CN112270205A - 一种案件侦查方法及装置 - Google Patents

一种案件侦查方法及装置 Download PDF

Info

Publication number
CN112270205A
CN112270205A CN202010998959.4A CN202010998959A CN112270205A CN 112270205 A CN112270205 A CN 112270205A CN 202010998959 A CN202010998959 A CN 202010998959A CN 112270205 A CN112270205 A CN 112270205A
Authority
CN
China
Prior art keywords
case
picture
suspect
criminal
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
Application number
CN202010998959.4A
Other languages
English (en)
Inventor
李志前
李宁
端义勇
王奇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Suzhou Qianshitong Vision Technology Co ltd
Original Assignee
Suzhou Qianshitong Vision Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Suzhou Qianshitong Vision Technology Co ltd filed Critical Suzhou Qianshitong Vision Technology Co ltd
Priority to CN202010998959.4A priority Critical patent/CN112270205A/zh
Publication of CN112270205A publication Critical patent/CN112270205A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/53—Querying
    • G06F16/532—Query formulation, e.g. graphical querying
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • 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
    • 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
    • G06T2207/30241—Trajectory

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • Biomedical Technology (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Alarm Systems (AREA)

Abstract

本发明实施例提供了一种案件侦查方法、装置、终端设备及计算机可读介质，所述方法包括：调取接警号代表的案件语义信息；在视频专网获取视频，对所述视频中的运动目标进行结构化解析得到运动目标的结构化特征信息，并将案件语义信息中的嫌疑人特征信息与所述结构化特征信息匹配，确定犯罪嫌疑人图片；以图搜图搜索与犯罪嫌疑人图片中的犯罪嫌疑人相似的相似目标，并根据相似目标所处监控点的位置、监控拍摄的时间及案发时间和案发地点，生成犯罪嫌疑人的运动轨迹；将所述犯罪嫌疑人图片、案件语义信息及运动轨迹打包发送至公安内网，以确定犯罪嫌疑人身份，并根据所述案件语义信息及运动轨迹对所述犯罪嫌疑人进行追踪，从而可提高案件侦破效率。

Description

一种案件侦查方法及装置
技术领域
本发明属于视频侦查技术领域，具体是涉及到一种案件侦查方法、装置、终端设备及计算机可读介质。
背景技术
随着“天网”工程的建设，全国各大中小城市基本都部署了监控摄像头。视频监控系统在公安侦查领域得到广泛应用，视频侦查已成为平安社会的重要技术保障。然而现有技术中，视频侦查数据量大，数据信息提取及追踪嫌疑目标手段缺乏，主要靠人工识别视频中的嫌疑目标，侦查工作量大，严重影响侦查效率。同时在实际应用中，接案信息记录在公安内网，因数据安全要求与视频专网只能通过网关单向传输数据，并且案件信息因警情种类不同、录入警情及笔录过程中每个人语言描述风格不同，为了更好的利用案件信息数据，需要花费大量时间和人力在警情及笔录数据的质量检查和价值信息提取上。
发明内容
有鉴于此，本发明实施例提供一种案件侦查方法、装置、终端设备及计算机可读介质，能够提高案件侦破效率。
本发明实施例的第一方面提供了一种案件侦查方法，包括：
从公安内网获取接警号，并调取所述接警号代表的案件语义信息；所述案件语义信息包括嫌疑人特征信息、案发时间和案发地点；
在视频专网获取视频，对所述视频中的运动目标进行结构化解析得到所述运动目标的结构化特征信息，并将所述案件语义信息中的嫌疑人特征信息与所述结构化特征信息匹配，确定犯罪嫌疑人图片；
根据所述犯罪嫌疑人图片，以图搜图搜索与所述犯罪嫌疑人图片中的犯罪嫌疑人相似的相似目标，并根据所述相似目标所处监控点的位置、监控拍摄的时间及所述案发时间和案发地点，生成所述犯罪嫌疑人的运动轨迹；
将所述犯罪嫌疑人图片、案件语义信息及运动轨迹打包发送至公安内网，以确定所述犯罪嫌疑人身份，并根据所述案件语义信息及运动轨迹对所述犯罪嫌疑人进行追踪。
本发明实施例的第二方面提供了一种案件侦查装置，包括：
语义模块，用于从公安内网获取接警号，并调取所述接警号代表的案件语义信息；所述案件语义信息包括嫌疑人特征信息、案发时间和案发地点；
特征模块，用于在视频专网获取视频，对所述视频中的运动目标进行结构化解析得到所述运动目标的结构化特征信息，并将所述案件语义信息中的嫌疑人特征信息与所述结构化特征信息匹配，确定犯罪嫌疑人图片；
轨迹模块，用于根据所述犯罪嫌疑人图片，以图搜图搜索与所述犯罪嫌疑人图片中的犯罪嫌疑人相似的相似目标，并根据所述相似目标所处监控点的位置、监控拍摄的时间及所述案发时间和案发地点，生成所述犯罪嫌疑人的运动轨迹；
追踪模块，用于将所述犯罪嫌疑人图片、案件语义信息及运动轨迹打包发送至公安内网，以确定所述犯罪嫌疑人身份，并根据所述案件语义信息及运动轨迹对所述犯罪嫌疑人进行追踪。
本发明实施例的第三方面提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述案件侦查方法的步骤。
本发明实施例的第四方面提供了一种计算机可读介质，所述计算机可读介质存储有计算机程序，所述计算机程序被处理执行时实现上述案件侦查方法的步骤。
本发明实施例提供的案件侦查方法中，可从公安内网获取接警号，并调取所述接警号代表的案件语义信息，在视频专网获取视频，对所述视频中的运动目标进行结构化解析得到所述运动目标的结构化特征信息，并将所述案件语义信息中的嫌疑人特征信息与所述结构化特征信息匹配，确定犯罪嫌疑人图片，根据所述犯罪嫌疑人图片，以图搜图搜索与所述犯罪嫌疑人图片中的犯罪嫌疑人相似的相似目标，并根据所述相似目标所处监控点的位置、监控拍摄的时间及所述案发时间和案发地点，生成所述犯罪嫌疑人的运动轨迹，并将所述犯罪嫌疑人图片、案件语义信息及运动轨迹打包发送至公安内网，以确定所述犯罪嫌疑人身份，并根据所述案件语义信息及运动轨迹对所述犯罪嫌疑人进行追踪，从而可提高案件侦破效率。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，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它的附图。
图1是本发明实施例提供的一种案件侦查方法的流程图；
图2是本发明实施例提供的神经网络模型的结构示意图；
图3是本发明实施例提供的一种案件侦查装置的结构示意图；
图4是图3中的语义模块的细化结构示意图；
图5是图3中的特征模块的细化结构示意图；
图6是图3中的轨迹模块的细化结构示意图；
图7是本发明实施例提供的终端设备的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
请参阅图1，图1是本发明实施例提供的一种案件侦查方法的流程图。如图1所示，本实施例的案件侦查方法包括以下步骤：
S101:从公安内网获取接警号，并调取所述接警号代表的案件语义信息fk。
在本发明实施例中，所述案件语义信息是通过NLP(自然语言处理)技术从所述接警号对应的案件语料数据中提取的语义结构化信息，所述案件语义信息包括嫌疑人特征信息、案发时间和案发地点等案件关键信息。具体地，可采用jieba(结巴)工具对案件语料数据进行分词和词性标注，把One-hot(独热)形式表示的词语通过embedding(嵌入)方法进行分布式表示，形成包含语义信息的词向量序列，并将所述词向量序列输入神经网络模型进行高迭代次数的长期训练，形成预训练好的神经网络模型。在得到训练好的所述神经网络模型后，可通过，例如，部署于视频专网中的视频侦查系统，从公安内网获取接警号，将所述接警号对应的案件语料数据输入所述训练好的神经网络模型，得到所述接警号代表的案件语义信息。其中，所述接警号指的是与接案信息对应的编号。进一步地，如图2所示，所述神经网络模型包括输入层、embedding层、CNN(卷积神经网络)层、Bi-LSTM(双向长短期记忆)层、Attention(注意力)层、全连接层和CRF(条件随机场)层；所述CNN层用于提取局部信息特征，所述Bi-LSTM层用于提取文本的上下文关联信息特征，同时增加注意力机制极大的提升系统的性能和鲁棒性，所述全连接层及CRF层用于使得基于包含语义信息的词向量加入词性和副词关键词的特征。其中，X1、X2等为输入层中输入的变量；e1、e2等为embedding层的输出结果，
Figure BDA0002693538910000031
等为Bi-LSTM层输出的向量。V表示Attention层，MLP表示全连接层。
S102：在视频专网获取视频，对所述视频中的运动目标进行结构化解析得到所述运动目标的结构化特征信息，并将所述案件语义信息中的嫌疑人特征信息与所述结构化特征信息匹配，确定犯罪嫌疑人图片。
在本发明实施例中，可通过，例如，视频侦查系统，在视频专网提取视频数据，将所述视频数据统一解码成标准格式，再以背景去除法提取解码后的视频数据对应的视频中的运动目标，并通过结构化算法提取所述运动目标的结构化特征信息，最后可将所述案件语义信息中的嫌疑人特征信息与所述结构化特征信息匹配，确定犯罪嫌疑人图片。进一步地，所述背景去除方法包括：先对背景建模，再根据所述背景建模对目标图像做前景检测与背景更新，然后可根据所述前景检测和背景更新提取所述解码后的视频数据对应的视频中的运动目标。需要指出的是，所述前景检测、背景更新以及通过结构化算法提取运动目标的结构化特征信息同现有技术，故在此不再赘述。
S103：根据所述犯罪嫌疑人图片，以图搜图搜索与所述犯罪嫌疑人图片中的犯罪嫌疑人相似的相似目标，并根据所述相似目标所处监控点的位置、监控拍摄的时间及所述案发时间和案发地点，生成所述犯罪嫌疑人的运动轨迹。
在本发明实施例中，提取所述犯罪嫌疑人图片中的特征向量，并按照公式(1)进行相似度匹配，提取相似度距离小于阈值D的目标作为与所述犯罪嫌疑人图片中的犯罪嫌疑人相似的相似目标：
Figure BDA0002693538910000041
其中，fI1为所述犯罪嫌疑人图片中的特征向量，fI2为所述视频专网中的除确定的所述犯罪嫌疑人图片之外的其它图片中的特征向量，dI1,I2为相似度距离；
然后可根据所述相似目标所处监控点的位置、监控拍摄的时间及所述案发时间和案发地点，生成所述犯罪嫌疑人的运动轨迹。在本发明的另一个实施例中，在得出所述相似度距离之后，还可以通过人工辅助锁定与所述犯罪嫌疑人图片中的犯罪嫌疑人相同的相同目标，可根据所述相同目标所处监控点的位置、监控拍摄的时间及所述案发时间和案发地点，生成所述犯罪嫌疑人的运动轨迹。
S104：将所述犯罪嫌疑人图片、案件语义信息及运动轨迹打包发送至公安内网，以确定所述犯罪嫌疑人身份，并根据所述案件语义信息及运动轨迹对所述犯罪嫌疑人进行追踪。
在本发明实施例中，可将所述犯罪嫌疑人图片、案件语义信息及运动轨迹等数据打包发送至视频网匣并摆渡到公安内网，以使公安内网接收数据后进行解析还原，通过所述犯罪嫌疑人图片与内网身份证数据库平台匹配，进一步确定犯罪嫌疑人身份，同时还可根据所述案件语义信息及运动轨迹对所述犯罪嫌疑人进行追踪。更具体地，所述公安内网和所述视频专网中间可存在视频网匣和数据摆渡服务器。视频网匣控制视频流由视频专网向公安内网单向传输。数据摆渡服务器包括服务端和客户端，服务端部署在视频专网侧，负责数据封装视频流与网匣交互，客户端部署在公安内网侧，负责与视频网匣交互接收数据后解压。视频数据汇聚至视频专网，通过部署于视频专网的视频侦查系统进行解析，然后推送至数据摆渡服务器通过视频网匣摆渡至公安内网，并将数据重新汇聚至公安内网管理平台。通过所述视频网匣和数据摆渡服务器可以有效保障公安内网的安全。
在图1提供的案件侦查方法中，可对从视频专网获取视频中的运动目标进行结构化解析得到所述运动目标的结构化特征信息，并将所述案件语义信息中的嫌疑人特征信息与所述结构化特征信息匹配，从而可快速确定犯罪嫌疑人图片，并可根据相似目标算法的分析而生成所述犯罪嫌疑人的运动轨迹，在将所述犯罪嫌疑人图片、案件语义信息及运动轨迹打包发送至公安内网后，可准确确定所述犯罪嫌疑人身份，并根据所述案件语义信息及运动轨迹对所述犯罪嫌疑人进行追踪，从而可大大提高案件侦破效率。
请参阅图3，图3是本发明实施例提供的一种案件侦查装置的结构示意图。如图3所示，本实施例的案件侦查装置30包括语义模块301、特征模块302、轨迹模块303和追踪模块304。语义模块301、特征模块302、轨迹模块303和追踪模块304分别用于执行图1中的S101、S102、S103和S104中的具体方法，详情可参见图1的相关介绍，在此仅作简单描述：
语义模块301，用于从公安内网获取接警号，并调取所述接警号代表的案件语义信息；所述案件语义信息包括嫌疑人特征信息、案发时间和案发地点。
特征模块302，用于在视频专网获取视频，对所述视频中的运动目标进行结构化解析得到所述运动目标的结构化特征信息，并将所述案件语义信息中的嫌疑人特征信息与所述结构化特征信息匹配，确定犯罪嫌疑人图片。
轨迹模块303，用于根据所述犯罪嫌疑人图片，以图搜图搜索与所述犯罪嫌疑人图片中的犯罪嫌疑人相似的相似目标，并根据所述相似目标所处监控点的位置、监控拍摄的时间及所述案发时间和案发地点，生成所述犯罪嫌疑人的运动轨迹。
追踪模块304，用于将所述犯罪嫌疑人图片、案件语义信息及运动轨迹打包发送至公安内网，以确定所述犯罪嫌疑人身份，并根据所述案件语义信息及运动轨迹对所述犯罪嫌疑人进行追踪。
进一步地，请参看图4，语义模块301可具体包括：
分词标注单元3011，用于采用jieba工具对案件语料数据进行分词和词性标注，把One-hot形式表示的词语通过embedding方法进行分布式表示，形成包含语义信息的词向量序列；
训练单元3012，用于将所述词向量序列输入神经网络模型进行高迭代次数的长期训练，形成预训练好的神经网络模型；
解析单元3013，用于从公安内网获取接警号，将所述接警号对应的案件语料数据输入所述训练好的神经网络模型，得到所述接警号代表的案件语义信息。
进一步地，请参看图5，特征模块302可具体包括：
数据提取单元3021，用于在视频专网提取视频数据。
解码单元3022，用于将所述视频数据统一解码成标准格式。
目标提取单元3023，用于以背景去除法提取解码后的视频数据对应的视频中的运动目标。
特征提取单元3024，用于通过结构化算法提取所述运动目标的结构化特征信息。
匹配单元3025，用于将所述案件语义信息中的嫌疑人特征信息与所述结构化特征信息匹配，确定犯罪嫌疑人图片。
进一步地，请参看图6，轨迹模块303可具体包括：
相似度计算单元3031，用于提取所述犯罪嫌疑人图片中的特征向量，并按照公式(1)进行相似度匹配，提取相似度距离小于阈值D的目标作为与所述犯罪嫌疑人图片中的犯罪嫌疑人相似的相似目标：
Figure BDA0002693538910000061
其中，fI1为所述犯罪嫌疑人图片中的特征向量，fI2为所述视频专网中的除确定的所述犯罪嫌疑人图片之外的其它图片中的特征向量，dI1,I2为相似度距离；
轨迹单元3032，用于根据所述相似目标所处监控点的位置、监控拍摄的时间及所述案发时间和案发地点，生成所述犯罪嫌疑人的运动轨迹。
图3提供的案件侦查装置，可对从视频专网获取视频中的运动目标进行结构化解析得到所述运动目标的结构化特征信息，并将所述案件语义信息中的嫌疑人特征信息与所述结构化特征信息匹配，从而可快速确定犯罪嫌疑人图片，并可根据相似目标算法的分析而生成所述犯罪嫌疑人的运动轨迹，在将所述犯罪嫌疑人图片、案件语义信息及运动轨迹打包发送至公安内网后，可准确确定所述犯罪嫌疑人身份，并根据所述案件语义信息及运动轨迹对所述犯罪嫌疑人进行追踪，从而可大大提高案件侦破效率。
图7是本发明一实施例提供的终端设备的示意图。如图7所示，该实施例的终端设备7包括：处理器70、存储器71以及存储在所述存储器71中并可在所述处理器70上运行的计算机程序72，例如进行湍流图像复原的程序。所述处理器70执行所述计算机程序72时实现上述方法实施例中的步骤，例如，图1所示的S101至S104。或者，所述处理器70执行所述计算机程序72时实现上述各装置实施例中各模块/单元的功能，例如图3所示模块301至304的功能。
示例性的，所述计算机程序72可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器71中，并由所述处理器70执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序72在终端设备7中的执行过程。例如，所述计算机程序72可以被分割成语义模块301、特征模块302、轨迹模块303和追踪模块304。(虚拟装置中的模块)，各模块具体功能如下：
语义模块301，用于从公安内网获取接警号，并调取所述接警号代表的案件语义信息；所述案件语义信息包括嫌疑人特征信息、案发时间和案发地点。
特征模块302，用于在视频专网获取视频，对所述视频中的运动目标进行结构化解析得到所述运动目标的结构化特征信息，并将所述案件语义信息中的嫌疑人特征信息与所述结构化特征信息匹配，确定犯罪嫌疑人图片。
轨迹模块303，用于根据所述犯罪嫌疑人图片，以图搜图搜索与所述犯罪嫌疑人图片中的犯罪嫌疑人相似的相似目标，并根据所述相似目标所处监控点的位置、监控拍摄的时间及所述案发时间和案发地点，生成所述犯罪嫌疑人的运动轨迹。
追踪模块304，用于将所述犯罪嫌疑人图片、案件语义信息及运动轨迹打包发送至公安内网，以确定所述犯罪嫌疑人身份，并根据所述案件语义信息及运动轨迹对所述犯罪嫌疑人进行追踪。
所述终端设备7可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。终端设备7可包括，但不仅限于，处理器70、存储器71。本领域技术人员可以理解，图7仅仅是终端设备7的示例，并不构成对终端设备7的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所述处理器70可以是中央处理单元(Central Processing Unit，CPU)，还可以是其它通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其它可编程逻辑器件、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。
所述存储器71可以是终端设备7的内部存储单元，例如终端设备7的硬盘或内存。所述存储器71也可以是终端设备7的外部存储设备，例如所述终端设备7上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器71还可以既包括终端设备7的内部存储单元也包括外部存储设备。所述存储器71用于存储所述计算机程序以及终端设备7所需的其它程序和数据。所述存储器71还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
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发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，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讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，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，在本发明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。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元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，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种案件侦查方法，其特征在于，包括：
从公安内网获取接警号，并调取所述接警号代表的案件语义信息；所述案件语义信息包括嫌疑人特征信息、案发时间和案发地点；
在视频专网获取视频，对所述视频中的运动目标进行结构化解析得到所述运动目标的结构化特征信息，并将所述案件语义信息中的嫌疑人特征信息与所述结构化特征信息匹配，确定犯罪嫌疑人图片；
根据所述犯罪嫌疑人图片，以图搜图搜索与所述犯罪嫌疑人图片中的犯罪嫌疑人相似的相似目标，并根据所述相似目标所处监控点的位置、监控拍摄的时间及所述案发时间和案发地点，生成所述犯罪嫌疑人的运动轨迹；
将所述犯罪嫌疑人图片、案件语义信息及运动轨迹打包发送至公安内网，以确定所述犯罪嫌疑人身份，并根据所述案件语义信息及运动轨迹对所述犯罪嫌疑人进行追踪。
2.根据权利要求1所述的案件侦查方法，其特征在于，所述从公安内网获取接警号，并调取所述接警号代表的案件语义信息，包括：
采用jieba工具对案件语料数据进行分词和词性标注，把One-hot形式表示的词语通过embedding方法进行分布式表示，形成包含语义信息的词向量序列；
将所述词向量序列输入神经网络模型进行高迭代次数的长期训练，形成预训练好的神经网络模型；
从公安内网获取接警号，将所述接警号对应的案件语料数据输入所述训练好的神经网络模型，得到所述接警号代表的案件语义信息。
3.根据权利要求2所述的案件侦查方法，其特征在于，所述神经网络模型包括输入层、embedding层、CNN层、Bi-LSTM层、Attention层、全连接层和CRF层；所述CNN层用于提取局部信息特征，所述Bi-LSTM层用于提取文本的上下文关联信息特征，同时增加注意力机制极大的提升系统的性能和鲁棒性，所述全连接层及CRF层用于使得基于包含语义信息的词向量加入词性和副词关键词的特征。
4.根据权利要求1～3中任一项所述的案件侦查方法，其特征在于，所述在视频专网获取视频，对所述视频中的运动目标进行结构化解析得到所述运动目标的结构化特征信息，并将所述案件语义信息中的嫌疑人特征信息与所述结构化特征信息匹配，确定犯罪嫌疑人图片，包括：
在视频专网提取视频数据；
将所述视频数据统一解码成标准格式；
以背景去除法提取解码后的视频数据对应的视频中的运动目标；
通过结构化算法提取所述运动目标的结构化特征信息；
将所述案件语义信息中的嫌疑人特征信息与所述结构化特征信息匹配，确定犯罪嫌疑人图片。
5.根据权利要求4所述的案件侦查方法，其特征在于，所述根据所述犯罪嫌疑人图片，以图搜图搜索与所述犯罪嫌疑人图片中的犯罪嫌疑人相似的相似目标，并根据所述相似目标所处监控点的位置、监控拍摄的时间及所述案发时间和案发地点，生成所述犯罪嫌疑人的运动轨迹，包括：
提取所述犯罪嫌疑人图片中的特征向量，并按照公式(1)进行相似度匹配，提取相似度距离小于阈值D的目标作为与所述犯罪嫌疑人图片中的犯罪嫌疑人相似的相似目标：
Figure FDA0002693538900000021
其中，fI1为所述犯罪嫌疑人图片中的特征向量，fI2为所述视频专网中的除确定的所述犯罪嫌疑人图片之外的其它图片中的特征向量，dI1,I2为相似度距离；
根据所述相似目标所处监控点的位置、监控拍摄的时间及所述案发时间和案发地点，生成所述犯罪嫌疑人的运动轨迹。
6.一种案件侦查装置，其特征在于，包括：
语义模块，用于从公安内网获取接警号，并调取所述接警号代表的案件语义信息；所述案件语义信息包括嫌疑人特征信息、案发时间和案发地点；
特征模块，用于在视频专网获取视频，对所述视频中的运动目标进行结构化解析得到所述运动目标的结构化特征信息，并将所述案件语义信息中的嫌疑人特征信息与所述结构化特征信息匹配，确定犯罪嫌疑人图片；
轨迹模块，用于根据所述犯罪嫌疑人图片，以图搜图搜索与所述犯罪嫌疑人图片中的犯罪嫌疑人相似的相似目标，并根据所述相似目标所处监控点的位置、监控拍摄的时间及所述案发时间和案发地点，生成所述犯罪嫌疑人的运动轨迹；
追踪模块，用于将所述犯罪嫌疑人图片、案件语义信息及运动轨迹打包发送至公安内网，以确定所述犯罪嫌疑人身份，并根据所述案件语义信息及运动轨迹对所述犯罪嫌疑人进行追踪。
7.根据权利要求6所述的案件侦查装置，其特征在于，所述语义模块包括：
分词标注单元，用于采用jieba工具对案件语料数据进行分词和词性标注，把One-hot形式表示的词语通过embedding方法进行分布式表示，形成包含语义信息的词向量序列；
训练单元，用于将所述词向量序列输入神经网络模型进行高迭代次数的长期训练，形成预训练好的神经网络模型；
解析单元，用于从公安内网获取接警号，将所述接警号对应的案件语料数据输入所述训练好的神经网络模型，得到所述接警号代表的案件语义信息。
8.根据权利要求6或7所述的案件侦查装置，其特征在于，所述特征模块包括：
数据提取单元，用于在视频专网提取视频数据；
解码单元，用于将所述视频数据统一解码成标准格式；
目标提取单元，用于以背景去除法提取解码后的视频数据对应的视频中的运动目标；
特征提取单元，用于通过结构化算法提取所述运动目标的结构化特征信息；
匹配单元，用于将所述案件语义信息中的嫌疑人特征信息与所述结构化特征信息匹配，确定犯罪嫌疑人图片。
9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-5中任一项所述方法的步骤。
10.一种计算机可读介质，所述计算机可读介质存储有计算机程序，其特征在于，所述计算机程序被处理执行时实现如权利要求1-5中任一项所述方法的步骤。
CN202010998959.4A 2020-09-22 2020-09-22 一种案件侦查方法及装置 Pending CN112270205A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010998959.4A CN112270205A (zh) 2020-09-22 2020-09-22 一种案件侦查方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010998959.4A CN112270205A (zh) 2020-09-22 2020-09-22 一种案件侦查方法及装置

Publications (1)

Publication Number Publication Date
CN112270205A true CN112270205A (zh) 2021-01-26

Family

ID=74349120

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010998959.4A Pending CN112270205A (zh) 2020-09-22 2020-09-22 一种案件侦查方法及装置

Country Status (1)

Country Link
CN (1) CN112270205A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114267003A (zh) * 2022-03-02 2022-04-01 城云科技（中国）有限公司 道路破损检测方法、装置及应用
JP2022122994A (ja) * 2021-06-10 2022-08-23 阿波▲羅▼智▲聯▼（北京）科技有限公司 ターゲット検出システム

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106971154A (zh) * 2017-03-16 2017-07-21 天津大学 基于长短记忆型递归神经网络的行人属性预测方法
KR101960667B1 (ko) * 2018-08-31 2019-07-15 주식회사 텍트원 저장 영상에서 용의자 추적 장치 및 방법
CN110392235A (zh) * 2019-07-17 2019-10-29 河南大学 一种基于人工智能的视频监控处理系统
CN110619064A (zh) * 2019-08-29 2019-12-27 苏州千视通视觉科技股份有限公司 一种基于深度学习的案件研判方法及装置
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
CN111581396A (zh) * 2020-05-06 2020-08-25 西安交通大学 一种基于多维特征融合与依存句法的事件图谱构建系统及方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106971154A (zh) * 2017-03-16 2017-07-21 天津大学 基于长短记忆型递归神经网络的行人属性预测方法
KR101960667B1 (ko) * 2018-08-31 2019-07-15 주식회사 텍트원 저장 영상에서 용의자 추적 장치 및 방법
CN110392235A (zh) * 2019-07-17 2019-10-29 河南大学 一种基于人工智能的视频监控处理系统
CN110619064A (zh) * 2019-08-29 2019-12-27 苏州千视通视觉科技股份有限公司 一种基于深度学习的案件研判方法及装置
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
CN111581396A (zh) * 2020-05-06 2020-08-25 西安交通大学 一种基于多维特征融合与依存句法的事件图谱构建系统及方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2022122994A (ja) * 2021-06-10 2022-08-23 阿波▲羅▼智▲聯▼（北京）科技有限公司 ターゲット検出システム
CN114267003A (zh) * 2022-03-02 2022-04-01 城云科技（中国）有限公司 道路破损检测方法、装置及应用

Similar Documents

Publication Publication Date Title
CN109117777B (zh) 生成信息的方法和装置
US11055555B2 (en) Zero-shot object detection
Sumon et al. Violence detection by pretrained modules with different deep learning approaches
CN109905385B (zh) 一种webshell检测方法、装置及系统
CN110232340B (zh) 建立视频分类模型以及视频分类的方法、装置
Liu et al. A fine-grained spatial-temporal attention model for video captioning
US20230032728A1 (en) Method and apparatus for recognizing multimedia content
Choi et al. Face video retrieval based on the deep CNN with RBF loss
CN112270205A (zh) 一种案件侦查方法及装置
CN110968689A (zh) 罪名及法条预测模型的训练方法以及罪名及法条预测方法
CN114429566A (zh) 一种图像语义理解方法、装置、设备及存储介质
Silalahi et al. Named entity recognition for drone forensic using bert and distilbert
Radarapu et al. Video summarization and captioning using dynamic mode decomposition for surveillance
CN115146068A (zh) 关系三元组的抽取方法、装置、设备及存储介质
Chowdhury et al. A cascaded long short-term memory (LSTM) driven generic visual question answering (VQA)
CN113096687B (zh) 音视频处理方法、装置、计算机设备及存储介质
Qu et al. Improved YOLOv5-based for small traffic sign detection under complex weather
Hariprasad et al. Boundary-based fake face anomaly detection in videos using recurrent neural networks
CN113408282B (zh) 主题模型训练和主题预测方法、装置、设备及存储介质
CN115169345A (zh) 文本情感分析模型的训练方法、装置、设备及存储介质
Behmer et al. Ontology population framework of MAGNETO for instantiating heterogeneous forensic data modalities
CN112364682A (zh) 一种案件搜索方法及装置
CN111325068B (zh) 基于卷积神经网络的视频描述方法及装置
CN112364683A (zh) 一种案件证据固定方法及装置
Tang et al. Towards Training-free Open-world Segmentation via Image Prompting Foundation Models

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