CN111405475A - 一种多维感知数据碰撞融合分析方法和装置 - Google Patents
一种多维感知数据碰撞融合分析方法和装置 Download PDFInfo
- Publication number
- CN111405475A CN111405475A CN202010168917.8A CN202010168917A CN111405475A CN 111405475 A CN111405475 A CN 111405475A CN 202010168917 A CN202010168917 A CN 202010168917A CN 111405475 A CN111405475 A CN 111405475A
- Authority
- CN
- China
- Prior art keywords
- data
- vehicle
- video image
- collision
- analysis
- 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
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
- G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
- H04N7/181—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a plurality of remote sources
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/029—Location-based management or tracking services
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W8/00—Network data management
- H04W8/22—Processing or transfer of terminal data, e.g. status or physical capabilities
Abstract
本发明公开了一种多维感知数据碰撞融合分析方法和装置,通过手机号码获取手机号码对应的设备识别号;获取采集到设备识别码的多个电子围栏,并获取与电子围栏关联的至少多个卡口的视频图像数据;根据视频图像数据和目标时间通过视频图像结构化算法识别出至少多个嫌疑车辆数据,其中目标时间为同时获取到设备识别号的时刻或时间段;以及将多个嫌疑车辆数据与目标时间进行关联碰撞获得目标车辆数据。因此通过手机号码、车辆数据、电子围栏等多维感知数据,建立多维数据融合分析,通过数据碰撞提升人、车等目标追踪准确率。
Description
技术领域
本发明涉及数据处理领域,具体涉及一种多维感知数据碰撞融合分析方法和装置。
背景技术
随着城市视频监控系统在全国各地的广泛应用,通过对视频监控数据进行整合分析和深度应用可以为公安侦查提供有效的技术支持,为建设平安和谐社会提供重要的技术保障。除了视频监控系统的建设,在公安系统中还建设有物联网设备系统,包括电子围栏、Wifi嗅探等多种感知设备,因此也存在海量的多维感知数据,这些多维感知数据和视频监控数据处于各自独立的系统中,在海量的数据中进行跨系统数据处理难度大,工作量庞大,因此如何利用多维感知数据分析处理得到案件侦查所需要的数据,提高工作效率,成为亟待解决的问题点之一。
目前针对单一维护数据分析难以关联其他目标,也对目标追踪刻画不明显,单一维度的追查手段容易被识破和规避。现有技术中大多根据嫌疑人的行动轨迹和时空比对判断来确定嫌疑人的身份和信息,并且需要用到人脸识别技术进行确认,过程繁琐,计算量大。
有鉴于此,本发明提出一种更加简单、高效的多维感知数据碰撞分析方法是非常具有意义的。
发明内容
针对上述提到的单一维度数据难以关联其他目标,容易被识破和规避,多维数据处理繁琐且效率低等问题。本申请的实施例的目的在于提出了一种多维感知数据碰撞融合分析方法和装置,来解决以上背景技术部分提到的技术问题。
第一方面,本申请的实施例提供了一种多维感知数据碰撞融合分析方法,包括以下步骤:
S1:通过手机号码获取手机号码对应的设备识别号;
S2:获取采集到设备识别码的多个电子围栏,并获取与电子围栏关联的至少多个卡口的视频图像数据;
S3:根据视频图像数据和目标时间通过视频图像结构化算法识别出至少多个嫌疑车辆数据,其中目标时间为同时获取到设备识别号的时刻或时间段;以及
S4:将多个嫌疑车辆数据与目标时间进行关联碰撞获得目标车辆数据。
通过待追踪人员的手机号码获取多维感知数据,并且通过视频图像结构化算法处理,获得嫌疑车辆数据,将嫌疑车辆数据与手机轨迹进行数据碰撞以获得目标车辆数据。
在一些实施例中,步骤S3包括以下子步骤:
S31:获取目标时间内的视频图像数据;
S32:对输入的视频图像数据进行结构化解析,得到解析数据;
S33:在解析数据中筛选出多个嫌疑车辆数据。
通过视频图像数据进行结构化处理,解析出具有能够用于信息存储,方便后续处理的结构化数据。先通过目标时间对视频图像数据进行筛选,可以减少结构化处理的数据量,提高效率。
在一些实施例中,步骤S3包括以下子步骤:
S31’:对输入的视频图像数据进行结构化解析,得到解析数据;
S32’:获取目标时间内的解析数据;
S33’:在解析数据中筛选出多个嫌疑车辆数据。
通过视频图像数据进行结构化处理,解析出具有能够用于信息存储,方便处理的结构化数据。通过对视频图像数据进行结构化处理后得到全面且完整的结构化数据,再通过目标时间筛选嫌疑车辆数据。
在一些实施例中,解析数据包括文本描述数据、矢量特征和图像数据中的一种或多种。解析数据包括这些结构化数据,这些结构化数据可以支持存入数据库、存储设备,便于后续处理和调用。
在一些实施例中,步骤S4包括以下步骤:
S41:多个嫌疑车辆数据中两两通过取数据交集进行碰撞得到两个待定车辆数据;
S42:两个待定车辆数据根据目标时间通过下式进行关联碰撞得到目标车辆数据:
其中,Xt和Yt表示两个待定车辆数据构成的目标时间序列,其中Xt,Xt-1,Xt-2,Xt-k和Yt,Yt-1,Yt-2,Yt-k之间的相关关系称为相关度γ0,目标时间序列中相隔k时间段的观测值之间的相关度以γ0k表示,n表示目标时间序列的总数,R为限定值,和表示目标时间序列Xt和Yt的平均值,计算得到两个待定车辆的相关度γ0,如果待定车辆的相关度γ0≥1,则目标车辆为X,如果待定车辆的相关度γ0≤1,则目标车辆为Y。
在一些实施例中,嫌疑车辆数据、待定车辆数据和目标车辆数据包括车牌、车身颜色、车辆型号和车辆品牌。被识别得到的嫌疑车辆数据和目标车辆数据都至少包括这些信息,以便于后续车辆的追踪。
通过对不同卡口得到的嫌疑车辆数据取数据交集,从而得到待定车辆,再在待定车辆数据中根据目标时间进行数据碰撞,得到目标车辆数据。
在第二方面,本申请的实施例提出了一种多维感知数据碰撞融合分析装置,包括:
设备识别码获取模块,被配置为通过手机号码获取手机号码对应的设备识别号;
视频图像数据获取模块,被配置为获取采集到设备识别码的多个电子围栏,并获取与电子围栏关联的至少多个卡口的视频图像数据;
嫌疑车辆数据获取模块,被配置为根据视频图像数据和目标时间通过视频图像结构化算法识别出至少多个嫌疑车辆数据,其中目标时间为同时或一个时间段内获取设备识别号的时间;以及
关联碰撞模块,被配置为将多个嫌疑车辆数据与目标时间进行关联碰撞获得目标车辆数据。
在一些实施例中,嫌疑车辆数据获取模块包括以下子步骤:
视频图像数据筛选模块,被配置为获取目标时间内的视频图像数据;
第一结构化解析模块,被配置为对输入的视频图像数据进行结构化解析,得到解析数据;
第一数据筛选模块,被配置为在解析数据中筛选出多个嫌疑车辆数据。
在一些实施例中,嫌疑车辆数据获取模块包括:
第二结构化解析模块,被配置为对输入的视频图像数据进行结构化解析,得到解析数据;
解析数据筛选模块,被配置为获取目标时间内的解析数据;
第二数据筛选模块,被配置为在解析数据中筛选出多个嫌疑车辆数据。
在一些实施例中,解析数据包括文本描述数据、矢量特征和图像数据中的一种或多种。
在一些实施例中,关联碰撞模块包括:
数据交集模块,被配置为多个嫌疑车辆数据中两两通过取数据交集进行碰撞得到两个待定车辆数据;
数据碰撞模块,被配置为两个待定车辆数据根据目标时间通过下式进行关联碰撞得到目标车辆数据:
其中,Xt和Yt表示两个待定车辆数据构成的目标时间序列,其中Xt,Xt-1,Xt-2,Xt-k和Yt,Yt-1,Yt-2,Yt-k之间的相关关系称为相关度γ0,目标时间序列中相隔k时间段的观测值之间的相关度以γ0k表示,n表示目标时间序列的总数,R为限定值,和表示目标时间序列Xt和Yt的平均值,计算得到两个待定车辆的相关度γ0,如果待定车辆的相关度γ0≥1,则目标车辆为X,如果待定车辆的相关度γ0≤1,则目标车辆为Y。
在一些实施例中,嫌疑车辆数据、待定车辆数据和目标车辆数据包括车牌、车身颜色、车辆型号和车辆品牌。被识别得到的嫌疑车辆数据和目标车辆数据都至少包括这些信息,以便于后续车辆的追踪。
在第三方面,本申请的实施例还提出了一种计算机存储介质,其上存储有计算机程序,其特征在于,计算机程序被计算机执行时实现第一方面提到的步骤。
本发明提出了一种多维感知数据碰撞融合分析方法,通过手机号码获取手机号码对应的设备识别号;获取采集到设备识别码的多个电子围栏,并获取与电子围栏关联的至少多个卡口的视频图像数据;根据视频图像数据和目标时间通过视频图像结构化算法识别出至少多个嫌疑车辆数据,其中目标时间为同时获取到设备识别号的时刻或时间段;以及将多个嫌疑车辆数据与目标时间进行关联碰撞获得目标车辆数据。因此通过手机号码、车辆数据、电子围栏等多维感知数据,建立多维数据融合分析,通过数据碰撞提升人、车等目标追踪准确率。
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是本发明的一个实施例可以应用于其中的示例性装置架构图;
图2为本发明的实施例的多维感知数据碰撞融合分析方法的流程示意图;
图3为本发明的其中一个实施例的多维感知数据碰撞融合分析方法的步骤S3的流程示意图;
图4为本发明的另一个实施例的多维感知数据碰撞融合分析方法的步骤S3的流程示意图;
图5为本发明的实施例的多维感知数据碰撞融合分析方法的步骤S4的流程示意图;
图6为本发明的实施例的多维感知数据碰撞融合分析装置的示意图;
图7是适于用来实现本发明的实施例的电子设备的计算机装置的结构示意图。
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。
图1示出了可以应用本申请实施例的多维感知数据碰撞融合分析方法或多维感知数据碰撞融合分析装置的示例性装置架构100。
如图1所示,装置架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种应用,例如数据处理类应用、文件处理类应用等。
终端设备101、102、103可以是硬件,也可以是软件。当终端设备101、102、103为硬件时,可以是各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时,可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块),也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103上传的文件或数据进行处理的后台数据处理服务器。后台数据处理服务器可以对获取的文件或数据进行处理,生成处理结果。
需要说明的是,本申请实施例所提供的多维感知数据碰撞融合分析方法可以由服务器105执行,也可以由终端设备101、102、103执行,相应地,多维感知数据碰撞融合分析装置可以设置于服务器105中,也可以设置于终端设备101、102、103中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。在所处理的数据不需要从远程获取的情况下,上述装置架构可以不包括网络,而只需服务器或终端设备。
图2示出了本申请实施例公开的一种多维感知数据碰撞融合分析方法,包括以下步骤:
S1:通过手机号码获取手机号码对应的设备识别号;
S2:获取采集到设备识别码的多个电子围栏,并获取与电子围栏关联的至少多个卡口的视频图像数据;
S3:根据视频图像数据和目标时间通过视频图像结构化算法识别出至少多个嫌疑车辆数据,其中目标时间为同时获取到设备识别号的时刻或时间段;以及
S4:将多个嫌疑车辆数据与目标时间进行关联碰撞获得目标车辆数据。
本发明以物联网多维感知技术、深度学习智能分析、云计算、大数据技术为基础,通过汇聚、整合视频、车辆卡口、人像卡口、电子围栏、Wi-Fi围栏、视频图像文本信息等资源,实现视频图像智能分析、人像比对、车辆分析、多维数据碰撞等视频图像深度研究。通过前端感知、视频图像智能分析、模型算法构建、大数据关联碰撞,以形成分析对象数据流,最后与手机数据融合的方式,实现数据的碰撞融合。具体的,可以通过待追踪人员的手机号码获取电子围栏和卡口视频等多维感知数据,并且通过视频图像结构化算法对视频图像数据进行处理,获得嫌疑车辆数据,将嫌疑车辆数据与手机轨迹进行数据碰撞以获得目标车辆数据。在优选的实施例中,手机号码对应的设备识别号可以是手机的IMEI号,通过已知手机号码A,可以获取手机号码A所对应的IMEI号。而电子围栏可以采集手机的IMEI号,因此可以用过电子围栏,获取采集到该IMEI号的电子围栏。而每个电子微刊都有提前设置好的关联卡口,通过现有车辆平台,将通过电子围栏的关联卡口、目标时间作为检索条件结合视频图像结构化算法,可以搜索出嫌疑车辆以及嫌疑车辆数据。在其他可选的实施例中,可以通过手机号码找到对应的其他设备识别码。目标时间可以为同时或者一个小时内获取IMEI号码的时间,当然可以按照其他的要求设置目标时间的范围。
在其中一个的实施例中,如图3所示,步骤S3包括以下子步骤:
S31:获取目标时间内的视频图像数据;
S32:对输入的视频图像数据进行结构化解析,得到解析数据;
S33:在解析数据中筛选出多个嫌疑车辆数据。
视频图像数据应该包括网络视频流和视频/图像文件,输入的视频图像数据按照设定的分析规则,经过结构化解析后,可以输出文本描述数据(视频图像标签信息等)、矢量特征和图像数据的一种或几种。视频图像内容分析结果应支持存入数据库、存储设备。通过视频图像数据进行结构化处理,解析出具有能够用于信息存储,方便后续处理的结构化数据。这些结构化数据支持存入数据库、存储设备,方便调用和整合。
在此实施例中,先通过目标时间对视频图像数据进行筛选,可以减少结构化处理的数据量,提高效率。
在另外一个实施例中,如图4所示,步骤S3包括以下子步骤:
S31’:对输入的视频图像数据进行结构化解析,得到解析数据;
S32’:获取目标时间内的解析数据;
S33’:在解析数据中筛选出多个嫌疑车辆数据。
在此实施例中,通过先对视频图像数据进行结构化处理后,再通过目标时间筛选嫌疑车辆数据,能够获得全面且完整的结构化数据,以便于后续结构化数据的调用,以及完整轨迹的获取。
在具体的实施例中,如图5所示,步骤S4包括以下步骤:
S41:多个嫌疑车辆数据中两两通过取数据交集进行碰撞得到两个待定车辆数据;
S42:两个待定车辆数据根据目标时间通过下式进行关联碰撞得到目标车辆数据:
其中,Xt和Yt表示两个待定车辆数据构成的目标时间序列,其中Xt,Xt-1,Xt-2,Xt-k和Yt,Yt-1,Yt-2,Yt-k之间的相关关系称为相关度γ0,目标时间序列中相隔k时间段的观测值之间的相关度以γ0k表示,n表示目标时间序列的总数,R为限定值,和表示目标时间序列Xt和Yt的平均值,计算得到两个待定车辆的相关度γ0,如果待定车辆的相关度γ0≥1,则目标车辆为X,如果待定车辆的相关度γ0≤1,则目标车辆为Y。
在具体的实施例中,嫌疑车辆数据、待定车辆数据和目标车辆数据包括车牌、车身颜色、车辆型号和车辆品牌。通过对不同卡口得到的嫌疑车辆数据取数据交集,从而得到待定车辆,再在待定车辆数据中根据目标时间进行数据碰撞,得到目标车辆数据,还可以通过视频图像结构化处理后的数据得到目标车辆的行动轨迹,在确定目标车辆后,就可以获得目标车辆数据。
与本申请的实施例的一种多维感知数据碰撞融合分析方法相对应,本申请的实施例还提出了一种多维感知数据碰撞融合分析装置,如图6所示,包括:
设备识别码获取模块1,被配置为通过手机号码获取手机号码对应的设备识别号;
视频图像数据获取模块2,被配置为获取采集到设备识别码的多个电子围栏,并获取与电子围栏关联的至少多个卡口的视频图像数据;
嫌疑车辆数据获取模块3,被配置为根据视频图像数据和目标时间通过视频图像结构化算法识别出至少多个嫌疑车辆数据,其中目标时间为同时或一个时间段内获取设备识别号的时间;以及
关联碰撞模块4,被配置为将多个嫌疑车辆数据与目标时间进行关联碰撞获得目标车辆数据。
在其中一个实施例中,嫌疑车辆数据获取模块3包括以下子步骤:
视频图像数据筛选模块,被配置为获取目标时间内的视频图像数据;
第一结构化解析模块,被配置为对输入的视频图像数据进行结构化解析,得到解析数据;
第一数据筛选模块,被配置为在解析数据中筛选出多个嫌疑车辆数据。
在另外一个实施例中,嫌疑车辆数据获取模块3包括:
第二结构化解析模块,被配置为对输入的视频图像数据进行结构化解析,得到解析数据;
解析数据筛选模块,被配置为获取目标时间内的解析数据;
第二数据筛选模块,被配置为在解析数据中筛选出多个嫌疑车辆数据。
视频图像数据应该包括网络视频流和视频/图像文件,输入的视频图像数据按照设定的分析规则,经过结构化解析后,可以输出文本描述数据(视频图像标签信息等)、矢量特征和图像数据的一种或几种。视频图像内容分析结果应支持存入数据库、存储设备。通过视频图像数据进行结构化处理,解析出具有能够用于信息存储,方便后续处理的结构化数据。这些结构化数据支持存入数据库、存储设备,方便调用和整合。视频图像结构化处理属于现有技术中较为成熟的部分,此处不再赘述。
在具体的实施例中,关联碰撞模块4包括:
数据交集模块,被配置为多个嫌疑车辆数据中两两通过取数据交集进行碰撞得到两个待定车辆数据;
数据碰撞模块,被配置为两个待定车辆数据根据目标时间通过下式进行关联碰撞得到目标车辆数据:
其中,Xt和Yt表示两个待定车辆数据构成的目标时间序列,其中Xt,Xt-1,Xt-2,Xt-k和Yt,Yt-1,Yt-2,Yt-k之间的相关关系称为相关度γ0,目标时间序列中相隔k时间段的观测值之间的相关度以γ0k表示,n表示目标时间序列的总数,R为限定值,和表示目标时间序列Xt和Yt的平均值,计算得到两个待定车辆的相关度γ0,如果待定车辆的相关度γ0≥1,则目标车辆为X,如果待定车辆的相关度γ0≤1,则目标车辆为Y。
在具体的实施例中,嫌疑车辆数据、待定车辆数据和目标车辆数据包括车牌、车身颜色、车辆型号和车辆品牌。通过对不同卡口得到的嫌疑车辆数据取数据交集,从而得到待定车辆,再在待定车辆数据中根据目标时间进行数据碰撞,得到目标车辆数据,还可以通过视频图像结构化处理后的数据得到目标车辆的行动轨迹,在确定目标车辆后,就可以获得目标车辆数据。
本发明提出了一种多维感知数据碰撞融合分析方法,通过手机号码获取手机号码对应的设备识别号;获取采集到设备识别码的多个电子围栏,并获取与电子围栏关联的至少多个卡口的视频图像数据;根据视频图像数据和目标时间通过视频图像结构化算法识别出至少多个嫌疑车辆数据,其中目标时间为同时获取到设备识别号的时刻或时间段;以及将多个嫌疑车辆数据与目标时间进行关联碰撞获得目标车辆数据。因此通过手机号码、车辆数据、电子围栏等多维感知数据,建立多维数据融合分析,通过数据碰撞提升人、车等目标追踪准确率。
下面参考图7,其示出了适于用来实现本申请实施例的电子设备(例如图1所示的服务器或终端设备)的计算机装置700的结构示意图。图7示出的电子设备仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图7所示,计算机装置700包括中央处理单元(CPU)701和图形处理器(GPU)702,其可以根据存储在只读存储器(ROM)703中的程序或者从存储部分709加载到随机访问存储器(RAM)704中的程序而执行各种适当的动作和处理。在RAM 704中,还存储有装置700操作所需的各种程序和数据。CPU 701、GPU702、ROM 703以及RAM704通过总线705彼此相连。输入/输出(I/O)接口706也连接至总线705。
以下部件连接至I/O接口706:包括键盘、鼠标等的输入部分707;包括诸如、液晶显示器(LCD)等以及扬声器等的输出部分708;包括硬盘等的存储部分709;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分710。通信部分710经由诸如因特网的网络执行通信处理。驱动器711也可以根据需要连接至I/O接口706。可拆卸介质712,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器711上,以便于从其上读出的计算机程序根据需要被安装入存储部分709。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分710从网络上被下载和安装,和/或从可拆卸介质712被安装。在该计算机程序被中央处理单元(CPU)701和图形处理器(GPU)702执行时,执行本申请的方法中限定的上述功能。
需要说明的是,本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读介质或者是上述两者的任意组合。计算机可读介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的装置、装置或器件,或者任意以上的组合。计算机可读介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行装置、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行装置、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本申请各种实施例的装置、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,该模块、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,两个接连地表示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操作的专用的基于硬件的装置来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:通过手机号码获取手机号码对应的设备识别号;获取采集到设备识别码的多个电子围栏,并获取与电子围栏关联的至少多个卡口的视频图像数据;根据视频图像数据和目标时间通过视频图像结构化算法识别出至少多个嫌疑车辆数据,其中目标时间为同时获取到设备识别号的时刻或时间段;以及将多个嫌疑车辆数据与目标时间进行关联碰撞获得目标车辆数据。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (13)
1.一种多维感知数据碰撞融合分析方法,其特征在于,包括以下步骤:
S1:通过手机号码获取所述手机号码对应的设备识别号;
S2:获取采集到所述设备识别码的多个电子围栏,并获取与所述电子围栏关联的至少多个卡口的视频图像数据;
S3:根据所述视频图像数据和目标时间通过视频图像结构化算法识别出至少多个嫌疑车辆数据,其中所述目标时间为同时获取到所述设备识别号的时刻或时间段;以及
S4:将多个所述嫌疑车辆数据与所述目标时间进行关联碰撞获得目标车辆数据。
2.根据权利要求1所述的多维感知数据碰撞融合分析方法,其特征在于,所述步骤S3包括以下子步骤:
S31:获取所述目标时间内的所述视频图像数据;
S32:对输入的所述视频图像数据进行结构化解析,得到解析数据;
S33:在所述解析数据中筛选出多个所述嫌疑车辆数据。
3.根据权利要求1所述的多维感知数据碰撞融合分析方法,其特征在于,所述步骤S3包括以下子步骤:
S31’:对输入的所述视频图像数据进行结构化解析,得到解析数据;
S32’:获取所述目标时间内的所述解析数据;
S33’:在所述解析数据中筛选出多个所述嫌疑车辆数据。
4.根据权利要求2或3所述的多维感知数据碰撞融合分析方法,其特征在于,所述解析数据包括文本描述数据、矢量特征和图像数据中的一种或多种。
5.根据权利要求1所述的多维感知数据碰撞融合分析方法,其特征在于,所述步骤S4包括以下步骤:
S41:多个所述嫌疑车辆数据中两两通过取数据交集进行碰撞得到两个待定车辆数据;
S42:两个所述待定车辆数据根据所述目标时间通过下式进行关联碰撞得到所述目标车辆数据:
6.根据权利要求5所述的多维感知数据碰撞融合分析方法,其特征在于,所述嫌疑车辆数据、所述待定车辆数据和所述目标车辆数据包括车牌、车身颜色、车辆型号和车辆品牌。
7.一种多维感知数据碰撞融合分析装置,其特征在于,包括:
设备识别码获取模块,被配置为通过手机号码获取所述手机号码对应的设备识别号;
视频图像数据获取模块,被配置为获取采集到所述设备识别码的多个电子围栏,并获取与所述电子围栏关联的至少多个卡口的视频图像数据;
嫌疑车辆数据获取模块,被配置为根据所述视频图像数据和目标时间通过视频图像结构化算法识别出至少多个嫌疑车辆数据,其中所述目标时间为同时或一个时间段内获取所述设备识别号的时间;以及
关联碰撞模块,被配置为将多个所述嫌疑车辆数据与所述目标时间进行关联碰撞获得目标车辆数据。
8.根据权利要求7所述的多维感知数据碰撞融合分析装置,其特征在于,所述嫌疑车辆数据获取模块包括以下子步骤:
视频图像数据筛选模块,被配置为获取所述目标时间内的所述视频图像数据;
第一结构化解析模块,被配置为对输入的所述视频图像数据进行结构化解析,得到解析数据;
第一数据筛选模块,被配置为在所述解析数据中筛选出多个所述嫌疑车辆数据。
9.根据权利要求7所述的多维感知数据碰撞融合分析装置,其特征在于,所述嫌疑车辆数据获取模块包括:
第二结构化解析模块,被配置为对输入的所述视频图像数据进行结构化解析,得到解析数据;
解析数据筛选模块,被配置为获取所述目标时间内的所述解析数据;
第二数据筛选模块,被配置为在所述解析数据中筛选出多个所述嫌疑车辆数据。
10.根据权利要求8或9所述的多维感知数据碰撞融合分析装置,其特征在于,所述解析数据包括文本描述数据、矢量特征和图像数据中的一种或多种。
11.根据权利要求7所述的多维感知数据碰撞融合分析装置,其特征在于,所述关联碰撞模块包括:
数据交集模块,被配置为多个所述嫌疑车辆数据中两两通过取数据交集进行碰撞得到两个待定车辆数据;
数据碰撞模块,被配置为两个所述待定车辆数据根据所述目标时间通过下式进行关联碰撞得到所述目标车辆数据:
12.根据权利要求11所述的多维感知数据碰撞融合分析装置,其特征在于,所述嫌疑车辆数据、所述待定车辆数据和所述目标车辆数据包括车牌、车身颜色、车辆型号和车辆品牌。
13.一种计算机存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被计算机执行时实现权利要求1至6中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010168917.8A CN111405475B (zh) | 2020-03-12 | 2020-03-12 | 一种多维感知数据碰撞融合分析方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010168917.8A CN111405475B (zh) | 2020-03-12 | 2020-03-12 | 一种多维感知数据碰撞融合分析方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111405475A true CN111405475A (zh) | 2020-07-10 |
CN111405475B CN111405475B (zh) | 2022-12-27 |
Family
ID=71413316
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010168917.8A Active CN111405475B (zh) | 2020-03-12 | 2020-03-12 | 一种多维感知数据碰撞融合分析方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111405475B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112269819A (zh) * | 2020-10-12 | 2021-01-26 | 苏州市公安局 | 大数据分析方法、装置及电子设备 |
CN112349104A (zh) * | 2020-09-27 | 2021-02-09 | 北京博研智通科技有限公司 | 一种利用警车车载设备跟踪车辆驾驶人身份的系统及方法 |
CN112800298A (zh) * | 2021-02-01 | 2021-05-14 | 广州威创信息技术有限公司 | 一种基于互联网的电子商务数据处理方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7860344B1 (en) * | 2005-05-06 | 2010-12-28 | Stochastech Corporation | Tracking apparatus and methods using image processing noise reduction |
CN104881637A (zh) * | 2015-05-09 | 2015-09-02 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 基于传感信息及目标追踪的多模信息系统及其融合方法 |
US20180012466A1 (en) * | 2016-07-07 | 2018-01-11 | Symbol Technologies, Llc | System for and method of deterring theft of items from a venue |
CN109033440A (zh) * | 2018-08-15 | 2018-12-18 | 武汉烽火众智数字技术有限责任公司 | 一种视频侦查多维轨迹分析方法 |
CN110175217A (zh) * | 2019-05-16 | 2019-08-27 | 武汉数矿科技股份有限公司 | 一种用于确定嫌疑人的感知数据分析方法和装置 |
-
2020
- 2020-03-12 CN CN202010168917.8A patent/CN111405475B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7860344B1 (en) * | 2005-05-06 | 2010-12-28 | Stochastech Corporation | Tracking apparatus and methods using image processing noise reduction |
CN104881637A (zh) * | 2015-05-09 | 2015-09-02 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 基于传感信息及目标追踪的多模信息系统及其融合方法 |
US20180012466A1 (en) * | 2016-07-07 | 2018-01-11 | Symbol Technologies, Llc | System for and method of deterring theft of items from a venue |
CN109033440A (zh) * | 2018-08-15 | 2018-12-18 | 武汉烽火众智数字技术有限责任公司 | 一种视频侦查多维轨迹分析方法 |
CN110175217A (zh) * | 2019-05-16 | 2019-08-27 | 武汉数矿科技股份有限公司 | 一种用于确定嫌疑人的感知数据分析方法和装置 |
Non-Patent Citations (1)
Title |
---|
孙宁等: "基于多传感器信息融合的车辆目标识别方法", 《汽车工程》, no. 11, 25 November 2017 (2017-11-25), pages 91 - 96 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112349104A (zh) * | 2020-09-27 | 2021-02-09 | 北京博研智通科技有限公司 | 一种利用警车车载设备跟踪车辆驾驶人身份的系统及方法 |
CN112269819A (zh) * | 2020-10-12 | 2021-01-26 | 苏州市公安局 | 大数据分析方法、装置及电子设备 |
CN112800298A (zh) * | 2021-02-01 | 2021-05-14 | 广州威创信息技术有限公司 | 一种基于互联网的电子商务数据处理方法及系统 |
CN112800298B (zh) * | 2021-02-01 | 2021-11-12 | 黄秋奋 | 一种基于互联网的电子商务数据处理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111405475B (zh) | 2022-12-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111405475B (zh) | 一种多维感知数据碰撞融合分析方法和装置 | |
CN110502651B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN110941978B (zh) | 一种未识别身份人员的人脸聚类方法、装置及存储介质 | |
CN112200067B (zh) | 智能视频事件检测方法、系统、电子设备和存储介质 | |
CN109495513B (zh) | 无监督的加密恶意流量检测方法、装置、设备及介质 | |
CN112861575A (zh) | 一种行人结构化方法、装置、设备和存储介质 | |
CN116932919B (zh) | 信息推送方法、装置、电子设备和计算机可读介质 | |
CN114550053A (zh) | 一种交通事故定责方法、装置、计算机设备及存储介质 | |
CN114550051A (zh) | 一种车损检测方法、装置、计算机设备及存储介质 | |
CN112052911A (zh) | 识别图像中暴恐内容的方法、装置、电子设备和存储介质 | |
CN110895811A (zh) | 一种图像篡改检测方法和装置 | |
CN111310595B (zh) | 用于生成信息的方法和装置 | |
CN111881777B (zh) | 一种视频处理方法和装置 | |
CN113746780A (zh) | 基于主机画像的异常主机检测方法、装置、介质和设备 | |
US11074486B2 (en) | Query analysis using deep neural net classification | |
CN115617933A (zh) | 基于时空数据的多维轨迹分析及可视化方法及装置 | |
CN113920720A (zh) | 高速公路隧道设备故障处理方法、装置及电子设备 | |
CN113989720A (zh) | 目标检测方法、训练方法、装置、电子设备及存储介质 | |
US11681920B2 (en) | Method and apparatus for compressing deep learning model | |
CN114419480A (zh) | 一种多人身份和动作关联识别方法、装置及可读介质 | |
CN113344064A (zh) | 事件处理方法和装置 | |
CN112991274A (zh) | 一种人群计数方法、装置、计算机设备及存储介质 | |
CN111914535A (zh) | 一种单词识别方法、装置、计算机设备和存储介质 | |
CN115238805B (zh) | 异常数据识别模型的训练方法及相关设备 | |
CN116091984B (zh) | 视频目标分割方法、装置、电子设备及存储介质 |
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 |