CN112132315A - 目标对象的逃逸路线预测方法和布控平台 - Google Patents
目标对象的逃逸路线预测方法和布控平台 Download PDFInfo
- Publication number
- CN112132315A CN112132315A CN202010833412.9A CN202010833412A CN112132315A CN 112132315 A CN112132315 A CN 112132315A CN 202010833412 A CN202010833412 A CN 202010833412A CN 112132315 A CN112132315 A CN 112132315A
- Authority
- CN
- China
- Prior art keywords
- suspected
- road
- suspected object
- target
- video
- 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 60
- 238000012544 monitoring process Methods 0.000 claims abstract description 190
- 238000012545 processing Methods 0.000 claims description 32
- 238000013528 artificial neural network Methods 0.000 claims description 25
- 230000006870 function Effects 0.000 claims description 22
- 230000033001 locomotion Effects 0.000 claims description 22
- 238000012790 confirmation Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 7
- 238000010586 diagram Methods 0.000 description 32
- 230000003993 interaction Effects 0.000 description 21
- 238000004891 communication Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 12
- 230000001960 triggered effect Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 230000009471 action Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 4
- 206010039203 Road traffic accident Diseases 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- MCSXGCZMEPXKIW-UHFFFAOYSA-N 3-hydroxy-4-[(4-methyl-2-nitrophenyl)diazenyl]-N-(3-nitrophenyl)naphthalene-2-carboxamide Chemical compound Cc1ccc(N=Nc2c(O)c(cc3ccccc23)C(=O)Nc2cccc(c2)[N+]([O-])=O)c(c1)[N+]([O-])=O MCSXGCZMEPXKIW-UHFFFAOYSA-N 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 208000014674 injury Diseases 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
-
- 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
- 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
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- 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
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0133—Traffic data processing for classifying traffic situation
-
- 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
Abstract
本申请提供一种目标对象的逃逸路线预测方法和布控平台。本申请目标对象的逃逸路线预测方法,包括:获取目标对象的特征信息;根据特征信息获取多个目标监控视频,目标监控视频中拍到了疑似对象,疑似对象和目标对象的相似度大于设定阈值;根据多个目标监控视频获取疑似对象的历史行踪;根据第一监控视频获取疑似对象的实时移动信息;根据实时移动信息确定疑似对象即将到达的岔路口,岔路口对应至少三条道路,至少三条道路包括疑似对象当前所在的道路和至少两条待选道路;根据历史行踪,以及至少两条待选道路的红绿灯状态和拥堵状态预测至少两条待选道路各自的实现概率。本申请可以快速且有效的对目标对象进行追捕。
Description
技术领域
本申请涉及视频监控技术,尤其涉及一种目标对象的逃逸路线预测方法和布控平台。
背景技术
为了维护人财安全,给交通出行带来便利,城市的很多路口、公共场所、小区、电梯等都安装了摄像机,全天候采集各处的画面,为案件侦破、处理交通违法行为等的执行提供了有利的证据。尤其是当案件的嫌疑对象(包括嫌疑人或嫌疑车辆)露面或者突发违法事件(例如交通违法)时,办案人员要对嫌疑对象进行追捕,摄像机拍得的监控视频便成为一个有力的辅助证据。
传统方案中需要办案人员人工查看大量的监控视频,凭肉眼从监控视频中寻找嫌疑对象,再依据已拍摄到嫌疑对象的摄像机的位置和拍摄时间,凭主观经验预测嫌疑对象可能的逃逸路线,进而实施追捕。但很显然,这样的效率非常低,光是看监控视频就要耗费大量的人力和时间,更何况主观经验过于依赖办案人员的资历,很可能预测的逃逸路线是错误的,那么据此部署的追捕计划也是无效的。
因此,如何快速且有效的利用监控视频成为一个追捕嫌疑对象的关键。
发明内容
本申请提供一种目标对象的逃逸路线预测方法和布控平台,以快速且有效的对目标对象进行追捕。
第一方面,本申请提供一种目标对象的逃逸路线预测方法,包括:获取目标对象的特征信息,所述特征信息以文字描述和/或以图片呈现;根据所述特征信息获取多个目标监控视频,所述目标监控视频中拍到了疑似对象,所述疑似对象和所述目标对象的相似度大于设定阈值;根据所述多个目标监控视频获取所述疑似对象的历史行踪;根据第一监控视频获取所述疑似对象的实时移动信息,所述第一监控视频是所述多个目标监控视频中拍摄时间最晚的;根据所述实时移动信息确定所述疑似对象即将到达的岔路口,所述岔路口对应至少三条道路,所述至少三条道路包括所述疑似对象当前所在的道路和至少两条待选道路;根据所述历史行踪,以及所述至少两条待选道路的红绿灯状态和拥堵状态预测所述至少两条待选道路各自的实现概率,所述实现概率用于表示所述疑似对象选择对应的待选道路的可能性。
目标对象(包括目标人员和/或目标车辆)是涉嫌违法事件的当事人,办案人员已经掌握了该目标对象的犯罪证据和个人信息,需要对其实施追捕。而在未抓到该目标对象之前,办案人员可以在布控平台中先创建关于该目标对象的布控任务,并在该布控任务中输入目标对象的特征信息,以便于各处的摄像机在拍到该目标对象后,布控平台可以及时检测到目标对象的出现并告警,进而对其实施追捕。目标对象的特征信息可以以文字描述,例如,目标人员的性别、年龄、身高、胖瘦、衣着等,目标车辆的车牌、颜色、品牌、车型等,这些外形特征均可以通过文字描述。特征信息也可以以图片或视频呈现,例如,目标人员或目标车辆的照片、视频等,图片或视频可以很直观的表达目标对象的特征,尤其是目标对象的外貌、衣着、外观等。需要说明的是,特征信息还可以包括其他形式的信息,例如声音信息,本申请对此不做具体限定。
布控平台可以通过以下两种方式获取上述特征信息:
一种方式可以是接收用户的输入信息,该输入信息中包括特征信息。用户在创建布控任务时,已经掌握了目标对象的一些信息,包括其涉嫌的违法事件,其在相关部门登记的身份信息,甚至拍到其违法过程的监控视频,因此办案人员可以基于这些信息分析得到该目标对象的特征信息。进而通过布控平台提供的人机交互界面,将该目标对象的特征信息输入至布控平台,创建布控任务。创建布控界面可以参考图4。
另一种方式可以是根据已采集到的监控视频获取特征信息。对于目标对象造成的违法事件,可以通过现场附近的摄像机拍摄的监控视频掌握目标对象的违法证据,但由于现场附近的摄像机可能会拍摄大量的监控视频,因此需要先对这些监控视频进行筛选,只选取和违法事件相关的视频,然后根据这段视频获取目标对象的特征信息。例如,目标对象在违法现场的截图,然后通过图像识别在相关部门的信息库中获取该目标对象的特征信息。
需要说明的是,还可以采用其他方式获取目标对象的特征信息,例如上述两种方式的结合,本申请对此不做具体限定。
目标监控视频中拍到了疑似对象,该疑似对象和目标对象的相似度大于设定阈值。摄像机可能会24小时不间断的进行拍摄,那么对于布控平台来讲,大部分的监控视频可能是没有用的,因此首先要做的是对已经获取到的监控视频进行识别和筛选,只选出包含疑似对象的目标监控视频。已经获取到的监控视频可以是某一区域范围内(例如全市)的所有摄像机在某一时间范围内(例如近一周内)拍摄的监控视频,也可以是某一区域范围内(例如某一行政区)的部分摄像机(需要用户手动选取,或者基于某一设定条件自动筛选)在某一时间范围内(例如近一个月内)拍摄的监控视频。前述区域范围、参与的摄像机和时间范围均可根据需要进行设定或根据设定的条件自动筛选,对此不做具体限定。
历史行踪包括疑似对象的多个停留地点,以及疑似对象在各个停留地点出现的时间和次数。历史行踪可以便于办案人员分析出疑似对象曾经露面的地点,疑似对象可能对这些地点比较熟悉,是其最容易选择躲藏的地方,因此可以在疑似对象经常出现的地方部署追捕人员,也可以据此预测疑似对象可能逃逸的路线。
为了便于掌握疑似对象的逃逸路线,实时移动信息包括疑似对象当前位置、移动方向和移动速度,可以便于办案人员准确掌握疑似对象当前的方位。
已知疑似对象的当前位置,并且知道疑似对象的移动方向,那么可以根据当前位置在地图中定位出疑似对象当前所在的道路,从地图上找到疑似对象当前所在的道路在移动方向上的下一个岔路口作为疑似对象即将到达的岔路口。岔路口通常是指道路分岔的地方,一条道路从岔路口开始分出了多条道路。岔路口对应的至少三条道路中,其中之一是疑似对象当前所在的道路,那么到达岔路口时,疑似对象可能还有至少两个道路作为待选道路,本申请可以对该至少两条待选道路进行预测,得到疑似对象选择其中一条待选道路的可能性。
对于办案人员来讲,为了提高追捕的效率,首要目标是从上述可能逃逸的至少两条道路中,预测疑似对象会继续选择走哪一条路,进而提前在该道路上部署追捕人员,等待疑似对象落网。
本申请在上述获取到疑似对象移动方向上的各个行进道路的实现概率并在人机交互界面上予以显示的基础上,同步在实时监控界面上显示疑似对象移动方向上的各个行进道路的实时监控视频,一方面可以针对疑似对象的行为,缩短预测时长,提高预测效率和准确率,以及时部署追捕人员,确保追捕成功,另一方面给用户提供实时监控画面,协助办案人员快速聚焦关键有价值的信息,提高办案效率。
在一种可能的实现方式中,所述根据所述历史行踪,以及所述至少两条待选道路的红绿灯状态和拥堵状态预测所述至少两条待选道路各自的实现概率,包括:将所述红绿灯状态、所述历史行踪以及所述拥堵状态输入第一神经网络得到所述实现概率,所述第一神经网络是经训练的到的,且具备概率计算功能;其中,所述红绿灯状态的权重大于所述历史行踪的权重,所述历史行踪的权重大于所述拥堵状态的权重。
红绿灯状态的获取包括:根据当前位置、移动方向和移动速度获取疑似对象到达疑似对象即将到达的岔路口的预测时间,获取预测时间对应的红绿灯状态。
红绿灯的状态是频繁变化的,因此可以根据疑似人员的当前位置、移动方向和移动速度,计算出疑似人员到达下一个岔路口的预测时间,然后通过相关部门的红绿灯设置预先获取该预测时间对应的红绿灯状态。在岔路口处,如果某条道路是红灯状态,除必须选择这条路的情况,通常人们会另选一条路,尤其是对于可能已经知道自己被追捕的疑似对象,更是不可能在岔路口处等绿灯。因此疑似人员到达下一个岔路口时的红绿灯状态,可以作为一个预测道路的实现概率的因素,甚至可以作为首要因素。
拥堵状态的获取可以包括:根据地图提供的路况信息获取拥堵状态,该地图具备路况统计功能。目前很多电子地图都可以给用户提供实时道路拥堵状况的提示,例如,在用户设置的行驶路线上,用红色表示拥堵路段,用绿色表示通畅路段。本申请可以通过与地图进行交互,获取到至少两条待选道路的拥堵状态。
按照行为学的统计,人们的日常的活动空间大致可以分为居住、工作和休闲三类,居住地和工作地通常是停留频次最高、停留时间最长的地方,除此之外,休闲地(例如,人们经常外出就餐的餐厅,娱乐休闲的场所,逛街的商场等)也是人们较为熟悉和常去的地方。因此,办案人员一般会把疑似对象的居住地和工作地作为首选追捕地点,其次是疑似对象的休闲场所。可见,疑似对象常去的地方是一个部署追捕行动的较佳选择。本申请中,对疑似人员出现过的历史地点进行统计,可以获取疑似对象常去的地方,结合疑似人员出现过的历史时间,可以进一步获取疑似对象常在哪个时间段去哪些地方,进而总结出疑似对象的历史行踪。
由此可见,红绿灯状态在预测待行进的至少两条道路的实现概率时占比最高,若道路对应的是绿灯,则该道路对应于红绿灯状态的实现概率分量高,若道路对应的是黄灯或红灯,则该道路对应于红绿灯状态的实现概率分量降低;再来,历史行踪在预测待行进的至少两条道路的实现概率时占比次高,若疑似对象在道路上多次被拍到,则该道路对应于历史行踪的实现概率分量高,若疑似对象在道路上被拍到的次数低于其他道路,甚至没有被拍到过,则该道路对应于历史行踪的实现概率分量降低;其次,拥堵状态在预测待行进的至少两条道路的实现概率时占比排第三,若道路的拥堵状态为通畅(标示为绿色),则该道路对应于拥堵状态的实现概率分量高,若道路的拥堵状态为非通畅(标示为深红色或大红色),则该道路对应于拥堵状态的实现概率分量降低。
在一种可能的实现方式中,所述历史行踪包括所述疑似对象的多个停留地点,以及所述疑似对象在各个所述停留地点出现的时间和次数;所述根据所述多个目标监控视频获取所述疑似对象的历史行踪,包括:将一个或多个第一视频的拍摄地点作为第一停留地点,所述第一停留地点是所述多个停留地点中的任意一个,所述一个或多个第一视频是位于所述第一停留地点的摄像机拍到的,所述多个目标监控视频包括所述一个或多个第一视频;将所述一个或多个第一视频的拍摄时间作为所述疑似对象在所述第一停留地点出现的时间;将所述一个或多个第一视频的个数作为所述疑似对象在所述第一停留地点出现的次数。
摄像机拍摄监控视频时可以在监控视频中打上时间戳,以记录各个监控视频的拍摄时间,那么疑似对象出现在监控视频的画面中的时间可以记录为该疑似对象出现的一个历史时间。摄像机的位置可以代表该摄像机拍摄的监控视频中的人物和事件的发生位置,因此拍摄到出现疑似对象的监控视频的摄像机所处的位置即可记录为疑似对象出现的一个历史地点。
在一种可能的实现方式中,所述实时移动信息包括所述疑似对象当前位置、移动方向和移动速度。
第一监控视频是目标监控视频中拍摄时间最晚的,即可以认为,第一监控视频的拍摄时间是所有目标监控视频中与当前的布控行动间隔时间最短的。疑似对象可能当前正处于移动状态中,根据第一监控视频首先可以根据拍摄第一监控视频的摄像机的位置对疑似对象进行定位,即使该定位不能代表疑似对象的最新位置,但按照常理该定位也离疑似对象的最新位置不会很远,这与疑似对象的移动速度、移动方向等有关。因此进一步的,根据对第一监控视频的分析,还可以获取疑似对象的移动速度和移动方向。
在一种可能的实现方式中,所述根据所述实时移动信息确定所述疑似对象即将到达的岔路口,包括:根据所述当前位置在地图中定位出所述疑似对象当前所在的道路;从所述地图上找到所述疑似对象当前所在的道路在所述移动方向上的下一个岔路口作为所述疑似对象即将到达的岔路口。
在一种可能的实现方式中,所述根据所述实时移动信息确定所述疑似对象即将到达的岔路口之后,还包括:根据所述当前位置、所述移动方向和所述移动速度获取所述疑似对象到达所述疑似对象即将到达的岔路口的预测时间,获取所述预测时间对应的所述红绿灯状态;根据所述地图提供的路况信息获取所述拥堵状态,所述地图具备路况统计功能。
在一种可能的实现方式中,所述根据所述特征信息获取目标监控视频,包括:根据所述特征信息在已获取的监控视频中进行图像识别;当检测到所述疑似对象时,将包含所述疑似对象的图像帧均截选出来得到所述目标监控视频。
在一种可能的实现方式中,所述根据所述特征信息获取目标监控视频,包括:将所述特征信息和已获取的监控视频输入第二神经网络得到所述目标监控视频,所述第二神经网络是经训练得到,且具备图像识别功能。
第二方面,本申请提供一种布控平台,包括:显示模块,用于显示告警界面,所述告警界面包括告警列表,所述告警列表包括多个告警事件的表项,所述告警事件包括疑似对象的特征信息,所述疑似对象的特征信息以文字描述和/或以图片或视频呈现;接收模块,用于接收确认指令,所述确认指令用于指示用户在所述告警列表中选择的第一告警事件;处理模块,用于根据所述第一告警事件中的第一疑似对象的第一特征信息获取多个目标监控视频,所述目标监控视频中拍到了所述第一疑似对象,所述第一疑似对象和目标对象的相似度大于设定阈值;根据所述多个目标监控视频获取所述第一疑似对象的历史行踪;根据第一监控视频获取所述第一疑似对象的实时移动信息,所述第一监控视频是所述多个目标监控视频中拍摄时间最晚的;根据所述实时移动信息确定所述第一疑似对象即将到达的岔路口,所述岔路口对应至少三条道路,所述至少三条道路包括所述第一疑似对象当前所在的道路和至少两条待选道路;根据所述历史行踪,以及所述至少两条待选道路的红绿灯状态和拥堵状态预测所述至少两条待选道路各自的实现概率,所述实现概率用于表示所述第一疑似对象选择对应的待选道路的可能性;所述显示模块,还用于在地图上显示所述至少两条待选道路各自的实现概率。
在一种可能的实现方式中,所述处理模块,具体用于将所述红绿灯状态、所述历史行踪以及所述拥堵状态输入第一神经网络得到所述实现概率,所述第一神经网络是经训练的到的,且具备概率计算功能;其中,所述红绿灯状态的权重大于所述历史行踪的权重,所述历史行踪的权重大于所述拥堵状态的权重。
在一种可能的实现方式中,所述历史行踪包括所述第一疑似对象的多个停留地点,以及所述第一疑似对象在各个所述停留地点出现的时间和次数;所述处理模块,具体用于将一个或多个第一视频的拍摄地点作为第一停留地点,所述第一停留地点是所述多个停留地点中的任意一个,所述一个或多个第一视频是位于所述第一停留地点的摄像机拍到的,所述多个目标监控视频包括所述一个或多个第一视频;将所述一个或多个第一视频的拍摄时间作为所述第一疑似对象在所述第一停留地点出现的时间;将所述一个或多个第一视频的个数作为所述第一疑似对象在所述第一停留地点出现的次数。
在一种可能的实现方式中,所述实时移动信息包括所述第一疑似对象当前位置、移动方向和移动速度。
在一种可能的实现方式中,所述处理模块,具体用于根据所述当前位置在地图中定位出所述第一疑似对象当前所在的道路;从所述地图上找到所述第一疑似对象当前所在的道路在所述移动方向上的下一个岔路口作为所述第一疑似对象即将到达的岔路口。
在一种可能的实现方式中,所述处理模块,还用于根据所述当前位置、所述移动方向和所述移动速度获取所述第一疑似对象到达所述第一疑似对象即将到达的岔路口的预测时间,获取所述预测时间对应的所述红绿灯状态;根据所述地图提供的路况信息获取所述拥堵状态,所述地图具备路况统计功能。
在一种可能的实现方式中,所述处理模块,具体用于根据所述第一特征信息在已获取的监控视频中进行图像识别;当检测到所述第一疑似对象时,将包含所述第一疑似对象的图像帧均截选出来得到所述目标监控视频。
在一种可能的实现方式中,所述处理模块,具体用于将所述第一特征信息和已获取的监控视频输入第二神经网络得到所述目标监控视频,所述第二神经网络是经训练得到,且具备图像识别功能。
在一种可能的实现方式中,所述显示模块,还用于显示创建布控界面,所述创建布控界面包括多个信息输入控件,所述多个信息输入控件对应于多个外形特征;所述接收模块,还用于接收用户在所述创建布控界面上输入的目标对象的特征信息,所述目标对象的特征信息以文字描述和/或以图片或视频呈现;所述处理模块,还用于当根据所述目标对象的特征信息在监控视频中检测到疑似对象时,触发与所述疑似对象对应的告警事件,所述疑似对象和所述目标对象的相似度大于设定阈值;所述显示模块,还用于将所述与所述疑似对象对应的告警事件添加至所述告警界面的所述告警列表中。
在一种可能的实现方式中,所述显示模块,还用于在所述地图上对应于所述多个停留地点的位置分别显示停留标识,所述停留标识于指示所述第一疑似对象在对应的停留地点出现过。
在一种可能的实现方式中,所述显示模块,还用于在所述地图上对应于所述多个停留地点的位置分别显示所述第一疑似对象在对应的停留地点出现的时间、次数和视频截图中的一个或多个,所述视频截图是在所述停留地点拍摄的所述目标监控视频的任意一张截图。
在一种可能的实现方式中,所述接收模块,还用于接收查看指令,所述查看指令用于指示用户在所述地图上点击的所述停留标识;所述显示模块,还用于显示历史行踪列表,所述历史行踪列表包括所述第一疑似对象在对应于所述用户在所述地图上点击的所述停留标识的停留地点出现的时间、次数和视频截图中的一个或多个。
在一种可能的实现方式中,所述显示模块,还用于显示实时监控界面,所述实时监控界面以多宫格的方式呈现,所述多宫格对应多个摄像机,一个所述宫格用于显示对应摄像机拍摄的监控视频;所述多个摄像机包括拍摄第一监控视频的第一摄像机,所述第一监控视频是所述目标监控视频中拍摄时间最晚的;所述多个摄像机还包括分别位于所述至少两条待选道路上的至少两个摄像机。
在一种可能的实现方式中,所述显示模块,具体用于当第二摄像机拍摄到所述第一疑似对象时,所述第二摄像机对应的宫格显示所述第二摄像机拍摄的监控视频,所述第二摄像机为所述至少两个摄像机的其中之一;或者,所述多宫格均显示对应的摄像机拍摄的监控视频,其中,当所述第二摄像机拍摄到所述疑似对象时,所述第二摄像机对应的宫格显示特定的标识。
在一种可能的实现方式中,第一位置关系和第二位置关系一致,其中,所述第一位置关系是所述至少两个摄像机分别对应的宫格和所述第一摄像机对用的宫格的位置关系,所述第二位置关系是参照所述地图的方向,所述至少两个摄像机所在位置和所述第一摄像机所在位置的位置关系。
在一种可能的实现方式中,第一位置关系和第三位置关系一致,其中,所述第一位置关系是所述至少两个摄像机分别对应的宫格和所述第一摄像机对用的宫格的位置关系,所述第三位置关系是参照所述第一疑似对象的移动方向,所述至少两个摄像机所在位置和所述第一摄像机所在位置的位置关系。
在一种可能的实现方式中,还包括:发送模块,用于发送告警信息,所述告警信息包括所述第一特征信息和所述实时移动信息。
第三方面,本申请提供一种设备,包括:一个或多个处理器;存储器,用于存储一个或多个程序;当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如上述第一方面中任一项所述的方法。
第四方面,本申请提供一种计算机可读存储介质,包括计算机程序,所述计算机程序在计算机上被执行时,使得所述计算机执行上述第一方面中任一项所述的方法。
第五方面,本申请提供一种计算机程序,当所述计算机程序被计算机执行时,用于执行上述第一方面中任一项所述的方法。
附图说明
图1示出了本申请提供的布控系统实施例的示例性的结构示意图;
图2示出了本申请提供的布控平台实施例的示例性的结构示意图;
图3示出了本申请提供的目标对象的布控方法实施例的示例性的流程图;
图4示出了人机交互界面的创建布控界面的示例性的示意图;
图5示出了人机交互界面的布控列表界面的示例性的示意图;
图6a示出了人机交互界面的告警界面的示例性的示意图;
图6b示出了人机交互界面的告警界面的示例性的示意图;
图7a示出了人机交互界面的拒绝告警事件界面的示例性的示意图;
图7b示出了人机交互界面的告警删除界面的示例性的示意图;
图8a示出了人机交互界面的确认告警事件界面的示例性的示意图;
图8b示出了人机交互界面的告警确认界面的示例性的示意图;
图9a示出了人机交互界面的历史行踪界面的示例性的示意图;
图9b示出了人机交互界面的历史行踪界面的示例性的示意图;
图10示出了人机交互界面的实现概率界面的示例性的示意图;
图11a和图11b示出了实时监控界面的示例性的示意图;
图12a和图12b示出了实时监控界面的示例性的示意图;
图13为本申请布控平台实施例的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请中的附图,对本申请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取的所有其他实施例,都属于本申请保护的范围。
本申请的说明书实施例和权利要求书及附图中的术语“第一”、“第二”等仅用于区分描述的目的,而不能理解为指示或暗示相对重要性,也不能理解为指示或暗示顺序。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元。方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解,在本申请中,“至少一个(项)”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,用于描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:只存在A,只存在B以及同时存在A和B三种情况,其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达,是指这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b或c中的至少一项(个),可以表示:a,b,c,“a和b”,“a和c”,“b和c”,或“a和b和c”,其中a,b,c可以是单个,也可以是多个。
相关技术中,一些嫌疑对象的布控平台可以通过算法对各处的摄像机拍到的监控视频进行识别,从中找出嫌疑对象,进而分析出嫌疑对象的历史行踪,包括其露面的位置、时间等,有利于办案人员对嫌疑对象进行行为分析,进而预测其未来行踪。这样大大缩短了锁定嫌疑对象的时长,减少了人力消耗,可以提高办案效率。但是针对未来行踪的预测,过于依赖办案人员的资历和经验,很可能预测的逃逸路线是错误的,那么据此部署的追捕计划也是无效的。因此,如何快速且有效的利用监控视频成为一个追捕嫌疑对象的关键。
为解决上述技术问题,本申请提供了一种目标对象的布控方法。嫌疑对象可以包括嫌疑人员和/或嫌疑车辆,其中,嫌疑人员可以是被记录在案的逃犯、正在侦测的违法事件的相关人等,嫌疑车辆可以是前述嫌疑人员登记或常用的车辆、交通事故的肇事车辆等。布控是指对嫌疑对象的行踪予以监控。
图1示出了本申请提供的布控系统实施例的示例性的结构示意图,如图1所示,该布控系统包括摄像机和布控平台。
其中,摄像机部署在城市的路口、公共场所、小区、电梯等多处地方,全天候采集各处的画面。摄像机包括普通摄像机和智能摄像机,普通摄像机可以24小时不间断的拍摄其视场角内的画面,白天光线充足时,以普通模式拍摄,晚上光线不足时,以红外模式拍摄;智能摄像机除了可以拍摄其视场角内的画面外,还可以基于预先设置的算法或规则对拍摄的监控视频进行识别,从中检测是否存在目标对象,该目标对象是指期望拍摄的对象,例如,抓捕嫌疑人员时,预先在智能摄像机中录入该嫌疑人员的照片,智能摄像机基于该照片对拍摄的监控视频进行识别,当识别到疑似的嫌疑人员时,发出告警信息,或者在视频中将疑似的嫌疑人员标识出来,或者对包含疑似的嫌疑人员的视频或图像进行截取。摄像机对拍摄的到的监控视频可以实时的上传至布控平台,也可以先暂时存在本地,再按照设定的周期定期上传至布控平台,还可以长期存储在本地,直到办案人员通过布控平台调取时才上传至布控平台。摄像机可以根据存储能力对本地存储的监控视频进行删除,例如当存储空间告警时从最早拍摄的监控视频开始删除,又例如最新拍摄的监控视频直接覆盖最早拍摄的监控视频。本申请对上述各种情况均不做具体限定。
布控平台可以部署在办案人员的指挥中心或摄像机的控制中心等地,由硬件设备和软件共同实现,除了必要的运算能力外,还提供了人机交互功能,以便于办案人员输入信息和查看布控结果。通过布控平台,办案人员可以调取某一摄像机拍摄的监控视频进行查看,也可以调取某一摄像机查看该摄像机实时拍摄的画面。布控平台还可以利用机器的大数据运算能力,对嫌疑对象的行踪进行预测,给办案人员的追捕行动提供辅助。布控平台的功能并非限定于此,下文会对其进行详细的说明。
在一种可能的实现方式中,布控系统还可以包括终端。布控平台可以与终端通信,向终端发送告警信息、追踪信息等,以便于持有终端的办案人员可以实时获悉告警事件的发生、追捕行动的进展、嫌疑对象的行踪等,提高办案效率。前述终端也可以称为用户设备(user equipment,UE)、接入终端、移动设备或无线通信设备。例如可以是手机(mobilephone)、平板电脑(Pad)、带无线收发功能的电脑、智慧城市(smart city)中的无线终端、智慧家庭(smart home)中的无线终端等等。本申请中将前述终端及可设置于前述终端的芯片统称为终端。
在一种可能的实现方式中,布控系统还可以包括接入网设备,接入网设备可以与摄像机、布控平台以及终端建立无线连接,摄像机和布控平台、布控平台和终端之间也可以建立无线连接。前述接入网设备可以是接入网侧用于支持终端接入通信系统的设备,接入网设备可以称为基站(base station,BS),例如,可以是2G接入技术通信系统中的基站收发信台(base transceiver station,BTS)和基站控制器(base station controller,BSC)、3G接入技术通信系统中的节点B(node B)和无线网络控制器(radio network controller,RNC)、4G接入技术通信系统中的演进型基站(evolved nodeB,eNB)、5G接入技术通信系统中的下一代基站(next generation nodeB,gNB)、发送接收点(transmission receptionpoint,TRP)、中继节点(relay node)、接入点(access point,AP)等等。
应理解,图1中仅为便于理解,示意性地示出了一个布控系统,但这不应对本申请构成任何限定,该布控系统中还可以包括更多数量的摄像机、终端、接入网设备和/或布控平台,本申请对此不做具体限定。
图2示出了本申请提供的布控平台实施例的示例性的结构示意图,如图2所示,布控平台200可以对应各方法实施例中的布控平台。布控平台200包括一个或多个处理单元201。处理单元201具体可以为处理器。
布控平台200还可以包括一个或多个存储单元202以及一个或多个通信接口203。存储单元202用于存储计算机程序和/或数据。通信接口203用于发送或接收在无线通信链路上传输的通信信号。存储单元202具体可以为存储器,通信接口203可以为输入/输出接口或者收发电路。
可选地,存储单元202可以是和处理单元201处于同一芯片上的存储单元,即片内存储单元,也可以是与处理单元201处于不同芯片上的存储单元,即片外存储单元。本申请对此不做具体限定。
此外,布控平台200还可以包括应用程序204,该应用程序204存储于存储单元202中,由处理单元201调用并执行该应用程序,以实现本申请提供的目标对象的布控方法。应用程序204还提供了人机交互界面,以便于用户输入关键字,以及观看输出结果。需要说明的是,本申请中的用户可以是指布控平台的管理员、办案人员、追捕行动的指挥官、追捕人员等参与对嫌疑人员布控和追捕的任何人,对此不做具体限定。
图3示出了本申请提供的目标对象的布控方法实施例的示例性的流程图,如图3所示,该过程300可以应用于图1所示的布控系统,其执行主体可以是图1或图2中的布控平台。过程300描述为一系列的步骤或操作,应当理解的是,过程300可以以各种顺序执行和/或同时发生,不限于图3所示的执行顺序。该目标对象的布控方法可以包括:
步骤301、获取目标对象的特征信息。
目标对象(包括目标人员和/或目标车辆)的特征信息可以以文字描述,例如,目标人员的性别、年龄、身高、胖瘦、衣着等,目标车辆的车牌、颜色、品牌、车型等,这些外形特征均可以通过文字描述。特征信息也可以以图片或视频呈现,例如,目标人员或目标车辆的照片、视频等,图片或视频可以很直观的表达目标对象的特征,尤其是目标对象的外貌、衣着、外观等。需要说明的是,特征信息还可以包括其他形式的信息,例如声音信息,本申请对此不做具体限定。
布控平台可以通过以下两种方式获取上述特征信息:
一种方式可以是接收用户的输入信息,该输入信息中包括特征信息。用户在创建布控任务时,已经掌握了目标对象的一些信息,包括其涉嫌的违法事件,其在相关部门登记的身份信息,甚至拍到其违法过程的监控视频,因此办案人员可以基于这些信息分析得到该目标对象的特征信息。进而通过布控平台提供的人机交互界面,将该目标对象的特征信息输入至布控平台,创建布控任务。创建布控界面可以参考图4。
另一种方式可以是根据已采集到的监控视频获取特征信息。对于目标对象造成的违法事件,可以通过现场附近的摄像机拍摄的监控视频掌握目标对象的违法证据,但由于现场附近的摄像机可能会拍摄大量的监控视频,因此需要先对这些监控视频进行筛选,只选取和违法事件相关的视频,然后根据这段视频获取目标对象的特征信息。例如,目标对象在违法现场的截图,然后通过图像识别在相关部门的信息库中获取该目标对象的特征信息。
需要说明的是,还可以采用其他方式获取目标对象的特征信息,例如上述两种方式的结合,本申请对此不做具体限定。
步骤302、根据特征信息获取多个目标监控视频。
目标监控视频中拍到了疑似对象,该疑似对象和目标对象的相似度大于设定阈值。摄像机可能会24小时不间断的进行拍摄,那么对于布控平台来讲,大部分的监控视频可能是没有用的,因此首先要做的是对已经获取到的监控视频进行识别和筛选,只选出包含疑似对象的目标监控视频。已经获取到的监控视频可以是某一区域范围内(例如全市)的所有摄像机在某一时间范围内(例如近一周内)拍摄的监控视频,也可以是某一区域范围内(例如某一行政区)的部分摄像机(需要用户手动选取,或者基于某一设定条件自动筛选)在某一时间范围内(例如近一个月内)拍摄的监控视频。前述区域范围、参与的摄像机和时间范围均可根据需要进行设定或根据设定的条件自动筛选,对此不做具体限定。
当用户创建了布控任务后,在布控期限内,布控平台调取布控区域内的普通摄像机拍摄的监控视频,根据目标对象的特征信息对这些监控视频进行图像识别,检测其中是否包含与目标对象的相似度超过阈值的疑似对象。或者,布控平台将目标对象的特征信息和已经获取的这些监控视频输入神经网络,由神经网络输出目标监控视频。或者,布控区域内的智能摄像机自动对拍摄的监控视频进行图像识别,检测其中是否包含与目标对象的相似度超过阈值的疑似对象。前述阈值通常是预先设定的经验值,认为目标对象和疑似对象的相似度超过该阈值,疑似对象是目标对象的可能性较高,甚至能达到百分百确定。
一旦在某个监控视频中检测到上述疑似对象,布控平台即可锁定该疑似对象,从中将包含该疑似对象的图像帧截选出来得到目标监控视频,并继续执行后续的步骤对该疑似对象实施追踪。截选过程可以从已经获取到的监控视频中,从第一个检测到疑似对象的图像帧开始,到最后一个检测到疑似对象的图像帧,全部截选出来得到目标监控视频。例如,目标对象的特征信息包括:男,40岁,175厘米,身着白色polo衫、黑色长裤,以及包含该目标人员的人脸和全身的监控视频截图,基于这些信息在已经获取到的监控视频中进行图像识别,找到疑似该目标对象的人即为疑似对象,然后截选包含该疑似对象的视频作为目标监控视频。
步骤303、根据多个目标监控视频获取疑似对象的历史行踪。
历史行踪包括疑似对象的多个停留地点,以及疑似对象在各个停留地点出现的时间和次数。历史行踪可以便于办案人员分析出疑似对象曾经露面的地点,疑似对象可能对这些地点比较熟悉,是其最容易选择躲藏的地方,因此可以在疑似对象经常出现的地方部署追捕人员,也可以据此预测疑似对象可能逃逸的路线。
在一种可能的实现方式中,可以将一个或多个第一视频的拍摄地点作为第一停留地点,该第一停留地点是多个停留地点中的任意一个,该一个或多个第一视频是位于第一停留地点的摄像机拍到的,多个目标监控视频包括一个或多个第一视频;将一个或多个第一视频的拍摄时间作为疑似对象在第一停留地点出现的时间;将一个或多个第一视频的个数作为疑似对象在第一停留地点出现的次数。
摄像机拍摄监控视频时可以在监控视频中打上时间戳,以记录各个监控视频的拍摄时间,那么疑似对象出现在监控视频的画面中的时间可以记录为该疑似对象出现的一个历史时间。摄像机的位置可以代表该摄像机拍摄的监控视频中的人物和事件的发生位置,因此拍摄到出现疑似对象的监控视频的摄像机所处的位置即可记录为疑似对象出现的一个历史地点。
步骤304、根据第一监控视频获取疑似对象的实时移动信息。
为了便于掌握疑似对象的逃逸路线,实时移动信息包括疑似对象当前位置、移动方向和移动速度,可以便于办案人员准确掌握疑似对象当前的方位。
第一监控视频是目标监控视频中拍摄时间最晚的,即可以认为,第一监控视频的拍摄时间是所有目标监控视频中与当前的布控行动间隔时间最短的。疑似对象可能当前正处于移动状态中,根据第一监控视频首先可以根据拍摄第一监控视频的摄像机的位置对疑似对象进行定位,即使该定位不能代表疑似对象的最新位置,但按照常理该定位也离疑似对象的最新位置不会很远,这与疑似对象的移动速度、移动方向等有关。因此进一步的,根据对第一监控视频的分析,还可以获取疑似对象的移动速度和移动方向。
步骤305、根据实时移动信息确定疑似对象即将到达的岔路口。
该岔路口对应至少三条道路,至少三条道路包括疑似对象当前所在的道路和至少两条待选道路。
已知疑似对象的当前位置,并且知道疑似对象的移动方向,那么可以根据当前位置在地图中定位出疑似对象当前所在的道路,从地图上找到疑似对象当前所在的道路在移动方向上的下一个岔路口作为疑似对象即将到达的岔路口。岔路口通常是指道路分岔的地方,一条道路从岔路口开始分出了多条道路。岔路口对应的至少三条道路中,其中之一是疑似对象当前所在的道路,那么到达岔路口时,疑似对象可能还有至少两个道路作为待选道路,本申请可以对该至少两条待选道路进行预测,得到疑似对象选择其中一条待选道路的可能性。
步骤306、根据历史行踪,以及至少两条待选道路的红绿灯状态和拥堵状态预测至少两条待选道路各自的实现概率。
该实现概率即用于表示疑似对象选择对应的待选道路的可能性。
对于办案人员来讲,为了提高追捕的效率,首要目标是从上述可能逃逸的至少两条道路中,预测疑似对象会继续选择走哪一条路,进而提前在该道路上部署追捕人员,等待疑似对象落网。
本申请可以结合步骤303中获取的历史行踪,以及至少两条待选道路各自的路况、红绿灯状态等,获取该至少两条待选道路各自的实现概率。若疑似对象真是走在了道路1上,那么道路1的实现概率就是100%,那么剩下的道路2的实现概率就是0,因此实现概率的取值范围为[0,100%]。
在一种可能的实现方式中,将红绿灯状态、历史行踪以及拥堵状态输入神经网络得到实现概率,该神经网络是经训练的到的,且具备概率计算功能;其中,红绿灯状态的权重大于历史行踪的权重,历史行踪的权重大于拥堵状态的权重。训练引擎可以基于训练数据训练得到前述神经网络,训练数据可以包括红绿灯状态、历史行踪以及拥堵状态的多组数值,这三种参考因素的权重,以及三种参考因素的约束条件等。
其中,红绿灯状态的获取包括:根据当前位置、移动方向和移动速度获取疑似对象到达疑似对象即将到达的岔路口的预测时间,获取预测时间对应的红绿灯状态。
红绿灯的状态是频繁变化的,因此可以根据疑似人员的当前位置、移动方向和移动速度,计算出疑似人员到达下一个岔路口的预测时间,然后通过相关部门的红绿灯设置预先获取该预测时间对应的红绿灯状态。在岔路口处,如果某条道路是红灯状态,除必须选择这条路的情况,通常人们会另选一条路,尤其是对于可能已经知道自己被追捕的疑似对象,更是不可能在岔路口处等绿灯。因此疑似人员到达下一个岔路口时的红绿灯状态,可以作为一个预测道路的实现概率的因素,甚至可以作为首要因素。
拥堵状态的获取可以包括:根据地图提供的路况信息获取拥堵状态,该地图具备路况统计功能。目前很多电子地图都可以给用户提供实时道路拥堵状况的提示,例如,在用户设置的行驶路线上,用红色表示拥堵路段,用绿色表示通畅路段。本申请可以通过与地图进行交互,获取到至少两条待选道路的拥堵状态。
按照行为学的统计,人们的日常的活动空间大致可以分为居住、工作和休闲三类,居住地和工作地通常是停留频次最高、停留时间最长的地方,除此之外,休闲地(例如,人们经常外出就餐的餐厅,娱乐休闲的场所,逛街的商场等)也是人们较为熟悉和常去的地方。因此,办案人员一般会把疑似对象的居住地和工作地作为首选追捕地点,其次是疑似对象的休闲场所。可见,疑似对象常去的地方是一个部署追捕行动的较佳选择。本申请中,对疑似人员出现过的历史地点进行统计,可以获取疑似对象常去的地方,结合疑似人员出现过的历史时间,可以进一步获取疑似对象常在哪个时间段去哪些地方,进而总结出疑似对象的历史行踪。
由此可见,红绿灯状态在预测待行进的至少两条道路的实现概率时占比最高,若道路对应的是绿灯,则该道路对应于红绿灯状态的实现概率分量高,若道路对应的是黄灯或红灯,则该道路对应于红绿灯状态的实现概率分量降低;再来,历史行踪在预测待行进的至少两条道路的实现概率时占比次高,若疑似对象在道路上多次被拍到,则该道路对应于历史行踪的实现概率分量高,若疑似对象在道路上被拍到的次数低于其他道路,甚至没有被拍到过,则该道路对应于历史行踪的实现概率分量降低;其次,拥堵状态在预测待行进的至少两条道路的实现概率时占比排第三,若道路的拥堵状态为通畅(标示为绿色),则该道路对应于拥堵状态的实现概率分量高,若道路的拥堵状态为非通畅(标示为深红色或大红色),则该道路对应于拥堵状态的实现概率分量降低。
例如,疑似对象待行进的道路有3条(道路1、道路2和道路3),获取到的红绿灯状态包括:道路1和道路2均对应绿灯,道路3对应红灯,则道路3对应于红绿灯状态的实现概率分量降低,即道路1对应于红绿灯状态的实现概率分量和道路2对应于红绿灯状态的实现概率分量相等、且高于道路3对应于红绿灯状态的实现概率分量。疑似对象的历史行踪包括:道路1上疑似对象被拍到了5次,道路2上疑似对象被拍到了3次,道路3上疑似对象被拍到了1次,则道路1对应于历史行踪的实现概率分量大于道路2对应于历史行踪的实现概率分量大于道路3对应于历史行踪的实现概率分量。拥堵状态包括:道路1通畅,道路2和道路3均发生拥堵,则道路2和道路3各自对用于拥堵状态的实现概率分量降低,道路1对应于拥堵状态的实现概率分量大于道路2和道路3各自对用于拥堵状态的实现概率分量。结合红绿灯状态、历史行踪以及拥堵状态三种参考因素的权重进行加权计算,可以确定3条待行进的道路的实现概率排序为道路1大于道路2大于道路3,其中,道路1的实现概率为85%,道路2的实现概率为65%,道路3的实现概率为15%。
上述获取至少两条待选道路的实现概率的方法相较于凭办案人员的主观经验判断,既可以缩短预测时长,提高效率,又可以提升预测结果的准确率。
获取到至少两条待选道路的实现概率后,布控平台可以将其显示与人机交互界面上给用户看。可选的,可以在地图上对应于停留地点的位置显示停留标识信息,该停留标识信息用于表示疑似对象在停留地点出现过。例如,如图10所示,疑似对象待行进的道路有3条(道路1、道路2和道路3),在地图上位于道路1的位置显示道路1的实现概率85%,在地图上位于道路2的位置显示道路1的实现概率65%,在地图上位于道路3的位置显示道路3的实现概率15%。
当用户看到人机交互界面上显示的各个道路的实现概率后,可以根据实现概率在相应的道路上提前部署追捕人员。例如,在道路1部署较多的追捕人员,道路2次之,道路3可以部署少量甚至不用部署追捕人员;或者在办案人员有限的情况下,只在道路1部署追捕人员;等等。这样由于提前部署了追捕人员,无需再大街小巷的追着疑似对象跑,既容易跟丢,也容易对路人造成干扰,一旦疑似对象走上办案人员预计的道路,追捕人员可以很快将其捕获。可选的,除了提前部署在疑似对象的待行进的道路上的追捕人员外,也可以在疑似对象最后被拍到的摄像机的附近部署追捕人员,这些追捕人员沿着疑似对象的移动方向追赶疑似对象,这样前后夹击,更容易将其捕获。追捕人员可以根据办案人员的实时位置,就近部署。
在一种可能的实现方式中,布控平台还可以在人机交互界面上显示历史行踪列表,该历史行踪列表包括疑似对象在停留地点出现的次数和时间。进一步的,历史行踪列表还可以包括在停留地点拍摄的目标图像,该目标图像是从位于该停留地点的摄像机拍摄的目标监控视频中截取的,例如,如图9a和图9b所示。
在上述步骤305中已经预测得到了该3条道路的实现概率,用户可以根据各条道路的实现概率部署追捕人员。在一种可能的实现方式中,为了提高追捕的效率,确保追捕成功,布控平台还可以辅助以实时监控界面。该实时监控界面以多宫格的方式呈现,该多宫格对应多个摄像机,一个宫格用于显示对应摄像机拍摄的监控视频。该多个摄像机包括拍摄第一监控视频的第一摄像机,第一监控视频是目标监控视频中拍摄时间最晚的,该多个摄像机还包括分别位于至少两条待选道路上的至少两个摄像机。
实时监控界面用于给用户显示监控画面,其中第一宫格显示已经包含疑似对象的监控视频,该监控视频可以是所有目标监控视频中拍摄时间最接近当前时刻的,即该宫格用于播放截止当前时刻,最后拍摄到的包含疑似对象的监控视频。需要说明的是,当前时刻是指用户通过布控平台对疑似对象进行布控的过程中,布控平台上实时显示的时间。
除第一宫格外,其他宫格显示可能会拍摄到疑似对象的摄像机拍摄的实时监控视频。可选的,可以对疑似对象待行进的至少两条道路分别分配至少一个宫格,其中任意一个宫格显示对应的道路上的其中一个摄像机(可选沿着移动方向最接近疑似对象的当前位置的摄像机)拍摄的监控视频。
例如,布控平台获取到疑似对象在道路0的下一个岔路口有3条可选择的道路(道路1、道路2和道路3),意味着疑似对象到达下一个岔路口时,可能会从这3条道路中选择一条走。因此可以给这3条道路分别分配至少一个宫格,例如,宫格1分配给道路1,则宫格1显示在道路1的沿路区域内的一个摄像机拍摄的实时监控视频;宫格2和3分配给道路2,则宫格2和3分别显示在道路2的沿路区域内的两个摄像机拍摄的实时监控视频;宫格4分配给道路3,则宫格4显示在道路3的沿路区域内的一个摄像机拍摄的实时监控视频。
在一种可能的实现方式中,实时监控界面可以同时点亮对应有摄像机的宫格,并显示对应的摄像机拍摄的监控视频,除上述第一宫格外,其他宫格对应的摄像机均不确定是否真能拍到疑似对象,因此若其他宫格对应的摄像机拍到了疑似对象,则在该摄像机对应的宫格上显示特定的标识,以向用户提示疑似对象出现在该摄像机的视场角范围内。特定的标识可以是一种设定的符号标记,例如五角星、叹号等。也可以是设定的颜色高亮,例如黄色、红色等。还可以是设定的文字提示,例如“此处发现疑似对象”。需要说明的是,本申请中特定的标识是一种提示性的信息,对其具体实现方式本申请不做具体限定。
在一种可能的实现方式中,实时监控界面可以只点亮拍到疑似对象的摄像机的宫格,并显示对应的摄像机拍到的包含疑似对象的监控视频。这样可以沿着疑似对象的移动轨迹,逐个点亮宫格,拆除掉用户并不关心的不包含疑似对象的监控视频。
在一种可能的实现方式中,上述多宫格中的第一位置关系和第二位置关系一致,其中,第一位置关系是至少两个摄像机分别对应的宫格和第一摄像机对用的宫格的位置关系,第二位置关系是参照地图的方向,至少两个摄像机所在位置和第一摄像机所在位置的位置关系。即按照地图的方位排布多宫格的位置,例如,如图11a和图11b所示。
在一种可能的实现方式中,上述多宫格中的第一位置关系和第三位置关系一致,其中,第一位置关系是至少两个摄像机分别对应的宫格和第一摄像机对用的宫格的位置关系,第三位置关系是参照疑似对象的移动方向,至少两个摄像机所在位置和第一摄像机所在位置的位置关系。即按照疑似对象的移动方向排布多宫格的位置,例如,如图12a和图12b所示。
本申请在上述获取到疑似对象移动方向上的各个行进道路的实现概率并在人机交互界面上予以显示的基础上,同步在实时监控界面上显示疑似对象移动方向上的各个行进道路的实时监控视频,一方面可以针对疑似对象的行为,缩短预测时长,提高预测效率和准确率,以及时部署追捕人员,确保追捕成功,另一方面给用户提供实时监控画面,协助办案人员快速聚焦关键有价值的信息,提高办案效率。
以下采用一个具体的实施例对本申请提供的目标对象的布控方法做进一步描述。
图4示出了人机交互界面的创建布控界面的示例性的示意图,如图4所示,当用户要对某个嫌疑对象实施布控时,可以在创建布控界面输入布控基本信息和告警接收信息。
其中,布控基本信息可以包括:布控名称(用户给新创建的布控任务起的名称,可以由该布控任务的关键字组成)、对象类型(布控任务的目标对象的类型,包括人或者车辆)、对象照片、布控区域(需要执行布控任务的地理范围,包括行政区域、街道或圈定区域等)、布控期限(布控任务的执行期限,即从创建布控任务开始到布控任务结束的时长)、布控等级(布控任务的重要重要性等级)和阈值(告警阈值,即在监控视频中检测到的疑似对象和目标对象的相似度超过该阈值时,发出告警)。例如,用户创建一个布控任务,其名称为××区嫌疑车辆布控。用户可以在布控名称对用的空白框中输入该名称;对象类型为车辆,表示用户创建的布控任务的目标对象是车辆。用户可以在对象类型对应的下拉菜单中选择目标对象的类型;对象照片是目标对象(嫌疑车辆)的一张照片。可选的,用户也可以添加该嫌疑车辆的多张照片,用户可以通过点击“+”按键从本地选取照片进行添加;布控区域是全部区域(例如市区内的所有行政区域)。用户可以在布控区域对应的下拉菜单中选择需要执行布控任务的地理范围。可选的,用户也可以在地图上圈出布控区域;布控期限是半个月。用户可以在布控期限对应的下拉菜单或下拉菜单的右侧选项中选择布控期限;布控等级是紧急。用户可以在布控等级对应的选项中点击布控等级;阈值是50。用户可以拖动阈值对应的滑块选择该阈值,也可以直接输入该阈值。
告警接收信息可以包括:告警接收人(当布控任务触发告警事件时,需要通知的人员)、通知方式(将告警事件通知给接收人的方式,包括系统推送、短信推送等)和描述。例如,告警接收人是一分队,表示该布控任务是分配给一分队的办案人员,由一分队实施追捕行动。用户可以在告警接收人对应的下拉菜单中选择告警接收人;通知方式包括系统推送和短信推送,表示该布控任务的相关信息可以显示于布控系统的告警列表中,由办案人员从告警列表中进行查看,还可以以短信的方式发送给一分队的办案人员,使其在手机上直接查看。用户可以在通知方式对应的下拉菜单中选择通知方式;描述是对布控任务的补充说明、关键信息提示或进一步描述。用户可以在描述对应的空白框中输入描述信息。
用户输入上述信息后,点击创建布控界面上的“确认”按键,即可生成一个布控任务。进入布控列表界面。
需要说明的是,图4是创建布控界面的一个示例,本申请对该界面的布局、控件实现方式等均不做具体限定。
图5示出了人机交互界面的布控列表界面的示例性的示意图,如图5所示,布控列表界面的上半部分显示布控任务的统计信息,包括:布控任务总数(尚未结束的所有布控任务的总数)、今日新增布控数、与昨日的比较(相较于昨日的总数和新增数的变化百分比)、各区域布控数量统计(各区域的累积布控任务数)、布控任务状态。例如,布控任务总数为147;今日新增布控数为35;总数同比昨日增加了0.3%;新增同比昨日增加了0.1%;以柱状图的方式显示A-E区的本年度累计布控数量分别为400+、600+、400+、800+和400;以环形饼图的方式显示处于待开始、进行中和已结束三种状态的布控任务的数量分别为124、105和360。
布控列表界面的下半部分显示全部布控任务,每个布控任务的表项中包括:布控任务名称(用户在创建布控界面输入的布控名称)、布控对象(用户在创建布控界面输入的目标对象的关键字)、创建人(布控任务的创建人)、创建时间(布控任务的创建时间)、告警数(布控任务从创建至今触发的告警事件的总数)和剩余天数(布控任务距离布控期限结束日期的剩余天数)。例如,布控任务的名称为××区嫌疑车辆布控;布控对象为车牌号为AM808的车辆;创建人为王建国(宝安分局),表示该布控任务是由宝安分局的王建国创建;创建时间为2019-02-01 15:21:01,表示创建人在图4所示的创建布控界面上创建该布控任务的时间。剩余天数为15天,表示该布控任务距离结束日期还有15天。又例如,布控任务的名称为张学友演唱会安保;布控对象为涉恐人员库,表示该布控任务没有明确的目标人员,将涉恐人员库中的所有人都作为目标对象;创建人为刘伟(罗湖分局);创建时间为2019-01-12 17:21:01;剩余天数为3天。
布控列表界面上还包括搜索和筛选控件,以便于用户输入关键字搜索布控任务或者筛选带有关键字的布控任务。
需要说明的是,图5是布控列表界面的一个示例,本申请对该界面的布局、控件实现方式等均不做具体限定。
当用户创建了布控任务后,在布控期限内,布控平台调取布控区域内的普通摄像机拍摄的监控视频,对这些监控视频进行图像识别,检测其中是否包含与目标对象的相似度超过阈值的疑似对象。或者布控区域内的智能摄像机自动对拍摄的监控视频进行图像识别,检测其中是否包含与目标对象的相似度超过阈值的疑似对象。一旦在某个监控视频中检测到上述疑似对象,立即触发一个告警事件,并该告警事件显示于告警界面的告警列表中。
图6a示出了人机交互界面的告警界面的示例性的示意图,如图6a所示,告警列表位于告警界面的左侧,列表中包括多个告警事件的表项。除了布控任务触发的告警事件,告警列表中还包括来自布控平台自动识别的告警事件,即布控平台基于预先设定的一些规则对实时获取的监控视频进行检测,一旦检测到符合前述规则的事件即触发一个告警事件。例如预先设定的规则包括人身伤害、交通肇事等情况的典型特征,布控平台检测到前述特征时,确定有违法事件发生,随即触发告警事件。
布控平台可以根据告警事件的生成时间在告警列表中罗列多个告警事件,例如按照生成时间的先后顺序,从下到上排列告警事件的表项,最新生成的告警事件的表项位于告警列表的最上方。每个告警事件的表项包括:告警事件名称(用户在创建布控界面输入的布控名称或者布控平台自动触发告警事件时生成的名称)、告警对象(用户在创建布控界面输入的对象类型或布控平台自动触发告警事件时识别的目标对象的类型)、状态(包括未确认、已确认、已误报、进心中等)、告警时间(告警事件的生成时间)和告警等级(用户在创建布控界面输入的布控等级或布控平台自动触发告警事件时确认的事件等级)。例如,告警事件的名称是××区嫌疑车辆;告警对象是车辆;状态是未确认;告警时间是01/10/2019 15:21:01;告警等级是紧急。
用户选取告警列表中的一个告警事件,查看该告警事件的详细信息,详细信息位于告警界面的右侧,包括告警事件的摘要信息(来自用户在创建布控界面输入的布控基本信息或布控平台自动触发告警事件时获取或生成的信息)、告警详情和告警相关素材。
其中,摘要信息包括:告警编号、告警来源(拍摄触发告警事件的、包含与目标对象的相似度超过阈值的疑似对象的监控视频的摄像机的标识)、告警等级、告警状态、告警时间、告警对象、车牌号码、车辆颜色、车辆品牌和相似度(监控视频中检测到的疑似对象和布控任务中的目标对象的相似度)。例如,名称为××区嫌疑车辆的告警事件,告警编号为1485242;告警来源为编号为E5_Hm05_mt的摄像机;告警等级为紧急;状态为未确认;告警时间为01/10/2019 15:21:01;告警对象为车辆;车牌号码为AM808;车辆颜色为白色;车辆品牌为BMW宝马;相似度为85%。
告警详情包括:告警事件的描述、告警关联对象(与告警对象关联的人和/或物,例如车主和/或该车主登记的其他车辆)和告警相关素材。例如,告警事件为3月9日发生一起砸车盗窃案,对一名游客造成严重伤害,据现场目击者称,这起盗窃案是一名男子做的,他手里拿着一个袋子从一扇破窗中逃跑了;告警关联对象包括人员信息(姓名为张三,证件号码为34987483208943,地址为××××××以及性别为男)和两辆车辆信息(车牌号码为AM808,车主姓名为张三,车辆品牌为BMW宝马以及车辆颜色为白色;车牌号码为AM906,车主姓名为张三,车辆品牌为Audi奥迪以及车辆颜色为黑色)。
告警相关素材包括:摄像机(拍摄触发告警事件的、包含与目标对象的相似度超过阈值的疑似对象的监控视频的摄像机)、图片素材(来自监控视频,包含疑似对象)和视频素材(包括疑似对象)。例如,拍到嫌疑车辆或嫌疑人员的摄像机为摄像机12-E5_Hm05_mt;图片素材为包含疑似车辆或疑似人员的截图;视频素材为包含疑似车辆或疑似人员的监控视频。
用户可以点击图片素材中的任意一个图片或视频素材中的任意一个视频,观看图片或视频中拍到的疑似对象的画面,人工判定疑似对象是否为布控任务中的目标对象。图6b示出了人机交互界面的告警界面的示例性的示意图,如图6b所示,当用户点击了某个图片后,告警界面上弹出一个弹窗,该弹窗的左侧显示用户选取的图片的放大图,该图片中包括疑似车辆,该弹窗的右侧显示布控图像(布控任务中的包含目标对象的图片)和告警图像(用户选取的图片),以及布控图像中的目标车辆和告警图像中的疑似车辆的相似度。右侧还显示了其他包含疑似车辆的图片,以及告警事件的相关信息。例如,布控图片和告警图片的相似度为89%;布控任务为××区嫌疑车辆;抓拍摄像机为E5_Hm05_mt;抓拍时间为2019-10-01 15:21:01;车牌号码为AM808;车主姓名为张三;车辆品牌为BMW宝马;车辆颜色为白色。
如上所述,在布控期限内,布控平台如果检测到监控视频中包含与目标对象的相似度超过阈值的疑似对象,或者布控区域内的智能摄像机自动检测到监控视频中包含与目标对象的相似度超过阈值的疑似对象,会立即触发一个告警事件,并该告警事件显示于告警界面的告警列表中。前述阈值通常是预先设定的经验值,认为目标对象和疑似对象的相似度超过该阈值,疑似对象是目标对象的可能性较高,甚至能达到百分百确定。但是不排除检测到二者的相似度很高,疑似对象却不是目标对象的情况,因此需要用户再人工对告警事件做一个确认,确定告警事件是否为误报。
另外,用户确认发现布控平台自动触发的告警事件的性质不足构成违规或违法,或者经其他途径取证发现告警事件的发生地点没有发生过该类事件,或者告警事件的信息很少无法进一步取证,等等情况也可以认为告警事件是误报。
在图6a所示的告警界面的左上角显示了三个按键,即“确认”按键、“误报”按键和“发起追踪”按键。可选的,在图6b所示的弹窗上也包括“确认”按键、“误报”按键和“发起追踪”按键。用户可以在对告警事件进行初筛后,点击相应的按键。用户也可以直接点击“发起追踪”按键,进入图9a或图9b所示的历史行踪界面。
需要说明的是,图6a和图6b是告警界面的一个示例,本申请对该界面的布局、控件实现方式等均不做具体限定。
当用户确认该告警事件是误报时,点击“误报”按键。图7a示出了人机交互界面的拒绝告警事件界面的示例性的示意图,如图7a所示,基于用户对“误报”按键的点击,在告警界面上显示一个告警误报弹窗,该弹窗中提示“您是否确认该告警为误报,误报后告警将无法再进行处理?”,用户点击告警误报弹窗中的“确认”按键,删除该告警事件。图7b示出了人机交互界面的告警删除界面的示例性的示意图,如图7b所示,对于用户确认是误报的告警事件,在告警列表中该告警事件的状态显示为“已误报”,在该告警事件的详细信息中告警状态也显示为“已误报”。
需要说明的是,图7a和图7b是误报相关界面的一个示例,本申请对该界面的布局、控件实现方式等均不做具体限定。
当用户确认告警事件非误报时,点击告警界面上的“确认”按键,图8a示出了人机交互界面的确认告警事件界面的示例性的示意图,如图8a所示,基于用户对“确认”按键的点击,在告警界面上显示一个告警确认弹窗,该弹窗中提示“您是否确认该告警为真实的,确认后可分配任务围堵或对目标发起实时追踪?”,用户点击告警确认弹窗中的“确认”按键,确认该告警事件。图8b示出了人机交互界面的告警确认界面的示例性的示意图,如图8b所示,对于用户确认非误报的告警事件,在告警列表中该告警事件的状态显示为“已确认”,在该告警事件的详细信息中告警状态也显示为“已确认”。
需要说明的是,图8a和图8b是告警事件确认相关界面的一个示例,本申请对该界面的布局、控件实现方式等均不做具体限定。
以名称为××区嫌疑车辆的告警事件为例,布控平台可以根据该告警事件的相关信息,获取告警事件中的疑似车辆的特征信息,调取告警来源所在地附近的监控视频,筛选出包含疑似车辆的目标监控视频,以对该疑似车辆的行踪进行分析。布控平台根据获取的疑似车辆的特征信息,采用图3所示实施例中的方法获取疑似车辆的至少两条待选道路的实现概率。
图9a示出了人机交互界面的历史行踪界面的示例性的示意图,如图9a所示,历史行踪界面显示关联区域的地图,该关联区域包括疑似车辆正在走的道路0,以及在疑似车辆的移动方向上的下一个岔路口和该岔路口对应的3条待行进道路(道路1、道路2和道路3)。
在道路0的沿路区域内,显示有四个停留地点(A1、A2、A3和A4),A1显示一张截图,该截图是位于A1的摄像机拍摄的目标监控视频中的截图。除截图外,A1还显示了截止当前时刻,位于A1的摄像机拍摄到疑似车辆的时间,图9a中的该时间是以拍摄时间和当前时刻的时间差表示的,例如10分钟前。可选的,该时间还可以直接显示为最后一次的拍摄时间,例如2019.10.12星期二15:01:19。A1还显示了疑似车辆经过A1时的移动速度,例如42km/h。同样的,A2也显示了一张截图,位于A2的摄像机拍摄到疑似车辆的时间,例如8分钟前,疑似车辆经过A2时的移动速度,例如36km/h。A3也显示了一张截图,位于A3的摄像机拍摄到疑似车辆的时间,例如5分钟前,疑似车辆经过A3时的移动速度,例如46km/h。A4也显示了一张截图,位于A4的摄像机拍摄到疑似车辆的时间,例如2分钟前,疑似车辆经过A4时的移动速度,例如56km/h。根据疑似车辆被拍到的先后时间可以获取疑似车辆的移动方向是沿着道路0从西向东移动。
在道路1的沿路区域内,显示有一个停留地点(A5),A5显示了一张缩略图,并且在缩略图的右上角显示一个数字5,该数字表示疑似车辆在A5这个停留地点被拍到了5次。A5的缩略图可以对应于疑似车辆在A5被拍到的5个目标监控视频的截图中的任意一个,也可以对应于疑似车辆在A5最后一次被拍到的目标监控视频的截图。在缩略图的旁边显示一个弹窗,该弹窗中包括疑似车辆在A5被拍到的5个目标监控视频的截图,并且每个截图被标注了拍摄的时间。用户还可以点击截图旁边的链接查看相应的目标监控视频。
在道路2的沿路区域内,显示有一个停留地点(A6),A6显示了一张缩略图,并且在缩略图的右上角显示一个数字3,该数字表示疑似车辆在A6这个停留地点被拍到了3次。A6的缩略图与A5的缩略图原理类似,此处不再赘述。在缩略图的旁边显示一个弹窗,该弹窗中包括疑似车辆在A6被拍到的3个目标监控视频的截图,并且每个截图被标注了拍摄的时间。用户还可以点击截图旁边的链接查看相应的目标监控视频。
在道路3的沿路区域内,显示有一个停留地点(A7),A7显示了一张缩略图,并且在缩略图上没有显示数字,表示疑似车辆在A7这个停留地点被拍到了1次。A7的缩略图与A5的缩略图原理类似,此处不再赘述。
图9b示出了人机交互界面的历史行踪界面的示例性的示意图,如图9b所示,历史行踪界面的左侧显示关联区域的地图,该地图的显示方式可以参照图9a,此处不再赘述。图9b与图9a的区别在于,增加了右侧显示,其中包括3条待行进道路分别对应的红绿灯状态和拥堵状态,以及疑似车辆被拍到的目标监控视频的截图。其中,红绿灯状态以带颜色的箭头表示,箭头方向表示道路的行进方向,即向左的箭头表示需左转的道路3,向右的箭头表示需右转的道路2,向上的箭头表示需直行的道路1,红色箭头表示对应的道路为红灯,绿色箭头表示对应的道路为绿灯。拥堵状态用文字的方式表示,描述对用的道路的路况。例如,道路拥堵:当前内环东线拥堵,通行缓慢,大约需要5分钟;交通事故:雨花南路外侧车道有事故正在清理,请后车注意避让。目标监控视频的截图以车辆历史活动轨迹的方式按时间顺序显示。需要说明的是,历史行踪界面的右侧以菜单的形式实现,即用户可以选择左拉将该菜单显示于界面上,也可以选择右拉将该菜单隐藏。
需要说明的是,图9a和图9b所示的两个历史行踪界面可以相互切换,即当用户左拉菜单以显示时,历史行踪界面如图9b所示,当用户右拉菜单以隐藏时,如图9a所示。图9a和图9b是历史行踪界面的示例,本申请对该界面的布局、控件实现方式等均不做具体限定。
图10示出了人机交互界面的实现概率界面的示例性的示意图,如图10所示,在图9a和图9b所示的历史行踪界面的基础上,实现概率界面在3条待行进道路(道路1、道路2和道路3)分别显示实现概率,即在地图上位于道路1的位置显示道路1的实现概率85%,在地图上位于道路2的位置显示道路1的实现概率65%,在地图上位于道路3的位置显示道路3的实现概率15%。
需要说明的是,图10是实现概率界面的一个示例,本申请对该界面的布局、控件实现方式等均不做具体限定。
图11a和图11b示出了实时监控界面的示例性的示意图,如图11a和图11b所示,多宫格是指九宫格,显示已包含疑似车辆的监控视频的第一宫格是九宫格最下方一行的中间宫格,道路0的下一个岔路口对应的3条待行进的道路中,去道路1需直行,去道路2需右转,去道路3需左转,那么九宫格中间一行的左侧宫格对应道路3,右侧宫格对应道路2,中间宫格对应道路1。如果疑似车辆右转走了道路2,即道路2上的摄像机拍到了疑似车辆,对应于道路2的宫格显示了包含疑似车辆的监控视频,那么道路2对应的宫格变为九宫格的左侧一列的中间宫格,道路2的下一岔路口对应的多个待行进的道路(例如道路4、道路5和道路6)中,去道路4需直行,去道路5需右转,去道路6需左转,那么九宫格中间一列的上方宫格对应道路6,下方宫格对应道路5,中间宫格对应道路4。
图12a和图12b示出了实时监控界面的示例性的示意图,如图12a和图12b所示,多宫格是指九宫格,显示已包含疑似车辆的监控视频的第一宫格是九宫格最下方一行的中间宫格,道路0的下一个岔路口对应的3条待行进的道路中,去道路1需直行,去道路2需右转,去道路3需左转,那么九宫格中间一行的左侧宫格对应道路3,右侧宫格对应道路2,中间宫格对应道路1。如果疑似车辆右转走了道路2,即道路2上的摄像机拍到了疑似车辆,对应于道路2的宫格显示了包含疑似车辆的监控视频,那么道路2对应的宫格变为九宫格下方一行的中间宫格,道路2的下一岔路口对应的多个待行进的道路(例如道路4、道路5和道路6)中,去道路4需直行,去道路5需右转,去道路6需左转,那么九宫格中间一行的左侧宫格对应道路6,右侧宫格对应道路5,中间宫格对应道路4。
图13为本申请布控平台实施例的结构示意图,如图13所示,本实施例的布控平台可以是图2所示的布控平台。该布控平台可以包括:显示模块1301、接收模块1302、处理模块1303和发送模块1304。其中,
显示模块1301,用于显示告警界面,所述告警界面包括告警列表,所述告警列表包括多个告警事件的表项,所述告警事件包括疑似对象的特征信息,所述疑似对象的特征信息以文字描述和/或以图片或视频呈现;接收模块1302,用于接收确认指令,所述确认指令用于指示用户在所述告警列表中选择的第一告警事件;处理模块1303,用于根据所述第一告警事件中的第一疑似对象的第一特征信息获取多个目标监控视频,所述目标监控视频中拍到了所述第一疑似对象,所述第一疑似对象和目标对象的相似度大于设定阈值;根据所述多个目标监控视频获取所述第一疑似对象的历史行踪;根据第一监控视频获取所述第一疑似对象的实时移动信息,所述第一监控视频是所述多个目标监控视频中拍摄时间最晚的;根据所述实时移动信息确定所述第一疑似对象即将到达的岔路口,所述岔路口对应至少三条道路,所述至少三条道路包括所述第一疑似对象当前所在的道路和至少两条待选道路;根据所述历史行踪,以及所述至少两条待选道路的红绿灯状态和拥堵状态预测所述至少两条待选道路各自的实现概率,所述实现概率用于表示所述第一疑似对象选择对应的待选道路的可能性;所述显示模块1301,还用于在地图上显示所述至少两条待选道路各自的实现概率。
在一种可能的实现方式中,所述处理模块1303,具体用于将所述红绿灯状态、所述历史行踪以及所述拥堵状态输入第一神经网络得到所述实现概率,所述第一神经网络是经训练的到的,且具备概率计算功能;其中,所述红绿灯状态的权重大于所述历史行踪的权重,所述历史行踪的权重大于所述拥堵状态的权重。
在一种可能的实现方式中,所述历史行踪包括所述第一疑似对象的多个停留地点,以及所述第一疑似对象在各个所述停留地点出现的时间和次数;所述处理模块1303,具体用于将一个或多个第一视频的拍摄地点作为第一停留地点,所述第一停留地点是所述多个停留地点中的任意一个,所述一个或多个第一视频是位于所述第一停留地点的摄像机拍到的,所述多个目标监控视频包括所述一个或多个第一视频;将所述一个或多个第一视频的拍摄时间作为所述第一疑似对象在所述第一停留地点出现的时间;将所述一个或多个第一视频的个数作为所述第一疑似对象在所述第一停留地点出现的次数。
在一种可能的实现方式中,所述实时移动信息包括所述第一疑似对象当前位置、移动方向和移动速度。
在一种可能的实现方式中,所述处理模块1303,具体用于根据所述当前位置在地图中定位出所述第一疑似对象当前所在的道路;从所述地图上找到所述第一疑似对象当前所在的道路在所述移动方向上的下一个岔路口作为所述第一疑似对象即将到达的岔路口。
在一种可能的实现方式中,所述处理模块1303,还用于根据所述当前位置、所述移动方向和所述移动速度获取所述第一疑似对象到达所述第一疑似对象即将到达的岔路口的预测时间,获取所述预测时间对应的所述红绿灯状态;根据所述地图提供的路况信息获取所述拥堵状态,所述地图具备路况统计功能。
在一种可能的实现方式中,所述处理模块1303,具体用于根据所述第一特征信息在已获取的监控视频中进行图像识别;当检测到所述第一疑似对象时,将包含所述第一疑似对象的图像帧均截选出来得到所述目标监控视频。
在一种可能的实现方式中,所述处理模块1303,具体用于将所述第一特征信息和已获取的监控视频输入第二神经网络得到所述目标监控视频,所述第二神经网络是经训练得到,且具备图像识别功能。
在一种可能的实现方式中,所述显示模块1301,还用于显示创建布控界面,所述创建布控界面包括多个信息输入控件,所述多个信息输入控件对应于多个外形特征;所述接收模块1302,还用于接收用户在所述创建布控界面上输入的目标对象的特征信息,所述目标对象的特征信息以文字描述和/或以图片或视频呈现;所述处理模块1303,还用于当根据所述目标对象的特征信息在监控视频中检测到疑似对象时,触发与所述疑似对象对应的告警事件,所述疑似对象和所述目标对象的相似度大于设定阈值;所述显示模块1301,还用于将所述与所述疑似对象对应的告警事件添加至所述告警界面的所述告警列表中。
在一种可能的实现方式中,所述显示模块1301,还用于在所述地图上对应于所述多个停留地点的位置分别显示停留标识,所述停留标识于指示所述第一疑似对象在对应的停留地点出现过。
在一种可能的实现方式中,所述显示模块1301,还用于在所述地图上对应于所述多个停留地点的位置分别显示所述第一疑似对象在对应的停留地点出现的时间、次数和视频截图中的一个或多个,所述视频截图是在所述停留地点拍摄的所述目标监控视频的任意一张截图。
在一种可能的实现方式中,所述接收模块1302,还用于接收查看指令,所述查看指令用于指示用户在所述地图上点击的所述停留标识;所述显示模块1301,还用于显示历史行踪列表,所述历史行踪列表包括所述第一疑似对象在对应于所述用户在所述地图上点击的所述停留标识的停留地点出现的时间、次数和视频截图中的一个或多个。
在一种可能的实现方式中,所述显示模块1301,还用于显示实时监控界面,所述实时监控界面以多宫格的方式呈现,所述多宫格对应多个摄像机,一个所述宫格用于显示对应摄像机拍摄的监控视频;所述多个摄像机包括拍摄第一监控视频的第一摄像机,所述第一监控视频是所述目标监控视频中拍摄时间最晚的;所述多个摄像机还包括分别位于所述至少两条待选道路上的至少两个摄像机。
在一种可能的实现方式中,所述显示模块1301,具体用于当第二摄像机拍摄到所述第一疑似对象时,所述第二摄像机对应的宫格显示所述第二摄像机拍摄的监控视频,所述第二摄像机为所述至少两个摄像机的其中之一;或者,所述多宫格均显示对应的摄像机拍摄的监控视频,其中,当所述第二摄像机拍摄到所述疑似对象时,所述第二摄像机对应的宫格显示特定的标识。
在一种可能的实现方式中,第一位置关系和第二位置关系一致,其中,所述第一位置关系是所述至少两个摄像机分别对应的宫格和所述第一摄像机对用的宫格的位置关系,所述第二位置关系是参照所述地图的方向,所述至少两个摄像机所在位置和所述第一摄像机所在位置的位置关系。
在一种可能的实现方式中,第一位置关系和第三位置关系一致,其中,所述第一位置关系是所述至少两个摄像机分别对应的宫格和所述第一摄像机对用的宫格的位置关系,所述第三位置关系是参照所述第一疑似对象的移动方向,所述至少两个摄像机所在位置和所述第一摄像机所在位置的位置关系。
在一种可能的实现方式中,发送模块1304,用于发送告警信息,所述告警信息包括所述第一特征信息和所述实时移动信息。
本实施例的装置,可以用于执行图3所示方法实施例的技术方案,其实现原理和技术效果类似,此处不再赘述。
在实现过程中,上述方法实施例的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。处理器可以是通用处理器、数字信号处理器(digital signalprocessor,DSP)、特定应用集成电路(application-specific integrated circuit,ASIC)、现场可编程门阵列(field programmable gate array,FPGA)或其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。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。本申请实施例公开的方法的步骤可以直接体现为硬件编码处理器执行完成,或者用编码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。
上述各实施例中提及的存储器可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。其中,非易失性存储器可以是只读存储器(read-onlymemory,ROM)、可编程只读存储器(programmable ROM,PROM)、可擦除可编程只读存储器(erasable PROM,EPROM)、电可擦除可编程只读存储器(electrically EPROM,EEPROM)或闪存。易失性存储器可以是随机存取存储器(random access memory,RAM),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的RAM可用,例如静态随机存取存储器(static RAM,SRAM)、动态随机存取存储器(dynamic RAM,DRAM)、同步动态随机存取存储器(synchronous DRAM,SDRAM)、双倍数据速率同步动态随机存取存储器(double data rateSDRAM,DDR SDRAM)、增强型同步动态随机存取存储器(enhanced SDRAM,ESDRAM)、同步连接动态随机存取存储器(synchlink DRAM,SLDRAM)和直接内存总线随机存取存储器(directrambus RAM,DR RAM)。应注意,本文描述的系统和方法的存储器旨在包括但不限于这些和任意其它适合类型的存储器。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的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,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者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者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本申请的具体实施方式,但本申请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申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (28)
1.一种目标对象的逃逸路线预测方法,其特征在于,包括:
获取目标对象的特征信息,所述特征信息以文字描述和/或以图片或视频呈现;
根据所述特征信息获取多个目标监控视频,所述目标监控视频中拍到了疑似对象,所述疑似对象和所述目标对象的相似度大于设定阈值;
根据所述多个目标监控视频获取所述疑似对象的历史行踪;
根据第一监控视频获取所述疑似对象的实时移动信息,所述第一监控视频是所述多个目标监控视频中拍摄时间最晚的;
根据所述实时移动信息确定所述疑似对象即将到达的岔路口,所述岔路口对应至少三条道路,所述至少三条道路包括所述疑似对象当前所在的道路和至少两条待选道路;
根据所述历史行踪,以及所述至少两条待选道路的红绿灯状态和拥堵状态预测所述至少两条待选道路各自的实现概率,所述实现概率用于表示所述疑似对象选择对应的待选道路的可能性。
2.根据权利要求1所述的方法,其特征在于,所述根据所述历史行踪,以及所述至少两条待选道路的红绿灯状态和拥堵状态预测所述至少两条待选道路各自的实现概率,包括:
将所述红绿灯状态、所述历史行踪以及所述拥堵状态输入第一神经网络得到所述实现概率,所述第一神经网络是经训练的到的,且具备概率计算功能;其中,所述红绿灯状态的权重大于所述历史行踪的权重,所述历史行踪的权重大于所述拥堵状态的权重。
3.根据权利要求1或2所述的方法,其特征在于,所述历史行踪包括所述疑似对象的多个停留地点,以及所述疑似对象在各个所述停留地点出现的时间和次数;所述根据所述多个目标监控视频获取所述疑似对象的历史行踪,包括:
将一个或多个第一视频的拍摄地点作为第一停留地点,所述第一停留地点是所述多个停留地点中的任意一个,所述一个或多个第一视频是位于所述第一停留地点的摄像机拍到的,所述多个目标监控视频包括所述一个或多个第一视频;
将所述一个或多个第一视频的拍摄时间作为所述疑似对象在所述第一停留地点出现的时间;
将所述一个或多个第一视频的个数作为所述疑似对象在所述第一停留地点出现的次数。
4.根据权利要求1-3中任一项所述的方法,其特征在于,所述实时移动信息包括所述疑似对象当前位置、移动方向和移动速度。
5.根据权利要求4所述的方法,其特征在于,所述根据所述实时移动信息确定所述疑似对象即将到达的岔路口,包括:
根据所述当前位置在地图中定位出所述疑似对象当前所在的道路;
从所述地图上找到所述疑似对象当前所在的道路在所述移动方向上的下一个岔路口作为所述疑似对象即将到达的岔路口。
6.根据权利要求5所述的方法,其特征在于,所述根据所述实时移动信息确定所述疑似对象即将到达的岔路口之后,还包括:
根据所述当前位置、所述移动方向和所述移动速度获取所述疑似对象到达所述疑似对象即将到达的岔路口的预测时间,获取所述预测时间对应的所述红绿灯状态;
根据所述地图提供的路况信息获取所述拥堵状态,所述地图具备路况统计功能。
7.根据权利要求1-6中任一项所述的方法,其特征在于,所述根据所述特征信息获取目标监控视频,包括:
根据所述特征信息在已获取的监控视频中进行图像识别;
当检测到所述疑似对象时,将包含所述疑似对象的图像帧均截选出来得到所述目标监控视频。
8.根据权利要求1-6中任一项所述的方法,其特征在于,所述根据所述特征信息获取目标监控视频,包括:
将所述特征信息和已获取的监控视频输入第二神经网络得到所述目标监控视频,所述第二神经网络是经训练得到,且具备图像识别功能。
9.一种布控平台,其特征在于,包括:
显示模块,用于显示告警界面,所述告警界面包括告警列表,所述告警列表包括多个告警事件的表项,所述告警事件包括疑似对象的特征信息,所述疑似对象的特征信息以文字描述和/或以图片或视频呈现;
接收模块,用于接收确认指令,所述确认指令用于指示用户在所述告警列表中选择的第一告警事件;
处理模块,用于根据所述第一告警事件中的第一疑似对象的第一特征信息获取多个目标监控视频,所述目标监控视频中拍到了所述第一疑似对象,所述第一疑似对象和目标对象的相似度大于设定阈值;根据所述多个目标监控视频获取所述第一疑似对象的历史行踪;根据第一监控视频获取所述第一疑似对象的实时移动信息,所述第一监控视频是所述多个目标监控视频中拍摄时间最晚的;根据所述实时移动信息确定所述第一疑似对象即将到达的岔路口,所述岔路口对应至少三条道路,所述至少三条道路包括所述第一疑似对象当前所在的道路和至少两条待选道路;根据所述历史行踪,以及所述至少两条待选道路的红绿灯状态和拥堵状态预测所述至少两条待选道路各自的实现概率,所述实现概率用于表示所述第一疑似对象选择对应的待选道路的可能性;
所述显示模块,还用于在地图上显示所述至少两条待选道路各自的实现概率。
10.根据权利要求9所述的平台,其特征在于,所述处理模块,具体用于将所述红绿灯状态、所述历史行踪以及所述拥堵状态输入第一神经网络得到所述实现概率,所述第一神经网络是经训练的到的,且具备概率计算功能;其中,所述红绿灯状态的权重大于所述历史行踪的权重,所述历史行踪的权重大于所述拥堵状态的权重。
11.根据权利要求9或10所述的平台,其特征在于,所述历史行踪包括所述第一疑似对象的多个停留地点,以及所述第一疑似对象在各个所述停留地点出现的时间和次数;所述处理模块,具体用于将一个或多个第一视频的拍摄地点作为第一停留地点,所述第一停留地点是所述多个停留地点中的任意一个,所述一个或多个第一视频是位于所述第一停留地点的摄像机拍到的,所述多个目标监控视频包括所述一个或多个第一视频;将所述一个或多个第一视频的拍摄时间作为所述第一疑似对象在所述第一停留地点出现的时间;将所述一个或多个第一视频的个数作为所述第一疑似对象在所述第一停留地点出现的次数。
12.根据权利要求9-11中任一项所述的平台,其特征在于,所述实时移动信息包括所述第一疑似对象当前位置、移动方向和移动速度。
13.根据权利要求12所述的平台,其特征在于,所述处理模块,具体用于根据所述当前位置在地图中定位出所述第一疑似对象当前所在的道路;从所述地图上找到所述第一疑似对象当前所在的道路在所述移动方向上的下一个岔路口作为所述第一疑似对象即将到达的岔路口。
14.根据权利要求13所述的平台,其特征在于,所述处理模块,还用于根据所述当前位置、所述移动方向和所述移动速度获取所述第一疑似对象到达所述第一疑似对象即将到达的岔路口的预测时间,获取所述预测时间对应的所述红绿灯状态;根据所述地图提供的路况信息获取所述拥堵状态,所述地图具备路况统计功能。
15.根据权利要求9-14中任一项所述的平台,其特征在于,所述处理模块,具体用于根据所述第一特征信息在已获取的监控视频中进行图像识别;当检测到所述第一疑似对象时,将包含所述第一疑似对象的图像帧均截选出来得到所述目标监控视频。
16.根据权利要求9-14中任一项所述的平台,其特征在于,所述处理模块,具体用于将所述第一特征信息和已获取的监控视频输入第二神经网络得到所述目标监控视频,所述第二神经网络是经训练得到,且具备图像识别功能。
17.根据权利要求9-16中任一项所述的平台,其特征在于,所述显示模块,还用于显示创建布控界面,所述创建布控界面包括多个信息输入控件,所述多个信息输入控件对应于多个外形特征;
所述接收模块,还用于接收用户在所述创建布控界面上输入的目标对象的特征信息,所述目标对象的特征信息以文字描述和/或以图片或视频呈现;
所述处理模块,还用于当根据所述目标对象的特征信息在监控视频中检测到疑似对象时,触发与所述疑似对象对应的告警事件,所述疑似对象和所述目标对象的相似度大于设定阈值;
所述显示模块,还用于将所述与所述疑似对象对应的告警事件添加至所述告警界面的所述告警列表中。
18.根据权利要求11所述的平台,其特征在于,所述显示模块,还用于在所述地图上对应于所述多个停留地点的位置分别显示停留标识,所述停留标识于指示所述第一疑似对象在对应的停留地点出现过。
19.根据权利要求18所述的平台,其特征在于,所述显示模块,还用于在所述地图上对应于所述多个停留地点的位置分别显示所述第一疑似对象在对应的停留地点出现的时间、次数和视频截图中的一个或多个,所述视频截图是在所述停留地点拍摄的所述目标监控视频的任意一张截图。
20.根据权利要求18所述的平台,其特征在于,所述接收模块,还用于接收查看指令,所述查看指令用于指示用户在所述地图上点击的所述停留标识;
所述显示模块,还用于显示历史行踪列表,所述历史行踪列表包括所述第一疑似对象在对应于所述用户在所述地图上点击的所述停留标识的停留地点出现的时间、次数和视频截图中的一个或多个。
21.根据权利要求9-20中任一项所述的平台,其特征在于,所述显示模块,还用于显示实时监控界面,所述实时监控界面以多宫格的方式呈现,所述多宫格对应多个摄像机,一个所述宫格用于显示对应摄像机拍摄的监控视频;所述多个摄像机包括拍摄第一监控视频的第一摄像机,所述第一监控视频是所述目标监控视频中拍摄时间最晚的;所述多个摄像机还包括分别位于所述至少两条待选道路上的至少两个摄像机。
22.根据权利要求21所述的平台,其特征在于,所述显示模块,具体用于当第二摄像机拍摄到所述第一疑似对象时,所述第二摄像机对应的宫格显示所述第二摄像机拍摄的监控视频,所述第二摄像机为所述至少两个摄像机的其中之一;或者,
所述多宫格均显示对应的摄像机拍摄的监控视频,其中,当所述第二摄像机拍摄到所述疑似对象时,所述第二摄像机对应的宫格显示特定的标识。
23.根据权利要求21或22所述的平台,其特征在于,第一位置关系和第二位置关系一致,其中,所述第一位置关系是所述至少两个摄像机分别对应的宫格和所述第一摄像机对用的宫格的位置关系,所述第二位置关系是参照所述地图的方向,所述至少两个摄像机所在位置和所述第一摄像机所在位置的位置关系。
24.根据权利要求21或22所述的平台,其特征在于,第一位置关系和第三位置关系一致,其中,所述第一位置关系是所述至少两个摄像机分别对应的宫格和所述第一摄像机对用的宫格的位置关系,所述第三位置关系是参照所述第一疑似对象的移动方向,所述至少两个摄像机所在位置和所述第一摄像机所在位置的位置关系。
25.根据权利要求9-24中任一项所述的平台,其特征在于,还包括:
发送模块,用于发送告警信息,所述告警信息包括所述第一特征信息和所述实时移动信息。
26.一种设备,其特征在于,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-8中任一项所述的方法。
27.一种计算机可读存储介质,其特征在于,包括计算机程序,所述计算机程序在计算机上被执行时,使得所述计算机执行权利要求1-8中任一项所述的方法。
28.一种计算机程序,其特征在于,当所述计算机程序被计算机执行时,用于执行权利要求1-8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010833412.9A CN112132315A (zh) | 2020-08-18 | 2020-08-18 | 目标对象的逃逸路线预测方法和布控平台 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010833412.9A CN112132315A (zh) | 2020-08-18 | 2020-08-18 | 目标对象的逃逸路线预测方法和布控平台 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112132315A true CN112132315A (zh) | 2020-12-25 |
Family
ID=73850344
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010833412.9A Pending CN112132315A (zh) | 2020-08-18 | 2020-08-18 | 目标对象的逃逸路线预测方法和布控平台 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112132315A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112949979A (zh) * | 2021-01-28 | 2021-06-11 | 迪爱斯信息技术股份有限公司 | 一种堵控规划方法及装置、围捕系统 |
CN113034894A (zh) * | 2021-02-04 | 2021-06-25 | 招商新智科技有限公司 | 一种etc门架系统、高速公路路段封闭预警方法及装置 |
CN114254492A (zh) * | 2021-12-08 | 2022-03-29 | 新国脉文旅科技有限公司 | 一种基于客流画像的客流行为轨迹去向模拟方法 |
CN114627431A (zh) * | 2022-02-22 | 2022-06-14 | 安徽新识智能科技有限公司 | 一种基于物联网的环境智能监控方法及系统 |
CN114765659A (zh) * | 2020-12-30 | 2022-07-19 | 浙江宇视科技有限公司 | 扩展智能相机人脸检测范围的方法、装置、设备和介质 |
CN117218324A (zh) * | 2023-10-17 | 2023-12-12 | 广东迅扬科技股份有限公司 | 一种基于人工智能的摄像头调控系统及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107105207A (zh) * | 2017-06-09 | 2017-08-29 | 北京深瞐科技有限公司 | 目标监控方法、目标监控装置及摄像机 |
CN109740420A (zh) * | 2018-11-22 | 2019-05-10 | 深圳市华尊科技股份有限公司 | 车辆违法识别方法及相关产品 |
CN109816976A (zh) * | 2019-01-21 | 2019-05-28 | 平安科技(深圳)有限公司 | 一种交通管理方法及系统 |
CN109993969A (zh) * | 2019-03-08 | 2019-07-09 | 腾讯大地通途(北京)科技有限公司 | 一种路况判定信息获取方法、装置及设备 |
CN110136438A (zh) * | 2019-05-15 | 2019-08-16 | 武汉纵横智慧城市股份有限公司 | 基于人工智能的道路切换方法、装置、设备及存储介质 |
-
2020
- 2020-08-18 CN CN202010833412.9A patent/CN112132315A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107105207A (zh) * | 2017-06-09 | 2017-08-29 | 北京深瞐科技有限公司 | 目标监控方法、目标监控装置及摄像机 |
CN109740420A (zh) * | 2018-11-22 | 2019-05-10 | 深圳市华尊科技股份有限公司 | 车辆违法识别方法及相关产品 |
CN109816976A (zh) * | 2019-01-21 | 2019-05-28 | 平安科技(深圳)有限公司 | 一种交通管理方法及系统 |
CN109993969A (zh) * | 2019-03-08 | 2019-07-09 | 腾讯大地通途(北京)科技有限公司 | 一种路况判定信息获取方法、装置及设备 |
CN110136438A (zh) * | 2019-05-15 | 2019-08-16 | 武汉纵横智慧城市股份有限公司 | 基于人工智能的道路切换方法、装置、设备及存储介质 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114765659A (zh) * | 2020-12-30 | 2022-07-19 | 浙江宇视科技有限公司 | 扩展智能相机人脸检测范围的方法、装置、设备和介质 |
CN114765659B (zh) * | 2020-12-30 | 2024-02-27 | 浙江宇视科技有限公司 | 扩展智能相机人脸检测范围的方法、装置、设备和介质 |
CN112949979A (zh) * | 2021-01-28 | 2021-06-11 | 迪爱斯信息技术股份有限公司 | 一种堵控规划方法及装置、围捕系统 |
CN112949979B (zh) * | 2021-01-28 | 2024-04-09 | 迪爱斯信息技术股份有限公司 | 一种堵控规划方法及装置、围捕系统 |
CN113034894A (zh) * | 2021-02-04 | 2021-06-25 | 招商新智科技有限公司 | 一种etc门架系统、高速公路路段封闭预警方法及装置 |
CN114254492A (zh) * | 2021-12-08 | 2022-03-29 | 新国脉文旅科技有限公司 | 一种基于客流画像的客流行为轨迹去向模拟方法 |
CN114627431A (zh) * | 2022-02-22 | 2022-06-14 | 安徽新识智能科技有限公司 | 一种基于物联网的环境智能监控方法及系统 |
CN117218324A (zh) * | 2023-10-17 | 2023-12-12 | 广东迅扬科技股份有限公司 | 一种基于人工智能的摄像头调控系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112132315A (zh) | 目标对象的逃逸路线预测方法和布控平台 | |
US20210191979A1 (en) | Distributed video storage and search with edge computing | |
US11328163B2 (en) | Methods and apparatus for automated surveillance systems | |
US11579759B1 (en) | Systems and methods for security data analysis and display | |
CN110191424B (zh) | 一种特定嫌疑人的轨迹生成方法和装置 | |
US20170323540A1 (en) | Systems, apparatuses and methods for triggering actions based on data capture and characterization | |
KR101644443B1 (ko) | 시공적 상황데이터를 이용한 경고 방법 및 시스템 | |
CN201765513U (zh) | 基于人像生物识别技术的城市安全人像布控追踪抓捕系统 | |
JP7258596B2 (ja) | 捜査支援システムおよび捜査支援方法 | |
WO2020015242A1 (zh) | 一种基于三维地图的视频应用和调度预警系统平台 | |
US9767663B2 (en) | GPS directed intrusion system with data acquisition | |
JP2018061216A (ja) | 情報表示システム及び情報表示方法 | |
JP2018173914A (ja) | 画像処理システム、撮像装置、学習モデル作成方法、情報処理装置 | |
JP6954420B2 (ja) | 情報処理装置、情報処理方法、及びプログラム | |
JPWO2015098442A1 (ja) | 映像検索システム及び映像検索方法 | |
JP2018061215A (ja) | 監視システム及び監視方法 | |
JP6977328B2 (ja) | 顔認証装置、人物追跡システム、人物追跡方法、および、人物追跡プログラム | |
JP2013222216A (ja) | 監視装置、ユーザ端末、及び監視センタ | |
JP2021132267A (ja) | 映像監視システムおよび映像監視方法 | |
CN111325954A (zh) | 人员走失预警方法、装置、系统及服务器 | |
Desai et al. | Accident detection using ml and ai techniques | |
US11600166B1 (en) | Occurrence-record driven monitoring system and method of use thereof | |
JP2015088816A (ja) | 画像監視システム | |
KR101686851B1 (ko) | Cctv 카메라를 이용한 통합 관제 시스템 | |
JP2015056697A (ja) | 監視システムおよびその制御方法 |
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 |