CN111935450A - 一种智能疑犯追踪方法、系统及计算机可读存储介质 - Google Patents
一种智能疑犯追踪方法、系统及计算机可读存储介质 Download PDFInfo
- Publication number
- CN111935450A CN111935450A CN202010681196.0A CN202010681196A CN111935450A CN 111935450 A CN111935450 A CN 111935450A CN 202010681196 A CN202010681196 A CN 202010681196A CN 111935450 A CN111935450 A CN 111935450A
- Authority
- CN
- China
- Prior art keywords
- monitoring
- suspect
- target
- suspected target
- intelligent
- 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
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000012544 monitoring process Methods 0.000 claims abstract description 188
- 238000012163 sequencing technique Methods 0.000 claims abstract description 27
- 238000012806 monitoring device Methods 0.000 claims abstract description 11
- 238000004590 computer program Methods 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000006835 compression Effects 0.000 claims description 4
- 238000007906 compression Methods 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 14
- 238000004422 calculation algorithm Methods 0.000 description 10
- 238000000605 extraction Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 230000006399 behavior Effects 0.000 description 6
- 239000003795 chemical substances by application Substances 0.000 description 6
- 210000000941 bile Anatomy 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000011835 investigation Methods 0.000 description 4
- 210000003097 mucus Anatomy 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 239000008280 blood Substances 0.000 description 3
- 210000004369 blood Anatomy 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000001815 facial effect Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 208000020401 Depressive disease Diseases 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000003001 depressive effect Effects 0.000 description 2
- 230000005021 gait Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000013024 troubleshooting Methods 0.000 description 2
- 206010021567 Impulsive behaviour Diseases 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000011840 criminal investigation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000006996 mental state Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
-
- G06T5/70—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
-
- 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
- G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30232—Surveillance
Abstract
本发明公开一种智能疑犯追踪方法、系统及计算机可读存储介质,属于疑犯追踪技术领域技术领域,解决了现有技术中疑犯追踪效率较低的问题。一种智能疑犯追踪方法,包括以下步骤:获取案件的嫌疑人外貌特征信息以及案件监控视频,根据嫌疑人个人特征信息以及案件监控视频得到若干嫌疑目标,对嫌疑目标进行锁定;获取嫌疑目标所在案件监控视频对应的视频监控装置的位置,调取所述位置的一定区域范围内的城市地图,根据一定区域范围内的城市地图,对该一定区域范围内的监控点进行排序,得到监控点排序结果及监控点网络;根据监控点排序结果,对嫌疑目标进行排查,根据监控点网络获取嫌疑目标的最终行进路线。本发明所述方法提高了疑犯追踪效率。
Description
技术领域
本发明涉及疑犯追踪技术领域,尤其是涉及一种智能疑犯追踪方法、系统及计算机可读存储介质。
背景技术
随着目前图像侦查技术的不断发展,通过监控可提取大量的目标信息,但海量的图像数据、目标信息及目标线索,不能在短时间内进行多样归纳及深度应用,对目标线索实现精准分类并确定线索价值耗费了办案人员大量的时间,降低了侦查工作的时效性,且办案人员基于经验的判断及筛选降低了信息采集提取的准确性。
现如今,城市监控网络逐渐完善,智能监控技术涉及多个研究领域,运动目标检测和运动目标追踪是智能视频监控技术的两个主要研究方向,在通过监控设备锁定目标后,需要对嫌疑人进行实时追踪,及时判断出嫌疑人可能的逃逸路径。面对海量的监控设备,采用大范围人工排查的方法既耗费了大量人力物力,使得疑犯追踪效率较低,又可能错失疑犯的抓捕时机。
发明内容
有鉴于此,本发明提供了一种智能疑犯追踪方法,以解决现有技术中疑犯追踪效率较低的技术问题。
一方面,本发明提供了一种智能疑犯追踪方法,包括以下步骤:
S1、获取案件的嫌疑人外貌特征信息以及案件监控视频,根据所述嫌疑人个人特征信息以及案件监控视频得到若干嫌疑目标,对所述嫌疑目标进行锁定;
S2、获取嫌疑目标所在案件监控视频对应的视频监控装置的位置,调取所述位置的一定区域范围内的城市地图,根据所述一定区域范围内的城市地图,对该一定区域范围内的监控点进行排序,得到监控点排序结果及监控点网络;
S3、根据监控点排序结果,对嫌疑目标进行排查,根据所述监控点网络获取所述嫌疑目标的最终行进路线。
进一步地,根据所述嫌疑人个人特征信息以及案件监控视频得到若干嫌疑目标,具体包括,对案件监控视频设置截图帧,截取图像,计算所截取的图像中每个像素的灰度值,生成灰度图像颜色表,获得灰度图像,运用空间域中的线性平滑以及非线性滤波的中值滤波进行灰度图像压缩和降噪,根据压缩和降噪后的灰度图像,利用多目标聚类提取目标信息,根据所述嫌疑人个人特征信息及目标信息,得到若干嫌疑目标。
进一步地,根据所述一定区域范围内的城市地图,对该一定区域范围内的监控点进行排序,得到监控点排序结果,具体包括,对一定区域范围内的城市地图进行预处理,将所述城市地图提取为二维弧段及节点,得到城市地图的道路拓扑结构,创建相应的道路名称及通路等级,结合城市监控网络的GPS定位、道路名称及通路等级,将监控点匹配放置入地图道路中,根据道路拓扑结构及人群密度,对监控点进行排序,得到监控点排序结果。
进一步地,根据道路拓扑结构及人群密度,对监控点进行排序,得到监控点排序结果,具体包括,根据道路拓扑结构及人群密度,对监控点进行等级排序并赋予权值,依据权值从大到小,对监控点进行排序,得到排序结果。
进一步地,根据所述监控点网络获取所述嫌疑目标的最终行进路线,具体包括,根据监控视频确定嫌疑目标的起点及终点,利用最短路径的方法,确定嫌疑目标的最优路径,以所述最优路径作为嫌疑目标的最终行进路线。
进一步地,根据所述监控点网络获取所述嫌疑目标的最终行进路线,具体包括,根据监控视频确定嫌疑目标的起点及终点,对监控点之间的路径进行赋值,并根据监控点之间的路况,调整监控点之间的权值,根据权值调整之后的路径,作为最短路径方法中的路径,得到改进的最短路径方法,以改进的最短路径方法,确定嫌疑目标的最优路径,以所述最优路径作为嫌疑目标的最终行进路线。
进一步地,根据所述监控点网络获取所述嫌疑目标的最终行进路线,具体包括,根据监控视频确定嫌疑目标的起点及终点,获取嫌疑目标的心理学气质,根据所述嫌疑目标的心理学气质,对监控点之间的路径进行赋值,以赋值后的路径,作为最短路径方法中的路径,得到改进的最短路径方法,以改进的最短路径方法,确定嫌疑目标的最优路径,以所述最优路径作为嫌疑目标的最终行进路线。
进一步地,根据所述监控点网络获取所述嫌疑目标的最终行进路线,具体包括,根据监控视频确定嫌疑目标的起点,以距离起点最近的监控点为起始点,以该起始点为圆心,确定嫌疑目标单位时间内的活动圆域,以所述活动圆域作为搜索范围,以监控点排序结果作为搜索顺序,搜索活动区域内的监控,直至在下一监控点再次识别嫌疑目标,以该下一监控点作为起始点,重复识别嫌疑目标,以获取嫌疑目标的最终行进路线。
另一方面,本发明提供了一种智能疑犯追踪系统,包括处理器以及存储器,所述存储器上存储有计算机程序,所述计算机程序被所述处理器执行时,实现如上述任一技术方案所述的智能疑犯追踪方法。
另一方面,本发明还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机该程序被处理器执行时,实现如上述任一技术方案所述的智能疑犯追踪方法。
与现有技术相比,本发明的有益效果包括:通过获取案件的嫌疑人外貌特征信息以及案件监控视频,根据所述嫌疑人个人特征信息以及案件监控视频得到若干嫌疑目标,对所述嫌疑目标进行锁定;获取嫌疑目标所在案件监控视频对应的视频监控装置的位置,调取所述位置的一定区域范围内的城市地图,根据所述一定区域范围内的城市地图,对该一定区域范围内的监控点进行排序,得到监控点排序结果及监控点网络;根据监控点排序结果,对嫌疑目标进行排查,根据所述监控点网络获取所述嫌疑目标的最终行进路线;提高了疑犯追踪效率。
附图说明
图1是本发明实施例1所述的智能疑犯追踪方法的流程示意图;
图2是本发明实施例1所述的连通域标记示意图;
图3是本发明实施例1所述的运动目标追踪示意图;
图4是本发明实施例1所述的监控点排查示意图的模型示意图;
图5是本发明实施例1所述的最短路径方法的模型示意图;
图6是本发明实施例1所述的更改后的道路赋权示意图;
图7是本发明实施例1所述的确定搜索范围示意图。
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,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
实施例1
本发明实施例提供了一种智能疑犯追踪方法,其流程示意图,如图1所示,所述方法包括以下步骤:
获取案件的嫌疑人外貌特征信息以及案件监控视频,根据所述嫌疑人个人特征信息以及案件监控视频得到若干嫌疑目标,对所述嫌疑目标进行锁定;
获取嫌疑目标所在案件监控视频对应的视频监控装置的位置,调取所述位置的一定区域范围内的城市地图,根据所述一定区域范围内的城市地图,对该一定区域范围内的监控点进行排序,得到监控点排序结果及监控点网络;
根据监控点排序结果,对嫌疑目标进行排查,根据所述监控点网络获取所述嫌疑目标的最终行进路线。
一个具体实施例中,获取案件犯罪类型、作案方式、嫌疑人个人特征等案件信息,便于心理学专家平台的建立和疑犯特征匹配相关信息,根据特征属性,对案件信息进行调取分类存储入库,调取案发现场或重要地点的监控提取视频;
关于案件信息的来源,可以为目击者叙述或者经警方确认得出的嫌疑人特征,对于第一个监控点的选取,可以来源与目击者叙述或警方选取,如有人证实嫌疑人在案发后曾在某地出现,可调取该时间前后,离此地最近的监控录像调取视频,或警方经调查走访,选取嫌疑人必定出现的监控,如小区门口、住户家门口等;
优选的,根据所述嫌疑人个人特征信息以及案件监控视频得到若干嫌疑目标,具体包括,对案件监控视频设置截图帧,截取图像,计算所截取的图像中每个像素的灰度值,生成灰度图像颜色表,获得灰度图像,运用空间域中的线性平滑以及非线性滤波的中值滤波进行灰度图像压缩和降噪,根据压缩和降噪后的灰度图像,利用多目标聚类提取目标信息,根据所述嫌疑人个人特征信息及目标信息,得到若干嫌疑目标。
一个具体实施例中,将案件监控视频传入软件客户端,根据计算机视觉处理技术对 CPU端视频进行图像截取与(图像预处理,如图像灰度化、降噪、图像压缩编码等,既能压缩图像体积,减少存储空间,得到的图像又有利于对于目标特征的提取)预处理;
另一个具体实施例中,调取目标最可能出现的监控设备视频,经用户设置截图帧,截取图像,传入图像处理客户端,获取图像参数,通过灰度化算法计算每个像素灰度值,生成灰度图像颜色表,获得灰度图像;运用空间域中的线性平滑以及非线性滤波的中值滤波进行图像压缩和降噪,并通过图像二值化,有利于简化运算提高运算速度,抑制噪声干扰,强化细节;
可采用多目标聚类提取目标信息,根据案件信息选定目标;通过运动物体特质检测目标,并根据案件信息进行特定目标的特征识别,将其提取并进行分类信息比对,根据匹配程度锁定嫌疑目标,具体的,把嫌疑目标个人特征分类分别存储入库,将目击证人或警方提供的案件信息(嫌疑目标个人特征信息)与目标特征进行匹配,由多次筛选缩小目标范围,经分析确定目标嫌疑性;所述个人特性信息包括性别年龄、衣着特征、相貌特征等;将嫌疑性较高的几个目标按从高到低录入,分别提取嫌疑人衣着、相貌等特征,依次绑定,将嫌疑人特征与此嫌疑人坐标绑定,输入到控制台;
进行目标特征提取和目标匹配时,可以依据图像清晰度选定需提取的目标信息,可以为衣着、体型、身高等关键要素,也可结合步态识别,对目标的年龄、移动速度、精神状态等特质进行分析;对于提取到的信息进行分类并赋权;根据赋权值,进行信息匹配程度加权运算,得到嫌疑程度最大的几个目标,设定为追踪目标;
具体进行加权运算时,可设定衣着占比40%、身高占比30%、体型占比20%,衣着特征中,是否戴帽子占比30%、衣服、裤子颜色各占25%,、鞋子颜色占比20%;已知信息为嫌疑人身高170、体型偏胖、不戴帽、身着浅色上衣黑色裤子,鞋黑色;
嫌疑目标A特征提取身高约为160、体型中等、不戴帽、上衣裤子灰度值分别为16、255,鞋未能识别;嫌疑目标B特征提取身高约为172、体型偏胖、戴帽、上衣裤子灰度值分别为255、255,鞋未能识别;若信息符合,该项记为1,不符合记为0,未知记为 0.5,则嫌疑目标A嫌疑程度为
嫌疑目标B嫌疑程度为
进行目标特征识别时,若选取的监控可高清拍摄,则可以采取面部识别的方式,提取嫌疑人面部特征,传入OpenCV软件端,调取警方面部采集数据,进行逐一比对,即可确定嫌疑目标,进行下一步追踪;
由于描述人体目标的属性很多,若要满足实时检测,通常情况以计算复杂度低、处理速度快、易于提取并对人体目标识别效果好为原则进行特征的提取,因而选用基于运动目标的形状特征进行提取对经过连通域标记含有运动对人体目标进行识别;对于多个运动目标,由于多目标所在的区域,一般是由几个不连通的子区域组成,因此,若要追踪多个目标,则要检测每一个区域的连通情况,通过连通域标记将它们加以区分,按照所做的标记在原始图像中分别框定每个运动目标;连通域标记示意图,如图2所示,运动目标追踪示意图,如图3所示;
优选的,根据所述一定区域范围内的城市地图,对该一定区域范围内的监控点进行排序,得到监控点排序结果,具体包括,对一定区域范围内的城市地图进行预处理,将所述城市地图提取为二维弧段及节点,得到城市地图的道路拓扑结构,创建相应的道路名称及通路等级,结合城市监控网络的GPS定位、道路名称及通路等级,将监控点匹配放置入地图道路中,根据道路拓扑结构及人群密度,对监控点进行排序,得到监控点排序结果。
一个具体实施例中,将选取的摄像头(视频监控装置)标记在地图上,并调取该区域内的城市地图与城市监控网络,依据GPS定位信息及城市道路拓扑结构,建立具有监控覆盖网络的城市道路地图,由人群密集度、道路信息、GPS精确定位、城市监控网络及二维城市道路拓扑结构,进行混合平面建模,并对监控点进行等级排行;
通过确定监控点顺序,确定监控排查顺序,如可将商场、十字交叉路口等人流量、车流量较大地区的监控划分为A级,照明设施较差、地形及路况复杂等偏僻地区的监控划分为B级,交通堵塞、有交警排查口等地区的监控划分为C级;则按照A级到B级到C级的顺序进行监控排查;分别建立A级、B级、C级监控网络,根据预估的目标活动范围,在A级监控网络确定目标在周围各个监控设备出现的概率,若在概率较大的监控点均未搜寻到目标,则进入B级监控网络,依次类推;监控点排查示意图,如图4所示;
另一个具体实施例中,对监控进行等级分化可提高搜索速度,评分依据主要为人群密集度、道路交叉、监控邻近等要素,如根据道路交叉信息分类为,某监控位于多条道路的交叉节点,评级为A,某监控位于十字路口,评级为B,某监控位于直行道,评级为C,其余分类依据类似;
通过所调取的视频监控位置,调取该区域范围的城市地图;对城市地图进行预处理,提取地图为二维弧段及节点,创建相应的道路名称及通路等级信息;结合城市监控网络的GPS定位及城市道路属性,将各监控点匹配放置入地图道路中;根据道路拓扑结构及(结合GPS导航实时交通情况,即车流量,与地段特点,如商铺、交叉路口等计算人群密度)人群密度,对监控点进行等级排行赋予权值,依权值从大到小排序;可建立可视化模型,精准定位目标,可调取区域电子地图,如:google地图、百度地图等拥有经纬度坐标且具有道路信息的卫星地图,将地图投影成二维平面,道路提取为弧段,打断道路节点,构成网状结构,对弧段和节点进行唯一编号,再将警方提供的监控定位导入电子地图中,即可建立道路与监控网络相结合的平面模型;
优选的,根据道路拓扑结构及人群密度,对监控点进行排序,得到监控点排序结果,具体包括,根据道路拓扑结构及人群密度,对监控点进行等级排序并赋予权值,依据权值从大到小,对监控点进行排序,得到排序结果。
一个具体实施例中,采用基于Dijkstra算法(即最短路径方法)的实时目标追踪;Dijkstra算法本质是一种贪心算法,其使用广度优先搜索解决单源最短路径问题,用于计算一个节点到其他所有节点的最短路径;最短路径方法的模型示意图,如图5所示,已知在A点监控发现了疑犯,通过进一步分析可得其最可能到达G点,途径B、C、D、 E、F五个监控点,仅仅通过路径长度对其间道路赋权值,将A点作为起点,其自身赋权为0,不可直接到达的监控点均赋权为∞,可得A点到各点的距离数组如下表1所示,
表1
A | B | C | D | E | F | G |
0 | 60 | 50 | ∞ | ∞ | ∞ | ∞ |
通过距离数组可知当前距A点权值最小的是C点,由此做第一轮松弛,并将距离数组更新为表2所示,
表2
A | B | C | D | E | F | G |
0 | 60 | 50 | 70 | ∞ | ∞ | ∞ |
然后搜寻除C点外距A点权值最小的点,为B点,由此做第二轮松弛,由于A-B-D (权值)>A-C-D(权值),故A-D权值不变,仅将A-E更新,更新后的距离数组如表3 所示,
表3
A | B | C | D | E | F | G |
0 | 60 | 50 | 70 | 100 | ∞ | ∞ |
通过如上更新过程,不断松弛,得到最终距离数组如表4所示,
A | B | C | D | E | F | G |
0 | 60 | 50 | 70 | 100 | 100 | 135 |
从而判断出从A到G的最优路径为A-B-E-G,即为疑犯最可能选择的路径,下一步可以优先对B、E监控点进行排查;
优选的,根据所述监控点网络获取所述嫌疑目标的最终行进路线,具体包括,根据监控视频确定嫌疑目标的起点及终点,利用最短路径的方法,确定嫌疑目标的最优路径,以所述最优路径作为嫌疑目标的最终行进路线。
优选的,根据所述监控点网络获取所述嫌疑目标的最终行进路线,具体包括,根据监控视频确定嫌疑目标的起点及终点,对监控点之间的路径进行赋值,并根据监控点之间的路况,调整监控点之间的权值,根据权值调整之后的路径,作为最短路径方法中的路径,得到改进的最短路径方法,以改进的最短路径方法,确定嫌疑目标的最优路径,以所述最优路径作为嫌疑目标的最终行进路线;
具体实施时,对于疑犯的追踪不仅仅是根据路程上的距离最短计算最优路径,还要将监控分级、路段交通情况、疑犯心理等客观、主观因素考虑在内,由此可设计出基于Dijkstra改进算法的最优路径选择方法;该算法结合疑犯逃窜过程中的实际制约条件,更精确地、高效地进行实时目标追踪;
B、D监控点间发生交通事故,行人及车辆无法通行,A、B监控点间路段为交通要道,大概率出现交通拥塞情况,C、D监控点间路段由于地形复杂,常有民警设点排查,针对以上情况,可将B、D监控点间权值修正为∞,A、B间监控点增加系数1.5;更改后的道路赋权示意图,如图6所示,同一般Dijkstra算法,得到最终距离数组如表4所示,
表4
A | B | C | D | E | F | G |
0 | 90 | 50 | 90 | 130 | 120 | 165 |
优选的,根据所述监控点网络获取所述嫌疑目标的最终行进路线,具体包括,根据监控视频确定嫌疑目标的起点及终点,获取嫌疑目标的心理学气质,根据所述嫌疑目标的心理学气质,对监控点之间的路径进行赋值,以赋值后的路径,作为最短路径方法中的路径,得到改进的最短路径方法,以改进的最短路径方法,确定嫌疑目标的最优路径,以所述最优路径作为嫌疑目标的最终行进路线;
一个具体实施例中,基于心理学气质对最短路径方法进行改进,通过心理学专家平台的建立,可对疑犯进行分类,分析其行动特点,进行算法改进;如依据心理学可对疑犯气质做以下四种分类;多血质:具有多血质气质类型的追捕对象,在逃窜过程中善于伪装,适应性强,对策多变,比较容易求得生活来源,并能创造条件隐蔽自己;胆汁质为具有胆汁质气质类型的追捕对象,在逃窜的过程中常有冲动的行为表现,极容易铤而走险;黏液质为具有黏液质气质类型的追捕对象,在逃窜的过程中往往善于用心计,并且忍耐性很强;抑郁质为具有抑郁质气质类型的追捕对象,在逃窜过程中十分敏感,对周围环境中的细小变化和异常现象极易起疑心,喜欢独处,行动迟滞缓慢;针对以上分类方式,可适当调整各个路段的权值,提高所建动态网络的精确性,其中一种考量方式如表5所示,
表5
多血质 | 胆汁质 | 黏液质 | 抑郁质 | |
离群意识 | 弱 | 中 | 中 | 强 |
反侦察意识 | 中 | 弱 | 中 | 强 |
结合路段情形,可针对不同疑犯,进行相应的系数调整,如表6所示,
表6
多血质 | 胆汁质 | 黏液质 | 抑郁质 | |
A、B间系数 | 1.2 | 1.5 | 1.5 | 2 |
C、D间系数 | 2 | 1.5 | 2 | 3 |
一个具体实施例中,用户通过经验分析及心理学量表,建立心理学专家平台,结合周围环境选取心理学专家平台相关参数。(各个参数取值交由心理学专家及办案人员完成,下面假设一种平台建立方式,以犯罪行为人的犯罪类型为例,直接故意犯罪:行为人的犯罪行为围绕着犯罪目的而展开,是为了实现犯罪目的的;间接故意犯罪:行为人虽然从事和追求的是另一种目的行为或是非目的性行为,但由于其在意志上没有采取任何避免行动,而造成犯罪;过失犯罪:行为人虽对危害结果持否定态度,但由于自己在认识上,疏忽大意,而出现行为选择错误,最终发生危害结果;由以上分类标准,对离群意识、反侦察意识、再作案可能性、逃窜范围四个参数作简单聚类如表7所示,
表7
直接故意犯罪 | 间接故意犯罪 | 过失犯罪 | |
离群意识 | 强 | 中 | 弱 |
反侦察意识 | 强 | 强 | 中 |
再作案可能性 | 大 | 小 | 小 |
逃窜范围 | 大 | 中 | 中 |
估计嫌疑目标活动范围,确定目标在周围各个监控设备出现的概率,依次排列显示;根据嫌疑人步态识别、面部识别等多种辅助手段,进行心理学分析及度量,结合周围是否有载具、是否有他人同行等关键场景信息,赋予权重进行智能计算,定性得出嫌疑目标活动范围、下一逃窜地点等情况,(通过基于心理学专家平台的Dijkstra改进算法得到的距离数组,按距离从小到大)确定目标在周围各个监控设备出现的概率,依次排列显示,所述的构建心理学专家平台,其理论基于犯罪心理学领域中的犯罪心理画像的刻画和心理学量表,前者为根据目标所实施的犯罪行为来鉴别犯罪人的主要人格和行为特征的侦查过程,后者为对于犯罪行为与犯罪类型的目标进行分析;
优选的,根据所述监控点网络获取所述嫌疑目标的最终行进路线,具体包括,根据监控视频确定嫌疑目标的起点,以距离起点最近的监控点为起始点,以该起始点为圆心,确定嫌疑目标单位时间内的活动圆域,以所述活动圆域作为搜索范围,以监控点排序结果作为搜索顺序,搜索活动区域内的监控,直至在下一监控点再次识别嫌疑目标,以该下一监控点作为起始点,重复识别嫌疑目标,以获取嫌疑目标的最终行进路线;
一个具体实施例中,进行实时目标追踪时,调取的第一个监控坐标,调取该区域内的卫星地图,建立城市道路地图与监控网络复合的平面模型,以该监控点记为起始点O0,以此点为圆心,确定目标单位时间内的活动圆域,如目标行径速度为5km/h,即可选定0.5h 作为单位时间,确定半径为R=5h×0.5km/h=2.5km的圆形区域作为搜索范围,根据监控分级及概率估计逐级逐步搜索该区域内的监控,直到在下一监控点再次识别目标,将该监控点记为O1,重复以上步骤,根据时空属性在地图中标记,从而得到追踪目标最终行径路线S:O0O1O2...,若在选定区域内的所有监控内均未检测到目标,则可扩大搜索范围,若仍未搜索到目标,则将当前时间与目标最后时间进行对比,若时间相差较大,可再次扩大搜索范围,或搜索周围建筑,若时间相差较小,即可实行抓捕;确定搜索范围示意图,如图7所示;
若未搜索到目标时,返回上一个监控点,根据计算所得目标出现的概率再次搜索,通过分级步进,对目标进行实时追踪;如追踪目标丢失,短时间范围内,则完成搜索,时间间隔较长,扩大搜索范围,直至查找到目标;追踪目标进入遮蔽建筑物中,如酒店、商场、居民楼等,运用智能算法优化,采取特定建筑物标识,便于侦查工作进行;分析目标使用交通工具情况,若为自行车、轿车、出租车等代步工具,可调取信息,进行GPS 定位搜索,若目标进入火车站、飞机场等地,可在此类场所实施抓捕。
实施例2
本发明实施例提供了一种智能疑犯追踪系统,包括处理器以及存储器,所述存储器上存储有计算机程序,所述计算机程序被所述处理器执行时,实现如上述实施例1中所述的智能疑犯追踪方法。
实施例3
本发明实施例提供了一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机该程序被处理器执行时,实现上述实施例1所述的智能疑犯追踪方法。
本发明公开了一种智能疑犯追踪方法、系统及计算机可读存储介质,通过获取案件的嫌疑人外貌特征信息以及案件监控视频,根据所述嫌疑人个人特征信息以及案件监控视频得到若干嫌疑目标,对所述嫌疑目标进行锁定;获取嫌疑目标所在案件监控视频对应的视频监控装置的位置,调取所述位置的一定区域范围内的城市地图,根据所述一定区域范围内的城市地图,对该一定区域范围内的监控点进行排序,得到监控点排序结果及监控点网络;根据监控点排序结果,对嫌疑目标进行排查,根据所述监控点网络获取所述嫌疑目标的最终行进路线;提高了疑犯追踪效率。
以上所述本发明的具体实施方式,并不构成对本发明保护范围的限定。任何根据本发明的技术构思所做出的各种其他相应的改变与变形,均应包含在本发明权利要求的保护范围内。
Claims (10)
1.一种智能疑犯追踪方法,其特征在于,包括以下步骤:
获取案件的嫌疑人外貌特征信息以及案件监控视频,根据所述嫌疑人个人特征信息以及案件监控视频得到若干嫌疑目标,对所述嫌疑目标进行锁定;
获取嫌疑目标所在案件监控视频对应的视频监控装置的位置,调取所述位置的一定区域范围内的城市地图,根据所述一定区域范围内的城市地图,对该一定区域范围内的监控点进行排序,得到监控点排序结果及监控点网络;
根据监控点排序结果,对嫌疑目标进行排查,根据所述监控点网络获取所述嫌疑目标的最终行进路线。
2.根据权利要求1所述的智能疑犯追踪方法,其特征在于,根据所述嫌疑人个人特征信息以及案件监控视频得到若干嫌疑目标,具体包括,对案件监控视频设置截图帧,截取图像,计算所截取的图像中每个像素的灰度值,生成灰度图像颜色表,获得灰度图像,运用空间域中的线性平滑以及非线性滤波的中值滤波进行灰度图像压缩和降噪,根据压缩和降噪后的灰度图像,利用多目标聚类提取目标信息,根据所述嫌疑人个人特征信息及目标信息,得到若干嫌疑目标。
3.根据权利要求2所述的智能疑犯追踪方法,其特征在于,根据所述一定区域范围内的城市地图,对该一定区域范围内的监控点进行排序,得到监控点排序结果,具体包括,对一定区域范围内的城市地图进行预处理,将所述城市地图提取为二维弧段及节点,得到城市地图的道路拓扑结构,创建相应的道路名称及通路等级,结合城市监控网络的GPS定位、道路名称及通路等级,将监控点匹配放置入地图道路中,根据道路拓扑结构及人群密度,对监控点进行排序,得到监控点排序结果。
4.根据权利要求3所述的智能疑犯追踪方法,其特征在于,根据道路拓扑结构及人群密度,对监控点进行排序,得到监控点排序结果,具体包括,根据道路拓扑结构及人群密度,对监控点进行等级排序并赋予权值,依据权值从大到小,对监控点进行排序,得到排序结果。
5.根据权利要求1所述的智能疑犯追踪方法,其特征在于,根据所述监控点网络获取所述嫌疑目标的最终行进路线,具体包括,根据监控视频确定嫌疑目标的起点及终点,利用最短路径的方法,确定嫌疑目标的最优路径,以所述最优路径作为嫌疑目标的最终行进路线。
6.根据权利要求1所述的智能疑犯追踪方法,其特征在于,根据所述监控点网络获取所述嫌疑目标的最终行进路线,具体包括,根据监控视频确定嫌疑目标的起点及终点,对监控点之间的路径进行赋值,并根据监控点之间的路况,调整监控点之间的权值,根据权值调整之后的路径,作为最短路径方法中的路径,得到改进的最短路径方法,以改进的最短路径方法,确定嫌疑目标的最优路径,以所述最优路径作为嫌疑目标的最终行进路线。
7.根据权利要求1所述的智能疑犯追踪方法,其特征在于,根据所述监控点网络获取所述嫌疑目标的最终行进路线,具体包括,根据监控视频确定嫌疑目标的起点及终点,获取嫌疑目标的心理学气质,根据所述嫌疑目标的心理学气质,对监控点之间的路径进行赋值,以赋值后的路径,作为最短路径方法中的路径,得到改进的最短路径方法,以改进的最短路径方法,确定嫌疑目标的最优路径,以所述最优路径作为嫌疑目标的最终行进路线。
8.根据权利要求1所述的智能疑犯追踪方法,其特征在于,根据所述监控点网络获取所述嫌疑目标的最终行进路线,具体包括,根据监控视频确定嫌疑目标的起点,以距离起点最近的监控点为起始点,以该起始点为圆心,确定嫌疑目标单位时间内的活动圆域,以所述活动圆域作为搜索范围,以监控点排序结果作为搜索顺序,搜索活动区域内的监控,直至在下一监控点再次识别嫌疑目标,以该下一监控点作为起始点,重复识别嫌疑目标,以获取嫌疑目标的最终行进路线。
9.一种智能疑犯追踪系统,其特征在于,包括处理器以及存储器,所述存储器上存储有计算机程序,所述计算机程序被所述处理器执行时,实现如权利要求1-8任一所述的智能疑犯追踪方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机该程序被处理器执行时,实现如权利要求1-8任一所述的智能疑犯追踪方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010681196.0A CN111935450A (zh) | 2020-07-15 | 2020-07-15 | 一种智能疑犯追踪方法、系统及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010681196.0A CN111935450A (zh) | 2020-07-15 | 2020-07-15 | 一种智能疑犯追踪方法、系统及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111935450A true CN111935450A (zh) | 2020-11-13 |
Family
ID=73313238
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010681196.0A Pending CN111935450A (zh) | 2020-07-15 | 2020-07-15 | 一种智能疑犯追踪方法、系统及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111935450A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112906507A (zh) * | 2021-01-29 | 2021-06-04 | 同济大学 | 基于数码照片测算商业街行人轨迹的方法 |
CN113114938A (zh) * | 2021-04-12 | 2021-07-13 | 滁州博格韦尔电气有限公司 | 一种基于电子信息的目标精确监控系统 |
CN113139508A (zh) * | 2021-05-12 | 2021-07-20 | 深圳他米科技有限公司 | 基于人工智能的酒店安全预警方法、装置及设备 |
CN114399537A (zh) * | 2022-03-23 | 2022-04-26 | 东莞先知大数据有限公司 | 一种目标人员的车辆跟踪方法及系统 |
CN115665552A (zh) * | 2022-08-19 | 2023-01-31 | 重庆紫光华山智安科技有限公司 | 跨镜追踪方法、装置、电子设备及可读存储介质 |
CN117151959A (zh) * | 2023-10-16 | 2023-12-01 | 广东紫慧旭光科技有限公司 | 一种用于城市管理的实时视频分析方法、系统及存储介质 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007081960A2 (en) * | 2006-01-10 | 2007-07-19 | Advanced Digital Forensic Solutions, Inc. | Enterprise-wide data identification, sharing and management |
CN102547598A (zh) * | 2010-12-16 | 2012-07-04 | 上海博泰悦臻电子设备制造有限公司 | 呼叫中心及其目标点的搜索方法、目标点的搜索系统 |
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 |
EP2618288A1 (en) * | 2012-01-18 | 2013-07-24 | Xerox Corporation | Monitoring system and method for video episode viewing and mining |
CN103826105A (zh) * | 2014-03-14 | 2014-05-28 | 贵州大学 | 一种基于机器视觉技术的视频跟踪系统及其实现方法 |
CN104469324A (zh) * | 2014-12-25 | 2015-03-25 | 浙江宇视科技有限公司 | 一种基于视频的移动目标追踪方法和装置 |
CN105450991A (zh) * | 2015-11-17 | 2016-03-30 | 浙江宇视科技有限公司 | 一种追踪方法及装置 |
CN106339428A (zh) * | 2016-08-16 | 2017-01-18 | 东方网力科技股份有限公司 | 基于视频大数据的嫌疑人身份识别方法和装置 |
WO2017037754A1 (en) * | 2015-08-28 | 2017-03-09 | Nec Corporation | Analysis apparatus, analysis method, and storage medium |
CN106570147A (zh) * | 2016-10-27 | 2017-04-19 | 武汉烽火众智数字技术有限责任公司 | 一种基于gis路网分析的跳跃式视频追踪方法和系统 |
CN107909033A (zh) * | 2017-11-15 | 2018-04-13 | 西安交通大学 | 基于监控视频的嫌疑人快速追踪方法 |
CN108062763A (zh) * | 2017-12-29 | 2018-05-22 | 纳恩博(北京)科技有限公司 | 目标跟踪方法及装置、存储介质 |
CN110659391A (zh) * | 2019-08-29 | 2020-01-07 | 苏州千视通视觉科技股份有限公司 | 一种视频侦查方法及装置 |
CN110717414A (zh) * | 2019-09-24 | 2020-01-21 | 青岛海信网络科技股份有限公司 | 一种目标检测追踪方法、装置及设备 |
US10602097B2 (en) * | 2017-07-12 | 2020-03-24 | Panasonic I-Pro Sensing Solutions Co., Ltd. | Wearable camera, wearable camera system, and information processing apparatus |
-
2020
- 2020-07-15 CN CN202010681196.0A patent/CN111935450A/zh active Pending
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007081960A2 (en) * | 2006-01-10 | 2007-07-19 | Advanced Digital Forensic Solutions, Inc. | Enterprise-wide data identification, sharing and management |
CN102547598A (zh) * | 2010-12-16 | 2012-07-04 | 上海博泰悦臻电子设备制造有限公司 | 呼叫中心及其目标点的搜索方法、目标点的搜索系统 |
EP2618288A1 (en) * | 2012-01-18 | 2013-07-24 | Xerox Corporation | Monitoring system and method for video episode viewing and mining |
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 |
CN103826105A (zh) * | 2014-03-14 | 2014-05-28 | 贵州大学 | 一种基于机器视觉技术的视频跟踪系统及其实现方法 |
CN104469324A (zh) * | 2014-12-25 | 2015-03-25 | 浙江宇视科技有限公司 | 一种基于视频的移动目标追踪方法和装置 |
WO2017037754A1 (en) * | 2015-08-28 | 2017-03-09 | Nec Corporation | Analysis apparatus, analysis method, and storage medium |
CN105450991A (zh) * | 2015-11-17 | 2016-03-30 | 浙江宇视科技有限公司 | 一种追踪方法及装置 |
CN106339428A (zh) * | 2016-08-16 | 2017-01-18 | 东方网力科技股份有限公司 | 基于视频大数据的嫌疑人身份识别方法和装置 |
CN106570147A (zh) * | 2016-10-27 | 2017-04-19 | 武汉烽火众智数字技术有限责任公司 | 一种基于gis路网分析的跳跃式视频追踪方法和系统 |
US10602097B2 (en) * | 2017-07-12 | 2020-03-24 | Panasonic I-Pro Sensing Solutions Co., Ltd. | Wearable camera, wearable camera system, and information processing apparatus |
CN107909033A (zh) * | 2017-11-15 | 2018-04-13 | 西安交通大学 | 基于监控视频的嫌疑人快速追踪方法 |
CN108062763A (zh) * | 2017-12-29 | 2018-05-22 | 纳恩博(北京)科技有限公司 | 目标跟踪方法及装置、存储介质 |
CN110659391A (zh) * | 2019-08-29 | 2020-01-07 | 苏州千视通视觉科技股份有限公司 | 一种视频侦查方法及装置 |
CN110717414A (zh) * | 2019-09-24 | 2020-01-21 | 青岛海信网络科技股份有限公司 | 一种目标检测追踪方法、装置及设备 |
Non-Patent Citations (2)
Title |
---|
李培岳等: ""基于心里防范区域再视频监控环境下的最优入侵路径"", 《科学技术与工程》 * |
陈国良: ""三维地址断层结构模型构建及切割分析技术研究"", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112906507A (zh) * | 2021-01-29 | 2021-06-04 | 同济大学 | 基于数码照片测算商业街行人轨迹的方法 |
CN112906507B (zh) * | 2021-01-29 | 2022-06-07 | 同济大学 | 基于数码照片测算商业街行人轨迹的方法 |
CN113114938A (zh) * | 2021-04-12 | 2021-07-13 | 滁州博格韦尔电气有限公司 | 一种基于电子信息的目标精确监控系统 |
CN113139508A (zh) * | 2021-05-12 | 2021-07-20 | 深圳他米科技有限公司 | 基于人工智能的酒店安全预警方法、装置及设备 |
CN113139508B (zh) * | 2021-05-12 | 2023-11-14 | 深圳他米科技有限公司 | 基于人工智能的酒店安全预警方法、装置及设备 |
CN114399537A (zh) * | 2022-03-23 | 2022-04-26 | 东莞先知大数据有限公司 | 一种目标人员的车辆跟踪方法及系统 |
CN114399537B (zh) * | 2022-03-23 | 2022-07-01 | 东莞先知大数据有限公司 | 一种目标人员的车辆跟踪方法及系统 |
CN115665552A (zh) * | 2022-08-19 | 2023-01-31 | 重庆紫光华山智安科技有限公司 | 跨镜追踪方法、装置、电子设备及可读存储介质 |
CN117151959A (zh) * | 2023-10-16 | 2023-12-01 | 广东紫慧旭光科技有限公司 | 一种用于城市管理的实时视频分析方法、系统及存储介质 |
CN117151959B (zh) * | 2023-10-16 | 2024-04-16 | 广东紫慧旭光科技有限公司 | 一种用于城市管理的实时视频分析方法、系统及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111935450A (zh) | 一种智能疑犯追踪方法、系统及计算机可读存储介质 | |
CN110717414B (zh) | 一种目标检测追踪方法、装置及设备 | |
CN109934176B (zh) | 行人识别系统、识别方法及计算机可读存储介质 | |
CN110191424B (zh) | 一种特定嫌疑人的轨迹生成方法和装置 | |
CN110008298B (zh) | 驻车多维信息感知应用系统及方法 | |
CN104303193B (zh) | 基于聚类的目标分类 | |
CN110505583A (zh) | 一种基于卡口数据与信令数据的轨迹匹配算法 | |
CN110414441B (zh) | 一种行人行踪分析方法及系统 | |
CN103810717B (zh) | 一种人体行为检测方法及装置 | |
CN109543312B (zh) | 一种时空侦查分析方法及系统 | |
CN107182036A (zh) | 基于多维特征融合的自适应位置指纹定位方法 | |
WO2020114138A1 (zh) | 信息的关联分析方法及装置、储存介质、电子装置 | |
Kyrkou et al. | Optimized vision-directed deployment of UAVs for rapid traffic monitoring | |
CN110119726A (zh) | 一种基于YOLOv3模型的车辆品牌多角度识别方法 | |
KR20160109761A (ko) | 건설현장 맞춤형 이미지 분석기술을 활용한 중장비/근로자 인식 및 추적 방법 및 시스템 | |
CN107545256A (zh) | 一种结合时空和网络一致性的摄像机网络行人重识别方法 | |
US20220357176A1 (en) | Methods and data processing systems for predicting road attributes | |
CN111739056B (zh) | 一种轨迹追踪系统 | |
CN113935358A (zh) | 一种行人追踪方法、设备和存储介质 | |
DE102020209054A1 (de) | Vorrichtung und verfahren zur personenerkennung, -verfolgung und -identifizierung unter verwendung drahtloser signale und bilder | |
CN114170272A (zh) | 一种云端环境下基于感知传感器的事故报告、储存方法 | |
Rumora et al. | Spatial video remote sensing for urban vegetation mapping using vegetation indices | |
CN111242010A (zh) | 一种基于边缘ai的判断并识别乱扔垃圾人员身份的方法 | |
CN111753587A (zh) | 一种倒地检测方法及装置 | |
CN114743262A (zh) | 行为检测方法、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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201113 |