | 2020-01-24 | 北京明略软件系统有限公司 | 案件数据处理方法及装置 |
CN111367958A (zh) * | 2019-11-19 | 2020-07-03 | 杭州海康威视系统技术有限公司 | 一种数据分析方法、装置、电子设备及存储介质 |
CN111367958B (zh) * | 2019-11-19 | 2024-03-08 | 杭州海康威视系统技术有限公司 | 一种数据分析方法、装置、电子设备及存储介质 |
CN110852302A (zh) * | 2019-11-20 | 2020-02-28 | 北京明略软件系统有限公司 | 事故嫌疑身份信息确定方法及相关设备 |
CN111767776A (zh) * | 2019-12-28 | 2020-10-13 | 西安宇视信息科技有限公司 | 一种异常车牌推选方法及装置 |
CN111767776B (zh) * | 2019-12-28 | 2024-03-29 | 西安宇视信息科技有限公司 | 一种异常车牌推选方法及装置 |
CN112364682A (zh) * | 2020-09-22 | 2021-02-12 | 苏州千视通视觉科技股份有限公司 | 一种案件搜索方法及装置 |
CN112396830A (zh) * | 2020-10-23 | 2021-02-23 | 武汉烽火众智数字技术有限责任公司 | 一种提供过车数据快速查询及应用的方法及系统 |
CN116030642A (zh) * | 2023-03-27 | 2023-04-28 | 南京莱斯信息技术股份有限公司 | 交通流卡口过车信息中的嫌疑车辆确定方法及终端 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107506368A (zh) | 一种类案嫌疑车辆的确定方法及装置 | |
Tian et al. | An automatic car accident detection method based on cooperative vehicle infrastructure systems | |
CN104063712B (zh) | 一种车辆信息提取方法和系统 | |
CN103778787B (zh) | 汽车假套牌识别逻辑判断方法 | |
CN105335702B (zh) | 一种基于统计学习的卡口车型识别方法 | |
CN107730905A (zh) | 基于深度卷积神经网络的多任务套牌车辆视觉检测系统及方法 | |
CN101587643B (zh) | 一种套牌车的识别方法 | |
CN109740424A (zh) | 交通违规识别方法及相关产品 | |
CN105654730B (zh) | 一种基于卡口过车大数据分析的套牌车认定方法 | |
CN105279475A (zh) | 一种基于车辆身份识别的套牌车识别的方法与装置 | |
CN107862340A (zh) | 一种车型识别方法及装置 | |
CN105335710A (zh) | 一种基于多级分类器的精细车辆型号识别方法 | |
CN104915644B (zh) | 一种基于差别数据重建的车牌智能判别方法 | |
CN105160330A (zh) | 一种车标识别方法及车标识别系统 | |
CN106251635A (zh) | 一种套牌嫌疑车牌号的识别方法及系统 | |
CN110619277A (zh) | 一种多社区智慧布控方法以及系统 | |
CN104794184B (zh) | 一种基于大规模数据的贝叶斯分类算法的黑车识别方法 | |
CN103294775A (zh) | 基于地理时空约束的警务云图像识别车辆管控系统 | |
CN107993444B (zh) | 基于卡口过车大数据分析的嫌疑车认定方法 | |
CN111369801B (zh) | 车辆识别方法、装置、设备和存储介质 | |
CN105335757A (zh) | 一种基于局部特征聚合描述符的车型识别方法 | |
CN104680795A (zh) | 一种基于局部区域特征的车型识别方法和装置 | |
WO2018176191A1 (zh) | 套牌车识别方法及装置 | |
CN106971556A (zh) | 基于双网络结构的卡口车辆重识别方法 | |
CN112861567B (zh) | 一种车型分类方法及装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171222 |
|
RJ01 | Rejection of invention patent application after publication |