CN110348379B - 一种公共交通工具中目标对象确定方法、装置、系统及存储介质 - Google Patents

一种公共交通工具中目标对象确定方法、装置、系统及存储介质 Download PDF

Info

Publication number
CN110348379B
CN110348379B CN201910617484.7A CN201910617484A CN110348379B CN 110348379 B CN110348379 B CN 110348379B CN 201910617484 A CN201910617484 A CN 201910617484A CN 110348379 B CN110348379 B CN 110348379B
Authority
CN
China
Prior art keywords
frequency
station
time
data
public transport
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
Application number
CN201910617484.7A
Other languages
English (en)
Other versions
CN110348379A (zh
Inventor
炊文伟
宋扬
陈雪松
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Kuangshi Technology Co Ltd
Original Assignee
Beijing Kuangshi Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Kuangshi Technology Co Ltd filed Critical Beijing Kuangshi Technology Co Ltd
Priority to CN201910617484.7A priority Critical patent/CN110348379B/zh
Publication of CN110348379A publication Critical patent/CN110348379A/zh
Application granted granted Critical
Publication of CN110348379B publication Critical patent/CN110348379B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/51—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
    • G06F16/50—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
    • G06F16/5866—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, manually generated location and time information
    • 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
    • G06F16/587—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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/59—Context or environment of the image inside of a vehicle, e.g. relating to seat occupancy, driver state or inner lighting conditions
    • G06V20/593—Recognising seat occupancy
    • 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
    • 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
    • G06V40/172—Classification, e.g. identification
    • 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
    • G06V2201/07—Target detection

Abstract

本发明涉及一种公共交通工具中目标对象确定方法及系统，该方法包括：新事件发生后，获取新事件发生的时间段/站点段内进入和离开事发公共交通工具的人脸图像作为待比对数据；统计发生在公共交通工具中的过往事件数据，确定事件高频发生的高频公共交通工具的标识以及每个具有不同标识的高频公共交通工具的高频时间段和高频站点；获取在高频时间段和高频站点内进入和离开具有所述第一标识的高频公共交通工具的人脸图像作为历史数据；将待比对数据与所述历史数据进行比对，根据比对结果从待比对数据所对应的人员中选出目标对象。本发明通过对历史事发数据的统计分析确定出可供碰撞的历史数据，并将新事发生的时间段站点段的数据与历史数据进行碰撞，从而能够快速确定出目标对象，可以很好地满足实际应用的需要。

Description

一种公共交通工具中目标对象确定方法、装置、系统及存储 介质
技术领域
本发明属于监控技术领域，具体涉及一种公共交通工具中目标对象确定方法、装置、系统及存储介质。
背景技术
目前在“平安城市”和“雪亮工程”的大力推进下，城市中安装了大量的治安监控摄像头或卡口摄像头，使得城市中街面的两抢一盗犯罪案件有了大幅的降低，但对于基于公共交通工具内的案件还是没有比较有效的制约方法，比如在公交车内丢失一个手机，当受害人发现时，发现的时间和地点与丢失时的时间和地点可能并不一致，对于后续案件的侦破就造成了很大困扰，导致在公共交通工具空间内的盗窃等案件一直不能有效的被侦破。目前的侦破方法陷入困局，主要有以下几方面原因：
1、公共交通工具内看不到所有人员的行为，只能确定上车、下车人员，当发生案件时，无法确定哪一个有嫌疑；
2、公共交通工具内的盗窃案件，从盗窃发生到受害人发现会间隔一定时间，导致不知哪个时间段上下车的人员可能有嫌疑；
3、据统计，大部分案件都由前科人员实施，因此有望通过将当前盗窃案件发生时的数据与过往盗窃案件发生时的数据进行碰撞来确定目标对象，然而与过往数据进行碰撞时，过往数据量庞大，不知与过往哪段时间的数据进行碰撞。
发明内容
针对上述现有技术中存在的问题，本发明的目的在于提供一种公共交通工具中目标对象确定方法、装置和系统以及存储介质。
根据本发明一方面，提供了一种公共交通工具中目标对象确定方法，包括：
新事件发生后，获取新事件发生的时间段/站点段内进入和离开事发公共交通工具的人脸图像作为待比对数据，所述事发公共交通工具具有第一标识；
统计发生在公共交通工具中的过往事件数据，确定事件高频发生的高频公共交通工具的标识以及每个具有不同标识的高频公共交通工具的高频时间段和高频站点；
如果高频公共交通工具中有具有第一标识的，获取在高频时间段和高频站点内进入和离开具有所述第一标识的高频公共交通工具的人脸图像作为历史数据；
将待比对数据与所述历史数据进行比对，根据比对结果从待比对数据所对应的人员中选出目标对象。
进一步地，所述获取新事件发生的时间段/站点段内进入和离开事发公共交通工具的人脸图像作为待比对数据，包括：
获取在从特定对象进入所述事发公共交通工具的时间起到特定对象发现事发的时间止的一段时间进入和离开事发公共交通工具的人脸图像作为待比对数据，
和/或
获取在特定对象进入交通工具的站点到特定对象发现事发的站点之间的站点进入和离开事发公共交通工具的人脸图像作为待比对数据。
进一步地，所述过往事件数据包括：
过往发生事件的公共交通工具标识、过往对象进入所述过往发生事件的公共交通工具的时间和/或站点以及过往对象发现事发的时间和/或站点；
所述统计发生在交通工具中的过往事件数据，确定事件高频发生的高频公共交通工具的标识以及每个具有不同标识的高频公共交通工具的高频时间段和高频站点，包括：
按照过往发生事件的公共交通工具标识统计过往事件数据，从而确定高频公共交通工具的标识；
对于每个具有不同标识的高频公共交通工具，将其运营时间划分为多个时间段，如果从过往对象进入高频公共交通工具的时间起到过往对象发现事发的时间止的一段时间落入所述多个时间段的某一个或某几个时间段，则所述某一个或某几个时间段的事件发生次数加1，如此统计出所述多个时间段中的每个时间段的事件发生次数，从而选取所述多个时间段中的若干时间段作为对应于该高频公共交通工具的高频时间段；
和/或
对于每个具有不同标识的高频公共交通工具，将过往对象进入高频交通工具的站点到过往对象发现事发的站点之间的站点的事件发生次数加1，统计出每个站点的事件发生次数，从而选取若干站点作为对应于该高频公共交通工具的高频站点。
进一步地，所述过往事件数据包括：
过往发生事件的公共交通工具标识、过往对象进入所述过往发生事件的公共交通工具的时间和/或站点以及过往对象发现事发的时间和/或站点；
所述统计发生在交通工具中的过往事件数据，确定事件高频发生的高频公共交通工具的标识以及每个具有不同标识的高频公共交通工具的高频时间段和高频站点，包括：
按照过往发生事件的公共交通工具标识统计过往事件数据，从而确定高频公共交通工具的标识；
对于每个具有不同标识的高频公共交通工具，过往对象进入高频公共交通工具的时间为进入时间，过往对象进入高频公共交通工具的站点为进入站点，过往对象发现事发的时间为事发时间，过往对象发现事发的站点为事发站点，进入站点和事发站点之间的站点为中间站点，计算每个中间站点对应的中间时间，将进入时间及其对应的进入站点，事发时间及其对应的事发站点、每个中间时间及其对应的中间站点的事件发生次数加1，统计每个时间、站点组的时间发生次数，从而确定出高频公共交通工具的高频时间段和高频站点。
进一步地，获取在高频时间段和高频站点进入和离开具有第一标识的高频公共交通工具的人脸图像作为历史数据，包括：
在高频公共交通工具中，抓拍在高频时间段和高频站点进入和离开高频交通工具的人脸图像，所述人脸图像具有高频公共交通工具的标识；
将具有所述第一标识的人脸图像作为历史数据。
进一步地，根据比对结果从待比对数据所对应的人员中选出目标对象包括：如果比对结果显示在待对比数据中存在与历史数据中的某人脸图像相匹配的人脸图像，则将该人脸图像所对应的人员作为备选目标对象，再从备选目标对象中筛选出目标对象。
进一步地，所述从备选目标对象中筛选出目标对象，包括：
获取全天进入和离开历史公共交通工具的人脸图像作为全天人脸图像，所述历史公共交通工具是具有所述第一标识且在高频时间段经过高频站点的高频公共交通工具；
对所述全天人脸图像按照人员进行聚类，以天为单位统计各个备选目标对象进入和离开所述历史公共交通工具的站点；
如果备选目标对象从第一站点进入所述历史公共交通工具、第二站点离开所述历史公共交通工具的天数大于天数阈值，则该备选目标对象不是目标对象；
和/或
如果备选目标对象在一天内进入和离开所述历史公共交通工具的次数大于次数阈值，则将该备选目标对象作为目标对象。
进一步地，所述从备选目标对象中筛选出目标对象，还包括：
获取全天进入和离开历史公共交通工具的人脸图像作为全天人脸图像，所述历史公共交通工具是具有所述第一标识且在高频时间段经过高频站点的高频公共交通工具；
对所述全天图像按照人员进行聚类，统计各个备选目标对象进入和离开所述历史交通工具的站点，将从第一指定站点进入和/或第二指定站点离开所述历史交通工具的备选目标对象作为目标对象。
进一步地，所述从备选目标对象中筛选出目标对象，还包括：
获取全天进入和离开历史公共交通工具的人脸图像作为全天人脸图像，所述历史公共交通工具是具有所述第一标识且在高频时间段经过高频站点的高频公共交通工具；
对所述全天图像按照人员进行聚类，统计拍摄各个备选目标对象的人脸图像的相机ID和拍摄时间，筛选出在同一时间段内处于同一历史公共交通工具上的多个备选目标对象；
对于事发公共交通工具，对待比对图像按照人员进行聚类，如果所述多个备选对象也同一时间段内均处于所述事发公共交通工具上，则将所述多个备选目标对象作为目标对象。
进一步地，所述人脸图像为包含人脸的视频，根据所述视频中的语音播报确定人员进入和离开所述事发公共交通工具和/或具有所述第一标识的高频公共交通工具的站点。
根据本发明另一方面，提供了一种公共交通工具中目标对象确定装置，包括：
待比对数据获取模块，用于在新事件发生后，获取新事件发生的时间段/站点段内进入和离开事发公共交通工具的人脸图像作为待比对数据，所述事发公共交通工具具有第一标识；
过往事件数据统计模块，用于统计发生在公共交通工具中的过往事件数据，确定事件高频发生的高频公共交通工具的标识以及每个具有不同标识的高频公共交通工具的高频时间段和高频站点；
历史数据获取模块，用于在存在具有第一标识的高频公共交通工具时，获取在高频时间段和高频站点内进入和离开具有所述第一标识的高频公共交通工具的人脸图像作为历史数据；
目标对象确定模块，用于将待比对数据与所述历史数据进行比对，根据比对结果从待比对数据所对应的人员中选出目标对象。根据本发明另一方面，提供了一种公共交通工具中目标对象确定系统，包括处理器和存储器，其中，所述存储器中存储有计算机程序指令，所述计算机程序指令被所述处理器运行时用于执行上述公共交通工具中目标对象确定方法。
根据本发明另一方面，提供了一种存储介质，在所述存储介质上存储了程序指令，所述程序指令在运行时用于执行上述公共交通工具中目标对象确定方法。
本发明实施例提供的公共交通工具中目标对象确定方法、装置、系统及存储介质，通过对历史事发数据的统计分析确定出可供碰撞的历史数据，并将新事发生的时间段站点段的数据与历史数据进行碰撞，从而能够快速确定出目标对象，提高案件侦破效率。
本发明实施例的有益效果包括：1、可以解决在公共交通工具封闭场景内无法看到所有人员的行为时，通过碰撞过往高频事发时空现场的数据，从而让事发时的数据变得不再孤立；2、通过对过往案件进行梳理，明确高发时间段和地点段，实现针对性地进行人脸抓拍数据汇集；3、通过记录从上车至事发时间段内的所有上下车数据，以避免只在事发时的人群中找寻嫌疑人。
附图说明
通过结合附图对本发明实施例进行更详细的描述，本发明的上述以及其它目的、特征和优势将变得更加明显。附图用来提供对本发明实施例的进一步理解，并且构成说明书的一部分，与本发明实施例一起用于解释本发明，并不构成对本发明的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1示出用于实现根据本发明实施例的公共交通工具中目标对象确定方法和装置的示例电子设备的示意性框图；
图2示出根据本发明一个实施例的公共交通工具中目标对象确定方法的示意性流程图；
图3为图2中所示的方法步骤S220的一种示例的示意图；
图4为图2中所示的方法步骤S240的一种示例的示意图；
图5示出根据本发明一个实施例的公共交通工具中目标对象确定装置的示意性框图；以及
图6示出根据本发明一个实施例的公共交通工具中目标对象确定系统的示意性框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，下面结合附图及具体实施例对本发明做进一步说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。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。
首先，参照图1来描述用于实现根据本发明实施例的公共交通工具中目标对象确定方法和装置的示例电子设备100。
如图1所示，电子设备100包括一个或多个处理器102、一个或多个存储装置104。可选地，电子设备100还可以包括输入装置106、输出装置108、以及图像采集装置110，这些组件通过总线系统112和/或其它形式的连接机构(未示出)互连。应当注意，图1所示的电子设备100的组件和结构只是示例性的，而非限制性的，根据需要，所述电子设备也可以具有其他组件和结构。
所述处理器102可以采用数字信号处理器(DSP)、现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、微处理器中的至少一种硬件形式来实现，所述处理器102可以是中央处理单元(CPU)、图像处理器(GPU)、专用的集成电路(ASIC)或者具有数据处理能力和/或指令执行能力的其它形式的处理单元中的一种或几种的组合，并且可以控制所述电子设备100中的其它组件以执行期望的功能。
所述存储装置104可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器102可以运行所述程序指令，以实现下文所述的本发明实施例中(由处理器实现)的客户端功能以及/或者其它期望的功能。在所述计算机可读存储介质中还可以存储各种应用程序和各种数据，例如所述应用程序使用和/或产生的各种数据等。
所述输入装置106可以是用户用来输入指令的装置，并且可以包括键盘、鼠标、麦克风和触摸屏等中的一个或多个。
所述输出装置108可以向外部(例如用户)输出各种信息(例如图像和/或声音)，并且可以包括显示器、扬声器等中的一个或多个。可选地，所述输入装置106和所述输出装置108可以集成在一起，采用同一交互装置(例如触摸屏)实现。
所述图像采集装置110可以采集图像，并且将所采集的图像存储在所述存储装置104中以供其它组件使用。图像采集装置110可以是单独的相机或移动终端中的摄像头等。应当理解，图像采集装置110仅是示例，电子设备100可以不包括图像采集装置110。在这种情况下，可以利用其他具有图像采集能力的器件采集图像，并将采集的图像发送给电子设备100。
示例性地，用于实现根据本发明实施例的公共交通工具中目标对象确定方法和装置的示例电子设备可以在诸如个人计算机或远程服务器等的设备上实现。
下面，将参考图2描述根据本发明实施例的公共交通工具中目标对象确定方法。图2示出根据本发明一个实施例的公共交通工具中目标对象确定方法200的示意性流程图。如图2所示，公共交通工具中目标对象确定方法200包括以下步骤S210、S220、S230和S240。
S210，新事件发生后，获取新事件发生的时间段/站点段内进入和离开事发公共交通工具的人脸图像作为待比对数据，所述事发公共交通工具具有第一标识。
示例性的，当公共交通工具上发生了新事件例如盗窃案时，认为有新事件发生。新事件发生的时间段是指特定对象(在一个具体的实施例中，可以为受害人)进入事发公共交通工具的时间起到特定对象发现事发的时间止的一段时间，新事件发生的站点段是指特定对象进入事发交通工具的站点到特定对象发现事发的站点之间的站点。案犯通常在受害人之前或之后进入公共交通工具，在得手(盗窃案发生的时刻)后立刻离开公共交通工具，而受害人发现自己被盗的时间往往会晚于盗窃案发生的时间，因此案犯大概率会在新事件发生的时间段/站点段内进入和离开公共交通工具，在这期间拍摄到的进入和离开公共交通工具的人脸图像大概率会包括案犯的人脸图像，可将这部分图像作为待比对图像进行分析。
S220，统计发生在公共交通工具中的过往事件数据，确定事件高频发生的高频公共交通工具的标识以及每个具有不同标识的高频公共交通工具的高频时间段和高频站点；
其中，高频公共交通工具是指过往事件高频发生的公共交通工具(例如公交车、地铁、火车、轮船等公共交通工具)。据统计，公共交通工具上的大部分盗窃案件都由惯犯实施，因此，可以将待比对图像与过往盗窃案件发生时的数据进行碰撞，得到既出现在待比对图像中、又出现在过往盗窃案件发生时的数据中的人员，对这部分人员作为排查重点。然而，过往盗窃案件的数据量庞大，如果用待比对数据与所有过往盗窃案件数据进行碰撞将占用大量计算资源，考虑到惯犯常在固定时间(例如上下班高峰、节假日)、固定站点(如人多拥挤的某几站)、固定线路(如运通102路)作案，可以对过往事件数据进行统计，确定出高频发生的高频公共交通工具、高频时间段和高频站点，仅用这部分高频数据与待比对数据进行碰撞，从而大大减少计算资源的占用。
示例性的，过往事件数据可以来自公安的案卷，过往事件可以是已破获的案件，也可以是未破获的案件。
示例性的，考虑到在工作日，事件可能高频发生在上下班高峰时间、地铁站等附近，节假日，事件可能高频发生在商圈、旅游景点等附近，可以将工作日和节假日分开统计。
示例性的，经过对过往盗窃案件数据的统计，确定出的发生频率较高的公交车的标识以及每个不同标识的高频公交车的案发高频时间段和高频站点段例如：高频公交车的标识为运通201路，其对应的高频时间段为早10:00-12:00，高频站点段为第三站至第十站；
另一高频公交车的标识为999路，其对应的高频时间段为工作日的早7:30-8:00，高频站点段为第三站至第五站；节假日的9：00-10：00，第十三站至第十五站。
S230，如果高频公共交通工具中有具有第一标识的，获取在高频时间段和高频站点内进入和离开具有所述第一标识的高频公共交通工具的人脸图像作为历史数据；
其中，人脸图像为包含人脸的图片或视频。
示例性的，步骤S230可以包括两个步骤：
S2301:获取备选历史数据，所述备选历史数据包括在高频时间段和高频站点内进入和离开具有高频公共交通工具的人脸图像；
示例性的，可以在一定时间内对步骤S220统计出的高频交通工具在全天、全站点进行抓拍，或至少在其高频时间、高频地点进行抓拍。例如，步骤S220统计出运通201和999路为高频交通工具，可以在一个月内对运通201路和999路在全天、全站点进行抓拍，也可以仅对在10:00-12:00经过第三站至第十站的运通201路在10:00-12:00经过第三站至第十站时进行抓拍，对工作日的7:30-8:00经过第三站至第五站的999路在工作日的7:30-8:00经过第三站至第五站时进行抓拍；对节假日的9:00-10:00经过第十三站至第十五站的999路在节假日的9:00-10:00经过第十三站至第十五站时进行抓拍，来获取备选历史数据，只要备选历史数据包括在高频时间段和高频站点内进入和离开具有高频公共交通工具的人脸图像即可。要想使人脸图像具有交通工具标识，可以在拍摄完成后用交通工具标识对人脸图像进行标记，也可建立相机ID与交通工具标识的对应关系，根据拍摄人脸图像的相机ID来确定人脸图像的交通工具标识。
可以理解的是，也可以随着数字化城市建设的不断推进，越来越多的公共交通工具上本身已经配备有摄像头并在日常运营时进行全天人脸图像抓拍，可以将这些日常抓拍的图像作为备选历史数据。
S2302：从备选历史数据中选出具有所述第一标识且在与所述第一标识对应的高频时间段、站点拍摄的人脸图像作为历史数据。
例如，事发公共交通工具的标识为运通201，则从备选历史数据中选择在10:00-12:00经过第三站至第十站的运通201路在10:00-12:00经过第三站至第十站时拍摄的人脸图像作为历史数据。如果事发公共交通工具的标识为777路，而高频交通工具中没有具有该标识的，不适用于本申请实施例。
S240，将待比对数据与所述历史数据进行比对，根据比对结果从待比对数据所对应的人员中选出目标对象。
将待比对数据与历史数据进行比对，根据比对结果，找出同时存在于待比对数据与历史数据中的人员作为重点排查对象。
根据本实施例，将新事件发生时间段、地点段采集的数据作为待比对数据，通过对历史事发数据的统计分析确定出可供碰撞的历史数据，将待比对数据与历史数据进行碰撞，能够在节约计算资源的条件下快速确定出目标对象，提高案件侦破效率。
在一例中，获取新事件发生的时间段/站点段内进入和离开事发公共交通工具的人脸图像作为待比对数据，可以包括：
获取在从特定对象进入所述事发公共交通工具的时间起到特定对象发现事发的时间止的一段时间进入和离开所述事发公共交通工具的人脸图像作为待比对数据，
和/或
获取在特定对象进入所述事发交通工具的站点到特定对象发现事发的站点之间的站点进入和离开所述事发公共交通工具的人脸图像作为待比对数据。
在一例中，过往事件数据包括：
过往发生事件的公共交通工具标识、过往对象进入所述过往发生事件的公共交通工具的时间和/或站点以及过往对象发现事发的时间和/或站点。
其中，过往事件可以是过往发生的盗窃事件，过往对象可以为过往发生的盗窃事件的受害人。过往对象发现事发的站点可以是距离发现事发地点最近的下一个站点。例如，过往发生事件的公共交通工具标识为运通201，过往对象在8：00于第三站进入所述过往发生事件的公共交通工具，在9：00于接近第八站发现被盗，则过往对象发现事发的站点为第八站。
示例性的，如图3所示，步骤S220可以包括：
步骤S2201:按照过往发生事件的公共交通工具标识统计过往事件数据，从而确定高频公共交通工具的标识；
例如，按照过往发生事件的公共交通工具标识统计过往事件数据，统计结果为：
运通201路：10次；999路：5次；777路：1次。
可以从中选择过往发生事件多于一定次数阈值的公共交通工具作为高频交通工具，也可以从中选择过往发生事件次数位于前几位的公共交通工具作为高频交通工具。例如，可以将过往发生事件次数多于3次的运通201路和999路作为高频交通工具，其标识分别为运通201和999。
步骤S2202:对于每个具有不同标识的高频公共交通工具，将其运营时间划分为多个时间段，如果从过往对象进入高频公共交通工具的时间起到过往对象发现事发的时间止的一段时间落入所述多个时间段的某一个或某几个时间段，则所述某一个或某几个时间段的事件发生次数加1，如此统计出所述多个时间段中的每个时间段的事件发生次数，从而选取所述多个时间段中的若干时间段作为对应于该高频公共交通工具的高频时间段。
例如，过往发生事件的公共交通工具标识为运通201，过往对象在7：30于第三站进入所述过往发生事件的公共交通工具，在9：00于接近第八站发现被盗。对于运通201路，将其运营时间7：00-22：00以小时为单位划分为15个时间段。过往对象进入高频公共交通工具的时间起到过往对象发现事发的时间止的一段时间为7：30-9：00，则将7：00-8：00、8：00-9：00两个时间段的事件发生次数加1。
示例性的，步骤S220还可以包括：
步骤S2203:对于每个具有不同标识的高频公共交通工具，将过往对象进入高频交通工具的站点到过往对象发现事发的站点之间的站点的事件发生次数加1，统计出每个站点的事件发生次数，从而选取若干站点作为对应于该高频公共交通工具的高频站点。
示例性的，过往对象发现事发的站点为距离过往对象发现事发的地点最近的下一个站点。
例如，过往发生事件的公共交通工具标识为运通201，过往对象在7：30于第三站进入所述过往发生事件的公共交通工具，在9：00于接近第八站发现被盗，则过往对象进入高频交通工具的站点为第三站，过往对象发现事发的站点为第八站，将第三站到第八站的事件发生次数加1。
需要说明的是，由于高频时间段、高频站点是根据发生在具有某一标识的高频公共交通工具上的过往案件的数据统计而来，高频时间段、高频站点与高频公共交通工具的标识有对应关系。
示例性的，步骤S220还可以包括：
步骤S2204:对于每个具有不同标识的高频公共交通工具，过往对象进入高频公共交通工具的时间为进入时间，过往对象进入高频公共交通工具的站点为进入站点，过往对象发现事发的时间为事发时间，过往对象发现事发的站点为事发站点，进入站点和事发站点之间的站点为中间站点，每个中间站点对应的一个中间时间，将进入时间及其对应的进入站点，事发时间及其对应的事发站点、每个中间时间及其对应的中间站点的事件发生次数加1，统计每个时间、站点组的时间发生次数，从而确定出高频公共交通工具的高频时间段和高频站点。
示例性的，可以根据公共交通工具的路线及人脸图像拍摄的时间来判断中间站点和每个中间站点对应的中间时间。例如，对于运通201，5张人脸图片是在8：00-8：02之间拍摄的，10张人脸图像是在8：08-8：09拍摄的，3张人脸图片是在8：20-8：21拍摄的，而在这5张、10张、3张人脸图像拍摄的时间之间没有拍摄到人脸图像。同时还已知受害人在8：02于第三站上车，8：19于接近第五站时发现被盗，那么即可获知8：00-8：02该辆公交车到达第三站，8：08-8：09到达第四站，8：20-8：21到达第五站，8：02为进入时间，第三站为进入站点，8：19为事发时间，第五站为事发站点，8：08-8：09为中间时间，第四站为中间站点。可以理解的是，如果进入时间、中间时间或事发时间是一个时间段，而后续计算需要的是时间点，可将该时间段内最早、最晚的时刻或平均时间作为时间点。
本例中，将各个时间、地点形成时间-地点组，在得到进入时间和进入站点、中间时间和中间站点、事发时间和事发站点后，将各时间-地点组即【进入时间进入站点】、【中间时间中间站点】、【事发时间事发站点】标记在以时间为x轴，站点为y轴的坐标系中，将坐标系中密度满足条件(例如标记的密度大于密度阈值)的区域作为高频区域，将高频区域对应的时间段和站点作为高频时间段和高频站点。
在本实施例中，对事发时间、事发地点联合统计，能够更准确的刻画高频交通工具中高频时间段、高频站点的事件发生情况，可以统计出一个标识下的多个高频时间、站点组。
例如，通过本实施例，可统计出运通201路8-9点在第7-10站事件高发；17-19点在第3-4站事件高发。
示例性的，如图4所示，步骤S240包括：
步骤S2401：如果比对结果显示在待对比数据中存在与历史数据中的某人脸图像相匹配的人脸图像，则将该人脸图像所对应的人员作为备选目标对象，再从备选目标对象中筛选出目标对象。
示例性的，如果比对结果显示在待对比数据中出现的人员A在历史数据中出现了5次,在待对比数据中出现的人员B在历史数据中出现了4次,则可将人员A和B作为备选目标对象。
有时，备选目标对象数量可能较大，且有大量正常上班族混入，因此需要采用一定手段对备选目标对象进行再次筛选。
示例性的，所述从备选目标对象中筛选出目标对象，可以包括：
步骤S2402:获取全天进入和离开历史公共交通工具的人脸图像作为全天人脸图像，所述历史公共交通工具是具有所述第一标识且在高频时间段经过高频站点的高频公共交通工具。
例如，事发交通工具为906路。获取历史数据时，先在一个月内对90趟906路在全天、全站点进行抓拍得到备选历史数据，再从备选历史数据中筛选出906路的高频时间段、高频站点(10:00-12:00，第三站至第十站)的数据作为历史数据，而在10:00-12:00经过第三站至第十站的906路(例如一天内为3趟)即为历史公共交通工具。由于在获取备选历史数据时可以对高频公共交通工具进行了全天全站点抓拍，因此能够获取到全天进入和离开历史公共交通工具的人脸图像。
对所述全天人脸图像按照人员进行聚类，以天为单位统计各个备选目标对象进入和离开所述历史公共交通工具的站点。
示例性的，可以对获取到的全天进入和离开历史公共交通工具的人脸图像按照人脸进行聚类得到人脸档案，再找出备选目标的人脸档案，以天为单位统计各个备选目标对象进入和离开所述历史公共交通工具的站点。
例如，备选目标对象A，乘坐运通201路，4月1日，由第三站上车，第七站下车；4月2日，由第四站上车，第十站下车，4月3日，由第二站上车，第六站下车…；备选目标对象B，乘坐运通201路，4月1日，由第三站上车，第七站下车；4月2日，由第三站上车，第七站下车，4月3日，由第三站上车，第七站下车…。
如果备选目标对象从第一站点进入所述历史公共交通工具、第二站点离开所述历史公共交通工具的天数大于天数阈值，则该备选目标对象不是目标对象。
其中，第一站点、第二站点并非特定站点，而是指固定站点，意味着备选目标对象从固定站点上车、固定站点下车的天数大于天数阈值，这种情况下，备选目标对象是正常上班族的可能性更大。例如，一个月内，备选目标对象A在某站点上车、某不同于上车站点的站点下车的次数为10次，备选目标对象B在某站点上车、某不同于上车站点的站点下车的次数为20次，天数阈值为18天，则可以把备选目标对象B排除。
如果备选目标对象在一天内进入和离开所述历史公共交通工具的次数大于次数阈值，则将该备选目标对象作为目标对象。
例如，备选目标对象A，乘坐运通201路，4月1日，由第三站上车，第七站下车，由第七站上车，第二站下车，由第二站上车，第六站下车。即某备选目标对象在高频时间、高频站点反复上下车，那么认为该备选目标对象为重点排查对象。
示例性的，所述从备选目标对象中筛选出目标对象，还可以包括：
步骤S2403:获取全天进入和离开历史公共交通工具的人脸图像作为全天人脸图像，所述历史公共交通工具是具有所述第一标识且在高频时间段经过高频站点的高频公共交通工具；
对所述全天图像按照人员进行聚类，统计各个备选目标对象进入和离开所述历史交通工具的站点，将从第一指定站点进入和/或第二指定站点离开所述历史交通工具的备选目标对象作为目标对象。
可以理解的是，某些情况下，盗窃团伙有自己的聚集地及作案习惯，例如习惯从某些站点上车、某些站点下车，因此可以对从某些指定点上下车的人员给予重点关注。
示例性的，所述从备选目标对象中筛选出目标对象，还可以包括：
步骤S2404:获取全天进入和离开历史公共交通工具的人脸图像作为全天人脸图像，所述历史公共交通工具是具有所述第一标识且在高频时间段经过高频站点的高频公共交通工具；
对所述全天图像按照人员进行聚类，统计拍摄各个备选目标对象的人脸图像的相机ID和拍摄时间，筛选出在同一时间段内处于同一历史公共交通工具上的多个备选目标对象。
例如，统计拍摄各个备选目标对象的人脸图像的相机ID和拍摄时间，得到备选目标对象A，4月1日上车人脸图像拍摄时间为8：00，相机ID为W001,下车人脸图像拍摄时间为8：20，相机ID为W002。其中W001和W002分别为同一趟运通201路上下车门处的相机。备选目标对象B，4月1日上车人脸图像拍摄时间为8：10，相机ID:W001,下车人脸图像拍摄时间为8：20，相机ID为W002。备选目标对象C，4月1日上车人脸图像拍摄时间为8：15，相机ID:W001,下车人脸图像拍摄时间为8：30，相机ID为W002。可见，在8：15到8：20这段时间里，A、B、C处于同一历史公共交通工具上。
对于事发公共交通工具，对待比对图像按照人员进行聚类，如果所述多个备选目标对象在同一时间段内均处于所述事发公共交通工具上，则将所述多个备选目标对象作为目标对象。
例如，统计事发交通工具中人员的人脸图像的拍摄时间，如果发现备选目标对象A、B、C在事发时同时处于事发交通工具上，又曾经同时出现在某个历史交通工具上，则认为A、B、C是重点关注对象，将其作为目标对象。
盗窃人员常团伙作案，对事发时同在事发交通工具，且曾经同时出现在某个历史交通工具上的多个备选目标对象，应给予重点关注。
可以理解的是，可以执行步骤S2402-S2404中的一步或多步，对各步骤执行顺序也无限定。
根据本实施例，能够对备选目标对象的上下公共交通工具的特点进行研判，从而根据上述特点将备选目标对象的范围进一步限缩，有助于帮助公安更快确定目标对象。
在一例中，当人脸图像为视频时，可借助视频中的语音播报(即报站等)确定时间和站点、公共交通工具标识的对应关系，例如确定人员进入和离开所述事发公共交通工具和/或具有所述第一标识的高频公共交通工具的站点。
根据本发明另一方面，提供一种公共交通工具中目标对象确定的装置。图5示出了根据本发明一个实施例的公共交通工具中目标对象确定的装置500的示意性框图。
如图5所示，根据本发明实施例的公共交通工具中目标对象确定的装置500包括待比对数据获取模块510、过往事件数据统计模块520、历史数据获取模块530和目标对象确定模块540。所述各个模块可分别执行上文中结合图2-4描述的图像处理方法的各个步骤/功能。以下仅对该图像处理装置500的各部件的主要功能进行描述，而省略以上已经描述过的细节内容。
待比对数据获取模块510用于在新事件发生后，获取新事件发生的时间段/站点段内进入和离开事发公共交通工具的人脸图像作为待比对数据，所述事发公共交通工具具有第一标识；
过往事件数据统计模块520，用于统计发生在公共交通工具中的过往事件数据，确定事件高频发生的高频公共交通工具的标识以及每个具有不同标识的高频公共交通工具的高频时间段和高频站点；
历史数据获取模块530，用于在存在具有第一标识的高频公共交通工具时，获取在高频时间段和高频站点内进入和离开具有所述第一标识的高频公共交通工具的人脸图像作为历史数据；
目标对象确定模块540，用于将待比对数据与所述历史数据进行比对，根据比对结果从待比对数据所对应的人员中选出目标对象。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
图6示出了根据本发明一个实施例的图像处理系统600的示意性框图。图像处理系统600包括图像采集装置610、存储装置(即存储器)620、以及处理器630。
所述图像采集装置610用于采集图像。图像采集装置610是可选的，图像处理系统600可以不包括图像采集装置610。在这种情况下，可以利用其他图像采集装置采集图像，并将采集的图像发送给图像处理系统600。
所述存储装置620存储用于实现根据本发明实施例的图像处理方法中的相应步骤的计算机程序指令。
所述处理器630用于运行所述存储装置620中存储的计算机程序指令，以执行根据本发明实施例的图像处理方法的相应步骤。
在一个实施例中，所述计算机程序指令被所述处理器630运行时用于执行以下步骤：步骤S210：新事件发生后，获取新事件发生的时间段/站点段内进入和离开事发公共交通工具的人脸图像作为待比对数据，所述事发公共交通工具具有第一标识；步骤S220：统计发生在公共交通工具中的过往事件数据，确定事件高频发生的高频公共交通工具的标识以及每个具有不同标识的高频公共交通工具的高频时间段和高频站点；步骤S230：如果高频公共交通工具中有具有第一标识的，获取在高频时间段和高频站点内进入和离开具有所述第一标识的高频公共交通工具的人脸图像作为历史数据；步骤S240:将待比对数据与所述历史数据进行比对，根据比对结果从待比对数据所对应的人员中选出目标对象。
此外，根据本发明实施例，还提供了一种存储介质，在所述存储介质上存储了程序指令，在所述程序指令被计算机或处理器运行时用于执行本发明实施例的图像处理方法的相应步骤，并且用于实现根据本发明实施例的图像处理装置中的相应模块。所述存储介质例如可以包括智能电话的存储卡、平板电脑的存储部件、个人计算机的硬盘、只读存储器(ROM)、可擦除可编程只读存储器(EPROM)、便携式紧致盘只读存储器(CD-ROM)、USB存储器、或者上述存储介质的任意组合。
在一个实施例中，所述程序指令在被计算机或处理器运行时可以使得计算机或处理器实现根据本发明实施例的图像处理装置的各个功能模块，并和/或者可以执行根据本发明实施例的图像处理方法。
在一个实施例中，所述程序指令在运行时用于执行以下步骤：步骤S210：新事件发生后，获取新事件发生的时间段/站点段内进入和离开事发公共交通工具的人脸图像作为待比对数据，所述事发公共交通工具具有第一标识；步骤S220：统计发生在公共交通工具中的过往事件数据，确定事件高频发生的高频公共交通工具的标识以及每个具有不同标识的高频公共交通工具的高频时间段和高频站点；步骤S230：如果高频公共交通工具中有具有第一标识的，获取在高频时间段和高频站点内进入和离开具有所述第一标识的高频公共交通工具的人脸图像作为历史数据；步骤S240:将待比对数据与所述历史数据进行比对，根据比对结果从待比对数据所对应的人员中选出目标对象。
根据本发明实施例的图像处理系统中的各模块可以通过根据本发明实施例的实施图像处理的电子设备的处理器运行在存储器中存储的计算机程序指令来实现，或者可以在根据本发明实施例的计算机程序产品的计算机可读存储介质中存储的计算机指令被计算机运行时实现。
尽管这里已经参考附图描述了示例实施例，应理解上述示例实施例仅仅是示例性的，并且不意图将本发明的范围限制于此。本领域普通技术人员可以在其中进行各种改变和修改，而不偏离本发明的范围和精神。所有这些改变和修改意在被包括在所附权利要求所要求的本发明的范围之内。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。例如，以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个设备，或一些特征可以忽略，或不执行。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本发明并帮助理解各个发明方面中的一个或多个，在对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该本发明的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如相应的权利要求书所反映的那样，其发明点在于可以用少于某个公开的单个实施例的所有特征的特征来解决相应的技术问题。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
本领域的技术人员可以理解，除了特征之间相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的图像处理装置中的一些模块的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
以上所述，仅为本发明的具体实施方式或对具体实施方式的说明，本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。本发明的保护范围应以权利要求的保护范围为准。

Claims (13)

1.一种公共交通工具中目标对象确定方法，其特征在于，包括：
新事件发生后，获取新事件发生的时间段/站点段内进入和离开事发公共交通工具的人脸图像作为待比对数据，所述事发公共交通工具具有第一标识；
统计发生在公共交通工具中的过往事件数据，确定事件高频发生的高频公共交通工具的标识以及每个具有不同标识的高频公共交通工具的高频时间段和高频站点；
如果高频公共交通工具中有具有第一标识的，获取在高频时间段和高频站点内进入和离开具有所述第一标识的高频公共交通工具的人脸图像作为历史数据；
将待比对数据与所述历史数据进行比对，根据比对结果从待比对数据所对应的人员中选出目标对象。
2.根据权利要求1所述的方法，其特征在于，
所述获取新事件发生的时间段/站点段内进入和离开事发公共交通工具的人脸图像作为待比对数据，包括：
获取在从特定对象进入所述事发公共交通工具的时间起到特定对象发现事发的时间止的一段时间进入和离开所述事发公共交通工具的人脸图像作为待比对数据，
和/或
获取在特定对象进入所述事发公共交通工具的站点到特定对象发现事发的站点之间的站点进入和离开所述事发公共交通工具的人脸图像作为待比对数据。
3.根据权利要求1所述的方法，其特征在于，
所述过往事件数据包括：
过往发生事件的公共交通工具标识、过往对象进入所述过往发生事件的公共交通工具的时间和/或站点以及过往对象发现事发的时间和/或站点；
所述统计发生在交通工具中的过往事件数据，确定事件高频发生的高频公共交通工具的标识以及每个具有不同标识的高频公共交通工具的高频时间段和高频站点，包括：
按照过往发生事件的公共交通工具标识统计过往事件数据，从而确定高频公共交通工具的标识；
对于每个具有不同标识的高频公共交通工具，将其运营时间划分为多个时间段，如果从过往对象进入高频公共交通工具的时间起到过往对象发现事发的时间止的一段时间落入所述多个时间段的某一个或某几个时间段，则所述某一个或某几个时间段的事件发生次数加1，如此统计出所述多个时间段中的每个时间段的事件发生次数，从而选取所述多个时间段中的若干时间段作为对应于该高频公共交通工具的高频时间段；
和/或
对于每个具有不同标识的高频公共交通工具，将过往对象进入高频交通工具的站点到过往对象发现事发的站点之间的站点的事件发生次数加1，统计出每个站点的事件发生次数，从而选取若干站点作为对应于该高频公共交通工具的高频站点。
4.根据权利要求1所述的方法，其特征在于，
所述过往事件数据包括：
过往发生事件的公共交通工具标识、过往对象进入所述过往发生事件的公共交通工具的时间和/或站点以及过往对象发现事发的时间和/或站点；
所述统计发生在交通工具中的过往事件数据，确定事件高频发生的高频公共交通工具的标识以及每个具有不同标识的高频公共交通工具的高频时间段和高频站点，包括：
按照过往发生事件的公共交通工具标识统计过往事件数据，从而确定高频公共交通工具的标识；
对于每个具有不同标识的高频公共交通工具，过往对象进入高频公共交通工具的时间为进入时间，过往对象进入高频公共交通工具的站点为进入站点，过往对象发现事发的时间为事发时间，过往对象发现事发的站点为事发站点，进入站点和事发站点之间的站点为中间站点，每个中间站点对应一个中间时间，将进入时间及其对应的进入站点，事发时间及其对应的事发站点、每个中间时间及其对应的中间站点的事件发生次数加1，统计每个时间、站点组的时间发生次数，从而确定出高频公共交通工具的高频时间段和高频站点。
5.根据权利要求1所述的方法，其特征在于，获取在高频时间段和高频站点进入和离开具有第一标识的高频公共交通工具的人脸图像作为历史数据，包括：
对于每个具有不同标识的高频公共交通工具，抓拍在与其标识对应的高频时间段和高频站点进入和离开具有该标识的高频交通工具的人脸图像，所述人脸图像具有所述高频公共交通工具的标识；
将具有所述第一标识的人脸图像作为历史数据。
6.根据权利要求1所述的方法，其特征在于，根据比对结果从待比对数据所对应的人员中选出目标对象包括：如果比对结果显示在待对比数据中存在与历史数据中的某人脸图像相匹配的人脸图像，则将该人脸图像所对应的人员作为备选目标对象，再从备选目标对象中筛选出目标对象。
7.根据权利要求6所述的方法，其特征在于，所述从备选目标对象中筛选出目标对象，包括：
获取全天进入和离开历史公共交通工具的人脸图像作为全天人脸图像，所述历史公共交通工具是具有所述第一标识且在高频时间段经过高频站点的高频公共交通工具；
对所述全天人脸图像按照人员进行聚类，以天为单位统计各个备选目标对象进入和离开所述历史公共交通工具的站点；
如果备选目标对象从第一站点进入所述历史公共交通工具、第二站点离开所述历史公共交通工具的天数大于天数阈值，则该备选目标对象不是目标对象；
和/或
如果备选目标对象在一天内进入和离开所述历史公共交通工具的次数大于次数阈值，则将该备选目标对象作为目标对象。
8.根据权利要求6所述的方法，其特征在于，所述从备选目标对象中筛选出目标对象，包括：
获取全天进入和离开历史公共交通工具的人脸图像作为全天人脸图像，所述历史公共交通工具是具有所述第一标识且在高频时间段经过高频站点的高频公共交通工具；
对所述全天人脸图像按照人员进行聚类，统计各个备选目标对象进入和离开所述历史公共交通工具的站点，将从第一指定站点进入和/或第二指定站点离开所述历史公共交通工具的备选目标对象作为目标对象。
9.根据权利要求6所述的方法，其特征在于，所述从备选目标对象中筛选出目标对象，包括：
获取全天进入和离开历史公共交通工具的人脸图像作为全天人脸图像，所述历史公共交通工具是具有所述第一标识且在高频时间段经过高频站点的高频公共交通工具；
对所述全天人脸图像按照人员进行聚类，统计拍摄各个备选目标对象的人脸图像的相机ID和拍摄时间，筛选出在同一时间段内处于同一历史公共交通工具上的多个备选目标对象；
对于事发公共交通工具，对待比对图像按照人员进行聚类，如果所述多个备选目标对象也同一时间段内均处于所述事发公共交通工具上，则将所述多个备选目标对象作为目标对象。
10.根据权利要求1所述的方法，其特征在于，所述人脸图像为包含人脸的视频，根据所述视频中的语音播报确定人员进入和离开所述事发公共交通工具和/或具有所述第一标识的高频公共交通工具的站点。
11.一种公共交通工具中目标对象确定装置，其特征在于，包括：
待比对数据获取模块，用于在新事件发生后，获取新事件发生的时间段/站点段内进入和离开事发公共交通工具的人脸图像作为待比对数据，所述事发公共交通工具具有第一标识；
过往事件数据统计模块，用于统计发生在公共交通工具中的过往事件数据，确定事件高频发生的高频公共交通工具的标识以及每个具有不同标识的高频公共交通工具的高频时间段和高频站点；
历史数据获取模块，用于在存在具有第一标识的高频公共交通工具时，获取在高频时间段和高频站点内进入和离开具有所述第一标识的高频公共交通工具的人脸图像作为历史数据；
目标对象确定模块，用于将待比对数据与所述历史数据进行比对，根据比对结果从待比对数据所对应的人员中选出目标对象。
12.一种公共交通工具中目标对象确定系统，其特征在于，包括处理器和存储器，所述存储器用于存储指令；所述指令被所述处理器运行时用于执行如权利要求1至10任一项所述的方法。
13.一种存储介质，其特征在于，在所述存储介质上存储了程序指令，所述程序指令在运行时用于执行如权利要求1至10任一项所述的方法。
CN201910617484.7A 2019-07-10 2019-07-10 一种公共交通工具中目标对象确定方法、装置、系统及存储介质 Active CN110348379B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910617484.7A CN110348379B (zh) 2019-07-10 2019-07-10 一种公共交通工具中目标对象确定方法、装置、系统及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910617484.7A CN110348379B (zh) 2019-07-10 2019-07-10 一种公共交通工具中目标对象确定方法、装置、系统及存储介质

Publications (2)

Publication Number Publication Date
CN110348379A CN110348379A (zh) 2019-10-18
CN110348379B true CN110348379B (zh) 2021-10-01

Family

ID=68176907

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910617484.7A Active CN110348379B (zh) 2019-07-10 2019-07-10 一种公共交通工具中目标对象确定方法、装置、系统及存储介质

Country Status (1)

Country Link
CN (1) CN110348379B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
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

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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系统
EP3285208A1 (en) * 2016-08-19 2018-02-21 Alitheon, Inc. Authentication-based tracking
CN107729562A (zh) * 2017-11-09 2018-02-23 成都钰月科技有限责任公司 人像自动识别的视频数据挖掘系统和方法
US9965819B1 (en) * 2015-11-25 2018-05-08 John DeVries Real-time school bus and student tracking
CN109063984A (zh) * 2018-07-18 2018-12-21 平安科技（深圳）有限公司 风险旅客方法、装置、计算机设备和存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11055537B2 (en) * 2016-04-26 2021-07-06 Disney Enterprises, Inc. Systems and methods for determining actions depicted in media contents based on attention weights of media content frames

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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系统
US9965819B1 (en) * 2015-11-25 2018-05-08 John DeVries Real-time school bus and student tracking
EP3285208A1 (en) * 2016-08-19 2018-02-21 Alitheon, Inc. Authentication-based tracking
CN107729562A (zh) * 2017-11-09 2018-02-23 成都钰月科技有限责任公司 人像自动识别的视频数据挖掘系统和方法
CN109063984A (zh) * 2018-07-18 2018-12-21 平安科技（深圳）有限公司 风险旅客方法、装置、计算机设备和存储介质

Also Published As

Publication number Publication date
CN110348379A (zh) 2019-10-18

Similar Documents

Publication Publication Date Title
Chauhan et al. Embedded CNN based vehicle classification and counting in non-laned road traffic
Yoon et al. Surface street traffic estimation
CN107358158B (zh) 一种团伙作案预警方法及装置
JP6954420B2 (ja) 情報処理装置、情報処理方法、及びプログラム
CN114023064B (zh) 社区网格化的社区治安管理系统及管理方法
CN107113400B (zh) 显示装置和具备该显示装置的交通违章管理系统
CN111476177B (zh) 嫌疑人检测方法及装置
CN107329977B (zh) 一种基于概率分布的假牌车二次筛选方法
CN112380892B (zh) 一种图像识别方法、装置、设备及介质
WO2018176191A1 (zh) 套牌车识别方法及装置
CN108230669B (zh) 基于大数据和云分析的道路车辆违法检测方法及系统
AU2015204276A1 (en) An image management system
CN110348379B (zh) 一种公共交通工具中目标对象确定方法、装置、系统及存储介质
Wonghabut et al. Automatic helmet-wearing detection for law enforcement using CCTV cameras
Wang et al. Unlicensed taxis detection service based on large-scale vehicles mobility data
Ar et al. A computer vision-based object detection and counting for COVID-19 protocol compliance: a case study of Jakarta
Homayounfar et al. Multi-vehicle convoy analysis based on ANPR data
CN111368626A (zh) 车辆识别方法、装置、电子设备和存储介质
CN110990455A (zh) 大数据识别房屋性质的方法与系统
CN113160565B (zh) 一种套牌车辆的识别方法、装置、存储介质及终端
Xu et al. Real-time detection and classification of traffic jams from probe data
CN114372168A (zh) 一种针对偷私渡的分析方法、终端设备及存储介质
CN114202919A (zh) 一种非机动车电子车牌遮挡的识别方法、装置及系统
CN114511825A (zh) 一种区域占用检测方法、装置、设备及存储介质
CN113934800A (zh) 一种临时号车伴随关系识别方法、装置、终端及介质

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