CN111950471B - 目标对象识别方法及装置 - Google Patents
目标对象识别方法及装置 Download PDFInfo
- Publication number
- CN111950471B CN111950471B CN202010819825.1A CN202010819825A CN111950471B CN 111950471 B CN111950471 B CN 111950471B CN 202010819825 A CN202010819825 A CN 202010819825A CN 111950471 B CN111950471 B CN 111950471B
- Authority
- CN
- China
- Prior art keywords
- behavior
- track
- riding
- identified
- person
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 88
- 230000006399 behavior Effects 0.000 claims description 366
- 238000012545 processing Methods 0.000 claims description 23
- 230000002159 abnormal effect Effects 0.000 claims description 21
- 230000001351 cycling effect Effects 0.000 claims description 16
- 238000011156 evaluation Methods 0.000 claims description 12
- 230000003542 behavioural effect Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 11
- 238000010276 construction Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000002354 daily effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/48—Matching video sequences
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Tourism & Hospitality (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Alarm Systems (AREA)
Abstract
本申请提供一种目标对象识别方法及装置。该方法包括:获取待识别人员的抓拍记录;根据所述抓拍记录,生成所述待识别人员的出行轨迹;确定所述出行轨迹中存在嫌疑行为特征,其中,所述嫌疑行为特征表征所述待识别人员由骑车行为切换为非骑车行为之后,未在所述切换对应的轨迹点上发生新的骑车行为,或者表征两个待识别人员由共同骑车行为切换为分别骑车行为后,在预设时间段内,在新的位置再次发生相同的共同骑车行为或者在新的位置均切换为非骑车行为;确定所述待识别人员为目标对象。本申请通过在出行轨迹中存在嫌疑行为特征时,确定待识别人员为车辆盗窃的目标对象,能够识别出车辆盗窃的目标对象,提高目标对象的识别效率。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及一种目标对象识别方法及装置。
背景技术
目前电动车、山地车、摩托车等非机动车辆盗窃案件频发,快速确定非机动车辆盗窃人员有助于案件破解。
一般地,非机动车辆盗窃发生后,车主向安防工作人员上报车辆盗窃的时间和区域。安防工作人员根据车主上报的时间和区域,从安防平台上查询该时间内该区域的抓拍记录。安防工作人员观察抓拍记录中抓拍图像的人员的行为,凭借人工经验判断抓拍图像中的人员是否有盗窃或接触被盗车辆的行为,进而确定车辆盗窃人员。其中,抓拍记录由部署于区域的抓拍摄像机抓拍产生,并上传到安防平台。安防平台对抓拍记录的查询人员进行权限验证,拥有权限的安防工作人员能够通过验证,从安防平台获取抓拍记录;没有权限的人员无法通过验证,无法从安防平台获取抓拍记录。
然而,由人工经验根据视频确定非机动车辆盗窃人员,需要安防工作人员花费大量的时间观察抓拍记录,识别效率低。
发明内容
本申请实施例提供一种目标对象识别方法及装置,以解决非机动车辆盗窃人员识别效率低的问题。
第一方面,本申请实施例提供一种目标对象识别方法,包括:
获取待识别人员的抓拍记录;
根据所述抓拍记录,生成所述待识别人员的出行轨迹;
确定所述出行轨迹中存在嫌疑行为特征,其中,所述嫌疑行为特征表征所述待识别人员由骑车行为切换为非骑车行为之后,未在所述切换对应的轨迹点上发生新的骑车行为,或者表征两个所述待识别人员由共同骑车行为切换为分别骑车行为后,在预设时间段内,在新的位置再次发生相同的共同骑车行为或者在新的位置均切换为非骑车行为;
确定所述待识别人员为目标对象。
第二方面,本申请实施例提供一种目标对象识别装置,包括:
获取模块,用于获取待识别人员的抓拍记录;
处理模块,用于根据所述抓拍记录,生成所述待识别人员的出行轨迹;
所述处理模块,还用于确定所述出行轨迹中存在嫌疑行为特征,其中,所述嫌疑行为特征表征所述待识别人员由骑车行为切换为非骑车行为之后,未在所述切换对应的轨迹点上发生新的骑车行为,或者表征两个所述待识别人员由共同骑车行为切换为分别骑车行为后,在预设时间段内,在新的位置再次发生相同的共同骑车行为或者在新的位置均切换为非骑车行为;
所述处理模块,还用于确定所述待识别人员为目标对象。
第三方面,本申请实施例提供一种电子设备,包括:至少一个处理器和存储器;
所述存储器存储计算机执行指令;
所述至少一个处理器执行所述存储器存储的计算机执行指令,使得所述至少一个处理器执行如上第一方面以及第一方面各种可能的实施方式所述的目标对象识别方法。
第四方面,本申请实施例提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现如上第一方面以及第一方面各种可能的实施方式所述的目标对象识别方法。
第五方面,本申请实施例提供一种计算机执行指令,当处理器执行所述计算机执行指令时,实现如上第一方面以及第一方面各种可能的实施方式所述的目标对象识别方法。
本申请实施例提供的目标对象识别方法及装置,获取待识别人员的抓拍记录;根据抓拍记录,生成待识别人员的出行轨迹;确定出行轨迹中存在嫌疑行为特征时,确定待识别人员为非机动车车辆盗窃的目标对象,其中,嫌疑行为特征表征待识别人员由骑车行为切换为非骑车行为之后,未在切换对应的轨迹点上发生新的骑车行为,或者表征两个待识别人员由共同骑车行为切换为分别骑车行为后,在预设时间段内,在新的位置再次发生相同的共同骑车行为或者在新的位置均切换为非骑车行为。一方面,由于正常的骑车出行,骑车人员由骑车行为切换为非骑车行为之后,会返回切换对应的轨迹点再次骑车,而车辆销赃过程中,盗窃人员将非机动车辆骑到交易地点卖给卖家后,不会返回交易地点再次骑车,因而未在切换对应的位置上发生新的骑车行为的特征。另一方面,在两人共同盗窃的过程中,两个盗窃人员通常先共骑一辆非机动车辆到达被盗车辆的停放地点,然后一人骑该非机动车辆,另一人骑被盗非机动车辆,到达交易地点。在将被盗非机动车辆销赃后,两人再次共骑该非机动车辆离开或者以非骑车方式离开,因而通过两个待识别人员由共同骑车行为切换为分别骑车行为后,在预设时间段内,在新的位置再次发生相同的共同骑车行为或者在新的位置均切换为非骑车行为可以识别两个待识别人员为目标对象。本申请实施例通过在出行轨迹中存在嫌疑行为特征时,确定待识别人员为非机动车车辆盗窃的目标对象,能够利用嫌疑行为特征识别出非机动车车辆盗窃的目标对象,提高目标对象的识别效率。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请一实施例提供的目标对象识别系统的架构示意图;
图2为本申请一实施例提供的目标对象识别方法的流程示意图;
图3A为本申请实施例提供的出行轨迹一的示意图;
图3B为本申请实施例提供的出行轨迹二的示意图;
图3C为本申请实施例提供的出行轨迹三的示意图;
图4为本申请又一实施例提供的目标对象识别方法的流程示意图;
图5为本申请另一实施例提供的目标对象识别方法的流程示意图;
图6为本申请再一实施例提供的目标对象识别方法的流程示意图;
图7为本申请还一实施例提供的目标对象识别方法的流程示意图;
图8为本申请下一实施例提供的目标对象识别方法的流程示意图;
图9为本申请又一实施例提供的目标对象识别方法的流程示意图;
图10为本申请另一实施例提供的目标对象识别方法的流程示意图;
图11为本申请一实施例提供的目标对象识别装置的结构示意图;
图12为本申请一实施例提供的电子设备的硬件结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请基于正常骑车人员所形成的出行轨迹,与非机动车车辆盗窃的目标对象所形成的出行轨迹的区别,对非机动车车辆盗窃的目标对象进行识别。正常骑车人员在骑车出行过程中,骑车人员由骑车行为切换为非骑车行为之后,会返回非机动车辆停放的位置再次骑走自己的非机动车辆;而车辆销赃过程中,非机动车辆盗窃的目标对象将非机动车辆骑到交易地点卖给卖家后,不会返回交易地点再次骑走非机动车辆。另外,在两人共同盗窃的过程中,两个盗窃人员通常先共骑一辆非机动车到达被盗车辆的停放地点,然后一人骑该非机动车,另一人骑被盗车辆,到达交易地点,将被盗非机动车辆销赃后,两人再共骑该非机动车离开或者以非骑车的方式离开。基于此,本申请将表征人员由骑车行为切换为非骑车行为之后,未在切换对应的轨迹点上发生新的骑车行为的特征作为嫌疑行为特征,或者,将两个待识别人员由共同骑车行为切换为分别骑车行为后,在预设时间段内,在新的位置再次发生相同的共同骑车行为或者在新的位置均切换为非骑车行为作为嫌疑行为特征,利用图像识别技术以及轨迹识别技术,根据抓拍记录生成待识别人员的出行轨迹,在识别出行轨迹中存在嫌疑行为特征时,确定待识别人员为非机动车辆盗窃的目标对象,能够通过对出行轨迹的自动识别,快速确定非机动车车辆盗窃的目标对象,从而提高目标对象的识别效率。
图1为本申请一实施例提供的目标对象识别系统的架构示意图。如图1所示,本实施例提供的目标对象识别系统包括抓拍摄像机11、服务器12、电子设备13和终端设备14。其中,电子设备13可以为服务器、台式计算机等设备,在此不作限定。终端设备14可以为手机、平板、台式计算机、笔记本电脑、车载终端等设备,在此不作限定。服务器12和电子设备13提供服务以实现安防平台,拥有权限的安防工作人员可以访问该安防平台,查询抓拍记录,以及查询车辆盗窃的目标对象。没有权限的安防工作人员或者非安防工作人员不能访问该安防平台进行查询。
抓拍摄像机11用于对监控区域内进行抓拍,得到抓拍图像并记录抓拍时间,向服务器12发送抓拍图像、抓拍时间和抓拍位置。其中,抓拍图像可以为人员的人脸图像、身体图像等。服务器12用于根据抓拍图像、抓拍时间和抓拍位置,生成一条相应的抓拍记录并存储。电子设备13用于从服务器12获取抓拍记录,执行本申请实施例提供的目标对象识别方法,以确定待识别人员是否为车辆盗窃的目标对象。电子设备13可以在识别出车辆盗窃的目标对象后,向终端设备14发送警示消息,以便终端设备14的用户获知车辆盗窃的目标对象的信息,对该目标对象进行后续的侦查、抓捕等。例如,电子设备13可以将车辆盗窃的目标对象的抓拍记录、出行轨迹、身份标识等信息发送到终端设备14。电子设备13也可以将车辆盗窃的目标对象的信息保存到数据库中,以便后续安防工作人员通过查询数据库获得车辆盗窃的目标对象的信息。电子设备13也可以接收到终端设备14发送的查询请求,在验证终端设备14的用户为拥有权限的安防工作人员后,对查询请求所指示的待识别人员进行识别,确定该待识别人员是否为车辆盗窃的目标对象,并向终端设备14发送识别结果。其中,待识别人员可以为指定区域出现的人员、指定时间段出现的人员、某个指定人员等。
需要注意的是,上述目标对象识别系统的架构仅用于示例,本申请实施例提供的目标对象识别方法还可以适用于其他的系统架构以及其他的应用场景,在此不作限定。例如,电子设备13可以与服务器12集成于同一服务器实现,或者,电子设备13也可以与终端设备14集成于同一终端实现。
本申请下述实施例,以目标对象为嫌疑人举例说明。
图2为本申请一实施例提供的目标对象识别方法的流程示意图。该方法的执行主体为上述的电子设备。如图2所示,该方法包括:
S201、获取待识别人员的抓拍记录。
本实施例中,可以获取待识别人员在预设时段内的多个抓拍记录。其中,待识别人员可以为在指定区域内被抓拍到的人员,也可以为由用户指定的人员等,在此不作限定。例如,获取指定区域内的抓拍图像,从抓拍图像中识别出存在骑车行为的人员作为待识别人员;或者,获取车辆盗窃的案发区域内、案发时间所属的一定时段内的抓拍图像,从抓拍图像中识别出在该时段内出现在案发区域的人员作为待识别人员。抓拍记录中可以包括但不限于抓拍时间、抓拍位置、抓拍图像中的一种或多种。
S202、根据抓拍记录,生成待识别人员的出行轨迹。
本实施例中,可以根据抓拍记录的抓拍时间和抓拍位置生成待识别人员的出行轨迹。出行轨迹中可以包括多个轨迹点,每个轨迹点对应于一个抓拍记录。可以将抓拍记录的抓拍位置确定为该轨迹点的位置,将抓拍记录的抓拍时间确定为该轨迹点的抓拍时间,然后按照每个轨迹点的位置和抓拍时间生成出行轨迹。
S203、确定出行轨迹中存在嫌疑行为特征,其中,嫌疑行为特征表征待识别人员由骑车行为切换为非骑车行为之后,未在切换对应的轨迹点上发生新的骑车行为,或者表征两个待识别人员由共同骑车行为切换为分别骑车行为后,在预设时间段内,在新的位置再次发生相同的共同骑车行为或者在新的位置均切换为非骑车行为。
S204、确定待识别人员为嫌疑人。
本实施例中,可以根据抓拍记录例如对抓拍图像进行行为分析确定出行轨迹中各轨迹点对应的出行行为。其中,对于一个待识别人员,出行行为可以包括但不限于骑车行为和非骑车行为。骑车行为是指该待识别人员骑非机动车的行为。非骑车行为指该待识别人员没有骑非机动车的行为,如该待识别人员步行、坐公交、开车等。对于两个待识别人员,出行行为可以包括但不限于共同骑车行为、分别骑车行为、均为非骑车行为等。其中,共同骑车行为是指该两个待识别人员共骑一辆非机动车的行为。分别骑车行为是指该两个待识别人员各自骑一辆非机动车的行为。均为非骑车行为是指该两个待识别人员都没有骑非机动车的行为。如两个待识别人员步行、共同乘坐公交车等。
可选地,每一轨迹点对应于一个抓拍记录,抓拍记录中包括抓拍图像。对于一个待识别人员,对于其出行轨迹中的每个轨迹点,在识别该轨迹点对应的抓拍记录中抓拍图像包含骑车行为时,确定该轨迹点对应骑车行为。在识别该轨迹点对应的抓拍记录中抓拍图像不包含骑车行为时,确定该轨迹点对应非骑车行为。可选地,可以在为每个轨迹点添加相应的出行行为标签,出行行为标签的取值可以包括表征骑车行为的第一状态值和表征非骑车行为的第二状态值,以区分出行轨迹中各轨迹点对应的出行行为。
可选地,对于两个待识别人员,可以在该两个待识别人员的出行轨迹中存在抓拍时间和位置均相同的多个轨迹点,将该多个轨迹点所形成的出行轨迹作为待处理的出行轨迹。该待处理的出行轨迹用于识别该两个待识别人员是否为共同盗窃人员。该待处理的出行轨迹中,每个轨迹点具有对应的位置和抓拍时间,以及该两个待识别人员的抓拍记录。抓拍记录中包括抓拍图像。针对每个轨迹点,在识别该轨迹点对应的抓拍记录的抓拍图像中该两个待识别人员共同骑车时,确定该轨迹点对应共同骑车行为。在识别该轨迹点对应的抓拍记录的抓拍图像中该两个待识别人员分别骑车时,确定该轨迹点对应分别骑车行为。在识别该轨迹点对应的抓拍记录的抓拍图像中该两个待识别人员均未骑车时,确定该轨迹点对应均为非骑车行为。
在一种实现方式中,嫌疑行为特征表征待识别人员由骑车行为切换为非骑车行为之后,未在切换对应的轨迹点上发生新的骑车行为。在识别出出行轨迹中存在该嫌疑行为特征时,确定待识别人员为非机动车车辆盗窃的嫌疑人。
根据各轨迹点对应的出行行为可以识别待识别人员由骑车行为切换为非骑车行为之后,待识别人员是否在切换对应的轨迹点上发生新的骑车行为。其中,新的骑车行为是相对于切换之前的骑车行为而言。切换对应的轨迹点可以为切换后第一次被抓拍到人员非骑车的轨迹点。
如图3A-3C所示为本申请实施例提供的三个出行轨迹的示意图。图3A为出行轨迹一的示意图,出行轨迹一中的轨迹点按照抓拍时间顺序先后依次为:A1、B1、C1、D1、E1、F1。图3A所示的位置关系中,B1和E1对应同一位置(图中用虚线圈表示),其他轨迹点分别对应于其他不同的位置。A1、E1、F1对应骑车行为,即抓拍记录抓拍到该人员在A1、E1、F1的位置骑车。B1、C1、D1对应非骑车行为(如步行),即抓拍记录抓拍到该人员在B1、C1、D1的位置没有骑车。其中,该人员由骑车行为切换为非骑车行为的轨迹点为B1。该人员在A1的位置上骑车,在A1和B1的位置之间停下所骑车辆,步行到B1的位置时被抓拍到,然后步行至C1、D1的位置,返回到A1和B1之间的位置,切换为骑车行为,在B1位置形成轨迹点E1,然后骑车至F1的位置。可以看出,该人员在由骑车行为切换为非骑车行为之后,在切换对应的轨迹点(B1)上发生了新的骑车行为(E1对应的行为),因而该人员的出行轨迹中不存在嫌疑行为特征。
图3B为出行轨迹二的示意图,出行轨迹二中的轨迹点按照抓拍时间顺序先后依次为:A2、B2、C2、D2、E2、F2。图3B所示的位置关系中,各轨迹点分别对应于不同的位置。A2、E2、F2对应骑车行为,即抓拍记录抓拍到该人员在A2、E2、F2的位置骑车。B2、C2、D2对应非骑车行为(如步行),即抓拍记录抓拍到该人员在B2、C2、D2的位置没有骑车。其中,该人员由骑车行为切换为非骑车行为的轨迹点为B2。该人员在A2的位置上骑车,在A2和B2的位置之间停下所骑车辆,步行到B2的位置时被抓拍到,然后步行至D2、E2的位置之间开始骑车,骑车至F2的位置。可以看出,该人员在由骑车行为切换为非骑车行为之后,在切换对应的轨迹点(B2)没有发生新的骑车行为,因而该人员的出行轨迹中存在嫌疑行为特征。
目前电动车、山地车等非机动车辆的销赃方式通常是在盗窃发生的城市内进行销赃,基本不出现跨城市销赃的情况,具体是盗窃人员通过网上论坛、二手物品网站、社交应用等方式联系买家,然后盗窃人员将非机动车辆骑到买家指定的交易地点,将非机动车辆卖给买家,之后以非骑车方式离开,不会再返回该地点再次骑走非机动车辆。而正常骑车人员在由骑车行为切换为非骑车行为后,还会返回非机动车辆的停放地点再次骑走非机动车辆,因而在切换对应的位置会再次发生骑车行为。该销赃方式使得盗窃人员的出行轨迹与正常骑车人员的出行轨迹不同,因而利用出行轨迹中是否包含该嫌疑行为特征,可以识别非机动车辆盗窃的嫌疑人。
在另一实现方式中,嫌疑行为特征表征两个待识别人员由共同骑车行为切换为分别骑车行为后,在预设时间段内,在新的位置再次发生相同的共同骑车行为或者在新的位置均切换为非骑车行为。在识别出出行轨迹中存在该嫌疑行为特征时,确定该两个待识别人员为非机动车车辆盗窃的嫌疑人。
其中,预设时间段的时长可以根据需求设定,在此不作限定。例如,预设时间段的时长可以为4小时、8小时等。预设时间段的起始时刻为由共同骑车行为切换为分别骑车行为所对应的轨迹点的抓拍时间。新的位置是指与由共同骑车行为切换为分别骑车行为的位置之外的其他位置。
图3C为出行轨迹三的示意图。其中,出行轨迹三为两个人员所共同的出行轨迹。出行轨迹三中的轨迹点按照抓拍时间顺序先后依次为:A3、B3、C3、D3、E3、F3,各轨迹点分别对应于不同的位置。A3、B3、E3、F3对应于共同骑车行为,C3、D3对应于分别骑车行为。该两个人员在A3、B3的位置上共骑一辆非机动车,在B3和C3的位置之间由共骑一辆非机动车变为两人各骑一辆非机动车。两人各骑一辆非机动车经过C3和D3的位置,然后在D3和E3的位置之间由两人各骑一辆非机动车再次变为共骑最初的一辆非机动车,经过E3到达F3的位置。其中,两个人员由共同骑车行为切换为分别骑车行为的轨迹点为C3,再次发生相同的共同骑车行为的轨迹点为E3。假设预设时间段的时长为4个小时,C3对应的抓拍时间为9:00,则预设时间段为9:00至13:00。E3对应的抓拍时间为12:00,位于9:00至13:00内,则出行轨迹三存在嫌疑行为特征,确定该两个人员为非机动车车辆盗窃的嫌疑人。
以人员A和人员B共同盗窃非机动车辆的过程为例,出行方式首先是人员A骑车载着人员B,两人共骑一辆自有非机动车辆。然后在途中作案盗窃一辆被盗非机动车辆,之后出行方式变为两个人各骑一辆非机动车辆,即人员A骑自有非机动车辆,人员B骑被盗非机动车辆。在到达销赃地点后,将被盗非机动车辆卖出,则出行方式又变为人员A骑车载着人员B,两人共骑一辆自有非机动车辆。因而通过两个待识别人员由共同骑车行为切换为分别骑车行为后,在预设时间段内,在新的位置再次发生相同的共同骑车行为或者在新的位置均切换为非骑车行为的特征,能够准确识别非机动车辆盗窃的嫌疑人。
在识别待识别人员为车辆盗窃的嫌疑人后,可以进行相应的处理,其中,处理可以根据实际场景确定,在此不作限定。例如,可以向终端设备发送警示消息,以便终端设备的用户获知非机动车辆盗窃的嫌疑人的信息,警示消息中可以包括但不限于非机动车辆盗窃的嫌疑人的抓拍记录、出行轨迹、身份标识等信息中的一种或多种;可以将非机动车辆盗窃的嫌疑人的信息保存到嫌疑人的数据库中,以便后续用户通过查询数据库获得非机动车辆盗窃的嫌疑人的信息;也可以在接收到终端设备发送的查询请求后,对查询请求所指示的待识别人员进行识别,确定该待识别人员是否为非机动车辆盗窃的嫌疑人,并将识别结果返回到终端设备。
本申请实施例获取待识别人员的抓拍记录;根据抓拍记录,生成待识别人员的出行轨迹;在出行轨迹中存在嫌疑行为特征时,确定待识别人员为非机动车车辆盗窃的嫌疑人,其中,嫌疑行为特征表征待识别人员由骑车行为切换为非骑车行为之后,未在切换对应的轨迹点上发生新的骑车行为,或者表征两个待识别人员由共同骑车行为切换为分别骑车行为后,在预设时间段内,在新的位置再次发生相同的共同骑车行为或者在新的位置均切换为非骑车行为。一方面,由于正常的骑车出行,骑车人员由骑车行为切换为非骑车行为之后,会返回切换对应的轨迹点再次骑车,而车辆销赃过程中,盗窃人员将非机动车辆骑到交易地点卖给卖家后,不会返回交易地点再次骑车,因而未在切换对应的位置上发生新的骑车行为的特征。另一方面,在两人共同盗窃的过程中,两个盗窃人员通常先共骑一辆非机动车辆到达被盗车辆的停放地点,然后一人骑该非机动车辆,另一人骑被盗非机动车辆,到达交易地点,在将被盗非机动车辆销赃后,两人再共骑该非机动车辆离开或者以非骑车方式离开,因而通过两个待识别人员由共同骑车行为切换为分别骑车行为后,在预设时间段内,在新的位置再次发生相同的共同骑车行为或者在新的位置均切换为非骑车行为可以识别出来。本申请实施例通过在出行轨迹中存在嫌疑行为特征时,确定待识别人员为非机动车车辆盗窃的嫌疑人,能够识别出非机动车车辆盗窃的嫌疑人,提高嫌疑人的识别效率。
可选地,在上述图2所示实施例的基础上,出行轨迹中包括多个轨迹点,每一轨迹点具有对应的位置、抓拍时间和出行行为,出行行为包括骑车行为和非骑车行为;
S203可以包括:
识别目标轨迹点;其中,目标轨迹点为切换对应的轨迹点,目标轨迹点对应的出行行为为非骑车行为;
确定抓拍时间在目标轨迹点的抓拍时间之后的轨迹点中不存在抵消轨迹点;其中,抵消轨迹点为与目标轨迹点对应同一位置,且对应的出行行为为骑车行为的轨迹点。
本实施例中,嫌疑行为特征表征待识别人员由骑车行为切换为非骑车行为之后,未在切换对应的轨迹点上发生新的骑车行为。本实施例对识别出行轨迹中是否存在该嫌疑行为特征的一种实现方式进行了说明。
目标轨迹点为待识别人员由骑车行为切换为非骑车行为所对应的轨迹点。具体地,目标轨迹点可以为切换后第一个非骑车行为的轨迹点。
例如,图3A中出行轨迹一中的目标轨迹点可以为B1,图3B中出行轨迹二中的目标轨迹点可以为B2。
抵消轨迹点为出行轨迹中满足以下条件的轨迹点:一、抓拍时间位于目标轨迹点的抓拍时间之后;二、与目标轨迹点对应同一位置;三、对应骑车行为。例如,图3A中出行轨迹一中的E1的抓拍时间位于目标轨迹点的抓拍时间之后,与B1对应的位置相同,并且对应骑车行为,因此,出行轨迹一中的目标轨迹点之后的轨迹点中存在抵消轨迹点,即E1。而出行轨迹二中的目标轨迹点之后的轨迹点中不存在抵消轨迹点。
本实施例通过将在目标轨迹点之后的轨迹点中不存在抵消轨迹点,作为嫌疑行为特征,使得嫌疑行为特征更易识别,从而提高嫌疑行为特征识别的准确性,进而提高对非机动车辆盗窃的嫌疑人的识别准确性。
图4为本申请又一实施例提供的目标对象识别方法的流程示意图,本实施例对识别出行轨迹中嫌疑行为特征的实现过程进行了详细说明。本实施例中,出行轨迹中包括多个轨迹点,每一轨迹点具有对应的位置、抓拍时间和出行行为,出行行为包括骑车行为和非骑车行为。嫌疑行为特征表征待识别人员由骑车行为切换为非骑车行为之后,未在切换对应的轨迹点上发生新的骑车行为。如图4所示,该方法包括:
S401、获取待识别人员的抓拍记录。
本实施例中,S401与图2实施例中的S201类似,此处不再赘述。
S402、根据抓拍记录,生成待识别人员的出行轨迹。
本实施例中,S402与图2实施例中的S202类似,此处不再赘述。
S403、针对出行轨迹中的相邻轨迹点,在相邻轨迹点中,抓拍时间在前的轨迹点对应骑车行为,且抓拍时间在后的轨迹点对应非骑车行为时,确定抓拍时间在后的轨迹点为目标轨迹点。
本实施例中,可以查找出行轨迹中的每组相邻轨迹点,每组相邻轨迹点包括两个相邻的轨迹点,若一组相邻轨迹点中的抓拍时间在前的轨迹点对应骑车行为,抓拍时间在后的轨迹点对应非骑车行为,则确定该组相邻轨迹点中抓拍时间在后的轨迹点为目标轨迹点。以图3A中的出行轨迹一为例,其中,A1和B1相邻,A1对应骑车行为,B1对应非骑车行为,因而将B1确定为一个目标轨迹点。
S404、确定抓拍时间在目标轨迹点的抓拍时间之后的轨迹点中不存在抵消轨迹点;其中,抵消轨迹点为与目标轨迹点对应同一位置,且对应的出行行为为骑车行为的轨迹点。
S405、确定待识别人员为嫌疑人。
本实施例中,对于抓拍时间在目标轨迹点的抓拍时间之后的每个轨迹点,可以确定该轨迹点是否与目标轨迹点对应同一位置,且该轨迹点对应骑车行为,若是,则确定该轨迹点为抵消轨迹点;否则,确定该轨迹点不是抵消轨迹点。以图3A中的出行轨迹一为例,目标轨迹点为B1,E1与B1对应同一位置,并且E1对应骑车行为,因而E1为B1的抵消轨迹点。
若抓拍时间在目标轨迹点的抓拍时间之后的各轨迹点中存在抵消轨迹点,则确定出行轨迹中不存在嫌疑行为特征;否则,确定出行轨迹中存在嫌疑行为特征。
本实施例通过将抓拍时间在前的轨迹点对应骑车行为,抓拍时间在后的轨迹点对应非骑车行为的相邻轨迹点中,抓拍时间在后的轨迹点确定为目标轨迹点,能够准确判断出行轨迹中的待识别人员由骑车行为切换为非骑车行为的目标轨迹点,从而提高嫌疑行为特征的准确性,进而提高非机动车辆盗窃的嫌疑人的识别准确性。
图5为本申请另一实施例提供的目标对象识别方法的流程示意图,本实施例根据异常轨迹点的个数确定待识别人员是否为非机动车辆盗窃的嫌疑人。本实施例中,出行轨迹中包括多个轨迹点,每一轨迹点具有对应的位置、抓拍时间和出行行为,出行行为包括骑车行为和非骑车行为。嫌疑行为特征表征待识别人员由骑车行为切换为非骑车行为之后,未在切换对应的轨迹点上发生新的骑车行为。如图5所示,该方法包括:
S501、获取待识别人员的抓拍记录。
本实施例中,S501与图2实施例中的S201类似,此处不再赘述。
S502、根据抓拍记录,生成待识别人员的出行轨迹。
本实施例中,S502与图2实施例中的S202类似,此处不再赘述。
S503、识别目标轨迹点;其中,目标轨迹点为切换对应的轨迹点,目标轨迹点对应的出行行为为非骑车行为。
S504、确定抓拍时间在目标轨迹点的抓拍时间之后的轨迹点中是否存在抵消轨迹点;其中,抵消轨迹点为与目标轨迹点对应同一位置,且对应的出行行为为骑车行为的轨迹点。
S505、确定出行轨迹中异常轨迹点的个数,其中,异常轨迹点为不存在抵消轨迹点的目标轨迹点。
本实施例中,可以识别出行轨迹中所有的目标轨迹点。针对每个目标轨迹点,确定该目标轨迹点是否存在与该目标轨迹点相应的抵消轨迹点。将不存在抵消轨迹点的目标轨迹点确定为异常轨迹点,并记录出行轨迹中异常轨迹点的个数。
S506、在异常轨迹点的个数超过预设个数阈值时,确定出行轨迹中存在嫌疑行为特征。
S507、确定待识别人员为嫌疑人。
本实施例中,预设个数阈值可以根据实际需求进行设定,在此不作限定,例如,预设个数阈值可以设置为2、3、4、5等。可选地,预设个数阈值可以根据出行轨迹所对应的时长进行设定,出行轨迹所对应的时长越长,则预设个数阈值的设置值越大。例如,出行轨迹所对应的时长为一天,预设个数阈值的设置为3;出行轨迹所对应的时长为两天,预设个数阈值的设置为5。在出行轨迹中异常轨迹点的个数超过预设个数阈值时,确定待识别人员为车辆盗窃的嫌疑人。
由于正常骑车人员的出行轨迹中可能偶尔出现嫌疑行为特征,例如,人员A借了人员B的非机动车辆,在使用过非机动车辆后,将非机动车辆骑到人员B所在位置,还给人员B,然后人员A采用非骑行方式离开。则人员A的该出行轨迹中存在嫌疑行为特征,但人员A并不是非机动车辆盗窃的嫌疑人。如果仅根据出行轨迹中存在嫌疑行为特征确定非机动车辆盗窃的嫌疑人,有时候会将正常骑车人员误识别为非机动车辆盗窃的嫌疑人。
为了进一步提高非机动车辆盗窃的嫌疑人识别的准确性,本实施例通过确定出行轨迹中异常轨迹点的个数,在异常轨迹点个数超过预设个数阈值时确定待识别人员为非机动车辆盗窃的嫌疑人。由于正常骑车人员的出行轨迹中只是偶尔出现嫌疑行为特征,而非机动车辆盗窃的嫌疑人经常需要进行销赃,多次将车辆骑给不同的买家,所以出行轨迹中会存在多个异常轨迹点,例如,某盗窃人员一天内将3辆非机动车分别卖给不同的买家,则在该天的出行轨迹中出现3个异常轨迹点。因此,通过异常轨迹点的个数和预设个数阈值,能够提高非机动车辆盗窃的嫌疑人的识别准确性。
图6为本申请再一实施例提供的目标对象识别方法的流程示意图。本实施例根据两人共同盗窃非机动车辆所具备的嫌疑行为特征,识别非机动车辆盗窃的嫌疑人。本实施例中,出行轨迹中包括多个轨迹点。每一轨迹点具有对应的位置、抓拍时间和出行行为。出行行为包括共同骑车行为和分别骑车行为。另外可选地,出行行为还可以包括均为非骑车行为。嫌疑行为特征表征两个待识别人员由共同骑车行为切换为分别骑车行为后,在预设时间段内,在新的位置再次发生相同的共同骑车行为或者在新的位置均切换为非骑车行为。如图6所示,该方法包括:
S601、获取待识别人员的抓拍记录。
S602、根据抓拍记录,生成待识别人员的出行轨迹。
S603、识别第一目标轨迹点;其中,第一目标轨迹点对应的出行行为为分别骑车行为;第一目标轨迹点的前一个轨迹点对应的出行行为为共同骑车行为。
本实施例中,出行轨迹为两个待识别人员所共同的出行轨迹。出行轨迹点中每个轨迹点对应于两个待识别人员的抓拍记录。可以根据每个轨迹点对应的两个待识别人员的抓拍记录,确定每个轨迹点的出行行为。
识别第一目标轨迹点的方式可以为:针对出行轨迹中的每个轨迹点,若该轨迹点对应分别骑车行为,且该轨迹点的前一个轨迹点对应共同骑车行为,则确定该轨迹点为第一目标轨迹点。其中,该轨迹点的前一个轨迹点是指,抓拍时间位于该轨迹点的抓拍时间之前,且与该轨迹点相邻的一个轨迹点。出行轨迹中的第一目标轨迹点可以有一个或多个,不作限定。
S604、识别第二目标轨迹点,第二目标轨迹点的抓拍时间位于自第一目标轨迹点的抓拍时间起的预设时间段,第二目标轨迹点对应的位置与第一目标轨迹点对应的位置、第一目标轨迹点的前一个轨迹点对应的位置均不同;第二目标轨迹点对应的出行行为为相同的共同骑车行为或者均为非骑车行为;相同的共同骑车行为指所骑车辆、骑车行为的待识别人员均相同。
S605、确定待识别人员为目标对象。
本实施例中,在得到第一目标轨迹点后,可以识别该第一目标轨迹点是否存在相应的第二目标轨迹点,若存在,则确定出行轨迹中存在嫌疑行为特征,进而确定该两个待识别人员为非机动车辆盗窃的嫌疑人。
以图3C中的出行轨迹三为例,C3对应于分别骑车行为,B3对应于共同骑车行为,因而C3为第一目标轨迹点。预设时间段的时长为4个小时,C3对应的抓拍时间为9:00,则预设时间段为9:00至13:00,而E3对应的抓拍时间为12:00,位于9:00至13:00内。并且,E3的位置与B3、C3的位置均不同,E3对应的共同骑车行为的所骑车辆、共同骑车的两个人员,与B3对应的共同骑车行为的所骑车辆、共同骑车的两个人员相同。因而,E3为C3相应的第二目标轨迹点。出行轨迹三存在嫌疑行为特征,确定该两个人员为非机动车车辆盗窃的嫌疑人。
本申请实施例通过在识别到出行轨迹中存在第一目标轨迹点和第二目标轨迹点时,确定出行轨迹中存在嫌疑行为特征,能够准确识别嫌疑行为特征,进而提高非机动车辆盗窃的嫌疑人的识别准确性。
图7为本申请还一实施例提供的目标对象识别方法的流程示意图,本实施例对获取待识别人员的抓拍记录的具体过程进行了说明。如图7所示,该方法包括:
S701、获取第一预设时段内包含骑车行为的初始抓拍记录。
本实施例中,第一预设时段可以根据实际需求进行设置,在此不作限定。例如,第一预设时段可以为前一天、前三天、上一周等。初始抓拍记录中包含抓拍图像,可以通过对抓拍图像进行图像识别,在抓拍图像中包含人员骑车时,确定该初始抓拍记录包含骑车行为。可以获取第一预设时段内包含骑车行为的初始抓拍记录,例如,获取前一天包含骑车行为的初始抓拍记录。
可选地,S701可以包括:
获取第一预设时段内包含骑车行为且人员所骑车辆为非共享车辆的初始抓拍记录。
本实施例中,共享车辆可以包括但不限于共享自行车、共享电动车等。由于人员骑共享车辆出行所形成的出行轨迹,与车辆盗窃的嫌疑人的出行轨迹中都存在嫌疑行为特征,会对嫌疑人识别造成干扰。本实施例中,获取第一预设时段内包含骑车行为且人员所骑车辆为非共享车辆的初始抓拍记录,以防止共享车辆对嫌疑人识别结果造成的干扰,从而提高识别准确度。可选地,可以获取前一天内包含骑车行为的初始抓拍记录,识别其中包含人员所骑车辆为共享车辆的初始抓拍记录并进行删除,从而得到前一天内包含骑车行为且人员所骑车辆为非共享车辆的初始抓拍记录。
其中,识别初始抓拍记录中人员所骑车辆是否为共享车辆的过程可以为:将初始抓拍记录中的抓拍图像与预置的共享车辆样本集中的图像样本进行匹配,若匹配到与抓拍图像相似度高于预设阈值的图像样本,则确定该初始抓拍记录中人员所骑车辆为共享车辆;或者,预先根据共享车辆样本集训练基于深度学习的目标识别模型,得到训练后的目标识别模型,在识别时将初始抓拍记录中的抓拍图像输入到目标识别模型,以获取目标识别模型的输出结果。输出结果表征输入的图像中人员所骑车辆是否为共享车辆。
S702、将初始抓拍记录中发生骑车行为的人员确定为待识别人员,并获取待识别人员在第二预设时段的抓拍记录,其中,第二预设时段等于或者包含第一预设时段。
本实施例中,第二预设时段可以根据实际需求设置,在此不作限定。第二预设时段可以等于第一预设时段,也可以包含第一预设时段。例如,第一预设时段为前一天,则第二预设时段可以为前一天,或者前三天等。
可以识别初始抓拍记录中抓拍图像上发生骑车行为的人员,将该人员作为待识别人员,获取该人员在第二预设时段的抓拍记录,以便后续生成该人员的出行轨迹。
S703、根据抓拍记录,生成待识别人员的出行轨迹。
本实施例中,S603与图2实施例中的S202类似,此处不再赘述。
S704、确定出行轨迹中存在嫌疑行为特征,其中,嫌疑行为特征表征待识别人员由骑车行为切换为非骑车行为之后,未在切换对应的轨迹点上发生新的骑车行为,或者表征两个待识别人员由共同骑车行为切换为分别骑车行为后,在预设时间段内,在新的位置再次发生相同的共同骑车行为或者在新的位置均切换为非骑车行为。
S705、确定待识别人员为嫌疑人。
本实施例中,S604、S605与图2实施例中的S203、S204类似,此处不再赘述。
在一个示例中,可以首先获取市区内前一天包含骑车行为的初始抓拍记录,然后识别每个初始抓拍记录中发生骑车行为的人员作为待识别人员。获取每个待识别人员前一天在市区内所有的抓拍记录。然后根据每个待识别人员的抓拍记录生成该待识别人员的出行轨迹。根据每个待识别人员的出行轨迹,识别每个待识别人员是否为车辆盗窃的嫌疑人。将识别出的车辆盗窃的嫌疑人出行轨迹、抓拍记录等信息发送给工作人员的终端设备,以便工作人员对市区前一天内车辆盗窃的嫌疑人进一步进行分析。
本实施例通过获取第一预设时段内包含骑车行为的初始抓拍记录,然后将初始抓拍记录中发生骑车行为的人员确定为待识别人员,再获取待识别人员的抓拍记录,能够仅针对发生骑车行为的人员,生成其在发生骑车行为前后一段时间内的出行轨迹,从而避免生成没有骑车行为的出行轨迹,减少不必要的处理数据,从而提高处理速度,提高车辆盗窃嫌疑人的识别效率。
图8为本申请下一实施例提供的目标对象识别方法的流程示意图,本实施例基于历史案发区域的特征,来确定潜在案发区域。该方法可以包括:
S801、提取历史案发区域的区域特征,作为历史区域特征。
S802、提取待处理区域的区域特征,作为待处理区域特征;并识别与历史区域特征相似的待处理区域特征,作为目标待处理区域特征。
S803、根据所有目标待处理区域特征,对待处理区域的案发可能性进行评估;并根据评估的评估结果,确定待处理区域为潜在案发区域。
本实施例中,历史案发区域为车辆盗窃的历史案件的发生区域。其中,区域可以为小区、商场等,在此不作限定。区域特征可以包括但不限于下述至少一项:抓拍摄像机的数量、流动人员数据、与交通枢纽站的距离、安防人员数据、物业公司信息、建筑公司信息、区域周边的警力部署数据。其中,流动人员数据可以为穿过该区域的流动人员数据。交通枢纽站可以为汽车站、火车站等。物业公司信息可以包括物业公司的名称、成立年限等。建筑公司信息包括建筑公司的名称、成立年限等。区域周边的警力部署数据可以包括该区域周围的警力部署的人员数量、部署站点数量等。以区域为某小区为例,该小区的区域特征可以包括但不限于该小区内抓拍摄像机的数量、穿过小区的流动人员的数量、小区的物业公司名称、小区的建造商名称、小区与最近的汽车站的距离、小区与最近的火车站的距离。通常流动人员较多、安防力量弱的区域容易发生非机动车辆的盗窃案件。流动人员数据、与交通枢纽站的距离等信息可以反映区域的流动人员情况。抓拍摄像机的数量、安防人员数据、物业公司信息、建筑公司信息、区域周边的警力部署数据等信息可以反映区域的安防力量情况。将上述一项或多项信息作为区域特征进行潜在案发区域的识别,能够提高识别的准确度。
可以提取历史案发区域的区域特征,作为历史区域特征。提取待处理区域的区域特征,作为待处理区域特征。采用基于特征集的词向量相似度算法识别与历史区域特征相似的待处理区域特征,以得到目标待处理区域特征。根据目标待处理区域特征,评估待处理区域的案发可能性。评估的具体方式在此不作限定,可以采用基于深度学习的评估模型进行评估,也可以基于目标待处理区域特征对待处理区域进行评分,依据待处理区域的分值进行评估等。
本实施例根据历史案发区域的区域特征对待识别区域进行评估,确定待识别区域是否为潜在案发区域,能够确定出潜在案发区域,以便后续针对潜在案发区域进行嫌疑人识别、重点监控、排查、警力部署、小区监控设备调整等处理,起到预防案件的效果,进而减少非机动车辆盗窃案件的发生。
可选地,S802中识别与历史区域特征相似的待处理区域特征,作为目标待处理区域特征,可以包括:
将历史区域特征,构成参考特征集;
将待处理区域特征,构成待处理特征集;
对比参考特征集和待处理特征集,以确定待处理特征集中的目标待处理区域特征,目标待处理区域特征为待处理特征集中,与参考特征集中的历史区域特征相似的待处理区域特征;每一历史区域特征具有对应的分值;S803可以包括:
根据所有目标待处理区域特征对应的历史区域特征的分值,得到待处理区域对应的分值;例如通过求和得到和值,将和值确定为待处理区域对应的分值。若待处理区域对应的分值超过预设分值阈值,则将待处理区域确定为潜在案发区域。
本实施例中,每一历史区域特征对应的分值大小可以根据实际需求设定,在此不作限定。在历史案发区域为一个时,可以提取该历史案发区域的各类历史区域特征,构成参考特征集。在历史案发区域为多个时,可以提取每个历史案发区域的各类历史区域特征。选取所有历史案发区域所共有的多类历史区域特征,构成参考特征集。可以通过基于特征集的词向量相似度算法,对比参考特征集和待处理特征集,确定待处理特征集中的目标待处理区域特征。
例如,参考特征集可以包括:区域的抓拍摄像机的数量为100至150,每天穿过该区域的流动人员数量为100至500,与火车站的距离为0米到1千米等。提取待处理区域的区域特征,构成待处理特征集。例如,区域A的待处理特征集可以包括:区域A的抓拍摄像机的数量为120,每天穿过该区域的流动人员数量为200,与火车站的距离为2千米。则区域A的待处理特征集相对于参考特征集的目标待处理区域特征为抓拍摄像机的数量、每天穿过该区域的流动人员数量。则将抓拍摄像机的数量所对应的分值和每天穿过该区域的流动人员数量对应的分值相加,得到待处理区域对应的分值。另外,参考特征集也可以不采用具体的数值,而是采用判断语句的形式,如:区域中存在流动人员、区域临近交通枢纽站、区域内的物业公司名称是AA。
本实施例通过构建参考特征集和待处理特征集,确定待处理特征集中的目标待处理区域特征,进而确定待处理区域对应的分值,能够提高待处理区域评估的准确性,进而提高确定出的潜在案发区域的准确性。
可选地,S803之后,该方法可以包括:获取潜在案发区域的待识别人员的抓拍记录,然后根据上述任一实施例的目标对象识别方法,识别待识别人员是否为非机动车辆盗窃的嫌疑人。
本实施例首先确定潜在案发区域,然后针对潜在案发区域内的待识别人员,获取抓拍记录并进行识别。由于潜在案发区域中非机动车辆盗窃案件发生更为频繁,针对潜在案发区域内抓拍到的人员进行识别,可以及时发现潜在案发区域内的非机动车辆的盗窃人员,提高潜在案发区域的安全性,有效减少非机动车辆盗窃案件。
可选地,本申请实施例还可以通过分析历史抓拍记录,确定与待识别人员关联的非机动车数量,当与待识别人员关联的非机动车数量超过预设数量阈值时,确定待识别人员为非机动车辆盗窃的嫌疑人。
本实施例中,预设数量阈值可以根据实际需求设定,在此不做限定。例如,预设数量阈值可以为3、4、5等。可以获取与待识别人员关联的非机动车数量,其中,与待识别人员关联的非机动车数量可以根据待识别人员的历史抓拍记录确定。如果某人员关联的车辆数量超过预设数量阈值,表明该人员所骑的车辆数量较多。由于正常骑车人员所骑的车辆数量较少,该人员有可能是非机动车辆盗窃的盗窃人员,因而将该人员确定为车辆盗窃的嫌疑人。本实施例通过在关联的车辆的非机动车数量超过预设数量阈值时,确定待识别人员为非机动车辆盗窃的嫌疑人,通过人员和车辆的关联关系能够准确识别非机动车辆盗窃的嫌疑人。
图9为本申请又一实施例提供的目标对象识别方法的流程示意图,本实施例能够存储非机动车和人员的关联关系,所存储的关联关系用于识别非机动车盗窃的嫌疑人。如图9所示,该方法包括:
S901、获取待识别人员的抓拍记录。
S902、识别抓拍记录的抓拍图像中待识别人员所骑的非机动车,以得到非机动车的数据。
S903、若数据库中不存在待识别人员与非机动车的数据的关联关系,则在数据库中添加待识别人员与非机动车的数据的关联关系。
本实施例中,抓拍记录中包含抓拍图像。非机动车的数据包括但不限于非机动车的标识、图像、型号、颜色、品牌、新旧程度等中的一种或多种。识别待识别人员所骑的非机动车,得到非机动车的数据后,可以将非机动车的数据更新到数据库中。在数据库中不存在待识别人员与该非机动车的数据的关联关系时,添加待识别人员与该非机动车的数据的关联关系;在数据库中存在待识别人员与该非机动车的数据的关联关系时,对该非机动车的数据进行更新。该数据库用于存储人员与非机动车的关联关系。其中,一个人员可以对应于多个非机动车,每个非机动车都为该人员骑过的非机动车。可选地,可以通过图像识别,得到抓拍图像中人员的身份标识和非机动车的数据,将非机动车的数据添加或更新到数据库中该身份标识对应的非机动车的数据。
由于目前根据非机动车注册登记所建立的数据库,会因为非机动车使用者的转移、非机动车的新旧程度及外观变化等原因导致数据库中人员或非机动车数据不准确,影响后续非机动车辆盗窃的嫌疑人识别的准确性。例如,在识别非机动车辆盗窃的嫌疑人时,将该嫌疑人所骑非机动车与数据库中该嫌疑人关联的非机动车比对,确定该嫌疑人所骑非机动车是否为其所常用的非机动车,从而辅助识别嫌疑人。如果数据库中非机动车不准确,容易导致识别错误。
本实施例通过建立存储人员与所骑非机动车的数据的关联关系,并根据抓拍记录及时对数据中非机动车数据进行动态更新,能够建立一个时效可信性更高的动态数据库,提高数据库中人员与非机动车数据的关联关系的准确度,进而提高非机动车辆盗窃的嫌疑人识别的准确度。
可选地,上述方法还可以包括:
在数据库中与待识别人员关联的非机动车数量超过预设数量阈值时,确定待识别人员为车辆盗窃的嫌疑人。
本实施例通过在关联非机动车的数量超过预设数量阈值时,确定待识别人员为非机动车车辆盗窃的嫌疑人,通过人员和非机动车的关联关系能够准确识别非机动车辆盗窃的嫌疑人。
作为本申请的一个实施例,本实施例基于与前科人员关联的非机动车数量,识别前科人员是否再次进行非机动车辆盗窃。该方法可以包括:
获取待识别人员的抓拍记录,待识别人员为非机动车辆盗窃的前科人员;
根据抓拍记录,在确定待识别人员在第三预设时段内所骑的非机动车辆数量超过预设数量阈值时,确定待识别人员为非机动车辆盗窃的嫌疑人。
本实施例中,前科人员为曾经进行非机动车辆盗窃,但已经回到社会的人员。第三预设时段可以根据实际需求设置,在此不作限定。例如,第三预设时段可以为前一天、前三天等。预设数量阈值可以根据实际需求设置,在此不作限定。例如,预设数量阈值可以为3、4、5等。抓拍记录中包括抓拍图像。可以通过图像识别第三预设时段内抓拍图像中前科人员所骑非机动的数量,在该数量超过预设数量阈值时,确定该前科人员为非机动车辆盗窃的嫌疑人。
例如,可以建立非机动车辆盗窃的前科人员的名单库,然后获取并存储名单库中各前科人员每日的抓拍记录,其中,每个前科人员每日获取不超过预设条数的包含抓拍图像的抓拍记录。根据抓拍记录,识别每个前科人员三天内所骑非机动车辆的数量,将数量超过3(即预设数量阈值)的前科人员确定为非机动车辆盗窃的嫌疑人,即确定该前科人员可能再次盗窃。
本实施例通过获取前科人员的抓拍记录,前科人员在第三预设时段内所骑的非机动车辆数量超过预设数量阈值时,确定前科人员再次盗窃,一方面能够对前科人员进行跟踪,及时发现前科人员再次盗窃的情况,另一方面可以确定前科人员再次盗窃所涉及的非机动车辆数量及非机动车辆数据,以便提供前科人员的处罚依据。
图10为本申请另一实施例提供的目标对象识别方法的流程示意图。本实施例基于与待处理案件相似的历史案件,来确定待处理案件的嫌疑人。如图9所示,该方法包括:
S1001、获取待处理案件的案件信息,其中,待处理案件为车辆盗窃案件。
本实施例中,案件信息可以包括但不限于案件的发生时间、发生区域、作案方式、被盗车辆数据等中的一项或多项。其中,被盗车辆数据可以包括但不限于被盗车辆的价位、品牌、电子锁特征等中的一项或多项。
S1002、根据待处理案件的案件信息,识别历史案件中与待处理案件相似的目标历史案件,其中,历史案件为盗窃人员未处于在押状态的车辆盗窃案件。
本实施例中,未处于在押状态的盗窃人员能够在外界活动,可能再次盗窃。处于在押状态的盗窃人员无法再次盗窃。每个历史案件对应于相应的案件信息。可以通过相似度算法,识别待处理案件和各历史案件的相似度,将与待处理案件相似度较高的历史案件作为目标历史案件。
可选地,S1002可以包括:
通过基于词向量的相似度算法识别待处理案件的案件信息与每个历史案件的案件信息的相似度;
将相似度符合预设条件的历史案件,确定为目标历史案件。
本实施例中,相似度符合预设条件的历史案件可以为,对历史案件按照相似度由高到低进行排名后,排名靠前的预设个数的历史案件;或者,相似度超过预设相似度阈值的历史案件,在此不作限定。
可选地,案件信息包括多个类别的信息,每类信息对应于一个权重。例如,案件信息可以包括案件的发生时间、发生区域、被盗车辆的价位、电子锁特征4类信息,发生时间对应的权重为0.2,发生区域对应的权重为0.3,被盗车辆的价位对应的权重为0.4,电子锁特征对应的权重为0.1。权重可以为预置的或者由用户设置的。例如,用户可以根据经验确定每类信息所对应的权重大小,对每类信息所对应的权重进行设置。
对于一个历史案件的每类信息,可以识别该类信息与待处理案件的同类的信息的相似度,得到该类信息对应的分值。然后根据历史案件中各类信息对应的分值与权重,进行加权求和,得到历史案件的分值。历史案件的分值即表征历史案件与待处理案件的相似度,分值越高则相似度越高。通过由用户设置各类信息的权重,便于用户根据人工经验,或者案件情况等对权重进行灵活调整,以准确地选出目标历史案件,进而提高待处理案件的嫌疑人的识别准确度。
S1003、获取目标历史案件对应的盗窃人员的抓拍记录。
S1004、在待处理案件的案件信息与目标历史案件对应的盗窃人员的抓拍记录匹配时,确定盗窃人员为待处理案件的嫌疑人。
本实施例中,待处理案件的案件信息与目标历史案件对应的盗窃人员的抓拍记录匹配,可以包括但不限于:案发位置与根据抓拍记录确定的案发时间该盗窃人员出现的位置相匹配,被盗车辆与抓拍记录中该盗窃人员所骑车辆相匹配中的一项或两项。
本实施例中,通过查找与待处理案件相似的目标历史案件,然后根据待处理案件的案件信息与目标历史案件的抓拍记录,确定目标历史案件的盗窃人员是否为待处理案件的嫌疑人,能够利用案件间的相似度来识别待处理案件的嫌疑人,从而提高车辆盗窃案件的处理效率。
图11为本申请一实施例提供的目标对象识别装置的结构示意图。如图11所示,该目标对象识别装置110包括:获取模块1101和处理模块1102。
获取模块1101,用于获取待识别人员的抓拍记录.
处理模块1102,用于根据抓拍记录,生成待识别人员的出行轨迹。
处理模块1102,还用于确定出行轨迹中存在嫌疑行为特征,其中,嫌疑行为特征表征待识别人员由骑车行为切换为非骑车行为之后,未在切换对应的轨迹点上发生新的骑车行为,或者表征两个待识别人员由共同骑车行为切换为分别骑车行为后,在预设时间段内,在新的位置再次发生相同的共同骑车行为或者在新的位置均切换为非骑车行为。
处理模块1102,还用于确定待识别人员为目标对象。
可选地,出行轨迹中包括多个轨迹点,每一轨迹点具有对应的位置、抓拍时间和出行行为,出行行为包括骑车行为和非骑车行为;
处理模块1102,具体用于:
识别目标轨迹点;其中,目标轨迹点为切换对应的轨迹点,目标轨迹点对应的出行行为为非骑车行为;
确定抓拍时间在目标轨迹点的抓拍时间之后的轨迹点中不存在抵消轨迹点;其中,抵消轨迹点为与目标轨迹点对应同一位置,且对应的出行行为为骑车行为的轨迹点。
可选地,处理模块1102,具体用于:
针对出行轨迹中的相邻轨迹点,在相邻轨迹点中,抓拍时间在前的轨迹点对应骑车行为,且抓拍时间在后的轨迹点对应非骑车行为时,确定抓拍时间在后的轨迹点为目标轨迹点。
可选地,处理模块1102,还用于:
确定出行轨迹中异常轨迹点的个数,其中,异常轨迹点为不存在抵消轨迹点的目标轨迹点;
在异常轨迹点的个数超过预设个数阈值时,确定出行轨迹中存在嫌疑行为特征。
可选地,出行轨迹中包括多个轨迹点,每一轨迹点具有对应的位置、抓拍时间和出行行为,出行行为包括共同骑车行为和分别骑车行为,或者,出行行为包括共同骑车行为、分别骑车行为和均为非骑车行为;
处理模块1102,用于:
识别第一目标轨迹点;其中,第一目标轨迹点对应的出行行为为分别骑车行为;第一目标轨迹点的前一个轨迹点对应的出行行为为共同骑车行为;
识别第二目标轨迹点,第二目标轨迹点的抓拍时间位于自第一目标轨迹点的抓拍时间起的预设时间段,第二目标轨迹点对应的位置与第一目标轨迹点对应的位置、第一目标轨迹点的前一个轨迹点对应的位置均不同;第二目标轨迹点对应的出行行为为相同的共同骑车行为或者均为非骑车行为;相同的共同骑车行为指所骑车辆、骑车行为的待识别人员均相同。
可选地,处理模块1102,还用于:
提取历史案发区域的区域特征,作为历史区域特征;
提取待处理区域的区域特征,作为待处理区域特征;
识别与历史区域特征相似的待处理区域特征,作为目标待处理区域特征;
根据所有目标待处理区域特征,对待处理区域的案发可能性进行评估;
根据评估的评估结果,确定待处理区域为潜在案发区域;
获取模块1101,用于:
获取潜在案发区域的待识别人员的抓拍记录。
可选地,处理模块1102,用于:
确定待识别人员关联的非机动车数量;
若关联的非机动车数量超过预设数量阈值,则确定待识别人员为目标对象。
本申请实施例提供的目标对象识别装置,可用于执行上述的方法实施例,其实现原理和技术效果类似,本实施例此处不再赘述。
图12为本申请一实施例提供的电子设备的硬件结构示意图。如图12所示,本实施例提供的电子设备120包括:至少一个处理器1201和存储器1202。该电子设备120还包括通信部件1203。其中,处理器1201、存储器1202以及通信部件1203通过总线1204连接。
在具体实现过程中,至少一个处理器1201执行存储器1202存储的计算机执行指令,使得至少一个处理器1201执行如上的目标对象识别方法。
处理器1201的具体实现过程可参见上述方法实施例,其实现原理和技术效果类似,本实施例此处不再赘述。
在上述的图12所示的实施例中,应理解,处理器可以是中央处理单元(英文:Central Processing Unit,简称:CPU),还可以是其他通用处理器、数字信号处理器(英文:Digital Signal Processor,简称:DSP)、专用集成电路(英文:Application SpecificIntegrated Circuit,简称:ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合申请所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
存储器可能包含高速RAM存储器,也可能还包括非易失性存储NVM,例如至少一个磁盘存储器。
总线可以是工业标准体系结构(Industry Standard Architecture,ISA)总线、外部设备互连(Peripheral ComponentInterconnect,PCI)总线或扩展工业标准体系结构(Extended Industry Standard Architecture,EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,本申请附图中的总线并不限定仅有一根总线或一种类型的总线。
本申请还提供一种计算机可读存储介质,计算机可读存储介质中存储有计算机执行指令,当处理器执行计算机执行指令时,实现如上的目标对象识别方法。
本申请实施例提供一种计算机执行指令,当处理器执行所述计算机执行指令时,实现如上的目标对象识别方法。
上述可读存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。可读存储介质可以是通用或专用计算机能够存取的任何可用介质。
一种示例性的可读存储介质耦合至处理器,从而使处理器能够从该可读存储介质读取信息,且可向该可读存储介质写入信息。当然,可读存储介质也可以是处理器的组成部分。处理器和可读存储介质可以位于专用集成电路(Application Specific IntegratedCircuits,简称:ASIC)中。当然,处理器和可读存储介质也可以作为分立组件存在于设备中。
最后应说明的是:以上各实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述各实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。
Claims (10)
1.一种目标对象识别方法,其特征在于,包括:
获取待识别人员的抓拍记录;
根据所述抓拍记录,生成所述待识别人员的出行轨迹;
确定所述出行轨迹中存在嫌疑行为特征,其中,所述嫌疑行为特征表征所述待识别人员由骑车行为切换为非骑车行为之后,未在所述切换对应的轨迹点上发生新的骑车行为,或者表征两个所述待识别人员由共同骑车行为切换为分别骑车行为后,在预设时间段内,在新的位置再次发生相同的共同骑车行为或者在新的位置均切换为非骑车行为;
确定所述待识别人员为目标对象。
2.根据权利要求1所述的方法,其特征在于,所述出行轨迹中包括多个轨迹点,每一所述轨迹点具有对应的位置、抓拍时间和出行行为,所述出行行为包括骑车行为和非骑车行为;
所述确定所述出行轨迹中存在嫌疑行为特征包括:
识别目标轨迹点;其中,所述目标轨迹点为所述切换对应的轨迹点,所述目标轨迹点对应的出行行为为非骑车行为;
确定抓拍时间在所述目标轨迹点的抓拍时间之后的轨迹点中不存在抵消轨迹点;其中,所述抵消轨迹点为与所述目标轨迹点对应同一位置,且对应的出行行为为骑车行为的轨迹点。
3.根据权利要求2所述的方法,其特征在于,所述识别目标轨迹点,包括:
针对所述出行轨迹中的相邻轨迹点,在所述相邻轨迹点中,抓拍时间在前的轨迹点对应骑车行为,且抓拍时间在后的轨迹点对应非骑车行为时,确定所述抓拍时间在后的轨迹点为所述目标轨迹点。
4.根据权利要求2所述的方法,其特征在于,所述确定所述出行轨迹中存在嫌疑行为特征,还包括:
确定所述出行轨迹中异常轨迹点的个数,其中,所述异常轨迹点为不存在所述抵消轨迹点的目标轨迹点;
在所述异常轨迹点的个数超过预设个数阈值时,确定所述出行轨迹中存在所述嫌疑行为特征。
5.根据权利要求1所述的方法,其特征在于,所述出行轨迹中包括多个轨迹点,每一所述轨迹点具有对应的位置、抓拍时间和出行行为,所述出行行为包括共同骑车行为和分别骑车行为,或者,所述出行行为包括共同骑车行为、分别骑车行为和均为非骑车行为;
所述确定所述出行轨迹中存在嫌疑行为特征包括:
识别第一目标轨迹点;其中,所述第一目标轨迹点对应的出行行为为分别骑车行为;所述第一目标轨迹点的前一个轨迹点对应的出行行为为共同骑车行为;
识别第二目标轨迹点,所述第二目标轨迹点的抓拍时间位于自所述第一目标轨迹点的抓拍时间起的所述预设时间段,所述第二目标轨迹点对应的位置与所述第一目标轨迹点对应的位置、所述第一目标轨迹点的前一个轨迹点对应的位置均不同;所述第二目标轨迹点对应的出行行为为相同的所述共同骑车行为或者均为非骑车行为;所述相同的所述共同骑车行为指所骑车辆、骑车行为的待识别人员均相同。
6.根据权利要求1-5任一项所述的方法,其特征在于,所述方法还包括:
提取历史案发区域的区域特征,作为历史区域特征;
提取待处理区域的区域特征,作为待处理区域特征;
识别与所述历史区域特征相似的待处理区域特征,作为目标待处理区域特征;
根据所有所述目标待处理区域特征,对所述待处理区域的案发可能性进行评估;
根据所述评估的评估结果,确定所述待处理区域为潜在案发区域;
则获取待识别人员的抓拍记录,包括:
获取所述潜在案发区域的待识别人员的抓拍记录。
7.根据权利要求1-5任一项所述的方法,其特征在于,所述确定所述待识别人员为目标对象,包括:
确定所述待识别人员关联的非机动车数量;
若所述关联的非机动车数量超过预设数量阈值,则确定所述待识别人员为目标对象。
8.一种目标对象识别装置,其特征在于,包括:
获取模块,用于获取待识别人员的抓拍记录;
处理模块,用于根据所述抓拍记录,生成所述待识别人员的出行轨迹;
所述处理模块,还用于确定所述出行轨迹中存在嫌疑行为特征,其中,所述嫌疑行为特征表征所述待识别人员由骑车行为切换为非骑车行为之后,未在所述切换对应的轨迹点上发生新的骑车行为,或者表征两个所述待识别人员由共同骑车行为切换为分别骑车行为后,在预设时间段内,在新的位置再次发生相同的共同骑车行为或者在新的位置均切换为非骑车行为;
所述处理模块,还用于确定所述待识别人员为目标对象。
9.根据权利要求8所述的目标对象识别装置,其特征在于,所述处理模块,用于:
确定所述出行轨迹中异常轨迹点的个数,其中,所述异常轨迹点为不存在抵消轨迹点的目标轨迹点;
在所述异常轨迹点的个数超过预设个数阈值时,确定所述出行轨迹中存在所述嫌疑行为特征。
10.根据权利要求8所述的目标对象识别装置,其特征在于,所述获取模块,还用于:
提取历史案发区域的区域特征,作为历史区域特征;
提取待处理区域的区域特征,作为待处理区域特征;
所述处理模块,还用于:
识别与所述历史区域特征相似的待处理区域特征,作为目标待处理区域特征;
根据所有所述目标待处理区域特征,对所述待处理区域的案发可能性进行评估;
根据所述评估的评估结果,确定所述待处理区域为潜在案发区域;
所述获取模块,用于:
获取所述潜在案发区域的待识别人员的抓拍记录。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010819825.1A CN111950471B (zh) | 2020-08-14 | 2020-08-14 | 目标对象识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010819825.1A CN111950471B (zh) | 2020-08-14 | 2020-08-14 | 目标对象识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111950471A CN111950471A (zh) | 2020-11-17 |
CN111950471B true CN111950471B (zh) | 2024-02-13 |
Family
ID=73343373
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010819825.1A Active CN111950471B (zh) | 2020-08-14 | 2020-08-14 | 目标对象识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111950471B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114637883A (zh) * | 2020-12-16 | 2022-06-17 | 深圳云天励飞技术股份有限公司 | 热点路线分析方法、装置、电子设备及存储介质 |
CN112613767B (zh) * | 2020-12-28 | 2024-03-29 | 精英数智科技股份有限公司 | 一种煤矿违规开采的识别方法、装置、设备及存储介质 |
CN113537130A (zh) * | 2021-07-29 | 2021-10-22 | 佳都科技集团股份有限公司 | 数据处理方法、装置、设备和存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104715612A (zh) * | 2013-12-12 | 2015-06-17 | 南京中兴力维软件有限公司 | 基于行车轨迹匹配实现的嫌疑车辆跟踪方法及装置 |
WO2017157119A1 (zh) * | 2016-03-18 | 2017-09-21 | 中兴通讯股份有限公司 | 一种车辆异常行为的识别方法及装置 |
CN110705477A (zh) * | 2019-09-30 | 2020-01-17 | 深圳市商汤科技有限公司 | 行为分析方法、装置、电子设备和计算机存储介质 |
CN111414933A (zh) * | 2020-01-15 | 2020-07-14 | 武汉烽火众智数字技术有限责任公司 | 基于rfid与聚类算法的电动车销赃区域分析方法和系统 |
-
2020
- 2020-08-14 CN CN202010819825.1A patent/CN111950471B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104715612A (zh) * | 2013-12-12 | 2015-06-17 | 南京中兴力维软件有限公司 | 基于行车轨迹匹配实现的嫌疑车辆跟踪方法及装置 |
WO2017157119A1 (zh) * | 2016-03-18 | 2017-09-21 | 中兴通讯股份有限公司 | 一种车辆异常行为的识别方法及装置 |
CN110705477A (zh) * | 2019-09-30 | 2020-01-17 | 深圳市商汤科技有限公司 | 行为分析方法、装置、电子设备和计算机存储介质 |
CN111414933A (zh) * | 2020-01-15 | 2020-07-14 | 武汉烽火众智数字技术有限责任公司 | 基于rfid与聚类算法的电动车销赃区域分析方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111950471A (zh) | 2020-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111950471B (zh) | 目标对象识别方法及装置 | |
Zhang et al. | Prediction of pedestrian crossing intentions at intersections based on long short-term memory recurrent neural network | |
CN107872436B (zh) | 一种账号识别方法、装置及系统 | |
CN112507813A (zh) | 事件检测方法、装置、电子设备及存储介质 | |
WO2014072971A1 (en) | Method of determining a license plate of a vehicle tracked by a surveillance system | |
CN111340498A (zh) | 线下交易的实现方法和装置 | |
TW202016888A (zh) | 停車欠費的存證方法、提醒方法及裝置、電子設備 | |
US20230073717A1 (en) | Systems And Methods For Electronic Surveillance | |
CN113055823B (zh) | 一种基于路侧停车管理共享单车的方法及装置 | |
CN111090777B (zh) | 一种视频数据的管理方法、管理设备及计算机存储介质 | |
CN111814510A (zh) | 一种遗留物主体检测方法及装置 | |
CN112434566A (zh) | 客流统计方法、装置、电子设备及存储介质 | |
US20230162310A1 (en) | Systems and methods for electronic signature tracking | |
CN103646549A (zh) | 一种智能天网系统 | |
CN110766101B (zh) | 确定移动轨迹的方法和装置 | |
CN111767776A (zh) | 一种异常车牌推选方法及装置 | |
CN113938827A (zh) | 通讯号码使用者的验证方法、装置、设备及存储介质 | |
Markwood et al. | Vehicle self-surveillance: Sensor-enabled automatic driver recognition | |
Bhavke et al. | Smart weight based toll collection & vehicle detection during collision using RFID | |
CN116342651A (zh) | 一种基于人工智能的行车安全智能检测系统及方法 | |
JP6369494B2 (ja) | 識別情報判定装置、識別情報判定システム、コンピュータプログラム及び識別情報判定方法 | |
Thongsatapornwatana et al. | Suspect vehicle detection using vehicle reputation with association analysis concept | |
KR102231434B1 (ko) | 블록체인 기술 기반 운전자 간의 블랙박스 영상의 p2p 거래/공유 서비스를 위한 플랫폼 및 그 구현 방법 | |
Smith | The Cell Phone Donut Hole in the Tracking Device Statute | |
CN113011576A (zh) | 识别案件类型的方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |