CN113435312A - 审讯场景的监测方法、设备及存储介质 - Google Patents
审讯场景的监测方法、设备及存储介质 Download PDFInfo
- Publication number
- CN113435312A CN113435312A CN202110707150.6A CN202110707150A CN113435312A CN 113435312 A CN113435312 A CN 113435312A CN 202110707150 A CN202110707150 A CN 202110707150A CN 113435312 A CN113435312 A CN 113435312A
- Authority
- CN
- China
- Prior art keywords
- image
- personnel
- area
- suspect
- determining
- 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 61
- 238000003860 storage Methods 0.000 title claims abstract description 35
- 238000012544 monitoring process Methods 0.000 title claims abstract description 25
- 238000004458 analytical method Methods 0.000 claims abstract description 42
- 230000002159 abnormal effect Effects 0.000 claims abstract description 21
- 238000012163 sequencing technique Methods 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 6
- 230000005856 abnormality Effects 0.000 description 9
- 230000006399 behavior Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000002093 peripheral effect Effects 0.000 description 6
- 238000012806 monitoring device Methods 0.000 description 5
- 206010000117 Abnormal behaviour Diseases 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000012552 review Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
Classifications
-
- 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
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/445—Program loading or initiating
- G06F9/44521—Dynamic linking or loading; Link editing at or after load time, e.g. Java class loading
- G06F9/44526—Plug-ins; Add-ons
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Alarm Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种审讯场景的监测方法、设备及存储介质,属于计算机技术领域,该方法包括:对同一审讯场景中的至少一帧目标图像进行人员分析,得到目标图像中n个人员的图像位置信息;按照图像位置信息确定嫌疑人区域和讯问人区域,及嫌疑人区域中的人员数量和讯问人区域中的人员数量;根据嫌疑人区域中的人员数量和讯问人区域中的人员数量,确定审讯场景是否存在讯问异常;可以解决仅根据距离检测是否存在讯问异常的准确性较低的问题;不仅仅通过人员之间的距离进行异常判断,而是通过确定嫌疑人区域和讯问人区域的位置,结合区域位置和区域内人员数量判断异常,提高判断审讯异常的准确性。
Description
【技术领域】
本申请涉及一种审讯场景的监测方法、设备及存储介质,属于计算机技术领域。
【背景技术】
检察机关工作人员需要对审讯视频进行人工审核,以确定审讯过程中审讯人员是否有违规行为。但由于人工审核的方式效率很低,因此,采用设备自动审核的方式代替人工审核显得格外重要。
目前,对审讯场景进行自动监测的方式包括:对视频画面中不同人员之间的距离进行判断;若距离过近,则确定存在讯问异常。
然而,在审讯过程中,讯问人的数量可能为至少两个,而讯问人之间的距离往往较近,上述方式会导致将正常讯问行为误识别为异常讯问行为的问题,因此,仅根据距离检测是否存在讯问异常的准确性较低。
【发明内容】
本申请提供了一种审讯场景的监测方法、设备及存储介质,不仅仅通过人员之间的距离进行异常判断,而是通过确定嫌疑人区域和讯问人区域的位置,结合区域位置和区域内人员数量来判断异常,可以提高审讯场景监测的准确性。本申请提供如下技术方案:
第一方面,提供一种审讯场景的监测方法,所述方法包括:
获取至少一帧目标图像,所述至少一帧目标图像是对同一审讯场景进行图像采集得到的;
对所述至少一帧目标图像进行人员分析,得到每帧目标图像的人员分析结果,所述人员分析结果包括所述目标图像中n个人员的图像位置信息,所述n为正整数;
基于所述图像位置信息确定嫌疑人区域和讯问人区域,及所述嫌疑人区域中的人员数量和所述讯问人区域中的人员数量;
根据所述嫌疑人区域中的人员数量和所述讯问人区域中的人员数量,确定所述审讯场景是否存在讯问异常。
可选地,所述基于所述图像位置信息确定嫌疑人区域和讯问人区域,包括:
对于n大于2的每帧目标图像,按照所述图像位置信息确定所述目标图像中人员距离最小的第i个人员和第j个人员,得到一组人员组;i≠j,i≤n,且j≤n;所述i和所述j表示人员序号,所述人员序号是按照预设排序方式对所述n个人员进行排序后确定的;
在遍历所述至少一帧目标图像后,从各帧目标图像对应的人员组中,确定组合出现次数大于预设标准的目标人员组;
基于所述目标人员组的人员序号确定嫌疑人序号;所述嫌疑人序号与所述目标人员组的人员序号不同;
基于所述嫌疑人序号指示的嫌疑人所在的第一图像位置和讯问人序号指示的讯问人所在的第二图像位置,确定嫌疑人区域和讯问人区域;所述讯问人序号是指一帧目标图像中与所述嫌疑人序号不同的人员序号。
可选地,所述按照所述图像位置信息确定所述目标图像中人员距离最小的第i个人员和第j个人员,得到一组人员组,包括:
按照所述预设排序方式对所述n个人员进行排序,得到每个人员的人员序号;
按照所述图像位置信息计算所述n个人员中两两之间的人员距离,得到n×(n-1)/2组人员组的人员距离;
从n×(n-1)/2个人员距离中确定人员距离最小值,得到所述人员距离最小的第i个人员和第j个人员;
将所述人员距离最小值对应的人员组的存储至对应的存储空间中,不同人员组对应的存储空间不同。
可选地,所述在所述遍历至少一帧目标图像后,从各帧目标图像对应的人员组中,确定组合出现次数大于预设标准的目标人员组,包括:
从各个存储空间中确定数据量满足所述预设标准的目标存储空间;
将所述目标存储空间对应的人员组确定为所述目标人员组。
可选地,所述预设标准为数据量占比大于预设阈值;或者,所述预设标准为数据量占比大于预设阈值,且数据量为各个存储空间中的最大值。
可选地,对于所述至少一帧目标图像中包括至少两个讯问人序号的目标图像,所述基于所述嫌疑人序号指示的嫌疑人所在的第一图像位置和讯问人序号指示的讯问人所在的第二图像位置,确定嫌疑人区域和讯问人区域,包括:
确定所述第一图像位置的中心点与每个第二图像位置的中心点连线的中点;
获取各个中点共同确定出的一条直线与所述目标图像边缘之间的交点;
获取所述目标图像边缘的预设偏移量,所述预设偏移量用于对所述目标图像的宽和高进行收缩;
基于所述交点和所述预设偏移量从所述目标图像中确定出所述嫌疑人区域和所述讯问人区域。
可选地,所述基于所述交点和所述预设偏移量从所述目标图像中确定出所述嫌疑人区域和所述讯问人区域,包括:
使用所述预设偏移量对所述目标图像的宽和高进行收缩后,得到偏移后的图像区域,所述偏移后的图像区域包括左上顶点、右上顶点、左下顶点和右下顶点;
确定位于最上方的交点在宽方向上的直线与左上顶点在高方向上的直线之间的第一交点;
确定位于最下方的交点在宽方向上的直线与右上顶点在高方向上的直线之间的第二交点;
确定所述第一交点、所述第二交点、所述左上顶点和所述右上顶点构成的区域为所述讯问人区域;
确定所述第一交点、所述第二交点、所述左下顶点和所述右下顶点构成的区域为所述嫌疑人区域。
可选地,所述基于所述图像位置信息确定嫌疑人区域和讯问人区域,包括:
从n大于2的目标图像中确定至少两个第一图像;所述第一图像中存在一个第一人员与第二人员之间的第一距离大于第二人员之间的第二距离,第一人员的数量为一个,第二人员的数量为至少两个;
将各个第一图像中的第一人员进行相似度比较;基于第一人员的比较结果从各个所述第一图像中筛选出至少两个第二图像,不同第二图像中第一人员之间的相似度大于第一相似度阈值,且第二图像的数量与第一图像的总数量的比值大于其它图像的数量与所述总数量的比值;基于所述第二图像中所述第一人员所在区域确定所述嫌疑人区域,基于所述第二图像中所述第二人员所在区域确定所述讯问人区域;
或者,
将各个第一图像中的第二人员进行相似度比较;基于第二人员的比较结果从所述各个第一图像中筛选出至少两个第三图像,不同第三图像中同一位置处第二人员之间的相似度大于第二相似度阈值,且第三图像的数量与第一图像的总数量的比值大于其它图像的数量与所述总数量的比值;基于所述第三图像中所述第二人员所在区域确定所述讯问人区域,基于所述第三图像中所述第一人员所在区域确定所述嫌疑人区域。
可选地,所述方法还包括:
确定每帧目标图像的人员分析结果指示的人员数量;
在人员数量大于预设数值的图像帧数满足预设标准时,确定所述审讯场景符合审讯标准,触发执行所述基于所述人员分析结果确定嫌疑人区域和讯问人区域,及所述嫌疑人区域中的人员数量和所述讯问人区域中的人员数量;根据所述嫌疑人区域中的人员数量和所述讯问人区域中的人员数量,确定所述审讯场景是否存在讯问异常的步骤。
可选地,所述获取至少一帧目标图像,包括:
获取对所述审讯场景进行图像采集得到的至少一个目标视频文件;
对所述目标视频文件进行解码;
每隔预设时长获取解码回调得到的第一图像帧标识和当前读取到的第二图像帧标识;
在所述第一图像帧标识与所述第二图像帧标识之间的差值大于第一阈值时,暂停读取所述目标视频文件中的目标图像,以暂停目标图像的解码;
在所述第一图像帧标识与所述第二图像帧标识之间的差值小于第二阈值时,继续读取所述目标视频文件中的目标图像,在对所述目标视频文件全部解码完成后,得到所述至少一帧目标图像。
第二方面,提供一种电子设备,所述设备包括处理器和存储器;所述存储器中存储有程序,所述程序由所述处理器加载并执行以实现第一方面提供的审讯场景的监测方法。
第三方面,提供一种计算机可读存储介质,所述存储介质中存储有程序,所述程序被处理器执行时用于实现第一方面提供的审讯场景的监测方法。
本申请的有益效果至少包括:通过对同一审讯场景的至少一帧目标图像进行人员分析,得到目标图像中n个人员的图像位置信息;按照图像位置信息确定嫌疑人区域和讯问人区域,及嫌疑人区域中的人员数量和讯问人区域中的人员数量;根据嫌疑人区域中的人员数量和讯问人区域中的人员数量,确定审讯场景是否存在讯问异常;可以解决仅根据距离检测是否存在讯问异常的准确性较低的问题;不仅仅通过人员之间的距离进行异常判断,而是通过确定嫌疑人区域和讯问人区域的位置,结合区域位置和区域内人员数量来判断异常,可以提高审讯场景监测的准确性。
另外,由于嫌疑人和讯问人位于图像边缘的概率较低,因此,通过设置预设偏移量来划分嫌疑人区域和讯问人区域,以收缩划分嫌疑人区域和讯问人区域的有效区域,可以减少嫌疑人区域和讯问人区域中的冗余部分,提高嫌疑人区域和讯问人区域划分的准确性。
另外,通过预先检测审讯场景是否符合审讯标准,对于不符合审讯标准的审讯场景可以直接输出不符合审讯标准的结果,无需进行后续的人员分析过程,节省计算资源。
另外,通过在目标视频文件的解码过程中对解码过程进行动态控制,可保证解码不丢帧的前提下,发挥电子设备的最大性能,动态控制分析倍率,提高分析准确率和效率。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,并可依照说明书的内容予以实施,以下以本申请的较佳实施例并配合附图详细说明如后。
【附图说明】
图1是本申请一个实施例提供的审讯场景的监测方法的流程图;
图2是本申请一个实施例提供的目标视频文件解码过程的示意图;
图3是本申请一个实施例提供的嫌疑人区域和讯问人区域的示意图;
图4是本申请一个实施例提供的划分嫌疑人区域和讯问人区域的流程图;
图5是本申请一个实施例提供的审讯场景的监测装置的框图;
图6是本申请一个实施例提供的电子设备的框图。
【具体实施方式】
下面结合附图和实施例,对本申请的具体实施方式做进一步详细描述。以下实施例用于说明本申请,但不用来限制本申请的范围。
可选地,本申请以各个实施例提供的审讯场景的监测方法用于电子设备中为例进行说明,该电子设备为终端或服务器,终端可以为手机、计算机、平板电脑等,本实施例不对电子设备的类型作限定。
图1是本申请一个实施例提供的审讯场景的监测方法的流程图,该方法至少包括以下几个步骤:
步骤101,获取至少一帧目标图像,该至少一帧目标图像是对同一审讯场景进行图像采集得到的。
审讯场景通常包括嫌疑人和讯问人,其中,讯问人的数量为至少一个。在正常的审讯行为中,通常嫌疑人和讯问人之间的距离大于讯问人与讯问人之间的距离。而在异常的审讯行为中,审讯场景可能仅包括嫌疑人一个人,或者讯问人与嫌疑人之间的距离小于一定距离。本实施例中,至少一帧目标图像中可能既存在正常的审讯行为、又存在异常的审讯行为,本实施例需要将至少一帧目标图像中的异常的审讯行为识别出来。
本实施例中,至少一帧目标图像是对至少一个目标视频文件进行解码得到的。换言之,至少一帧目标图像可以来源于同一目标视频文件,或者来源于至少两个目标视频文件。为了提高视频分析效率,可以以一定倍率对每个目标视频文件进行解码分析。比如:基于原视频的4倍、8倍、16倍进行分析。然而,视频解码速度取决于电子设备的设备性能,因此,一旦选择的倍率达不到电子设备解码的性能,解码就会丢帧,这会对分析结果产生较大的影响。基于该技术问题,本实施例中,在以一定倍率对目标视频文件进行解码,获取至少一帧目标图像时包括:获取对审讯场景进行图像采集得到的至少一个目标视频文件;对目标视频文件进行解码;每隔预设时长获取解码回调得到的第一图像帧标识和当前读取到的第二图像帧标识;在第一图像帧标识与第二图像帧标识之间的差值大于第一阈值时,暂停读取目标视频文件中的目标图像,以暂停目标图像的解码;在第一图像帧标识与第二图像帧标识之间的差值小于第二阈值时,继续读取目标视频文件中的目标图像,在对目标视频文件全部解码完成后,得到至少一帧目标图像。
本实施例中,第一阈值大于第二阈值,且第一阈值和第二阈值的取值预先存储在电子设备中,在一个示例中,以图像帧标识(ID)是图像帧号为例,第一阈值可以为20帧,第二阈值可以为5帧,在实际实现时,第一阈值和第二阈值的取值也可以是其它数值,本实施例不对第一阈值和第二阈值的取值作限定。
电子设备中预设有视频文件读取库,该视频文件读取库包括开始播放接口、倍率播放接口、暂停播放接口和解码插件调用接口。开始播放接口用于播放视频文件读取库读取到的视频文件。倍率播放接口用于调节正在播放的视频文件的倍率,比如:倍率播放接口用于以最大倍率播放视频,在实际实现时,倍率播放接口的倍率也可以为原视频的3倍、5倍等,而不是最大倍率,本实施例不对倍率播放接口对应的倍率作限定。暂停播放接口用于控制正在播放的视频文件暂停播放。解码插件调用接口用于调用电子设备中预存的解码插件,该解码插件用于对视频文件进行解码。基于前述设置,参考图2所示的电子设备的解码过程,该解码过程至少包括如下几个步骤:
步骤21,在获取到待分析的目标视频文件后,调用开始播放接口开始播放目标视频文件;
步骤22,调用解码插件调用接口来调用解码插件,并使用该解码插件对目标视频文件进行解码;
步骤23,调用倍率播放接口以最大倍率播放视频;
步骤24,读取目标视频文件中当前时刻获取到的帧ID、以及解码插件回调的帧ID;
步骤25,判断两个帧ID之间的差值是否大于第一阈值;若是,则执行步骤26;若否,则执行步骤27;
步骤26,调用暂停播放接口以暂停播放视频文件,再次执行步骤24;
步骤27,判断两个帧ID之间的差值是否小于第二阈值;若是,则执行步骤28;若否,则执行步骤25;
步骤28,调用开始播放接口以恢复视频文件的播放,执行步骤24,直至目标视频文件全部解码完成时,停止文件播放并停止文件解码。
换言之,在解码插件回调的帧ID为目标视频文件的最后一帧目标图像的帧ID时停止文件播放并停止文件解码。
步骤102,对至少一帧目标图像进行人员分析,得到每帧目标图像的人员分析结果,人员分析结果包括目标图像中n个人员的图像位置信息。
其中,n为正整数。
可选地,电子设备可以在对目标视频文件全部解码完成后,再执行人员分析的过程;或者,每解码得到一帧目标图像就对该目标图像执行人员分析过程,本实施例不对人员分析过程的执行时机作限定。
可选地,对至少一帧目标图像进行人员分析时,可以使用机器学习算法进行人员检测,得到人员分析结果。其中,机器学习算法可以为目标检测算法,如RCNN(Regions withCNN features)、空间金字塔池化(Spatial Pyramid Pooling,SPP-net)等,本实施例不对机器学习算法的类型作限定。
由于在审讯场景中,对讯问人的数量通常有要求,比如:需要有至少两名讯问人进行审讯,对于不符合要求的讯问场景可以直接输出异常。基于此,在获取到人员分析结果后,电子设备可以确定每帧目标图像的人员分析结果指示的人员数量;在人员数量大于预设数值的图像帧数满足预设标准时,确定审讯场景符合审讯标准,触发执行基于图像位置信息确定嫌疑人区域和讯问人区域,及嫌疑人区域中的人员数量和讯问人区域中的人员数量;根据嫌疑人区域中的人员数量和讯问人区域中的人员数量,确定审讯场景是否存在讯问异常的步骤,即触发执行步骤103和104。
其中,预设标准可以为人员数量大于预设数值的图像帧数与总帧数之比大于比例阈值。比如:比例阈值为60%,则在人员数量大于预设数值的图像帧数与总帧数之比大于60%时,确定审讯场景符合审讯标准。其中,预设数值可以为3、4等,预设数值的取值可以根据审讯场景的要求设置,本实施例不对预设数值和比例阈值的取值作限定。
在其它实施例中,预设标准还可以为图像帧数大于预设的帧数阈值,本实施例不对预设标准的设置方式作限定。
示意性地,图像位置信息通过人员所在矩形框的左上顶点的像素坐标和矩形框的宽高表示。人员所在矩形框是包括单个人员的最小矩形框。在其它实现方式中,目标图像中的人员也可以通过多边形框或者不规则框表示,相应地,图像位置信息可以是覆盖人员所在位置的各个像素坐标,本实施例不对图像位置信息的实现方式作限定。
另外,人员分析结果还可以包括其它信息,如人脸特征数据等,本实施例不对人员分析结果包括的信息内容作限定。
步骤103,基于图像位置信息确定嫌疑人区域和讯问人区域,及嫌疑人区域中的人员数量和讯问人区域中的人员数量。
嫌疑人区域是指审讯场景中的嫌疑人对应在目标图像中的区域;讯问人区域是指审讯场景中的讯问人对应在目标图像中的区域。本实施例中,通过定位嫌疑人区域和讯问人区域,从而可以基于嫌疑人区域和讯问人区域中人员的数量来判断审讯异常。
可选地,基于图像位置信息确定嫌疑人区域和讯问人区域的方式包括但不限于以下两种:第一种,为目标图像中的各个人员设置人员序号;结合图像位置信息和人员序号确定讯问人区域和嫌疑人区域;第二种,结合图像位置信息和人员特征确定讯问人区域和嫌疑人区域。下面分别对上述两种方式分别进行介绍。
第一种基于图像位置信息确定嫌疑人区域和讯问人区域,至少包括以下几个步骤:
步骤1,对于n大于2的每帧目标图像,按照图像位置信息确定目标图像中人员距离最小的第i个人员和第j个人员,得到一组人员组。
其中,i≠j,i≤n,且j≤n;i和j表示人员序号,人员序号是按照预设排序方式对n个人员进行排序后确定的。
预设排序方式用于指示人员在目标图像中的排序方向,该预设排序方式可以是在目标图像上按照自上而下(高方向上或者说与图像的宽相垂直的方向)的位置进行排序,和/或是在目标图像上按照自左而右(宽方向上或者说与图像的高相垂直的方向)的位置进行排序,本实施例不对预设排序方式的设置方式作限定。
由于在正常的审讯场景中,嫌疑人的位置和讯问人的位置通常保持不变,因此,通过按照预设排序方式对图像中的人员进行排序,得到人员序号,该人员序号可以在目标图像中指示一个区域,对多帧目标图像的同一区域的人员数量进行检测,可以确定出该区域内人员数量的变化。若该区域是嫌疑人所在区域,则可以确定出是否存在讯问人进入该区域,从而判断出是否存在讯问人靠近嫌疑人的异常行为,若该区域是讯问人所在区域,则可以确定出讯问人的数量是否低于数量要求,从而判断是否存在讯问人人数较低的异常行为或者嫌疑人独处的异常行为,从而可以提高审讯场景监测的准确性。
基于上述原理可知,本实施例中,在对审讯场景进行监测过程中,如何确定人员序号对应的是嫌疑人还是讯问人是至关重要的。本实施例中,基于目标图像中人员之间的人员距离确定人员序号对应的是嫌疑人还是讯问人。
由于人员分析结果包括每帧目标图像中每个人员的图像位置信息,因此,可以根据目标图像中不同人员的图像位置信息,计算出该不同人员之间的人员距离。
具体地,在一个示例中,按照图像位置信息确定目标图像中人员距离最小的第i个人员和第j个人员,得到一组人员组,包括:按照预设排序方式对n个人员进行排序,得到每个人员的人员序号;按照图像位置信息计算n个人员中两两之间的人员距离,得到n×(n-1)/2组人员组的人员距离;从n×(n-1)/2个人员距离中确定人员距离最小值,得到人员距离最小的第i个人员和第j个人员;将人员距离最小值对应的人员组的存储至对应的存储空间中,其中,不同人员组对应的存储空间不同。
比如:参考图3,对于一帧目标图像来说,经过人员分析后,该目标图像包括3个人员,将人员所在矩形框左上顶点在图像上沿高方向(图中的y轴负方向)进行排序,对于在宽方向(图中的x轴正方向)上平行的人员沿宽方向进行排序后,得到3个人员的序号分别为人员1、人员2和人员3,将3个人员的数据(包括人员序号和人员分析结果)存储至缓存列表List_Sort。计算List_Sort中三个人的两两人员之间的距离(正常情况下,两个讯问人的距离最小,但有可能出现讯问人与嫌疑人接触,所以需要将人员1与人员2,人员1与人员3,以及人员2与人员3之间距离都分别计算出来),将两人之间距离最小的那组数据存放在List_MinDis12,List_MinDis13或者List_MinDis23。其中,List_MinDis12用于存放人员1、人员2之间距离最小时的最小人员距离,List_MinDis13用于存放人员1、人员3之间距离最小时的最小人员距离,List_MinDis23用于存放人员2、人员3之间距离最小时的最小人员距离。
本实施例中,在对审讯场景进行拍摄时,人员在审讯场景中的数量可能存在变化,比如:讯问人离开审讯场景,导致审讯场景中讯问人的数量低于数量要求(属于审讯的异常行为),此时,同一目标视频文件的目标图像中,可能存在部分帧目标图像的人员数量小于或等于2,另一部分帧目标图像的人员数量大于2。而通常人员数量大于2的目标图像符合审讯场景的数量要求的概率较大,因此,本实施例中,基于n大于2的每帧目标图像确定图像中的嫌疑人的人员序号,即下文中的嫌疑人序号。
步骤2,在遍历至少一帧目标图像后,从各帧目标图像对应的人员组中,确定组合出现次数大于预设标准的目标人员组。
步骤3,基于目标人员组的人员序号确定嫌疑人序号;嫌疑人序号与目标人员组的人员序号不同。
由于在一个目标视频文件中,讯问人和嫌疑人的行为均处于正常状态的概率较大,因此,本实施例中,通过选择组合出现次数大于预设标准的目标人员组,可以保证该目标人员组处于距离较近的状态的时长较长,即该目标人员组是一组讯问人员的概率较大,因此,可以根据目标人员组的人员序号,确定出嫌疑人的嫌疑人序号。
具体地,由于不同人员组对应的存储空间不同,因此,可以从各个存储空间中确定数据量满足预设标准的目标存储空间;将目标存储空间对应的人员组确定为目标人员组。
可选地,预设标准为数据量占比大于预设阈值;或者,预设标准为数据量占比大于预设阈值,且数据量为各个存储空间中的最大值。
比如:在遍历至少一帧目标图像后,计算List_MinDis12,List_MinDis13,List_MinDis23中数据量最大的缓存列表的占比MinDisRate。当MinDisRate超过80%(即预设阈值),则可确定嫌疑人的人员位置序号。如List_MinDis12最大且比例大于80%,则嫌疑人的序号为3;同理,若List_MinDis13最大且比例大于80%,则嫌疑人的序号为2。
上述示例中,仅以预设阈值为80%为例进行说明,在实际实现时,预设阈值的取值也可以为其它数值,比如85%、90%等,本实施例不对预设阈值的取值作限定。
可选地,在各个存储空间均不满足预设标准时,则确定分析异常,流程结束。
步骤4,基于嫌疑人序号指示的嫌疑人所在的第一图像位置和讯问人序号指示的讯问人所在的第二图像位置,确定嫌疑人区域和讯问人区域。
可选地,在得到嫌疑人序号和讯问人序号后,电子设备可以随机抽取k帧目标图像确定嫌疑人区域和讯问人区域,k为正整数;或者,从各个存储空间中分别抽取r组数据确定嫌疑人区域和讯问人区域,r为正整数,如取各个存储空间中间的一组数据对应的目标图像确定嫌疑人区域和讯问人区域,本实施例不对确定嫌疑人区域和讯问人区域的目标图像的来源作限定。其中,讯问人序号是指一帧目标图像中与嫌疑人序号不同的人员序号。
具体地,对于包括至少两个讯问人序号的目标图像,基于嫌疑人序号指示的嫌疑人所在的第一图像位置和讯问人序号指示的讯问人所在的第二图像位置,确定嫌疑人区域和讯问人区域,包括:确定第一图像位置的中心点与每个第二图像位置的中心点连线的中点;获取各个中点共同确定出的一条直线与目标图像边缘之间的交点;获取目标图像边缘的预设偏移量,该预设偏移量用于对目标图像的宽和高进行收缩;基于交点和预设偏移量从目标图像中确定出嫌疑人区域和讯问人区域。
需要补充说明的是,确定中点的步骤与对目标图像的宽和高进行收缩的步骤之间没有严格的先后顺序。换言之,确定中点的步骤可以在对目标图像的宽和高进行收缩的步骤之前执行,或者在对目标图像的宽和高进行收缩的步骤之后执行,或者与对目标图像的宽和高进行收缩的步骤同时执行。
其中,基于交点和预设偏移量从目标图像中确定出嫌疑人区域和讯问人区域,包括:使用预设偏移量对目标图像的宽和高进行收缩后,得到偏移后的图像区域,偏移后的图像区域包括左上顶点、右上顶点、左下顶点和右下顶点;确定位于最上方的交点在宽方向上的直线与左上顶点在高方向上的直线之间的第一交点;确定位于最下方的交点在宽方向上的直线与右上顶点在高方向上的直线之间的第二交点;确定第一交点、第二交点、左上顶点和右上顶点构成的区域为讯问人区域;确定第一交点、第二交点、左下顶点和右下顶点构成的区域为嫌疑人区域。
其中,使用预设偏移量对目标图像的宽和高进行收缩是指:保持原始的目标图像不变,从目标图像的宽边缘和高边缘开始分别向图像内部移动预设偏移量个像素,得到位于目标图像内部的偏移后的图像区域。可选地,在确定出嫌疑人区域和讯问人区域后,还可以进一步确定第一图像位置是否在讯问人区域内,且第二图像位置是否在嫌疑人区域内;若是,则输出嫌疑人区域和讯问人区域;若否,则输出错误提示,该错误提示用于提示嫌疑人区域和讯问人区域确定出错。
基于图3所示的目标图像,对确定嫌疑人区域和讯问人区域的过程进行介绍。具体参考图4,图4中以目标图像的左上顶点为原点O,以目标图像的上边缘为x轴正方向、以目标图像的左边缘为y轴负方向为例进行说明。预设偏移量为10、审讯场景包括两个讯问人和一个嫌疑人为例进行说明,在实际实现时,预设偏移量可以为其它数值,且宽方向的偏移量和高方向上的偏移量相同或不同,本实施例不对预设偏移量的设置方式作限定。该过程至少包括如下几个步骤:
步骤41,计算两个讯问人所在图像位置(第二图像位置)的中心点与嫌疑人所在图像位置(第一图像位置)的中心点连线的中点p1(x1,y1)和p2(x2,y2)。
步骤42,计算两中点之间组成的直线的斜率k与截距b,得到中点构成的直线。
其中,k=(y2-y1)/(x2-x1),b=y2-k*x2。
步骤43,获取直线与图像的边缘之间的交点,确定位于最上方的交点在宽方向上的直线与左上顶点在高方向上的直线之间的第一交点p_left(x_l,y_l);确定位于最下方的交点在宽方向上的直线与右上顶点在高方向上的直线之间的第二交点p_right(x_r,y_r)。其中,x_l=10.0,y_l=b,x_r=width-10,y_r=k*width+b。
其中,width表示图像的宽。
直线与图像的边缘之间最上方的交点为(0,b)。根据图4可知,第一交点为图4中y=b对应的直线与x=10对应的直线之间的交点。
直线与图像的边缘之间最下方的交点为(width,k*width+b)。根据图4可知,第二交点为y=k*width+b对应的直线与x=width-10对应的之间之间的交点。
步骤44,将p_topleft(10,-10)、p_topright(width-10,-10)与p_left、p_right组成讯问人区域XWPolygon;p_buttonleft(10,-height+10)、p_buttonright(width-10,-height+10)与p_left、p_right组成嫌疑人区域XYPolygon。
步骤45,确定第一图像位置是否在讯问人区域XWPolygon内,且第二图像位置是否在嫌疑人区域XYPolygon内;若是,则输出嫌疑人区域和讯问人区域;若否,则输出错误提示。
第二种基于图像位置信息确定嫌疑人区域和讯问人区域至少包括如下几个步骤:
步骤1,从n大于2的目标图像中确定至少两个第一图像;第一图像中存在一个第一人员与第二人员之间的第一距离大于第二人员之间的第二距离,第一人员的数量为一个,第二人员的数量为至少两个。
由于正常审讯场景下,讯问人之间的距离小于讯问人与嫌疑人之间的距离。基于此,通过从目标图像中确定第一图像,可以确定出符合上述规律的图像。
步骤2,将各个第一图像中的第一人员进行相似度比较;基于第一人员的比较结果从各个第一图像中筛选出至少两个第二图像,不同第二图像中第一人员之间的相似度大于第一相似度阈值,且第二图像的数量与第一图像的总数量的比值大于其它图像的数量与所述总数量的比值;基于第二图像中第一人员所在区域确定嫌疑人区域,基于第二图像中第二人员所在区域确定讯问人区域;或者,将各个第一图像中的第二人员进行相似度比较;基于第二人员的比较结果从各个第一图像中筛选出至少两个第三图像,不同第三图像中同一位置处第二人员之间的相似度大于第二相似度阈值,且第三图像的数量与第一图像的总数量的比值大于其它图像的数量与所述总数量的比值;基于第三图像中第二人员所在区域确定讯问人区域,基于第三图像中第一人员所在区域确定嫌疑人区域。
由于在审讯过程中可能出现讯问人靠近嫌疑人的情况,此时,讯问人与嫌疑人之间的距离小于讯问人与讯问人之间的距离。这种情况下的目标图像也可以被分类成第一图像。基于此,需要从第一图像中进一步筛选出符合审讯标准的图像,之后基于该图像来确定讯问人区域和嫌疑人区域。
而在一次审讯过程中,讯问人靠近嫌疑人的时长通常较短。基于此,本实施例中,通过将任意一张第一图像中距离较近的人员与其它第一图像中距离较近的人员进行相似度比较,或者将任意一张第一图像中距离较远的人员与其它第一图像中距离较远的人员进行相似度比较,从中选择出相似度较高、且重复次数较多的第一图像,可以筛选出符合审讯标准的图像,即第二图像或第三图像。
本实施例中,基于第三图像中第二人员所在区域确定讯问人区域,基于第三图像中第一人员所在区域确定嫌疑人区域,包括:
对第二人员所在区域进行第一预设尺寸的扩张,得到讯问人区域;对第一人员所在区域进行第二预设尺寸的扩张,得到嫌疑人区域。
其中,第一预设尺寸和第二预设尺寸保证讯问人区域与嫌疑人区域之间不重叠。
需要补充说明的是,在实际实现时,若目标图像仅包括嫌疑人的人脸,则比较第一人员之间的相似度;若目标图像仅包括讯问人的人脸,则比较第二人员之间的相似度。
在确定出嫌疑人区域和讯问人区域后,可以将每张目标图像中各个人员的图像位置信息分别与嫌疑人区域和讯问人区域进行比较;若图像位置信息属于嫌疑人区域,则确定该图像位置信息对应的人员为嫌疑人区域中的人员;若图像位置信息属于讯问人区域,则确定该图像位置信息对应的人员为讯问人区域中的人员;分别统计嫌疑人区域中的人员和讯问人区域中的人员,得到嫌疑人区域的人员数量和讯问人区域的人员数量。
步骤104,根据嫌疑人区域中的人员数量和讯问人区域中的人员数量,确定审讯场景是否存在讯问异常。
由于人员分析结果包括每帧目标图像中各个人员的图像位置信息,因此,可以将该图像位置信息分别与嫌疑人区域和讯问人区域进行比较,以确定该图像位置信息指示的图像位置是否位于嫌疑人区域或者讯问人区域内,从而得到嫌疑人区域中的人员数量和讯问人区域中的人员数量。
根据嫌疑人区域中的人员数量和讯问人区域中的人员数量,确定审讯场景是否存在讯问异常,包括:
在连续x帧目标图像中,嫌疑人区域中的人员数量为1,且讯问人区域中的人员数量为1,确定审讯场景存在单人讯问的讯问异常;
在连续y帧目标图像中,嫌疑人区域中的人员数量为1,且讯问人区域中的人员数量为0,确定审讯场景存在嫌疑人独处的讯问异常;
在连续z帧目标图像中,嫌疑人区域中的人员数量大于1,且嫌疑人区域中的不同人员之间的人员距离大于距离阈值,确定审讯场景存在讯问人与被讯问人异常接触的讯问异常;
在嫌疑人区域中的人员数量为1、且同一审讯场景下至少一帧目标图像指示的审讯时长超过预设时长阈值时,确定审讯场景存在讯问超时异常。
其中,至少一帧目标图像指示的审讯时长可以是至少一个目标视频文件的总时长。换言之,是对同一审讯场景持续进行图像采集的总时长。
在实际实现时,讯问异常的判定方式也可以是其它方式,比如:在嫌疑人区域中的人员数量大于1,且讯问人区域中的人员数量小于或等于1,确定审讯场景存在讯问人与被讯问人异常接触的讯问异常等,本实施例不对讯问异常的判定方式作限定。
可选地,在确定出审讯场景存在讯问异常时输出讯问预警。不同类型的讯问异常对应的讯问预警相同或不同。讯问预警包括但不限于:音频预警、灯光预警、振动预警和视频预警中的至少一种,本实施例不对讯问预警的方式作限定。
需要补充说明的是,本申请中,嫌疑人和讯问人用于表示审讯场景中两种不同类型的人员,在实际实现时,嫌疑人可以称为第一类人员、讯问人也可以称为第二类人员,本实施例不对嫌疑人和讯问人的名称作限定。
综上所述,本实施例提供的审讯场景的监测方法,通过对同一审讯场景中的至少一帧目标图像进行人员分析,得到目标图像中n个人员的图像位置信息;按照图像位置信息确定嫌疑人区域和讯问人区域,及嫌疑人区域中的人员数量和讯问人区域中的人员数量;根据嫌疑人区域中的人员数量和讯问人区域中的人员数量,确定审讯场景是否存在讯问异常;可以解决仅根据距离检测是否存在讯问异常的准确性较低的问题;不仅仅通过人员之间的距离进行异常判断,而是通过确定嫌疑人区域和讯问人区域的位置,结合区域位置和区域内人员数量来判断异常,可以提高审讯场景监测的准确性。
另外,由于嫌疑人和讯问人位于图像边缘的概率较低,因此,通过设置预设偏移量来划分嫌疑人区域和讯问人区域,以收缩划分嫌疑人区域和讯问人区域的有效区域,可以减少嫌疑人区域和讯问人区域中的冗余部分,提高嫌疑人区域和讯问人区域划分的准确性。
另外,通过预先检测审讯场景是否符合审讯标准,对于不符合审讯标准的审讯场景可以直接输出不符合审讯标准的结果,无需进行后续的人员分析过程,节省计算资源。
另外,通过在目标视频文件的解码过程中对解码过程进行动态控制,可保证解码不丢帧的前提下,发挥电子设备的最大性能,动态控制分析倍率,提高分析准确率和效率。
图5是本申请一个实施例提供的审讯场景的监测装置的框图。该装置至少包括以下几个模块:图像获取模块510、图像分析模块520、区域确定模块530和异常确定模块540。
图像获取模块510,用于获取至少一帧目标图像,所述至少一帧目标图像是对所述审讯场景进行图像采集得到的;
图像分析模块520,用于对所述至少一帧目标图像进行人员分析,得到每帧目标图像的人员分析结果,所述人员分析结果包括所述目标图像中n个人员的图像位置信息,所述n为正整数;
区域确定模块530,用于基于所述图像位置信息确定嫌疑人区域和讯问人区域,及嫌疑人区域中的人员数量和讯问人区域中的人员数量;
异常确定模块540,用于根据所述嫌疑人区域中的人员数量和所述讯问人区域中的人员数量,确定所述审讯场景是否存在讯问异常。
相关细节参考上述方法实施例。
需要说明的是:上述实施例中提供的审讯场景的监测装置在进行审讯场景的监测时,仅以上述各功能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模块完成,即将审讯场景的监测装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的审讯场景的监测装置与审讯场景的监测方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
图6是本申请一个实施例提供的电子设备的框图。该设备至少包括处理器601和存储器602。
处理器601可以包括一个或多个处理核心,比如:4核心处理器、8核心处理器等。处理器601可以采用DSP(Digital Signal Processing,数字信号处理)、FPGA(Field-Programmable Gate Array,现场可编程门阵列)、PLA(Programmable Logic Array,可编程逻辑阵列)中的至少一种硬件形式来实现。处理器601也可以包括主处理器和协处理器,主处理器是用于对在唤醒状态下的数据进行处理的处理器,也称CPU(Central ProcessingUnit,中央处理器);协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中,处理器601可以在集成有GPU(Graphics Processing Unit,图像处理器),GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中,处理器601还可以包括AI(Artificial Intelligence,人工智能)处理器,该AI处理器用于处理有关机器学习的计算操作。
存储器602可以包括一个或多个计算机可读存储介质,该计算机可读存储介质可以是非暂态的。存储器602还可包括高速随机存取存储器,以及非易失性存储器,比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中,存储器602中的非暂态的计算机可读存储介质用于存储至少一个指令,该至少一个指令用于被处理器601所执行以实现本申请中方法实施例提供的审讯场景的监测方法。
在一些实施例中,电子设备还可选包括有:外围设备接口和至少一个外围设备。处理器601、存储器602和外围设备接口之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与外围设备接口相连。示意性地,外围设备包括但不限于:射频电路、触摸显示屏、音频电路、和电源等。
当然,电子设备还可以包括更少或更多的组件,本实施例对此不作限定。
可选地,本申请还提供有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程序,所述程序由处理器加载并执行以实现上述方法实施例的审讯场景的监测方法。
可选地,本申请还提供有一种计算机产品,该计算机产品包括计算机可读存储介质,所述计算机可读存储介质中存储有程序,所述程序由处理器加载并执行以实现上述方法实施例的审讯场景的监测方法。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (11)
1.一种审讯场景的监测方法,其特征在于,所述方法包括:
获取至少一帧目标图像,所述至少一帧目标图像是对同一审讯场景进行图像采集得到的;
对所述至少一帧目标图像进行人员分析,得到每帧目标图像的人员分析结果,所述人员分析结果包括所述目标图像中n个人员的图像位置信息,所述n为正整数;
基于所述图像位置信息确定嫌疑人区域和讯问人区域,及所述嫌疑人区域中的人员数量和所述讯问人区域中的人员数量;
根据所述嫌疑人区域中的人员数量和所述讯问人区域中的人员数量,确定所述审讯场景是否存在讯问异常。
2.根据权利要求1所述的方法,其特征在于,所述基于所述图像位置信息确定嫌疑人区域和讯问人区域,包括:
对于n大于2的每帧目标图像,按照所述图像位置信息确定所述目标图像中人员距离最小的第i个人员和第j个人员,得到一组人员组;i≠j,i≤n,且j≤n;所述i和所述j表示人员序号,所述人员序号是按照预设排序方式对所述n个人员进行排序后确定的;
在遍历所述至少一帧目标图像后,从各帧目标图像对应的人员组中,确定组合出现次数大于预设标准的目标人员组;
基于所述目标人员组的人员序号确定嫌疑人序号;所述嫌疑人序号与所述目标人员组的人员序号不同;
基于所述嫌疑人序号指示的嫌疑人所在的第一图像位置和讯问人序号指示的讯问人所在的第二图像位置,确定所述嫌疑人区域和所述讯问人区域;所述讯问人序号是指一帧目标图像中与所述嫌疑人序号不同的人员序号。
3.根据权利要求2所述的方法,其特征在于,所述按照所述图像位置信息确定所述目标图像中人员距离最小的第i个人员和第j个人员,得到一组人员组,包括:
按照所述预设排序方式对所述n个人员进行排序,得到每个人员的人员序号;
按照所述图像位置信息计算所述n个人员中两两之间的人员距离,得到n×(n-1)/2组人员组的人员距离;
从n×(n-1)/2个人员距离中确定人员距离最小值,得到所述人员距离最小的第i个人员和第j个人员;
将所述人员距离最小值对应的人员组的存储至对应的存储空间中,不同人员组对应的存储空间不同。
4.根据权利要求3所述的方法,其特征在于,所述在遍历所述至少一帧目标图像后,从各帧目标图像对应的人员组中,确定组合出现次数大于预设标准的目标人员组,包括:
从各个存储空间中确定数据量满足所述预设标准的目标存储空间;
将所述目标存储空间对应的人员组确定为所述目标人员组。
5.根据权利要求2所述的方法,其特征在于,对于所述至少一帧目标图像中包括至少两个讯问人序号的目标图像,所述基于所述嫌疑人序号指示的嫌疑人所在的第一图像位置和讯问人序号指示的讯问人所在的第二图像位置,确定所述嫌疑人区域和所述讯问人区域,包括:
确定所述第一图像位置的中心点与每个第二图像位置的中心点连线的中点;
获取各个中点共同确定出的一条直线与所述目标图像边缘之间的交点;
获取所述目标图像边缘的预设偏移量,所述预设偏移量用于对所述目标图像的宽和高进行收缩;
基于所述交点和所述预设偏移量从所述目标图像中确定出所述嫌疑人区域和所述讯问人区域。
6.根据权利要求5所述的方法,其特征在于,所述基于所述交点和所述预设偏移量从所述目标图像中确定出所述嫌疑人区域和所述讯问人区域,包括:
使用所述预设偏移量对所述目标图像的宽和高进行收缩后,得到偏移后的图像区域,所述偏移后的图像区域包括左上顶点、右上顶点、左下顶点和右下顶点;
确定位于最上方的交点在宽方向上的直线与左上顶点在高方向上的直线之间的第一交点;
确定位于最下方的交点在宽方向上的直线与右上顶点在高方向上的直线之间的第二交点;
确定所述第一交点、所述第二交点、所述左上顶点和所述右上顶点构成的区域为所述讯问人区域;
确定所述第一交点、所述第二交点、所述左下顶点和所述右下顶点构成的区域为所述嫌疑人区域。
7.根据权利要求1所述的方法,其特征在于,所述基于所述图像位置信息确定嫌疑人区域和讯问人区域,包括:
从n大于2的目标图像中确定至少两个第一图像;所述第一图像中存在一个第一人员与第二人员之间的第一距离大于第二人员之间的第二距离,第一人员的数量为一个,第二人员的数量为至少两个;
将各个第一图像中的第一人员进行相似度比较;基于第一人员的比较结果从各个所述第一图像中筛选出至少两个第二图像,不同第二图像中第一人员之间的相似度大于第一相似度阈值,且第二图像的数量与第一图像的总数量的比值大于其它图像的数量与所述总数量的比值;基于所述第二图像中所述第一人员所在区域确定所述嫌疑人区域,基于所述第二图像中所述第二人员所在区域确定所述讯问人区域;
或者,
将各个第一图像中的第二人员进行相似度比较;基于第二人员的比较结果从各个所述第一图像中筛选出至少两个第三图像,不同第三图像中同一位置处第二人员之间的相似度大于第二相似度阈值,且第三图像的数量与第一图像的总数量的比值大于其它图像的数量与所述总数量的比值;基于所述第三图像中所述第二人员所在区域确定所述讯问人区域,基于所述第三图像中所述第一人员所在区域确定所述嫌疑人区域。
8.根据权利要求1所述的方法,其特征在于,所述方法还包括:
确定每帧目标图像的人员分析结果指示的人员数量;
在人员数量大于预设数值的图像帧数满足预设标准时,确定所述审讯场景符合审讯标准,触发执行所述基于所述人员分析结果确定嫌疑人区域和讯问人区域,及所述嫌疑人区域中的人员数量和所述讯问人区域中的人员数量;根据所述嫌疑人区域中的人员数量和所述讯问人区域中的人员数量,确定所述审讯场景是否存在讯问异常的步骤。
9.根据权利要求1所述的方法,其特征在于,所述获取至少一帧目标图像,包括:
获取对所述审讯场景进行图像采集得到的至少一个目标视频文件;
对所述目标视频文件进行解码;
每隔预设时长获取解码回调得到的第一图像帧标识和当前读取到的第二图像帧标识;
在所述第一图像帧标识与所述第二图像帧标识之间的差值大于第一阈值时,暂停读取所述目标视频文件中的目标图像,以暂停目标图像的解码;
在所述第一图像帧标识与所述第二图像帧标识之间的差值小于第二阈值时,继续读取所述目标视频文件中的目标图像,在对所述目标视频文件全部解码完成后,得到所述至少一帧目标图像。
10.一种电子设备,其特征在于,所述设备包括处理器和存储器;所述存储器中存储有程序,所述程序由所述处理器加载并执行以实现如权利要求1至9任一项所述的审讯场景的监测方法。
11.一种计算机可读存储介质,其特征在于,所述存储介质中存储有程序,所述程序被处理器执行时用于实现如权利要求1至9任一项所述的审讯场景的监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110707150.6A CN113435312A (zh) | 2021-06-24 | 2021-06-24 | 审讯场景的监测方法、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110707150.6A CN113435312A (zh) | 2021-06-24 | 2021-06-24 | 审讯场景的监测方法、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113435312A true CN113435312A (zh) | 2021-09-24 |
Family
ID=77754086
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110707150.6A Pending CN113435312A (zh) | 2021-06-24 | 2021-06-24 | 审讯场景的监测方法、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113435312A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117041641A (zh) * | 2023-07-11 | 2023-11-10 | 武汉北创数科信息技术有限责任公司 | 基于区块链的远程审讯画面控制分析方法及系统 |
-
2021
- 2021-06-24 CN CN202110707150.6A patent/CN113435312A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117041641A (zh) * | 2023-07-11 | 2023-11-10 | 武汉北创数科信息技术有限责任公司 | 基于区块链的远程审讯画面控制分析方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107358149B (zh) | 一种人体姿态检测方法和装置 | |
US7254270B2 (en) | System and method for bounding and classifying regions within a graphical image | |
CN109697468B (zh) | 样本图像的标注方法、装置及存储介质 | |
CN111753724A (zh) | 一种异常行为识别方法及装置 | |
CN108875531B (zh) | 人脸检测方法、装置、系统及计算机存储介质 | |
CN107451507A (zh) | 一种用于动态图像中的二维码识别方法及装置 | |
CN114241432A (zh) | 车牌识别方法、设备及存储介质 | |
JP2011257963A (ja) | 画像処理装置、その処理方法及びプログラム | |
CN109635755A (zh) | 人脸提取方法、装置及存储介质 | |
CN113435312A (zh) | 审讯场景的监测方法、设备及存储介质 | |
CN115471439A (zh) | 显示面板缺陷的识别方法、装置、电子设备及存储介质 | |
CN112686314A (zh) | 基于远距离拍摄场景的目标检测方法、装置及存储介质 | |
CN114255493A (zh) | 图像检测方法、人脸检测方法及装置、设备及存储介质 | |
CN111340139A (zh) | 一种图像内容复杂度的判别方法及装置 | |
CN111369591A (zh) | 一种运动物体的跟踪方法、装置及设备 | |
CN115424181A (zh) | 目标对象的检测方法和装置 | |
CN110782425A (zh) | 图像处理方法、图像处理装置和电子设备 | |
CN115004245A (zh) | 目标检测方法、装置、电子设备和计算机存储介质 | |
CN114550062A (zh) | 图像中运动对象的确定方法、装置、电子设备和存储介质 | |
JP6782825B1 (ja) | 通知判定装置、通知判定方法及び通知判定プログラム | |
CN115619698A (zh) | 电路板缺陷的检测方法、装置及模型训练方法 | |
CN113569771A (zh) | 视频分析方法及装置、电子设备和存储介质 | |
US9292763B2 (en) | System, method, and medium for image object and contour feature extraction | |
CN113591858A (zh) | 一种文本识别方法、装置、电子设备和存储介质 | |
CN112396627A (zh) | 一种目标跟踪方法及装置、计算机可读存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |