CN110390031A - 信息处理方法及装置、图像设备及存储介质 - Google Patents
信息处理方法及装置、图像设备及存储介质 Download PDFInfo
- Publication number
- CN110390031A CN110390031A CN201910578776.4A CN201910578776A CN110390031A CN 110390031 A CN110390031 A CN 110390031A CN 201910578776 A CN201910578776 A CN 201910578776A CN 110390031 A CN110390031 A CN 110390031A
- Authority
- CN
- China
- Prior art keywords
- information
- cluster
- archives
- time
- target
- 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
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/53—Querying
- G06F16/532—Query formulation, e.g. graphical querying
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
-
- 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
Abstract
本公开实施例公开了一种信息处理方法及装置、图像设备及存储介质。所述信息处理方法,包括:获取目标时空信息;根据所述目标时空信息,确定出在所述目标时空信息所对应的时空范围内出现频次高于第一阈值的预定对象的聚类档案,其中,一个所述聚类档案包括一个采集对象的聚类档案信息,所述聚类档案信息包括所述采集对象活动的时空范围信息;基于所述预定对象的聚类档案,执行预定操作。
Description
技术领域
本发明涉及图像技术领域,尤其涉及一种信息处理方法及装置、图像设备 及存储介质。
背景技术
随着相关技术的发展,人脸检索得到了广泛应用,特别是在公安行业破案 时,需要根据未确认身份的嫌疑人图像在海量人像库中进行检索。通常采用的 人脸检索方式是将检索图片与数据库图片进行一一比对。当数据库中存在海量 图片时,人脸检索的计算量大幅增加,从而导致检索速度慢且召回率低。
发明内容
有鉴于此,本公开实施例期望提供一种信息处理方法及装置、图像设备及 存储介质。一种信息处理方法,包括:
获取目标时空信息;
根据所述目标时空信息,确定出在所述目标时空信息所对应的时空范围内 出现频次高于第一阈值的预定对象的聚类档案,其中,一个所述聚类档案包括 一个采集对象的聚类档案信息,所述聚类档案信息包括所述采集对象活动的时 空范围信息;
基于所述预定对象的聚类档案,执行预定操作。
基于上述方案,所述根据所述目标时空信息,确定出在所述目标时空信息 所对应的时空范围内出现频次高于第一阈值的预定对象的聚类档案,包括:
基于所述目标时空范围信息,确定聚类档案库中与所述目标时空范围信息 相匹配的至少一个聚类档案;
根据所述至少一个聚类档案,确定出在所述目标时空范围信息对应的时空 范围内出现频次高于所述第一阈值的预定对象的聚类档案。
基于上述方案,所述基于所述预定对象的聚类档案,执行预定操作,包括:
基于所述预定对象的聚类档案,输出所述预定对象的聚类档案信息中的至 少部分信息。
基于上述方案,所述基于所述预定对象的聚类档案,输出所述预定对象的 所述聚类档案信息中的至少部分信息,包括:
若所述预定对象为至少两个,按照所述出现频次从高到低,依次输出所述 预定对象的聚类档案信息中的所述至少部分信息。
基于上述方案,所述若所述预定对象为至少两个,按照所述出现频次从高 到低,依次输出所述预定对象的聚类档案信息中的所述至少部分信息,包括:
若所述预定对象为至少两个,且存在至少两个所述预定对象的所述出现频 次相等,则按照所述预定对象最后一次出现在所述时空范围内的出现时间顺序, 依次输所述出现频次相等的至少两个所述预定对象的聚类档案中的至少部分信 息。
基于上述方案,所述方法还包括:
获取第一类选择信息;
利用所述第一类选择信息,从第一聚类档案库中选择出与所述选择信息相 适配的第二聚类档案库;
所述根据所述目标时空信息,确定出在所述目标时空信息所对应的时空范 围内出现频次高于第一阈值的预定对象的聚类档案,包括:
从所述第二聚类档案库中确定出在所述目标时空信息所对应的时空范围内 出现频次高于第一阈值的所述预定对象的聚类档案。
基于上述方案,所述第一类选择信息包括以下一种或多种:
所述第二聚类档案库的库信息;
第三聚类档案库的库信息,其中,所述第三聚类档案库为:所述第一聚类 档案库中所述第二聚类档案库以外的聚类档案库。
基于上述方案,所述从所述第二聚类档案库中确定出在所述目标时空信息 所对应的时空范围内出现频次高于第一阈值的所述预定对象的聚类档案,包括:
根据所述第二类选择信息,在所述第二聚类档案库中选择出备选聚类档案;
从所述备选聚类档案中确定出在所述目标时空信息所对应的时空范围内出 现频次高于所述第一阈值的预定对象的聚类档案。
基于上述方案,所述第二类选择信息包括以下至少之一:
所述备选聚类档案的档案指向信息,其中,所述档案指向信息包括:档案 名称、档案编号及档案类别的至少其中之一;
所述备选聚类档案所描述采集对象的标签信息。
基于上述方案,所述基于所述预定对象的聚类档案,执行预定操作,包括:
基于过滤信息,对所述预定对象进行过滤获得目标对象;
基于所述目标对象的聚类档案,输出预警提醒。
基于上述方案,所述基于过滤信息,从所述预定对象的过滤获得目标对象, 包括以下至少之一:
基于过滤信息,从所述预定对象中,选择出在所述时空范围内活动时间满 足预设条件的目标对象。
基于上述方案,所述基于过滤信息,从所述预定对象中,选择出在所述时 空范围内活动时间满足预设条件的目标对象预设条件,包括:
基于过滤信息,从所述预定对象中,选择在所述目标时间范围内频次比值 大于比值阀值的目标对象,其中,所述频次比值为:所述目标时间范围内预定 时段的出现频次,与整个所述目标时间范围内的出现频次的比值;
基于过滤信息,从所述预定对象中,选择在所述目标时间范围内的第一时 间段内的第二出现频次高于第二阈值的,且在所述目标时间范围内的第二时间 段内的第三出现频次低于所述第二阈值的目标对象。
基于上述方案,所述方法还包括:
获取所述采集对象的第一图像信息;
根据所述图像信息的对象特征,确定所述第一图像信息所包含所述采集对 象所属的对象特征类,其中,每个对象特征类对应一个所述采集对象;
根据所述对象特征类,生成所述聚类档案;
不同所述采集对象的聚类档案,形成所述聚类档案库。
基于上述方案,所述方法还包括:
获取包括第二图像信息的身份信息;
根据所述第二图像信息的对象特征,确定与所述第二图像信息匹配的对象 特征类;
所述根据所述对象特征类,生成所述聚类档案,包括:
基于包括所述第二图像信息的身份信息、所述人物特行类包括的多个所述 图像信息以及每个所述图像信息中所述采集对象的采集信息,生成与所述第二 图像信息匹配的对象特征类所对应的聚类档案。
基于上述方案,所述基于所述预定对象的聚类档案,执行预定操作,还包 括:
基于所述预定对象的所述聚类档案,确定所述预定对象的活动轨迹。
一种信息处理装置,包括:
第一获取模块,用于获取目标时空信息;
第一确定模块,用于根据所述目标时空信息,确定出在所述目标时空信息 所对应的时空范围内出现频次高于第一阈值的预定对象的聚类档案,其中,一 个所述聚类档案包括一个采集对象的聚类档案信息,所述聚类档案信息包括所 述采集对象活动的时空范围信息;
执行模块,用于基于所述预定对象的聚类档案,执行预定操作。
基于上述方案,所述确定模块,具体用于基于所述目标时空范围信息,确 定聚类档案库中与所述目标时空范围信息相匹配的至少一个聚类档案;根据所 述至少一个聚类档案,确定出在所述目标时空范围信息对应的时空范围内出现 频次高于所述第一阈值的预定对象的聚类档案。
基于上述方案,所述执行模块,具体用于基于所述预定对象的聚类档案, 输出所述预定对象的聚类档案信息中的至少部分信息。
基于上述方案,所述执行模块,具体用于若所述预定对象为至少两个,按 照所述出现频次从高到低,依次输出所述预定对象的聚类档案信息中的所述至 少部分信息。
基于上述方案,所述执行模块,具体用于若所述预定对象为至少两个,且 存在至少两个所述预定对象的所述出现频次相等,则按照所述预定对象最后一 次出现在所述时空范围内的出现时间顺序,依次输所述出现频次相等的至少两 个所述预定对象的聚类档案中的至少部分信息。
基于上述方案,所述装置,还包括:
第二获取模块,用于获取第一类选择信息;
选择模块,用于利用所述第一类选择信息,从第一聚类档案库中选择出与 所述选择信息相适配的第二聚类档案库;
所述确定模块,配置为从所述第二聚类档案库中确定出在所述目标时空信 息所对应的时空范围内出现频次高于第一阈值的所述预定对象的聚类档案。
基于上述方案,所述第一类选择信息包括以下一种或多种:
所述第二聚类档案库的库信息;
第三聚类档案库的库信息,其中,所述第三聚类档案库为:所述第一聚类 档案库中所述第二聚类档案库以外的聚类档案库。
基于上述方案,所述第一确定模块,配置为根据所述第二类选择信息,在 所述第二聚类档案库中选择出备选聚类档案;从所述备选聚类档案中确定出在 所述目标时空信息所对应的时空范围内出现频次高于所述第一阈值的预定对象 的聚类档案。
基于上述方案,所述第二类选择信息包括以下至少之一:
所述备选聚类档案的档案指向信息,其中,所述档案指向信息包括:档案 名称、档案编号及档案类别的至少其中之一;
所述备选聚类档案所描述采集对象的标签信息。
基于上述方案,所述执行模块,还配置为基于过滤信息,对所述预定对象 进行过滤获得目标对象;基于所述目标对象的聚类档案,输出预警提醒。
基于上述方案,所述执行模块,具体用于基于过滤信息,从所述预定对象 中,选择出在所述时空范围内活动时间满足预设条件的目标对象。
基于上述方案,所述执行模块,具体用于执行以下至少之一:
基于过滤信息,从所述预定对象中,选择在所述目标时间范围内频次比值 大于比值阀值的目标对象,其中,所述频次比值为:所述目标时间范围内预定 时段的出现频次,与整个所述目标时间范围内的出现频次的比值;
基于过滤信息,从所述预定对象中,选择在所述目标时间范围内的第一时 间段内的第二出现频次高于第二阈值的,且在所述目标时间范围内的第二时间 段内的第三出现频次低于所述第二阈值的目标对象。
基于上述方案,所述装置还包括:
第三获取模块,用于获取所述采集对象的第一图像信息;
第二确定模块,用于根据所述第一图像信息的对象特征,确定所述第一图 像信息所包含所述采集对象所属的对象特征类,其中,每个对象特征类对应一 个所述采集对象;
生成模块,用于根据所述对象特征类,生成所述聚类档案;
形成模块,用于不同所述采集对象的聚类档案,形成所述聚类档案库。
基于上述方案,所述装置还包括:
第二获取模块,用于获取包括第二图像信息的身份信息;
第三确定模块,用于根据所述第二图像信息的对象特征,确定与所述第二 图像信息匹配的对象特征类;
所述生成模块,具体用于基于包括所述第二图像信息的身份信息、所述人 物特行类包括的多个所述图像信息以及每个所述图像信息中所述采集对象的采 集信息,生成与所述第二图像信息匹配的对象特征类所对应的聚类档案。
基于上述方案,所述执行模块,具体用于基于所述预定对象的所述聚类档 案,确定所述预定对象的活动轨迹。
本公开实施例还提供一种电子设备,所述电子设备包括:
存储器,用于存储计算机可执行指令;
处理器,与所述存储器连接,用于通过执行所述计算机可执行指令,实现 前述任意技术方案提供的信息处理方法。
一种计算机存储介质,所述计算机存储介质存储有计算机可执行指令;所 述计算机可执行指令被处理器执行之后,能够实现前述任意一项提供的信息处 理方法。
本公开实施例提供的技术方案,获取到目标时空信息之后会查询检索预先 建立的聚类档案,直接从聚类档案中找到在目标时空信息所指示的时空范围内 出现频次高于第一阈值的预定对象,基于该预定对象的聚类档案执行预定操作, 无需在需要检索一些对象的信息时,才逐一处理图片等,无需工作人员逐一看 抓拍图片或视频,直接根据聚类档案就能够知道哪些采集对象在目标时空信息 所指示的时空范围内出现频次大于第一阈值,具有效率高的特点;与此同时相 对于人工判定,减少了人工误差和不熟练技术人员导致错误率,从而具有准确 率高及召回率高的特点。
附图说明
图1为本发明实施例提供的一种信息处理方法的流程示意图;
图2为本发明实施例提供的一种用于获取目标时空信息的UI的效果示意 图;
图3为本发明实施例提供的一种生成聚类档案的流程示意图;
图4为本发明实施例提供的一种信息处理装置的结构示意图;
图5为本发明实施例提供的进行特征聚类以进行归档的示意图;
图6为本发明实施例提供的另一种特征分类的流程示意图;
图7为本发明实施例提供的一种特征聚类的效果示意图;
图8为本发明实施例提供的另一种生成聚类档案的流程示意图;
图9为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
以下结合说明书附图及具体实施例对本发明的技术方案做进一步的详细阐 述。
如图1所示,本实施例提供一种信息处理方法,包括:
步骤S101:获取目标时空信息;
步骤S102:根据所述目标时空信息,确定出在所述目标时空信息所对应的 时空范围内出现频次高于第一阈值的预定对象的聚类档案,其中,一个所述聚 类档案包括一个采集对象的聚类档案信息,所述聚类档案信息包括所述采集对 象活动的时空范围信息;
步骤S103:基于所述预定对象的聚类档案,执行预定操作。
本公开实施例可以应用于各种电子设备中,该电子设备包括但不限于固定 设备和/或移动设备,例如,所述固定设备包括但不限于:个人电脑(Personal Computer,PC)、或者服务器等。所述移动设备包括但不限于:手机、平板电 脑或可穿戴式设备。
在本实施例中,所述目标时空信息可包括各种类型:指示目标对象出现的 时间信息和空间信息。
在本实施例中,所述目标时空信息分别指示的一个时间段所对应的时间范 范围和时空范围。
该目标时空信息可为电子设备从人机交互接口接收的信息,也可以是从其 电子设备接收的信息。
图2所示为本实施例提供的一种接收所述目标时空信息的一种用户界面 (UserInterface,UI)示意图。
在该UI内显示有可供写入时间范围和地点的输入框,电子设备将在时间范 围所对应的输入框内接收时间信息,然后在地点所对应的选择框内获取空间信 息。
在获取到目标时空信息之后,会筛选出所包含的活动信息的活动时空信息 与该目标时空信息所对应的聚类档案。
该聚类档案存储了采集对象至少部分的活信息。此处的部分活动信息可为 采集对象在特定时间段内的活动信息和/或特定时空范围内的活动信息。
在另一些实施例中,所述聚类档案包含一个采集对象的所有活动信息。
在本实施例中,所述聚类档案可为预先生成的,根据所述目标时空信息, 检索所述聚类档案,则聚类档案会包括所述采集对象活动信息,该活动信息会 是基于采集图像的采集时间和采集空间得到其活动时空信息。由于聚类档案已 经生成了,在获得目标时空信息之后,仅需要将目标时空信息与聚类档案中的 活动时空信息进行匹配,就能够知道需要被检索的预定对象的聚类档案。例如, 在图2所示的UI界面输入目标时空信息之后,通过信息检索比对得知道有50 个人在地点A的时间段B内活动过,并得到了这50个人的聚类档案。在步骤 S103中将直接基于这50个人的聚类档案执行一定的操作。
例如,在步骤S103中输出这50个人的聚类档案编号,方便执法人员调取 这50个人的聚类档案。
再例如,直接输出这50个人的聚类档案的身份属性信息,方便执法人员快 速阅读等。
在本实施例中,由于基于图像信息事先进行了归档,建立了所述聚类档案, 如此,在安防领域、在犯罪监控领域、或者在道路监控领域,在需要调取某些 信息时,可以直接输入目标时空信息就能够得到对应时间范围内和时空范围内 出现频次较高的预定对象的聚类档案。
所述预定对象为所述采集对象的一种。
在本公开实施例中可以获取到采集对象的聚类档案,该聚类档案包括该采 集对象的活动信息。该活动信息包括以下至少之一:
采集对象在特定时空的具体出现时间信息;
采集对象在特定时空的具体出现地点信息;
采集对象的出现频次信息;
采集对象的行为特征信息。
在一些实施例中,所述聚类档案中还包括采集对象的身份属性信息。所述 身份属性信息包括但不限于采集对象的标识信息。该标识信息包括但不限于采 集对象的身份信息和/或生物特征信息,该生物特征信息包括但不限于:人脸特 征、虹膜特征、声纹特征等。
在一些实施例中,一个所述采集对象的聚类档案除了包含该采集对象的活 动信息以外,还包括了描述该采集对象的身份属性信息,该身份属性信息包括 但不限于采集对象的身份信息、采集对象的属性信息。所述身份信息包括但不 限于采集对象的身份证号、护照号等能够唯一标识身份的信息。所述属性信息 包括但不限于:采集对象的性别、年纪、联系方式和/或社交关系信息等。
在本实施例中,所述聚类档案的生成是通过图像信息的采集形成的。
具体地,如图3所示,生成所述聚类档案包括:
步骤S201:获取采集对象的第一图像信息;
步骤S202:根据所述第一图像信息的对象特征,确定所述第一图像信息所 包含采集对象所属的对象特征类,其中,每个对象特征类对应一个所述采集对 象;
步骤S203:根据所述对象特征类,生成所述聚类档案;
步骤S204:不同所述采集对象的聚类档案,形成所述聚类档案库。
该采集对象包括但不限于人,在另一些实施例中该采集对象还可以是车、 低空飞行器或者可自行移动的机器人等。
在本实施例中利用分布在不同区域内的摄像头采集这些被图像采集的采集 对象的第一图像信息。该第一图像信息可以是单帧的图像,也可以是视频或序 列帧等。
在获得了了第一图像信息之后,会通过各种特征识别算法等得到图像的对 象特征,例如,以所述采集对象为人为例进行说明,则所述对象特征可包括: 人的人脸特征、身高特征等外在的表观特征等可以通过图像采集到的特征。在 另一些实施例中,若所述第一图像信息为特定设备采集的信息,还可以采集人 体的骨骼特征等表观以内的可以用于识别对象类型的特征。
通过图像识别等方式获得对象特征以后,会对第一图像信息所采集的采集 对象进行分类,得到该采集对象所述的采集对象的对象特征类。一个对象特征 类所包含的所有对象特征都认定为同一个采集对象的特征。
例如,将多张第一图像信息中获得多个人脸特征进行分类,将属于同一个 人的人脸特征归为一类,如此,该类特征都是描述同一个人的人脸。
得到该对象的行为特征之后,将该行为特征更新到聚类档案。如此,可以 根据最新采集到的第一图像信息将一个采集对象的行为特征持续更新到其所对 应的聚类档案中。进一步的将该行为特征归类到该对象的聚类档案。该行为特 征可包括:采集对象所执行行为的类型、次数、该行为所出现的位置和/或时间。
在一些实施例中,所述聚类档案中还包括:所述对象特征,该对象特征用 于后续采集的第一图像信息的归档,以持续动态生成所述聚类档案。
例如,在一些实施例中,生成或更新所述聚类档案还可包括:
获取多个所述第一图像信息中目标对象的对象特征;
根据所述对象特征对多个所述第一图像信息进行聚类,得到至少一个所述 对象特征类,确定每个所述第一图像信息所属的对象特征类。
在一些实施例中,所述根据该行为特征,生成该聚类档案,包括:
获取所述对象特征类中每个所述第一图像信息中所述目标对象的采集信 息;其中,所述采集信息至少包括:采集时空信息。
根据所述对象特征类对应的多个所述第一图像信息以及每个所述第一图像 信息中所述采集对象的采集信息,生成所述对象特征类所对应的聚类档案。
在一些实施例中,所述方法还包括:
获取包括第二图像信息的身份信息;该第二图像信息可为采集对象预先采 集的信息,例如,该第二图像信息可为人的身份证信息,车的车证件信息等;
根据所述第二图像信息的对象特征,确定与所述第二图像信息匹配的对象 特征类;
基于包括所述第二图像信息的身份信息、所述人物特行类包括的多个所述 图像信息以及每个所述图像信息中所述采集对象的采集信息,生成与所述第二 图像信息匹配的对象特征类所对应的聚类档案。
在一些实施例中,所述方法还包括:
将所述对象特征类所对应的聚类档案作为所述采集对象的聚类档案;
向用户提供所述采集对象的聚类档案。
在一些实施例中,所述根据所述对象特征类所对应的聚类档案,确定所述 采集对象在预设时间段内的行为特征,包括:
根据所述聚类档案中预设时间段内每个所述图像信息的采集时间,由多个 所述采集地点连接形成所述采集对象的轨迹。
在一些实施例中,所述方法还包括:
确定所述采集对象的轨迹的起点和终点;
在电子地图上展示所述图像信息中所述采集对象的采集地点、所述轨迹的 起点和终点。
在还有一些实施中,所述方法还包括:
在所述电子地图中的任意一个采集地点接收到查看指令的情况下,展示该 采集地点对应的采集时间、采集位置信息、采集对象的人脸图像、预设采集时 间段内采集的多个图像信息、图像信息对应的视频源中的一种或多种信息;其 中,所述预设采集时间段包括所述该采集地点的图像信息的采集时间。
在还有一些实施中,所述根据所述对象特征类所对应的聚类档案,确定所 述采集对象在预设时间段内的行为特征,包括:
根据所述聚类档案中每个所述图像信息对应的采集信息,统计预设时间段 内所述采集对象在每个采集地点的图像采集次数。
在还有一些实施中,所述方法还包括:
根据所述采集对象在每个采集地点的图像采集次数,确定所述采集对象在 预设时间段内的常现地点。
在还有一些实施中,所述根据所述对象特征类所对应的聚类档案,确定所 述采集对象在预设时间段内的行为特征,包括:
根据所述聚类档案记载的每个所述图像信息对应的采集信息,统计预设时 间段内每个预设统计周期所述采集对象的图像采集次数。
在还有一些实施中,所述方法还包括:
根据每个预设统计周期所述图像信息的采集时间,确定预设时间段内每个 预设统计周期的每个统计时间段内所述采集对象的图像采集次数;
根据每个统计时间段内所述采集对象的图像采集次数,确定多个预设统计 周期对应的每个统计时间段累积的总图像采集次数。
在还有一些实施中,所述根据所述对象特征类所对应的聚类档案,确定所 述采集对象在预设时间段内的行为特征,包括:
获取所述聚类档案中所述图像信息的多个视频源;
根据每个视频源中包括所述图像信息的数量,确定所述采集对象的图像采 集次数最多的预设个数的视频源;
根据所述预设个数的视频源对应的图像采集区域,确定所述采集对象的常 现区域。
以上为生成或更新所述聚类档案的具体实现方式,但是在具体实现时不局 限于上述方式。
在本公开实施例中所述预定对象中在目标时空信息所指示的时间范围和时 空范围内出现次数超过第一阈值的采集对象。
例如,该第一阈值可为预先设定的,也可以是从UI界面接收的。例如,所 述第一阈值为3,则所述步骤S102中,基于聚类档案的检索,可以快速的确定 出在预定时间范围内和预定时空范围内出现超过3次的人或等采集对象,从加 快从众多的采集对象中提取出追踪或定位预定对象的速率。
例如,在C小区的B时间段内发生盗窃事件,公安部门在进行排查时,不 用在逐个的观察C小区的视频,而是将C小区的地理位置和B时间作为所述目 标时空信息,将目标时空信息与聚类档案所包含的活动信息的活动时空信息进 行匹配,找出在C小区进行了踩点并盗窃的陌生人,从而锁定盗窃事件的嫌疑 人。
例如,人物D在C小区附近B时间段内无故出现多次,则人物D可能为 盗窃嫌疑人的概率极高;若车辆A在C小区附近B时间段内多次停留,且车辆 A并非C小区的常出入的车辆,则可认为车辆A可能是盗窃者所使用的盗窃车 辆。
在本实施例中,所述步骤S103中所述预定操作可为各种类型的操作,包括 但不限于以下至少之一:
提示操作,例如,提示预定对象可能为特定事件的肇事者,和/或,提示预 定对象出现,可能需要进行安防重点关注;
输出操作,输出该预定对象的至少部分信息,例如,姓名和/或年龄等身份 属性信息、人口登记地、历史的违法犯罪行为等历史行为信息。
在本实施例中,所述预定操作可为电子设备根据内置指令自行执行的操作, 也可以是根据聚类档案检索的需求或用户的输入操作执行的操作。
总之,在本实施例中,在获得目标时空信息之后会定位出聚类档案,然后 直接找到聚类档案之后执行预定操作,如此,大大的提升了预定对象的检索效 率等。
在一些实施例中,所述S102可包括:基于所述目标时空范围信息,确定聚 类档案库中与所述目标时空范围信息相匹配的至少一个聚类档案;根据所述至 少一个聚类档案,确定出在所述目标时空范围信息对应的时空范围内出现频次 高于所述第一阈值的预定对象的聚类档案。
在本实施例中,步骤S102是先根据目标时空范围信息找到一个或多个相匹 配的聚类档案;然后在从聚类档案中提取信息,确定出预定对象是否在目标时 空范围信息所描述的目标时空内出现频次高于第一阈值。
在另一些实施例中,步骤S102可为:同时携带第一阈值和目标时空范围信 息检索聚类档案,直接找到在目标时空范围信息对应的时空反问内出现频次高 于第一阈值的预定对象的聚类档案。
进一步地,所述步骤S103可包括:基于所述预定对象的聚类档案,输出所 述预定对象的聚类档案中的至少部分信息。
所述至少部分信息包括:所述聚类档案所包含的至少部分活动信息和/或所 述聚类档案所描述的所述采集对象的身份属性信息。所述活动信息包括但不限 于:活动的时空信息和/或活动的行为信息,例如,闯红灯的行为描述信息等。
在一些实施例中,所述至少部分信息可为所述预定对象的聚类档案的聚类 档案编号等调取聚类档案的信息。
如此,通过聚类档案中的部分信息的输出,方便公安等工作人员便捷查阅 预定对象的信息。
在一些实施例中,所述步骤S103可包括:
若所述预定对象为至少两个,按照所述出现频次从高到低,依次输出所述 预定对象的聚类档案中的至少部分信息。
例如,反复出现在C小区的人或车等预定对象超过一个,则为了更好便于 公安等安防人员追踪嫌疑人,会进行在所述目标时空信息所对应的时间范围内 和时空范围内的出现频次进行排序,然后按照从高到低的输出顺序,一次输出 所述预定对象的聚类档案的至少一部分信息。如此,一般从高到低,则为盗窃 事件等安防时间的作案者的概率更高。
进一步地,所述若所述预定对象为至少两个,按照所述出现频次从高到低, 依次输出所述预定对象的聚类档案中的至少部分信息,包括:
若所述预定对象为至少两个,且存在至少两个所述预定对象的所述出现频 次相等,则按照所述预定对象最后一次出现在所述时空范围内的出现时间顺序, 依次输所述出现频次相等的至少两个所述预定对象的聚类档案中的至少部分信 息。
在本实施例中,存在至少两个预定对象的出现频次相同,此时对这些预定 对象的最后一次出现在所述目标时空范围所对应的时空范围内的出现时间进行 时间排序,得到所述出现时间顺序,然后按照该出现时间顺序进行这些预定对 象的至少部分信息输出的排序。
该出现时间顺序可以是从早到晚的出现时间顺序,也可以是从晚到早的出 现时间顺序;从而通过这种出现时间顺序的,一方面解决了出现频次相当的预 定对象的至少部分信息的输出,另一方面,按照出现时间顺序进行排序可有比 较高的概率将嫌疑较大的预定对象设置排序在前,以加速嫌疑对象的排查。
在一些实施例中,所述方法还包括:
获取第一类选择信息;
利用所述第一类选择信息,从第一聚类档案库中选择出与所述选择信息相 适配的第二聚类档案库;
所述步骤S102可包括:
从所述第二聚类档案库中确定出在所述目标时空信息所对应的时空范围内 出现频次高于第一阈值的所述预定对象的聚类档案。
所述第一类选择信息包括以下一种或多种:
所述第二聚类档案库的库信息;
第三聚类档案库的库信息,其中,所述第三聚类档案库为:所述第一聚类 档案库中所述第二聚类档案库以外的聚类档案库。
所述第二类聚类档案库的库信息可为:例如从UI接收库信息,如此,相当 于用户直接指明了在哪些库中进行聚类档案的搜寻。
所述第三类聚类档案库的库信息为排除库的信息,例如,有M个库排除其 中的一个或多个库,剩余的全部或部分额外为所述第二类聚类档案库。
通过包含第二类聚类档案库的库信息的选择信息,可以直接选择出所述第 二类聚类档案库。例如,通过包含犯罪分子的聚类档案库的库信息的选择信息, 就可以选择出犯罪分子的聚类档案所在的聚类档案库为所述第二类聚类档案 库。
通过包含所述第三类聚类档案库的库信息的排除信息,可以从现有的聚类 档案库中排除掉所述第三类聚类档案库,从而得到第二类聚类档案库。
例如,按照居民常住地,将不同小区的用户的聚类档案划分到不同的聚类 档案库中。例如,小区A的常驻居民的聚类档案都位于聚类档案库A中;若通 过本申请实施例提供的方法来确定频繁出入小区A的盗窃等非法分子时,需要 排除聚类档案库A,则此处的聚类档案库A为第三类聚类档案库。
例如,所述第一选择信息可包括:数据库的库选择信息,生成所述聚类档 案的图像采集设备的设备选择信息;所述采集对象的对象选择信息等。
例如,聚类档案需要检索车的信息,则采集对象的类型为车,而非人,则 此时仅需检索车的聚类档案即可,而不用检索人的聚类档案。
再例如,将存储所述聚类档案的库分为静态库和动态库,静态库里可存储 了采集对象的静态信息或近似静态信息等第一类信息;而动态库里存储了采集 对象的动态信息。例如,静态信息包括:身份属性信息、身份属性信息中的性 别信息等可为静态信息,而年纪信息或常驻地信息可能为在比较长的时间周期 例(例如,至少一年内)不发生变化是近似静态信息的一种。而一个月内该采 集对象的活动轨迹等则可能是动态发生变化的,则存储在动态库中。
总之,所述选择信息的获取,可以从大量的可选聚类档案中选择出部分与 选择信息相适配的聚类档案作为进行所述目标时空信息检索的备选聚类档案。
最终,会基于目标时空信息选择预定对象的目标聚类档案。
而此处的目标聚类档案为预定对象的聚类档案,是需要重点关注的聚类档 案,是在步骤S103中可能执行所述预定操作的聚类档案。
通过所述选择信息的引入,可以再次提升检索的效率。
在一些实施例中,所述第一类选择信息还可包括:其他任意能够用于库选 择的信息。例如,所述第一选择信息还可包括:描述预定对象的所在出生地的 位置信息,该出生地可能对应了一个聚类库。再例如,所述第一类选择参数还 可包括:犯罪档案的指示信息,而犯罪档案存储在犯罪档案库中。
故所述第一类选择参数,不限于前述第二聚类档案库的库信息和第三聚类 档案库的库信息。
在一些实施例中,所述从所述第二聚类档案库中确定出在所述目标时空信 息所对应的时空范围内出现频次高于第一阈值的所述预定对象的聚类档案,包 括:根据所述第二类选择信息,在所述第二聚类档案库中选择出备选聚类档案; 从所述备选聚类档案中确定出在所述目标时空信息所对应的时空范围内出现频 次高于所述第一阈值的预定对象的聚类档案。
通过不需要检索的聚类档案库的排除,减少了检索量,提升了效率。
所述第二类选择信息包括以下至少之一:
所述备选聚类档案的档案指向信息,其中,所述档案指向信息包括:档案 名称、档案编号及档案类别的至少其中之一;
所述备选聚类档案所描述采集对象的标签信息。
所述聚类档案指向信息包括但不限于:聚类档案编号、聚类档案所包含采 集对象的身份属性等各种排除聚类档案或选择聚类档案的指示信息。
在一些实施例中,所述步骤S103可包括:基于过滤信息,从所述预定对象 的过滤获得目标对象;基于所述目标对象的聚类档案,输出预警提醒。
该过滤信息可为从UI界面接收的,也可以是从其他设备接收的;还可以是 从特定事件中由电子设备自动分析得到的。
此处的预警提醒可为各种形式的警示信息,例如,文字预警、声音预警等, 收到预警提醒的用户可以加强防范。
在本实施例中所述聚类档案可以归属不同的聚类档案,或者,聚类档案中 的信息可来自不同的库。例如,如图8所示,包含有聚类档案的库可包括:人 像库和/或抓拍库等。
在一些实施例中,所述基于过滤信息,从所述预定对象的过滤获得目标对 象,包括:
基于过滤信息,从所述预定对象中,选择出在所述时空范围内活动时间满 足预设条件的目标对象;
在本实施例中,所述过滤信息都是针对聚类档案中所包含的活动信息而言 的,而非如选择信息是跟聚类档案的来源或整个聚类档案相关的。
在还有一些实施例中,所述过滤信息还可包括时段过滤信息、地区过滤信 息、身份属性过滤信息和/或事件属性过滤信息。
具体地如,基于过滤信息从预定对象中选择出满足预设条件的目标对象, 该目标对象来自所述预定对象,目标对象的个数可等于或少于所述预定对象的 个数。所述类过滤信息还可以用于选择与时间无关的其他方面的信息过滤,从 而进一步进行筛选,选择出所述目标对象。
在一些实施例中,所述基于过滤信息,从所述预定对象中,选择出在所述 时空范围内活动时间满足预设条件的目标对象,包括以下至少之一:
基于所述过滤信息,从所述预定对象中,选择在所述目标时间范围内频次 比值大于比值阀值的目标对象,其中,所述频次比值为:所述目标时间范围内 预定时段的出现频次,与整个所述目标时间范围内的出现频次的比值;
基于所述过滤信息,从所述预定对象中,选择在所述目标时间范围内的第 一时间段内的第二出现频次高于第二阈值的,且在所述目标时间范围内的第二 时间段内的第三出现频次低于所述第二阈值的目标对象。在一些实施例中,所 述预设事件包括但不限于安防事件。例如,所述第一时间段为安防事件的发生 频次高于所述第二时间段的安防时间的发生频次。
所述比值阀值可为任意预先设定的在0和1之间的比值,例如,所述比值 阀值可为0.5、0.6或者0.7等取值。
在一些实施例中,所述第一时段可为夜晚,所述第二时段可为白天。
在还有一些实施例中,所述第一时段可为节假日,所述第二时段可为工作 日。
在另外一些实施例中,所述第一时段可为一天中的工作时段;第二时段可 为一天中的休息时段,例如,中午午休的时段或者下班后的时段。所述工作时 段为上午的上午班时段、下午的下午班时段或夜晚的夜班时段。所述第二时段 可为所述工作时段以外的任意时段。
总之,在本实施例中,所述第一时段可为安防事件相对于第二时段的发生 频率更高的时段。该安防事件可为安全防范领域的各种与安全和防御相关的事 件,例如,安全事故等。所述安全事故包括各种监控范围内涉及人身和/或财产 安全的事故,例如,小区内的安全人身和/或财产安全的事故;厂区内人身和/ 或财产安全的事故;大楼内人身和/或财产安全的事故。
在另一些实施例中,所述基于过滤信息,从所述预定对象中,选择出在所 述时空范围内活动时间满足预设条件的目标对象,可包括:
基于所述过滤信息,从所述预定对象中,选择在所述目标时间范围的第一 时间段内所述出现频次高于所述频次阈值的所述目标对象。
典型的所述安防事件包括:盗窃事件、抢劫事件、打架事件、行凶事件、 交通事故等。
一般所述安防事故可能涉及到违反乱纪等行为,故通常安防事故是非法活 动造成的。
在本实施例中,所述第二阈值与所述第一阈值之间的相互关系可如下:
在一些场景中,所述第二阈值可略小于所述第一阈值;
在另一些场景中,所述第二阈值可等于所述第一阈值;
在还有一些场景中,所述阈值可大于所述第一阈值,例如,针对真正盗窃 者可能晚上等时间段的出现频次远远高于其他可能的嫌疑人,此时,将第二阈 值设置得高于第一阈值,可以快速的筛选出概率极高的嫌疑人。
在本实施例中,安防事故的肇事者为了避免追责会主动选择在特定的时段 进行犯案,在本实施例中若在进行安防事故的肇事者的嫌疑人追踪时,可以通 过所述过滤信息,进行预定对象的过滤,找出在第一时段内活动时空信息与所 述目标时空信息相匹配的频次超过所述第二阈值的目标对象;且在所述第二时 段内在所述目标时空信息所指示的时空内的出现频次低于所述第二阈值的目标 对象。
例如,有的盗窃份子喜欢昼伏夜出,则此时,这些人在晚上的出现频次会 高于在白天的出现频次。如此,通过所述过滤信息的引入,可以从预定对对象 中过滤掉在白天正常活动的非盗窃者,从而提升目标对象定位或追踪的准确度。
在另一些实施例中,所述基于过滤信息,从所述预定对象的过滤获得目标 对象,可包括:基于过滤信息,从所述预定对象中,选择在所述目标时间范围 的第一时间段内所述出现频次高于第二阈值的所述目标对象;一方面简化过滤, 另一方面减少因为两个时段分别过滤导致的遗漏。
可以仅关注在第一时段内出现频次较高的预定对象作为所述目标对象即 可。
在一些实施例中,所述基于第二类过滤信息,从所述预定对象中,选择出 在所述时空范围内活动时间以外的活动参数满足第二预设条件的目标对象,包 括以下至少之一:
基于常驻人口信息,从所述预定对象中,选择在所述目标采集空间内所述 第一出现频次高于所述第一阈值的非常驻人口的所述目标对象;
基于违法犯罪前科记录信息,从所述预定对象中选择在所述目标时间范围 的预定时间段内所述第一出现频次高于所述第一阈值的疑似违法犯罪活动者的 所述目标对象;
基于安防事件信息,从所述预定对象中,选择在所述安防事件信息所指向 的监控事件发生的时期和/或地方所述第一出现频次高于所述第一阈值的疑似 肇事者的所述目标对象;
基于违法犯罪前科记录信息、安防事件信息或安防布控重点区域的区域信 息,从所述预定对象中,选择在特殊时期的所述第一出现频次高于所述第一阈 值的所述目标对象。
所述常驻人口信息可以从公安机关的户籍聚类档案中查询得到,也可以从 流动人口登记的登记系统中得到,还可以从用户的日常统计信息中统计得到。
例如,在一些实施例中,通过监控摄像头等图像采集设备,进行特定区域 内的过往人流的采集,将特定区域内特定时长范围内出现频次高于第三阈值的 采集对象视为常驻人口,并建立该采集对象的常驻人口信息;如此,在不依赖 外部系统的情况下,也可以方便的定位出哪些是常驻人口。
总之,在本实施例中通过常驻人口信息,可以排除经常合法的出入目标时 空信息所对应的时空范围内的常驻人口,作为安防事故的肇事者等。
违法犯罪前科记录信息可以从公安系统中查询得到,例如,该违法犯罪前 科记录信息包括但不限于:违法记录信息、犯罪记录信息、上访前科信息、违 法犯罪起诉未遂信息等。总之,这些违法犯罪前科记录信息可针对惯犯等进行 重点筛选,从而提升目标对象的确定速率。
所述安防布控区域可以按照安防等级进行设置,安防等级大于预设等级的 区域可认为是安防布控重点区域,或者,还可以安防布控的类型确定所述安防 布控重点区域。
所述安防事件信息可为已发生的安防事件的信息。
所述特殊时期可为国家或地区政府设定的紧急时期、或者,发生了重大安 全事故或者安防事故的事故处理时期等特定时期。基于所述违法犯罪前科记录 信息选择出在特殊时期的第一出现频次高于第一阈值的预定对象作为目标对 象;由于这些预定对象有过前科,故可能是导致特定时期启动的触发事件的肇 事者的概率较高。
若在特殊时期在安防事件信息所指向的安防事件的发生时空内的出现频次 稿,或者在重点布控区域的出现频次高的人,都可能是需要重点关注的对象。
所述安防事件信息包括以下至少之一:恐怖事件信息;医闹肇事件信息; 群架斗殴事件信息、故意伤人事件信息及危害公共安全事件信息;
和/或,
所述安防布控重点区域包括以下至少之一:
文物重点保护区域;
军事防护区域;
预定工程建设区域。
所述预定工程建设区域可为:当前正在完成重点工程的区域,例如,水利 工程、军事工程、道路工程、桥梁工程等。由于这些工程建设区域可能存在建 设所需的重要物资或者涉密,需要重点防护。
在一些实施例中,所述步骤S103还包括:
基于所述预定对象的所述聚类档案,确定所述预定对象的活动轨迹;其中, 所述活动轨迹,用于对所述出现频次高于第二阈值的人脸信息所对应采集对象 进行安防布控。
例如,不同活动信息内记录有预定对象的活动信息,根据活动信息中的地 理位置信息,就可以分析得到预定对象的活动轨迹,如此,在进行在逃人员追 踪时,可以根据所述活动轨迹进行安防布控。
如图4所示,本实施例还提供一种信息处理装置,包括:
第一获取模块101,用于获取目标时空信息;
第一确定模块102,用于根据所述目标时空信息,确定出在所述目标时空 信息所对应的时空范围内出现频次高于第一阈值的预定对象的聚类档案,其中, 一个所述聚类档案包括一个采集对象的聚类档案信息,所述聚类档案信息包括 所述采集对象活动的时空范围信息;
执行模块103,用于基于所述预定对象的聚类档案,执行预定操作。
在一些实施例中,所述第一获取模块101、第一确定模块102及执行模块 103可为程序模块,该程序模块被处理器执行后,能够实现前述目标时空信息 的获取、预定对象的聚类档案的查询及预定操作的执行。
在还有一些实施例中,所述第一获取模块101、第一确定模块102及执行 模块103可为软硬结合模块,该软硬结合模块可包括:各种可编程阵列;该可 编程阵列包括但不限于复杂可编程阵列或现场可编程阵列。
在一些实施例中,所述第一获取模块101、第一确定模块102及执行模块 103可为纯硬件模块,该纯硬件模块包括但不限于专用集成电路。
在一些实施例中,所述第一确定模块102,具体用于基于所述目标时空范 围信息,确定聚类档案库中与所述目标时空范围信息相匹配的至少一个聚类档 案;根据所述至少一个聚类档案,确定出在所述目标时空范围信息对应的时空 范围内出现频次高于所述第一阈值的预定对象的聚类档案。
此外,在还有一些实施例中,所述执行模块103,具体用于基于所述预定 对象的聚类档案,输出所述预定对象的聚类档案中的至少部分信息。
在还有一些实施例中,所述执行模块103,具体用于若所述预定对象为至 少两个,按照所述出现频次从高到低,依次输出所述预定对象的聚类档案中的 至少部分信息。
在一些实施例中,所述执行模块103,具体用于若所述预定对象为至少两 个,且存在至少两个所述预定对象的所述出现频次相等,则按照所述预定对象 最后一次出现在所述时空范围内的出现时间顺序,依次输所述出现频次相等的 至少两个所述预定对象的聚类档案中的至少部分信息。
在一些实施例中,所述装置,还包括:
第二获取模块,用于获取第一类选择信息;
选择模块,用于利用所述第一类选择信息,从第一聚类档案库中选择出与 所述选择信息相适配的第二聚类档案库;
所述确定模块,配置为从所述第二聚类档案库中确定出在所述目标时空信 息所对应的时空范围内出现频次高于第一阈值的所述预定对象的聚类档案。
在一些实施例中,所述第一类选择信息包括以下一种或多种:
所述第二聚类档案库的库信息;
第三聚类档案库的库信息,其中,所述第三聚类档案库为:所述第一聚类 档案库中所述第二聚类档案库以外的聚类档案库。
在一些实施例中,所述确定模块,配置为根据所述第二类选择信息,在所 述第二聚类档案库中选择出备选聚类档案;从所述备选聚类档案中确定出在所 述目标时空信息所对应的时空范围内出现频次高于所述第一阈值的预定对象的 聚类档案。
在一些实施例中,所述第二类选择信息包括以下至少之一:
所述备选聚类档案的档案指向信息,其中,所述档案指向信息包括:档案 名称、档案编号及档案类别的至少其中之一;
所述备选聚类档案所描述采集对象的标签信息。
在一些实施例中,所述执行模块103,还配置为基于过滤信息,对所述预 定对象进行过滤获得目标对象;基于所述目标对象的聚类档案,输出预警提醒。
在一些实施例中,所述执行模块103,具体用于基于过滤信息,从所述预 定对象中,选择出在所述时空范围内活动时间满足预设条件的目标对象。
在一些实施例中,所述执行模块103,具体用于执行以下至少之一:
基于所述过滤信息,从所述预定对象中,选择在所述目标时间范围内频次 比值大于比值阀值的目标对象,其中,所述频次比值为:所述目标时间范围内 预定时段的出现频次,与整个所述目标时间范围内的出现频次的比值;
基于所述过滤信息,从所述预定对象中,选择在所述目标时间范围内的第 一时间段内的第二出现频次高于第二阈值的,且在所述目标时间范围内的第二 时间段内的第三出现频次低于所述第二阈值的目标对象。
在一些实施例中,所述装置还包括:
第三获取模块,用于获取所述采集对象的第一图像信息;
第二确定模块,用于根据所述第一图像信息的对象特征,确定所述第一图 像信息所包含所述采集对象所属的对象特征类,其中,每个对象特征类对应一 个所述采集对象;
生成模块,用于根据所述对象特征类,生成所述聚类档案;
形成模块,用于不同所述采集对象的聚类档案,形成所述聚类档案库。
在一些实施例中,所述装置还包括:
第二获取模块,用于获取包括第二图像信息的身份信息;
第三确定模块,用于根据所述第二图像信息的对象特征,确定与所述第二 图像信息匹配的对象特征类;
所述生成模块,具体用于基于包括所述第二图像信息的身份信息、所述人 物特行类包括的多个所述图像信息以及每个所述图像信息中所述采集对象的采 集信息,生成与所述第二图像信息匹配的对象特征类所对应的聚类档案。
在一些实施例中,所述执行模块130,具体用于执行以下至少之一:基于 常驻人口信息,从所述预定对象中,选择在所述目标采集空间内所述出现频次 高于第二阈值的非常驻人口的所述目标对象;
基于违法犯罪前科记录信息,从所述预定对象中选择在所述目标时间范围 的预定时间段内所述出现频次高于第二阈值的疑似违法犯罪活动者的所述目标 对象;
基于安防事件信息,从所述预定对象中,选择在所述安防事件信息所指向 的监控事件发生的时期和/或地方所述出现频次高于第二阈值的疑似肇事者的 所述目标对象;
基于安防布控重点区域的区域信息,从所述预定对象中,选择在所述安防 布控重点区域的所述出现频次高于第二阈值的疑似违法犯罪活动者的所述目标 对象。
在一些实施例中,所述安防事件信息包括以下至少之一:恐怖事件信息; 医闹肇事件信息;群架斗殴事件信息、故意伤人事件信息及危害公共安全事件 信息;
和/或,
所述安防布控重点区域包括以下至少之一:
文物重点保护区域;
军事防护区域;
预定工程建设区域。
在一些实施例中,所述执行模块103,具体用于基于所述预定对象的所述 聚类档案,确定所述预定对象的活动轨迹。
在一些实施例中,所述活动轨迹,用于对所述出现频次高于第二阈值的人 脸信息所对应采集对象进行安防布控。
以下结合上述任意实施例提供几个具体示例:
示例1:
将带有公民身份的人口库(静态库)作为基准库,结合由抓拍机抓拍到 带有时空信息的人脸抓拍图进行聚类,以两两相似度为判断标准,将人脸识 别系统中疑似同一人的信息进行关联,使得一个人有唯一的综合聚类档案。 从聚类档案中,可得出潜在嫌疑人的属性特征、行为特征等。
实现众多人像抓拍图的人脸组成的多个类,由聚类所生成的类是一组数 据对象的集合,这些对象与同一个类中的对象彼此相似,与其他类的对象相 异。
通过聚类撞库后所形成的聚类档案详情,将带有时空信息的内容提取, 找出在指定时间范围的某些视频源中抓拍张数超过阈值的聚类档案。这些信 息科直接用于高效地提取带有频繁过人特征的人员聚类档案。
将抓拍机抓拍到的人像图形成的抓拍库和公民已实名的人口信息形成 的静态库进行人脸聚类后撞库,得到一个人在系统内的全部聚类档案。
从所有已聚类(包括已实名、未实名)聚类档案中进行条件筛选,找出 在指定时间范围的指定视频源同一人抓拍张数超过某一特定阈值的某人员 聚类档案。
获得其聚类档案后,用户可以快速找到在某个区域的某个时间段中,出 现频次高于阈值的人,以判断某些人员是否符合频繁过人的条件。
在一种可能的实现方式中,所述待处理图像可以包括图片或视频帧,其 中,图片或视频帧中包括人脸。对于多个待处理图像,可以根据人脸、时间、 地点等要素将其归入为一个或多个簇,其中,簇是对待处理图像的初步分类, 一个簇中可包含一个或多个待处理图像。例如,分别在不同的时间对同一个 人进行了多次图像采集,根据采集时间不同,可以将同一个人的图片分为多 个簇。
如图6所示,建立聚类档案的过程可包括:
利用抓拍机抓取的图片生成抓拍库;
获取对每张图片对应的特征;
基于特征距离将特征聚类得到对象特征类;
抓拍图片按人进行分类。
图5示出根据本公开实施例的信息处理方法的应用场景的示意图。如图 2所示,对于待处理图像21,可以首先进行特征提取,得到其对象特征22; 然后,可以根据对象特征21以及特征库中多个参考图像类别的类中心特征 23,通过Faiss 29来确定待处理图像的图像类别24。在待处理图像21的图 像类别24为多个参考图像类别中的第一类别26时,可以根据对象特征21 以及第一类别26在特征库中的多个特征信息,更新第一类别26的类中心特征。在待处理图像21的图像类别24为无类别25时,可以通过Faiss 29来 对处理图像21进行聚类操作27,根据聚类结果,可以确定新的图像类别(第 二类别)28,并将新的图像类别28的类中心特征添加至特征库中,将新的 图像类别28添加到多个参考图像类别中。
本公开的实施例的信息处理方法,可以根据待处理图像的特征信息及特 征库中的类中心特征,确定待处理图像的图像类别,并更新特征库及图像类 别,实现对待处理图像的聚类,不仅可以提高图像检索特别是人脸检索的检 索速度和召回率;还可以自动构建人员聚类档案,提高图像利用率。
在一种可能的实现方式中,可以使用所述信息处理方法实时或定期对待 处理图像进行处理。例如,可以每天或每周进行一次图像处理,或在采集了 一定数量的待处理图像后启动图像处理,或在进行图片检索前,进行图像处 理。本公开对图像处理的启动时机不作限制。
在一种可能的实现方式中,对待处理图像进行特征提取,得到所述待处 理图像的对象特征。其中,对象特征可包括待处理图像的一个或多个特征信 息,例如对象特征包括人脸的多个特征信息。对待处理图像进行特征提取后, 可以将提取的特征作为其对象特征。本公开对特征提取的方式不作限制。
在一种可能的实现方式中,对待处理图像进行特征提取,得到所述待处 理图像的第二特征;对所述第二特征进行归一化处理,得到所述待处理图像 的对象特征。其中,归一化处理可以对特征信息进行归纳统一,将特征值统 一在一定范围内。归一化处理可例如包括正则化处理,本公开对归一化处理 的具体方式不作限制。
对待处理图像的第二特征进行归一化处理,并将归一化后的特征值作为 待处理图像的对象特征,使得对象特征的特征值均处于一定范围内,从而可 以降低计算的复杂度,提高计算效率。
在一种可能的实现方式中,根据所述对象特征以及特征库中多个参考图 像类别的类中心特征,确定所述待处理图像的图像类别。其中,参考图像类 别可以是特征库中已归类的图像类别,一个图像类别可以是某一类图像的集 合,例如同一个人的图像集合。对于每个参考图像类别,可以确定出一个类 中心特征。根据待处理图像的对象特征以及特征库中多个参考图像类别的类 中心特征,可以确定待处理图像的图像类别。
在一种可能的实现方式中,在步骤S11之前,所述方法还可包括:对特 征库中各个参考图像类别的特征信息分别进行类中心提取,得到各个图像类 别的类中心特征。也就是说,对于特征库中的各个参考图像类别,可以分别 对其特征信息进行类中心提取,将提取的特征信息作为各个参考图像类别的 类中心特征。本公开对类中心提取的方法不作限制。
在一种可能的实现方式中,步骤S12可包括:获取所述对象特征与多个 类中心特征之间的多个第一距离;在多个第一距离中距离值最小的第二距离 小于或等于距离阈值的情况下,将所述待处理图像的图像类别确定为与所述 第二距离对应的第一类别。其中,距离阈值可以预先设置,本公开对距离阈 值的取值不作限制。
在一种可能的实现方式中,可以分别计算待处理图像的对象特征与多个 类中心特征之间的距离,得到多个第一距离。在多个第一距离中,将距离值 最小的第一距离作为第二距离。之后,判断第二距离与预设的距离阈值之间 的关系。如果第二距离小于或等于距离阈值,可以将待处理图像的图像类别 确定为与第二距离对应的第一类别。
在一种可能的实现方式中,所述类中心特征包括N个类中心特征,其中, 获取所述对象特征与多个类中心特征之间的多个第一距离,包括:对N个 类中心特征分别进行量化处理,得到N个特征向量;分别获取所述对象特 征与所述N个特征向量之间的N个第三距离;确定与N个第三距离中最小 的K个第三距离对应的K个类中心特征;确定所述对象特征与所述K个类 中心特征之间的K个第一距离,K为正整数且K<N。
在一种可能的实现方式中,可以对N个类中心特征分别进行量化处理, 得到N个特征向量。例如,可以使用Faiss(Facebook AI Similarity Search, 是由Facebook提供的开源相似性搜索库)中的IVFADC算法来对N个类中 心特征进行量化处理,其中,IVFADC算法包括粗量化器(例如k-平均算法) 和乘积量化器。可以首先使用粗量化器(例如k-平均算法)对N个类中心 特征进行粗略量化,将N个类中心特征分为P组(P为正整数且K<N), 分别计算每组的量化中心,以及组内每个向量与量化中心的残差向量;然后 使用乘积量化器对各个残差向量进行乘积量化,将D维残差向量沿维度分 成M(M<D)个子向量并对一个子向量进行粗略量化,使D维残差向量压 缩至M维,从而得到N个类中心特征对应的N个M维特征向量。
在一种可能的实现方式中,可以分别获取对象特征与N个特征向量之间 的N个第三距离。例如,可以使用非对称距离计算对象特征与N个特征向 量之间的N个第三距离,其中,第三距离为近似距离(例如近似欧式距离)。
在一种可能的实现方式中,可以使用下述公式(1)来计算第三距离:
在公式(1)中,x表示对象特征,y表示类中心特征,q表示量化处理, q1表示粗量化器,q1(y)表示粗量化器的量化结果(量化中心),q2表示乘积 量化器,q2(y-q1(y))表示乘积量化的结果,其输入y-q1(y)表示y与量化中心 的残差。
在一种可能的实现方式中,可以从N个第三距离中选取最小的K个第 三距离,并确定出与K个第三距离对应的K个类中心特征。对于K个类中 心特征,可以分别计算对象特征与每个类中心特征的精确距离(例如内积距 离),将计算结果作为对象特征与K个类中心特征之间的K个第一距离。
通过上述方式,量化处理可以对N个类中心特征进行量化与降维,而使 用N个类中心特征中的K个类中心特征来计算第一距离,可以减少运算量, 从而可以提高多个第一距离的计算速度。
在一种可能的实现方式中,在所述第二距离大于所述距离阈值的情况 下,将所述待处理图像的图像类别确定为第二类别。其中,第二类别为多个 参考图像之外的新的图像类别。也就是说,在第二距离大于距离阈值的情况 下,可以为待处理图像确定出新的图像类别(第二类别),从而提高图像归 类的准确度。
在一种可能的实现方式中,在所述待处理图像的图像类别为所述多个参 考图像类别中的第一类别的情况下,可以根据所述对象特征以及所述第一类 别在所述特征库中的多个特征信息,更新所述第一类别的类中心特征。通过 这种方式,可以使得特征库中参考图像类别的类中心特征可以在加入新图像 时得到更新。
在一种可能的实现方式中,所述方法还可包括:在所述待处理图像的图 像类别为所述多个参考图像类别之外的第二类别的情况下,对所述待处理图 像的对象特征进行类中心提取,得到所述第二类别的类中心特征;将所述对 象特征及所述第二类别的类中心特征添加到所述特征库中,并将所述第二类 别添加到多个参考图像类别中。
在一种可能的实现方式中,如果待处理图像的图像类别不属于多个参考 图像类别中的任何一个,则可将无类别的多个待处理图像聚类为新的类别 (第二类别)。在该情况下,可以对待处理图像的对象特征进行类中心提取, 得到所述第二类别的类中心特征。例如,可以根据待某一处理图像的对象特 征,在其他多个待处理图像中搜索(例如通过Faiss进行搜索),得到前K 个相似度结果;对于K个相似度结果,可以通过绘制亲和力图寻找联通量 来确定聚类,或者通过DFS(Deep First Search,深度优先搜索)递归染色 来确定聚类,其中,是否染色可根据相似度阈值来确定,例如,相似度阈值 为0.7,则对大于相似度阈值的相似度结果进行染色,对小于相似度阈值的 相似度结果则跳过。确定要聚类的多个待处理图像后,可对待处理图像的对 象特征进行类中心提取,将其作为第二类别的类中心特征。
在一种可能的实现方式中,可以将待处理图像的对象特征以及第二类别 的类中心特征添加到特征库中,并将第二类别添加到多个参考图像类别中。 通过这种方式,可以加入新图像和新图像类别,从而更新特征库及参考图像 类别。
如图7为将特征进行聚类得到5个类的示意图,分别得到类1、类2、 类3、类4及类5,一个类可对应于一个人(即一个采集对象),一个采集 对象可对应于一个聚类档案。
在进行图像检索前,对待处理图像进行聚类,可以提高图像检索,特别 是人脸检索的检索速度和召回率。例如,人脸检索是公安行业破案的重要场 景,需要根据未确认身份的嫌疑人图片在海量人像库中进行检索来确定嫌疑 人身份等一系列信息。
在检索前,可以对嫌疑人图片进行图像处理,确定其图像类别(聚类); 在检索时,通过嫌疑人图片与类中心特征的比对,可以提高检索速度及召 回率,从而可以更快速地返回更准确的嫌疑人信息,帮助公安工作人员更 快地研判嫌疑人信息与破案。
本公开的实施例的信息处理方法,可以实现对待处理图像的聚类可以自 动构建人员聚类档案,提高图像的利用率。例如,在公安信息系统中,存在 海量的抓拍图片,对这些抓拍图片进行图像处理后,可以将抓拍图片以人为 维度聚为一类,实现海量、零散图片的整合,从而在系统中可以看到与同一 人相关的所有抓拍图片,形成个人轨迹,实现大数据分析,辅助案情研判。
本公开的实施例的信息处理方法,可以通过聚类实现图像系统的自动迭 代,对于不断新增的待处理图像,每次进行聚类后,可以更新图像类别及其 类中心,使得系统不断得到增量训练,形成正反馈循环,提高系统能力。
示例2:
第一步:新输入特征与底库类中心进行最近邻搜索,通过对距离卡阈值 确定其是否属于现有底库,即是否有类别。
第二步:对有类别的特征:与现有类别聚类,并更新底库类中心。
第三步:对无类别的特征:聚类,确定类别,将新聚类中心加入到底库 类中心中。
如图8所示,脸聚类的算法方案:
在人像库中,会批量入库人像,通过和身份证号等身份信息进行聚合, 形成初始的聚类档案;
在抓拍库中,通过抓拍库获取每张人像图片对应的特征,将特征聚类相 近即人像匹配度相似度高的聚合在一起,后将抓拍照片按照以人为单位进行 分类,将抓拍库入库的图片所形成的活动信息进行归档,得到更新后的聚类 档案。
后续,会根据需求新增人像库和新增抓拍。
抓拍库聚类。抓拍库聚类为系统自动定时触发,比如,一小时或一天聚 一次,时间可配置。初次为全量聚类,以后增量聚类,与现有的类聚合。而 没有相近的类可自动聚合成一个新类。
人像库聚合。人像库中身份证号相同的聚合为一个聚类档案。
抓拍库与人像库撞库。抓拍库聚类后分成若干类(人),每个类都有一个 类中心,对应一个类中心特征值。每个类中心特征值再和人像库进行全量1: n比对,取相似度最高TOP1并且大于预设预置的一个人像。将此TOP1的 人像对应的身份信息赋予这个抓拍库的类,使得这类抓拍人像实名。
增量撞库。抓拍库增量:抓拍库每天增量聚类,新类的类中心与人像库 撞库。
人像库增量:与现有人像库进行身份信息(身份证号)关联查询,如果 有同身份信息则合并到其聚类档案。
在图8中所示的撞库为:将不同库的同一个人的信息进行匹配,在匹配 成功之后,将同一个人来自不同库的信息关联到一个聚类档案中,实现一人 一档。
例如,人像库已经建档且未抓拍,则保留初始的聚类档案。
再例如,已抓拍且已实名,则将抓拍的人像与人像库的身份进行关联。 此处的已实名说明在人像库中已建立聚类档案。已抓拍但是未实名,说明人 像库中未建档。
若已实名说明已经建档(建立对应人的聚类档案),则基于抓拍得到的 信息进行归档;若未实名保存对应的信息,并在确定出该人的身份时进行建 档并一并归档。
示例3:
本示例提供一种查找在目标时空信息所指示的时空范围内频繁出现的 人的方法,包括:
输入条件:时间范围、地点范围、过人次数、选择库、排除库、案件名 称、聚类档案编号、备注信息。此处的过人次数至少可对应于前述的第一阈 值。选择库、排除库和聚类档案编号可对应于前述的选择信息。所述备注信 息可以用于生成前述的过滤信息。
处理方式:
在所有聚类撞库后的聚类档案(包括所有聚类档案已实名聚类档案+未 实名聚类档案统计)中,对当前每个聚类档案在所选择的一个或多个摄像头 或一个或多个区域、特定时间段内的抓拍次数,按照抓拍次数从高到底排序 展示,对抓拍张数X高于阈值的非指定人像库的陌生人进行提醒。
输出内容:
按照返回结果中符合条件出现的次数由多到少,如果次数相同按照最后 出现时间由近及远取排序靠前的前1000的结果;
出现频次,身份标识(Identity,ID),最后出现时间信息进行排序;
分析结果支持按照过人次数、最后出现时间进行排序,并且支持静态标 签过滤。此处的静态标签过滤为前述的过滤信息的一种,但前述过滤信息不 限于静态标签。
在进行过滤时,还可以采用以下方式至少之一进行辅助过滤:
实有人口管理:规避传统人口登记方式的漏登、耗时耗力等缺点,通过 定义“在指定时间段内出现超过X次即认为是在该小区居住”来确定小区 常住人口。此处的X可对应于前述第一阈值。
入室盗窃:某个人/某几个人一直在房屋附近徘徊,可能是在踩点,需 要警惕。此时通过设置在指定时间段内重复出现X次以上的陌生人,即可 帮助在盗窃案发生后找到嫌疑人聚类档案→找到轨迹→确认位置→实施布 控抓捕;或者在可能有盗窃案要发生时进行提示预警。
上访管控:在特殊时期,有上访前科人员在政府机关附近夜行超过X 天以上,可能有夜晚上访嫌疑,通过昼伏夜出技战法可将这样的人筛选出来, 以备管控。
反恐监测:在特殊时期,有涉恐前科人员在某些重要场所附近夜行超过 X天以上,需要重点关注,可将这样的人筛选出来以备管控;或在这些地点 有恐怖事件发生后,通过昼伏夜出技战法可将这样的人的聚类档案筛选出 来,作为重点嫌疑人关注。
国保重点:在国保重要地点附近有前科人员夜行超过X天以上,需要 重点关注,可将这样的人筛选出来以备管控;或在这些地点有不良事件发生 后,通过昼伏夜出技战法将这样的人的聚类档案筛选出来,作为重点嫌疑人 关注
医闹肇事:有医闹前科人员在医院夜行超过X天以上,需要筛选出来 提防管控;或有医闹事件发生后,通过昼伏夜出技战法将这样的人的聚类档 案筛选出来,作为重点嫌疑人关注。
自动将同一人在视频监控中的抓拍图片与既有静态人员数据库结合,便 于警方将线索串联、提高破案效率。
在没有嫌疑人的人脸图片信息时,在指定时间、区域内排查频繁出现的 陌生人,以望找到嫌疑人的聚类档案。
如图9所示,本申请实施例提供了一种图像处理设备,包括:
存储器,用于存储信息;
处理器,分别与显示器及所述存储器连接,用于通过执行存储在所述存 储器上的计算机可执行指令,能够实现前述一个或多个技术方案提供的信息 处理方法,例如,如图1、图3、图6及图8所示的信息处理方法中的至少 之一。
该存储器可为各种类型的存储器,可为随机存储器、只读存储器、闪存 等。所述存储器可用于信息存储,例如,存储计算机可执行指令等。所述计 算机可执行指令可为各种程序指令,例如,目标程序指令和/或源程序指令 等。
所述处理器可为各种类型的处理器,例如,中央处理器、微处理器、数 字信号处理器、可编程阵列、数字信号处理器、专用集成电路或图像处理器 等。
所述处理器可以通过总线与所述存储器连接。所述总线可为集成电路总 线等。
在一些实施例中,所述终端设备还可包括:通信接口,该通信接口可包 括:网络接口、例如,局域网接口、收发天线等。所述通信接口同样与所述 处理器连接,能够用于信息收发。
在一些实施例中,所述终端设备还包括人机交互接口,例如,所述人机 交互接口可包括各种输入输出设备,例如,键盘、触摸屏等。
在一些实施例中,所述图像处理设备还包括:显示器,该显示器可以显 示各种提示、采集的人脸图像和/或各种界面。
本申请实施例提供了一种计算机存储介质,所述计算机存储介质存储有计 算机可执行代码;所述计算机可执行代码被执行后,能够实现前述一个或多个 技术方案提供的信息处理方法,例如,如图1、图3、图6及图8所示的信息 处理方法中的至少之一。
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。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,如:多个单元或组件可以结合,或可以集成到另一个系统,或一些特 征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、 或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通 信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作 为单元显示的部件可以是、或也可以不是物理单元,即可以位于一个地方, 也可以分布到多个网络单元上;可以根据实际的需要选择其中的部分或全部 单元来实现本实施例方案的目的。
另外,在本发明各实施例中的各功能单元可以全部集成在一个处理模块 中,也可以是各单元分别单独作为一个单元,也可以两个或两个以上单元集 成在一个单元中;上述集成的单元既可以采用硬件的形式实现,也可以采用 硬件加软件功能单元的形式实现。本领域普通技术人员可以理解:实现上述 方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的 程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上 述方法实施例的步骤;而前述的存储介质包括:移动存储设备、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。
本申请所提供的几个方法实施例中所揭露的方法,在不冲突的情况下可 以任意组合,得到新的方法实施例。
本申请所提供的几个设备实施例中所揭露的特征,在不冲突的情况下可 以任意组合,得到新的设备实施例。
本申请所提供的几个方法或设备实施例中所揭露的特征,在不冲突的情 况下可以任意组合,得到新的方法实施例或设备实施例。
以上所述,仅为本发明的具体实施方式,但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。因此,本发明的保护 范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种信息处理方法,其特征在于,包括:
获取目标时空信息;
根据所述目标时空信息,确定出在所述目标时空信息所对应的时空范围内出现频次高于第一阈值的预定对象的聚类档案,其中,一个所述聚类档案包括一个采集对象的聚类档案信息,所述聚类档案信息包括所述采集对象活动的时空范围信息;
基于所述预定对象的聚类档案,执行预定操作。
2.根据权利要求1所述的方法,其特征在于,所述根据所述目标时空信息,确定出在所述目标时空信息所对应的时空范围内出现频次高于第一阈值的预定对象的聚类档案,包括:
基于所述目标时空范围信息,确定聚类档案库中与所述目标时空范围信息相匹配的至少一个聚类档案;
根据所述至少一个聚类档案,确定出在所述目标时空范围信息对应的时空范围内出现频次高于所述第一阈值的预定对象的聚类档案。
3.根据权利要求1所述的方法,其特征在于,所述基于所述预定对象的聚类档案,执行预定操作,包括:
基于所述预定对象的聚类档案,输出所述预定对象的聚类档案信息中的至少部分信息。
4.根据权利要求1至3任一项所述的方法,其特征在于,所述方法还包括:
获取第一类选择信息;
利用所述第一类选择信息,从第一聚类档案库中选择出与所述选择信息相适配的第二聚类档案库;
所述根据所述目标时空信息,确定出在所述目标时空信息所对应的时空范围内出现频次高于第一阈值的预定对象的聚类档案,包括:
从所述第二聚类档案库中确定出在所述目标时空信息所对应的时空范围内出现频次高于第一阈值的所述预定对象的聚类档案。
5.根据权利要求1至4任一项所述的方法,其特征在于,所述基于所述预定对象的聚类档案,执行预定操作,包括:
基于过滤信息,对所述预定对象进行过滤获得目标对象;
基于所述目标对象的聚类档案,输出预警提醒。
6.根据权利要求1至5任一项所述的方法,其特征在于,所述方法还包括:
获取所述采集对象的第一图像信息;
根据所述第一图像信息的对象特征,确定所述第一图像信息所包含所述采集对象所属的对象特征类,其中,每个对象特征类对应一个所述采集对象;
根据所述对象特征类,生成所述聚类档案;
不同所述采集对象的聚类档案,形成所述聚类档案库。
7.根据权利要求1至6任一项所述的方法,其特征在于,所述方法还包括:
获取包括第二图像信息的身份信息;
根据所述第二图像信息的对象特征,确定与所述第二图像信息匹配的对象特征类;
所述根据所述对象特征类,生成所述聚类档案,包括:
基于包括所述第二图像信息的身份信息、所述人物特行类包括的多个所述图像信息以及每个所述图像信息中所述采集对象的采集信息,生成与所述第二图像信息匹配的对象特征类所对应的聚类档案。
8.一种信息处理装置,其特征在于,包括:
第一获取模块,用于获取目标时空信息;
第一确定模块,用于根据所述目标时空信息,确定出在所述目标时空信息所对应的时空范围内出现频次高于第一阈值的预定对象的聚类档案,其中,一个所述聚类档案包括一个采集对象的聚类档案信息,所述聚类档案信息包括所述采集对象活动的时空范围信息;
执行模块,用于基于所述预定对象的聚类档案,执行预定操作。
9.一种电子设备,所述电子设备包括:
存储器,用于存储计算机可执行指令;
处理器,与所述存储器连接,用于通过执行所述计算机可执行指令,实现权利要求1至7任一项提供的方法。
10.一种计算机存储介质,所述计算机存储介质存储有计算机可执行指令;所述计算机可执行指令被处理器执行之后,能够实现权利要求1至7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910578776.4A CN110390031A (zh) | 2019-06-28 | 2019-06-28 | 信息处理方法及装置、图像设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910578776.4A CN110390031A (zh) | 2019-06-28 | 2019-06-28 | 信息处理方法及装置、图像设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110390031A true CN110390031A (zh) | 2019-10-29 |
Family
ID=68285988
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910578776.4A Pending CN110390031A (zh) | 2019-06-28 | 2019-06-28 | 信息处理方法及装置、图像设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110390031A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110969215A (zh) * | 2019-12-18 | 2020-04-07 | 浙江大华技术股份有限公司 | 聚类处理方法和装置、存储介质及电子装置 |
CN111402105A (zh) * | 2020-03-16 | 2020-07-10 | 新疆联海创智信息科技有限公司 | 一种社区管理系统 |
CN111488829A (zh) * | 2020-04-10 | 2020-08-04 | 广东电网有限责任公司江门供电局 | 杆塔巡检照片分类方法、装置、电子设备以及存储介质 |
CN111814627A (zh) * | 2020-06-29 | 2020-10-23 | 深圳市商汤科技有限公司 | 人员检测方法及装置、电子设备和存储介质 |
CN112686226A (zh) * | 2021-03-12 | 2021-04-20 | 深圳市安软科技股份有限公司 | 一种基于网格化管理的大数据管理方法、装置及电子设备 |
CN113255703A (zh) * | 2021-07-13 | 2021-08-13 | 浙江大华技术股份有限公司 | 图像识别方法以及电子设备、计算机可读存储介质 |
CN113641852A (zh) * | 2021-07-13 | 2021-11-12 | 彩虹无人机科技有限公司 | 无人机光电视频目标的检索方法、电子设备及介质 |
WO2021232603A1 (zh) * | 2020-05-19 | 2021-11-25 | 深圳市商汤科技有限公司 | 数据处理方法及装置、处理器、电子设备及存储介质 |
WO2023213095A1 (zh) * | 2022-05-06 | 2023-11-09 | 深圳云天励飞技术股份有限公司 | 数据归档方法及装置 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106998444A (zh) * | 2017-02-14 | 2017-08-01 | 北京中科天云科技有限公司 | 一种大数据人脸监控系统及装置 |
CN107944433A (zh) * | 2017-12-21 | 2018-04-20 | 高域(北京)智能科技研究院有限公司 | 安防监视方法和安防监视系统 |
CN108563675A (zh) * | 2018-02-28 | 2018-09-21 | 北京图铭视界科技有限公司 | 基于目标体特征的电子档案自动生成方法及装置 |
CN108733819A (zh) * | 2018-05-22 | 2018-11-02 | 深圳云天励飞技术有限公司 | 一种人员档案建立方法和装置 |
CN109145844A (zh) * | 2018-08-29 | 2019-01-04 | 北京旷视科技有限公司 | 用于城市安防监控的档案管理方法、装置以及电子设备 |
CN109190588A (zh) * | 2018-09-19 | 2019-01-11 | 东方网力科技股份有限公司 | 一种人口分类的方法及装置 |
CN109543312A (zh) * | 2018-11-27 | 2019-03-29 | 珠海市新德汇信息技术有限公司 | 一种时空侦查分析方法及系统 |
CN109710780A (zh) * | 2018-12-28 | 2019-05-03 | 上海依图网络科技有限公司 | 一种归档方法及装置 |
CN109783685A (zh) * | 2018-12-28 | 2019-05-21 | 上海依图网络科技有限公司 | 一种查询方法及装置 |
CN109800669A (zh) * | 2018-12-28 | 2019-05-24 | 上海依图网络科技有限公司 | 一种归档方法及装置 |
-
2019
- 2019-06-28 CN CN201910578776.4A patent/CN110390031A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106998444A (zh) * | 2017-02-14 | 2017-08-01 | 北京中科天云科技有限公司 | 一种大数据人脸监控系统及装置 |
CN107944433A (zh) * | 2017-12-21 | 2018-04-20 | 高域(北京)智能科技研究院有限公司 | 安防监视方法和安防监视系统 |
CN108563675A (zh) * | 2018-02-28 | 2018-09-21 | 北京图铭视界科技有限公司 | 基于目标体特征的电子档案自动生成方法及装置 |
CN108733819A (zh) * | 2018-05-22 | 2018-11-02 | 深圳云天励飞技术有限公司 | 一种人员档案建立方法和装置 |
CN109145844A (zh) * | 2018-08-29 | 2019-01-04 | 北京旷视科技有限公司 | 用于城市安防监控的档案管理方法、装置以及电子设备 |
CN109190588A (zh) * | 2018-09-19 | 2019-01-11 | 东方网力科技股份有限公司 | 一种人口分类的方法及装置 |
CN109543312A (zh) * | 2018-11-27 | 2019-03-29 | 珠海市新德汇信息技术有限公司 | 一种时空侦查分析方法及系统 |
CN109710780A (zh) * | 2018-12-28 | 2019-05-03 | 上海依图网络科技有限公司 | 一种归档方法及装置 |
CN109783685A (zh) * | 2018-12-28 | 2019-05-21 | 上海依图网络科技有限公司 | 一种查询方法及装置 |
CN109800669A (zh) * | 2018-12-28 | 2019-05-24 | 上海依图网络科技有限公司 | 一种归档方法及装置 |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110969215A (zh) * | 2019-12-18 | 2020-04-07 | 浙江大华技术股份有限公司 | 聚类处理方法和装置、存储介质及电子装置 |
CN110969215B (zh) * | 2019-12-18 | 2023-06-16 | 浙江大华技术股份有限公司 | 聚类处理方法和装置、存储介质及电子装置 |
CN111402105A (zh) * | 2020-03-16 | 2020-07-10 | 新疆联海创智信息科技有限公司 | 一种社区管理系统 |
CN111402105B (zh) * | 2020-03-16 | 2024-01-16 | 新疆联海创智信息科技有限公司 | 一种社区管理系统 |
CN111488829A (zh) * | 2020-04-10 | 2020-08-04 | 广东电网有限责任公司江门供电局 | 杆塔巡检照片分类方法、装置、电子设备以及存储介质 |
WO2021232603A1 (zh) * | 2020-05-19 | 2021-11-25 | 深圳市商汤科技有限公司 | 数据处理方法及装置、处理器、电子设备及存储介质 |
CN111814627A (zh) * | 2020-06-29 | 2020-10-23 | 深圳市商汤科技有限公司 | 人员检测方法及装置、电子设备和存储介质 |
CN111814627B (zh) * | 2020-06-29 | 2021-11-26 | 深圳市商汤科技有限公司 | 人员检测方法及装置、电子设备和存储介质 |
CN112686226A (zh) * | 2021-03-12 | 2021-04-20 | 深圳市安软科技股份有限公司 | 一种基于网格化管理的大数据管理方法、装置及电子设备 |
CN113255703A (zh) * | 2021-07-13 | 2021-08-13 | 浙江大华技术股份有限公司 | 图像识别方法以及电子设备、计算机可读存储介质 |
CN113641852A (zh) * | 2021-07-13 | 2021-11-12 | 彩虹无人机科技有限公司 | 无人机光电视频目标的检索方法、电子设备及介质 |
WO2023213095A1 (zh) * | 2022-05-06 | 2023-11-09 | 深圳云天励飞技术股份有限公司 | 数据归档方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110390031A (zh) | 信息处理方法及装置、图像设备及存储介质 | |
Xu et al. | Video structured description technology based intelligence analysis of surveillance videos for public security applications | |
Ribaux et al. | Case based reasoning in criminal intelligence using forensic case data | |
CN110084103A (zh) | 一种基于人脸识别技术的同行人分析方法及系统 | |
US20080273088A1 (en) | Intelligent surveillance system and method for integrated event based surveillance | |
US20060222211A1 (en) | System and method for collection, storage, and analysis of biometric data | |
TWI747341B (zh) | 檔案應用方法及裝置、儲存媒體 | |
CN110263613A (zh) | 监控视频处理方法及装置 | |
US20090150128A1 (en) | Method for detecting people of interest from information sources | |
Adderley et al. | Police crime recording and investigation systems–A user’s view | |
CN110197158B (zh) | 一种安保云系统及其应用 | |
CN110334231A (zh) | 一种信息处理方法及装置、存储介质 | |
US10030986B2 (en) | Incident response analytic maps | |
CN111078922A (zh) | 一种信息处理方法及装置、存储介质 | |
CN110543583A (zh) | 信息处理方法及装置、图像设备及存储介质 | |
CN109784220B (zh) | 一种确定路人轨迹的方法及装置 | |
Ateş et al. | Big data, data mining, machine learning, and deep learning concepts in crime data | |
Kuppala et al. | Benefits of Artificial Intelligence in the Legal System and Law Enforcement | |
CN110334232A (zh) | 档案应用方法及装置、存储介质 | |
CN109871456A (zh) | 一种看守所人员关系分析方法、装置和电子设备 | |
CN113012006A (zh) | 一种智能侦查研判方法、系统、计算机设备及存储介质 | |
Memon et al. | Crime investigation and analysis using neural nets | |
Nayak et al. | Learning Future Terrorist Targets using Attention Based Hybrid CNN and BiLSTM Model | |
CN111125545A (zh) | 目标对象的确定方法、装置及电子设备 | |
Kaluža et al. | A probabilistic risk analysis for multimodal entry control |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191029 |