CN114429185A - 一种基于图像聚档的目标对象确定方法及相关装置 - Google Patents

一种基于图像聚档的目标对象确定方法及相关装置 Download PDF

Info

Publication number
CN114429185A
CN114429185A CN202210087661.7A CN202210087661A CN114429185A CN 114429185 A CN114429185 A CN 114429185A CN 202210087661 A CN202210087661 A CN 202210087661A CN 114429185 A CN114429185 A CN 114429185A
Authority
CN
China
Prior art keywords
processed
event
events
appointed
specified
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
CN202210087661.7A
Other languages
English (en)
Inventor
童宇蔚
陈立力
周明伟
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.)
Zhejiang Dahua Technology Co Ltd
Original Assignee
Zhejiang Dahua 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 Zhejiang Dahua Technology Co Ltd filed Critical Zhejiang Dahua Technology Co Ltd
Priority to CN202210087661.7A priority Critical patent/CN114429185A/zh
Publication of CN114429185A publication Critical patent/CN114429185A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了一种基于图像聚档的目标对象确定方法及相关装置，涉及数据处理领域。该方法通过获取指定事件集后，根据各指定事件的待处理参数从档案数据库中确定每一指定事件对应的待处理对象。其中，档案数据库中的每一图像档案是基于图像聚档技术确定的。本申请实施例的指定事件集中包括多个指定事件，且该指定事件集中各指定事件间具备关联关系。上述流程基于相关联的多起指定事件发生的指定时间段和指定区域来确定每一指定事件对应的待处理对象，进一步根据待处理对象对应指定事件的数量来确定该指定事件集对应的目标对象，提高目标对象的筛选效率。

Description

一种基于图像聚档的目标对象确定方法及相关装置
技术领域
本发明涉及数据处理领域，特别涉及一种基于图像聚档的目标对象确定方法及相关装置。
背景技术
图像聚档技术是通过识别视频流中的行人对象来获取该对象在不同时刻的位置信息，进而构建包含该对象不同时空轨迹的图像档案。随着科技的发展，图像聚档技术愈加成熟。相关技术中多将图像聚档技术应用于目标对象的筛选阶段。目标对象的筛选阶段，即为根据待处理事件的发生时间和地点对档案数据库进行条件筛选，以从中筛选出时空轨迹符合事件发生时间、地点的图像档案，进而确定实施该事件的目标对象。
实际应用中存在多起待处理事件在多个维度相互关联的情况。传统的筛选方式会将多起相关联事件视作单独个体，分别基于每一事件的时空轨迹筛选出该事件对应的目标对象。这种筛选方式并未考虑事件间的关联关系，筛选目标对象的耗时较长。
发明内容
本申请实施例提供一种基于图像聚档的目标对象确定方法及相关装置，用于提高目标对象的筛选效率。
第一方面，本申请实施例提供了一种基于图像聚档的目标对象确定方法，所述方法包括：
获取指定事件集；其中，所述指定事件集包括多个指定事件，所述指定事件集中各指定事件间具备关联关系，每一指定事件具有对应的待处理参数，所述待处理参数至少包括所述指定事件发生的指定时间段和指定区域；
根据各指定事件的待处理参数从档案数据库中确定每一指定事件对应的待处理对象；其中，所述档案数据库包括多个图像档案，所述图像档案是基于图像聚档技术确定的，所述待处理对象为在所述指定时间段内的任一时刻位于所述指定区域的对象；
确定每一待处理对象对应的指定事件的数量，并基于所述数量从各待处理对象中确定目标对象。
本申请实施例获取指定事件集后，根据各指定事件的待处理参数从档案数据库中确定每一指定事件对应的待处理对象。其中，档案数据库中的每一图像档案是基于图像聚档技术确定的。本申请实施例的指定事件集中包括多个指定事件，且该指定事件集中各指定事件间具备关联关系。上述流程基于相关联的多起指定事件发生的指定时间段和指定区域来确定每一指定事件对应的待处理对象，进一步根据待处理对象对应指定事件的数量来确定该指定事件集对应的目标对象，提高目标对象的筛选效率。
在一些可能的实施例中，所述指定事件集是根据下述方式确定的：
将待处理事件集中的任意两个待处理事件组成待处理事件对；其中，待处理事件集包括多个待处理事件；
针对每一待处理事件对，将所述待处理事件对中每一待处理事件的事件信息输入已训练的词袋模型中，根据所述词袋模型的输出结果确定所述待处理事件对的事件相似度；其中，所述事件信息至少包括所述待处理事件发生的时间和地点，所述事件相似度表征所述待处理事件对中两个待处理事件的事件信息间的相似度；
基于事件相似度满足相似度阈值的待处理事件对构建所述指定事件集，所述指定事件集中任意两个指定事件间的事件相似度均满足所述相似度阈值。
本申请实施例将多待处理事件集中任意两个待处理事件组成待处理事件对，并通过预先训练的词袋模型确定每一待处理事件对间的事件相似度。进而基于各待处理事件对的事件相似度来构建指定事件集，以使指定事件集中任意两个指定事件之间的事件相似度均满足相似度阈值。通过上述方式确定的指定事件集中各指定事件均具备关联关系。
在一些可能的实施例中，所述待处理事件集中各待处理事件的事件类型均相同。
本申请实施例在构建指定事件集之前先通过事件类型对众多待处理事件进行以此筛选，筛选出的每一待处理事件集中各待处理事件的事件类型均相同，由此可在通过各待处理事件构建指定事件集时降低时间损耗，提高构建效率。
在一些可能的实施例中，每一图像档案对应唯一对象，所述图像档案包含所述对象的时空信息，所述时空信息表征所述对象在多个时刻的位置信息，所述根据各指定事件的待处理参数从档案数据库中确定每一指定事件对应的待处理对象，包括：
针对每一指定事件，根据各图像档案对应的时空信息确定在所述指定时间段内的任一时刻位于所述指定区域的对象；
将所述对象作为所述指定事件对应的待处理对象。
本申请实施例中通过图像聚档技术得到的每一图像档案均具备该档案对应对象的时空信息，针对每一指定事件，根据各图像档案的时空信息即可确定在该指定事件的指定时间段内任一时刻位于指定区域的目标对象。通过上述流程确定的目标对象具备实施该指定事件的时空条件。
在一些可能的实施例中，所述基于所述数量从各待处理对象中确定目标对象，包括：
将对应指定事件的数量最大的待处理对象作为所述目标对象。
本申请实施例中，目标对象具备实施其对应指定事件的时空条件，通过将对应指定事件数量最大的待处理对象作为目标对象，可提高筛选目标对象的准确性。
在一些可能的实施例中，所述方法还包括：
确定所述指定事件的待处理对象后，根据所述待处理对象的时空信息确定所述待处理对象在所述指定时间段内处于所述指定区域的停留时长；
根据所述停留时长确定所述待处理对象的第一参数值，所述第一参数值表征所述指定事件为所述待处理对象实施的概率；
所述基于所述数量从各待处理对象中确定目标对象，包括：
针对每一待处理对象，根据所述待处理对象的第一参数值和对应指定事件的数量确定所述待处理对象的第二参数值，所述第二参数值表征所述指定事件集中各指定事件为所述待处理对象实施的概率；
将第二参数值最大的待处理对象作为所述目标对象。
本申请实施例中根据待处理对象在指定时间段内处理指定区域的停留时长，并根据该停留时长确定该待处理对象的第一参数值。进一步的，根据该待处理对象的第一参数值和该待处理对象对应指定事件的数量确定该待处理对象的第二参数值，该第二参数值可表征指定事件集中各指定事件均为该待处理对象实施的概率，因而将第二参数值最大的待处理对象作为目标对象可提高目标对象的筛选精确度。
第二方面，本申请实施例提供了一种基于图像聚档的目标对象确定装置，所述装置包括：
事件集获取模块，被配置为执行获取指定事件集；其中，所述指定事件集包括多个指定事件，所述指定事件集中各指定事件间具备关联关系，每一指定事件具有对应的待处理参数，所述待处理参数至少包括所述指定事件发生的指定时间段和指定区域；
待处理对象确定模块，被配置为执行根据各指定事件的待处理参数从档案数据库中确定每一指定事件对应的待处理对象；其中，所述档案数据库包括多个图像档案，所述图像档案是基于图像聚档技术确定的，所述待处理对象为在所述指定时间段内的任一时刻位于所述指定区域的对象；
目标对象确定模块，被配置为执行确定每一待处理对象对应的指定事件的数量，并基于所述数量从各待处理对象中确定目标对象。
在一些可能的实施例中，所述指定事件集是根据下述方式确定的：
将待处理事件集中的任意两个待处理事件组成待处理事件对；其中，待处理事件集包括多个待处理事件；
针对每一待处理事件对，将所述待处理事件对中每一待处理事件的事件信息输入已训练的词袋模型中，根据所述词袋模型的输出结果确定所述待处理事件对的事件相似度；其中，所述事件信息至少包括所述待处理事件发生的时间和地点，所述事件相似度表征所述待处理事件对中两个待处理事件的事件信息间的相似度；
基于事件相似度满足相似度阈值的待处理事件对构建所述指定事件集，所述指定事件集中任意两个指定事件间的事件相似度均满足所述相似度阈值。
在一些可能的实施例中，所述待处理事件集中各待处理事件的事件类型均相同。
在一些可能的实施例中，每一图像档案对应唯一对象，所述图像档案包含所述对象的时空信息，所述时空信息表征所述对象在多个时刻的位置信息，执行所述根据各指定事件的待处理参数从档案数据库中确定每一指定事件对应的待处理对象，所述待处理对象确定模块被配置为：
针对每一指定事件，根据各图像档案对应的时空信息确定在所述指定时间段内的任一时刻位于所述指定区域的对象；
将所述对象作为所述指定事件对应的待处理对象。
在一些可能的实施例中，执行所述基于所述数量从各待处理对象中确定目标对象，所述目标对象确定模块被配置为：
将对应指定事件的数量最大的待处理对象作为所述目标对象。
在一些可能的实施例中，所述目标对象确定模块还被配置为：
确定所述指定事件的待处理对象后，根据所述待处理对象的时空信息确定所述待处理对象在所述指定时间段内处于所述指定区域的停留时长；
根据所述停留时长确定所述待处理对象的第一参数值，所述第一参数值表征所述指定事件为所述待处理对象实施的概率；
所述基于所述数量从各待处理对象中确定目标对象，包括：
针对每一待处理对象，根据所述待处理对象的第一参数值和对应指定事件的数量确定所述待处理对象的第二参数值，所述第二参数值表征所述指定事件集中各指定事件为所述待处理对象实施的概率；
将第二参数值最大的待处理对象作为所述目标对象。
第三方面，本申请实施例还提供了一种电子设备，包括：
处理器；
用于存储所述处理器可执行指令的存储器；
其中，所述处理器被配置为执行所述指令，以实现如本申请第一方面中提供的任一方法。
第四方面，本申请实施例还提供了一种计算机可读存储介质，当所述计算机可读存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行如本申请第一方面中提供的任一方法。
第五方面，本申请一实施例提供了一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如本申请第一方面中提供的任一方法。
本申请的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请而了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，显而易见地，下面所介绍的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例示出的应用场景图；
图2a为本申请实施例示出的基于图像聚档的目标对象确定方法流程图；
图2b为本申请实施例示出的事件分类示意图；
图2c为本申请实施例示出的符合时空条件的待处理对象示意图；
图2d为本申请实施例示出的目标对象筛选示意图；
图3为本申请实施例示出的基于图像聚档的目标对象确定装置300结构图；
图4为本申请实施例示出的电子设备示意图。
具体实施方式
下面将结合附图对本申请实施例中的技术方案进行清楚、详尽地描述。在本申请实施例的描述中，除非另有说明，“面将表示或的意思，例如，A/B可以表示A或B；文本中的“和/或”仅仅是一种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：单独存在A，同时存在A和B，单独存在B这三种情况，另外，在本申请实施例的描述中，“多个”是指两个或多于两个。
在本申请实施例的描述中，除非另有说明，术语“多个”是指两个或两个以上，其它量词与之类似应当理解，此处所描述的优选实施例仅用于说明和解释本申请，并不用于限定本申请，并且在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
为进一步说明本申请实施例提供的技术方案，下面结合附图以及具体实施方式对此进行详细的说明。虽然本申请实施例提供了如下述实施例或附图所示的方法操作步骤，但基于常规或者无需创造性的劳动在方法中可以包括更多或者更少的操作步骤。在逻辑上不存在必要因果关系的步骤中，这些步骤的执行顺序不限于本申请实施例提供的执行顺序。方法在实际的处理过程中或者控制设备执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行。
前文已提及，实际应用中存在多起待处理事件在多个维度相互关联的情况。传统的筛选方式会将多起相关联事件视作单独个体，分别基于每一事件的时空轨迹筛选出该事件对应的目标对象。这种筛选方式并未考虑事件间的关联关系，筛选目标对象的耗时较长。由于图像聚档技术能够提供多个目标在不同时刻的位置信息，例如刑侦领域中，多基于每一事件的时空信息(如事件发经纬度、事件发时间、地点等信息)筛选出符合该事件时空条件(即，在事件发时间附近处于事件发地点)的目标对象，再根据相关技术手段从符合该事件时空条件的目标对象中确定事件实施者。
刑侦领域中，通常存在多起串并事件的情况。各串并事件间具备一定维度的关联关系，例如多起串并事件为相同实施者，或多起串并事件中的实施者间存在关系等。针对这种多起串并事件，相关技术需分别基于每一事件的时空信息筛选出该事件的目标对象，并未有效利用到串并事件间的关联关系，存在筛选目标对象耗时较长的问题。
为解决上述问题，本申请的发明构思为：获取指定事件集后，根据各指定事件的待处理参数从档案数据库中确定每一指定事件对应的待处理对象。其中，档案数据库中的每一图像档案是基于图像聚档技术确定的。本申请实施例的指定事件集中包括多个指定事件，且该指定事件集中各指定事件间具备关联关系。上述流程基于相关联的多起指定事件发生的指定时间段和指定区域来确定每一指定事件对应的待处理对象，进一步根据待处理对象对应指定事件的数量来确定该指定事件集对应的目标对象，提高目标对象的筛选效率。
下面结合附图对本申请实施例提供的一种基于图像聚档的目标对象确定方法进行详细说明。
参见图1，为根据本申请一个实施例的应用环境的示意图。
如图1所示，该应用环境中例如可以包括网络10、服务器20、至少一个终端设备30以及数据库40。其中，终端设备30可包括图1中示出的智能手机30_1、台式电脑30_2、以及笔记本电脑30_n。
在图1所示的应用场景中，经相关部门授权，用户将多起具备关联关系的待处理事件及每一待处理事件的事件描述信息输入到终端设备30中，终端设备30通过网络10将上述多起待处理事件发送给服务器20。服务器20根据每一事件的事件描述信息确定该事件的事件发时间和地点。
服务器20根据每一待处理事件的事件发时间和地点对数据库40中存储的档案数据库进行搜索。应理解的是，档案数据库是基于图像聚档技术构建的人像数据库。档案数据库中的每一图像档案对应一个对象，且每一图像档案中包含该对象在不同时刻下被预先部署的图像采集装置获取的人像图片，即包含该对象在多个时刻的位置信息。
在一些可能的实施例中，服务器20根据待处理事件的事件发时间和地点从人像库中筛选出在事件发时间出现在事件发地点的可疑对象。
需要说明的是，上述描述中仅就单个服务器或终端设备加以详述，但是本领域技术人员应当理解的是，对单个终端设备和服务器加以详述至少为了说明方便，而非暗示对终端设备和服务器的数量、类型或是位置等具有限制。应当注意，如果向图示环境中添加附加模块或从其中去除个别模块，不会改变本申请的示例实施例的底层概念。
此外，虽然为便于说明而在图1中示出了从数据库40到服务器20的双向箭头，但本领域技术人员可以理解的是，上述数据的收发也是需要通过网络10实现的。
介绍了本申请技术方案适用的应用场景后，下面结合附图对本申请实施例提供的一种基于图像聚档的目标对象确定方法进行详细说明，具体如图2a所示，包括以下步骤：
步骤201：获取指定事件集；其中，所述指定事件集包括多个指定事件，所述指定事件集中各指定事件间具备关联关系，每一指定事件具有对应的待处理参数，所述待处理参数至少包括所述指定事件发生的指定时间段和指定区域；
由于在事件发生时间前后一定时间范围内，出现在距离事件发生地点指定区域内的人才具备制造该事件的时空条件，因而针对每一待处理事件，经相关部门授权后可从该待处理事件的事件描述信息中获取该待处理事件的事件发生时间和地点。进而基于该事件发生时间和地点确定指定时间段和指定区域。例如，可将事件发生地点0.5公里范围内的区域作为指定区域，将事件发生时间前后1小时内的时间作为该待处理事件的指定时间段，例如事件发生时间为1号下午2点，则指定时间段为1号下午1点到3点。
实施时，首先将待处理事件集中的任意两个待处理事件组成待处理事件对；其中，待处理事件集包括多个待处理事件。然后针对每一待处理事件对，将待处理事件对中每一待处理事件的事件信息输入已训练的词袋模型中，根据词袋模型的输出结果确定待处理事件对的事件相似度。最后基于事件相似度满足相似度阈值的待处理事件对构建指定事件集，指定事件集中任意两个指定事件间的事件相似度均满足相似度阈值。其中，事件信息至少包括待处理事件发生的时间和地点，事件相似度表征待处理事件对中两个待处理事件的事件信息间的相似度。
为提高指定事件集的构建效率，应使待处理事件集中各待处理事件的事件类型均相同。具体的，构建指定事件集时，可经相关部门授权后，获取目前尚未处理的全部事件的相关信息，相关信息具体包括事件的类型、事件发生时间、地点等。进一步的，针对尚未处理的全部事件，对各事件进行较粗略的归类，事件分类的大致类别框架如图2b所示，一级分类可包括如公共类、安全类等，如损坏公物、扰乱公共秩序等类别属于公共分类下的二级分类，而例如排放污水、携带易燃易爆物品等类别则属于安全类别下的二级分类。对事件进行分类时，可根据事件的事件描述信息及事件类型进行确定，具体的，可采用人工的方式对事件进行二级分类，还可运用如TextCNN等自然语言处理领域的文本分类模型，进行事件二级分类。例如，采摘公园果树这一事件，根据事件类型得知它的一级分类属于公共类事件，再通过人工或文本分类模型判断二级分类可以归类为公共类事件下的损坏公物类事件。
进一步的，对相同二级分类下的所有事件再进行更细致的串并事件分析，例如对图2b中示出的“损坏公物”这一二级分类下的所有事件进行串并事件分析。实施时，首先对如事件类型、事件描述信息等文本信息进行分词处理，再运用如CBOW等词袋模型进行训练，以获取各事件信息对应的词向量。进而通过余弦相似度等相似度计算方式确定各事件词向量之间的事件相似度，将两两之间，事件相似度大于相似度阈值的事件作为一组待处理的串并事件集。该事件集即为上述指定事件集，该事件集中的每一事件即为上述指定事件集中的各指定事件。
步骤202：根据各指定事件的待处理参数从档案数据库中确定每一指定事件对应的待处理对象；其中，所述档案数据库包括多个图像档案，所述图像档案是基于图像聚档技术确定的，所述待处理对象为在所述指定时间段内的任一时刻位于所述指定区域的对象。
步骤203：确定每一待处理对象对应的指定事件的数量，并基于所述数量从各待处理对象中确定目标对象。
前文已提及，图像聚档技术是通过识别视频流中的行人对象来获取该对象在不同时刻的位置信息，进而构建包含该对象不同时空轨迹的图像档案。一份图像档案相当于一个对象在不同时刻下被预先部署的图像采集装置抓拍到的图像，即，一份图像档案对应一个对象的时空轨迹信息，时空轨迹信息即为该对象在多个时刻的位置信息。
根据各指定事件的待处理参数从档案数据库中确定每一指定事件对应的待处理对象时，针对每一指定事件，根据各图像档案对应的时空信息确定在指定时间段内的任一时刻位于指定区域的对象，并将该对象作为指定事件对应的待处理对象。实施时，例如，对于损坏公物二级分类中的一组由n起事件组成的待处理的串并事件集{A1,A2,…,An}，在事件发时间前后t小时内出现在距离事件发地点r米范围内的人，可以满足实施的时空条件。因此将事件发时间前后t小时、距离事件发地点r米的范围作为各事件的目标区域，记为{P1,P2,…,Pn}。针对{A1,A2,…,An}中的每一待处理事件，将从图像聚档结果中分析得到的每一对象的时空轨迹信息与该待处理事件的目标区域进行对比，对于每个事件可以得到在目标区域中出现过的对象集合。
具体的，对于{A1,A2,…,An}中的每一待处理事件Ai，i∈[1，n]。根据聚档结果找出时空轨迹曾出现在事件目标区域Pi的对象集合，记为Ci。则对于该组串并事件的n起事件，共能得到n组集合{C1,C2,…,Cn}。如图2c所示，方框表示各待处理事件的目标区域，曾出现在事件目标区域Pi的对象集合Ci包括对象A、B和C。其中，圆圈表示对象A的轨迹记录、三角表示对象B的轨迹记录、矩形表示对象C的轨迹记录，通过对比分析各组对象集合，即可找出在各个集合中都出现过的对象。进一步的，将对应指定事件的数量最大的待处理对象作为目标对象。具体如图2c所示，对象A在每一待处理事件的目标区域都出现过，说明对象A同时满足实施全部指定事件的时空条件，对象A实施该指定事件集中各指定事件的可能性较大，此时可将对象A作为该串并事件集的目标对象。
在一些可能的实施例中，确定指定事件的待处理对象后，可根据待处理对象的时空信息确定待处理对象在指定时间段内处于指定区域的停留时长。然后根据停留时长确定待处理对象的第一参数值，第一参数值即可表征指定事件为待处理对象实施的概率。执行上述步骤203时，可针对每一待处理对象，根据待处理对象的参数值和对应指定事件的数量确定待处理对象的第二参数值。相应的，第二参数值即可表征指定事件集中各指定事件为待处理对象实施的概率，因而可将第二参数值最大的待处理对象作为目标对象。
具体的，获取扰乱公共秩序二级分类中的一组串并事件集{A1,A2,A3}为例，针对{A1,A2,A3}中的每一待处理事件，将事件发生时间前后t小时、距离事件发地点r米的范围作为各事件的目标区域，记为{P1,P2,P3}。如图2d所示，图2d中方框表示各待处理事件的目标区域，圆圈表示对象A的轨迹记录、三角表示对象B的轨迹记录。假设对象A的时空轨迹符合待处理事件A1、A2和A3，对象B的时空轨迹符合待处理事件A2和A3。但对象A在A1、A2和A3的目标区域停留时间均较低，实施该指定事件的可能性并不高，此时，可根据对象A在每一目标区域的停留时长确定对象A的参数值，例如对象A在A1、A2和A3的目标区域分别停留1分钟，10分钟和12分钟。
由于扰乱公共秩序的事件通常实施时间需要在15分钟以上，可设置未在目标区域出现(即停留时长为0)的第一参数值为0，停留时长在10分钟以下的第一参数值为0.1，10～15分钟的第一参数值为0.2，15分钟以上的第一参数值为0.7，因而根据对象A在各目标区域的停留时长所对应的参数值可得到表征对象A实施可行性的第二参数值αA，αA越高则表征A实施可行性越大。
具体的，第二参数值可根据待处理对象的第一参数值之和与该待处理对象对应指定事件的数量之积确定。即对象A的第二参数值αA＝(0.1+0.2+0.2)×3＝1.5。相应的，假设对象B在A1、A2和A3的目标区域分别停留0分钟、15分钟和40分钟，则αB＝(0+0.7+0.7)×2＝2.8。由此可见，虽然对象B未出现在A1的目标区域，但对象B的第二参数值大于对象A，因而对象B的嫌疑应大于对象A，此时应确定对象B为该串并事件集{A1,A2,A3}的目标对象。
确定串并事件集的目标对象后，可再次运用图像聚档的实名档结果或是其他方式进一步确定目标对象的身份信息。通过对于目标对象包括职业、犯罪前科记录、有无异常行为等在内的相关信息的挖掘，以及刑侦方面专业技术与经验的应用，锁定最终该起串并事件集的实施者。
上述流程基于相关联的多起指定事件发生的指定时间段和指定区域来确定每一指定事件对应的待处理对象，进一步根据待处理对象对应指定事件的数量来确定该指定事件集对应的目标对象，提高目标对象的筛选效率。
基于相同的发明构思，本申请实施例还提供了一种基于图像聚档的目标对象确定装置300，具体如图3所示，包括：
事件集获取模块301，被配置为执行获取指定事件集；其中，所述指定事件集包括多个指定事件，所述指定事件集中各指定事件间具备关联关系，每一指定事件具有对应的待处理参数，所述待处理参数至少包括所述指定事件发生的指定时间段和指定区域；
待处理对象确定模块302，被配置为执行根据各指定事件的待处理参数从档案数据库中确定每一指定事件对应的待处理对象；其中，所述档案数据库包括多个图像档案，所述图像档案是基于图像聚档技术确定的，所述待处理对象为在所述指定时间段内的任一时刻位于所述指定区域的对象；
目标对象确定模块303，被配置为执行确定每一待处理对象对应的指定事件的数量，并基于所述数量从各待处理对象中确定目标对象。
在一些可能的实施例中，所述指定事件集是根据下述方式确定的：
将待处理事件集中的任意两个待处理事件组成待处理事件对；其中，待处理事件集包括多个待处理事件；
针对每一待处理事件对，将所述待处理事件对中每一待处理事件的事件信息输入已训练的词袋模型中，根据所述词袋模型的输出结果确定所述待处理事件对的事件相似度；其中，所述事件信息至少包括所述待处理事件发生的时间和地点，所述事件相似度表征所述待处理事件对中两个待处理事件的事件信息间的相似度；
基于事件相似度满足相似度阈值的待处理事件对构建所述指定事件集，所述指定事件集中任意两个指定事件间的事件相似度均满足所述相似度阈值。
在一些可能的实施例中，所述待处理事件集中各待处理事件的事件类型均相同。
在一些可能的实施例中，每一图像档案对应唯一对象，所述图像档案包含所述对象的时空信息，所述时空信息表征所述对象在多个时刻的位置信息，执行所述根据各指定事件的待处理参数从档案数据库中确定每一指定事件对应的待处理对象，所述待处理对象确定模块302被配置为：
针对每一指定事件，根据各图像档案对应的时空信息确定在所述指定时间段内的任一时刻位于所述指定区域的对象；
将所述对象作为所述指定事件对应的待处理对象。
在一些可能的实施例中，执行所述基于所述数量从各待处理对象中确定目标对象，所述目标对象确定模块303被配置为：
将对应指定事件的数量最大的待处理对象作为所述目标对象。
在一些可能的实施例中，所述目标对象确定模块303还被配置为：
确定所述指定事件的待处理对象后，根据所述待处理对象的时空信息确定所述待处理对象在所述指定时间段内处于所述指定区域的停留时长；
根据所述停留时长确定所述待处理对象的第一参数值，所述第一参数值表征所述指定事件为所述待处理对象实施的概率；
所述基于所述数量从各待处理对象中确定目标对象，包括：
针对每一待处理对象，根据所述待处理对象的第一参数值和对应指定事件的数量确定所述待处理对象的第二参数值，所述第二参数值表征所述指定事件集中各指定事件为所述待处理对象实施的概率；
将第二参数值最大的待处理对象作为所述目标对象。
下面参照图4来描述根据本申请的这种实施方式的电子设备130。图4显示的电子设备130仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图4所示，电子设备130以通用电子设备的形式表现。电子设备130的组件可以包括但不限于：上述至少一个处理器131、上述至少一个存储器132、连接不同系统组件(包括存储器132和处理器131)的总线133。
总线133表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器、外围总线、处理器或者使用多种总线结构中的任意总线结构的局域总线。
存储器132可以包括易失性存储器形式的可读介质，例如随机存取存储器(RAM)1321和/或高速缓存存储器1322，还可以进一步包括只读存储器(ROM)1323。
存储器132还可以包括具有一组(至少一个)程序模块1324的程序/实用工具1325，这样的程序模块1324包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
电子设备130也可以与一个或多个外部设备134(例如键盘、指向设备等)通信，还可与一个或者多个使得用户能与电子设备130交互的设备通信，和/或与使得该电子设备130能与一个或多个其它电子设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口135进行。并且，电子设备130还可以通过网络适配器136与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器136通过总线133与用于电子设备130的其它模块通信。应当理解，尽管图中未示出，可以结合电子设备130使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
在示例性实施例中，还提供了一种包括指令的计算机可读存储介质，例如包括指令的存储器132，上述指令可由装置400的处理器131执行以完成上述方法。可选地，计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
在示例性实施例中，还提供一种计算机程序产品，包括计算机程序/指令，所述计算机程序/指令被处理器131执行时实现如本申请提供的一种基于图像聚档的目标对象确定方法。
在示例性实施例中，本申请提供的一种基于图像聚档的目标对象确定方法的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在计算机设备上运行时，程序代码用于使计算机设备执行本说明书上述描述的根据本申请各种示例性实施方式的一种基于图像聚档的目标对象确定方法中的步骤。
程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
本申请的实施方式的用于一种基于图像聚档的目标对象确定的程序产品可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在电子设备上运行。然而，本申请的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于——无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本申请操作的程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“如“语言或类似的程序设计语言。程序代码可以完全地在用户电子设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户电子设备上部分在远程电子设备上执行、或者完全在远程电子设备或服务端上执行。在涉及远程电子设备的情形中，远程电子设备可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户电子设备，或者，可以连接到外部电子设备(例如利用因特网服务提供商来通过因特网连接)。
应当注意，尽管在上文详细描述中提及了装置的若干单元或子单元，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本申请的实施方式，上文描述的两个或更多单元的特征和功能可以在一个单元中具体化。反之，上文描述的一个单元的特征和功能可以进一步划分为由多个单元来具体化。
此外，尽管在附图中以特定顺序描述了本申请方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程图像缩放设备的处理器以产生一个机器，使得通过计算机或其他可编程图像缩放设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程图像缩放设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程图像缩放设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (10)

1.一种基于图像聚档的目标对象确定方法，其特征在于，所述方法包括：
获取指定事件集；其中，所述指定事件集包括多个指定事件，所述指定事件集中各指定事件间具备关联关系，每一指定事件具有对应的待处理参数，所述待处理参数至少包括所述指定事件发生的指定时间段和指定区域；
根据各指定事件的待处理参数从档案数据库中确定每一指定事件对应的待处理对象；其中，所述档案数据库包括多个图像档案，所述图像档案是基于图像聚档技术确定的，所述待处理对象为在所述指定时间段内的任一时刻位于所述指定区域的对象；
确定每一待处理对象对应的指定事件的数量，并基于所述数量从各待处理对象中确定目标对象。
2.根据权利要求1所述的方法，其特征在于，所述指定事件集是根据下述方式确定的：
将待处理事件集中的任意两个待处理事件组成待处理事件对；其中，待处理事件集包括多个待处理事件；
针对每一待处理事件对，将所述待处理事件对中每一待处理事件的事件信息输入已训练的词袋模型中，根据所述词袋模型的输出结果确定所述待处理事件对的事件相似度；其中，所述事件信息至少包括所述待处理事件发生的时间和地点，所述事件相似度表征所述待处理事件对中两个待处理事件的事件信息间的相似度；
基于事件相似度满足相似度阈值的待处理事件对构建所述指定事件集，所述指定事件集中任意两个指定事件间的事件相似度均满足所述相似度阈值。
3.根据权利要求2所述的方法，其特征在于，所述待处理事件集中各待处理事件的事件类型均相同。
4.根据权利要求1所述的方法，其特征在于，每一图像档案对应唯一对象，所述图像档案包含所述对象的时空信息，所述时空信息表征所述对象在多个时刻的位置信息，所述根据各指定事件的待处理参数从档案数据库中确定每一指定事件对应的待处理对象，包括：
针对每一指定事件，根据各图像档案对应的时空信息确定在所述指定时间段内的任一时刻位于所述指定区域的对象；
将所述对象作为所述指定事件对应的待处理对象。
5.根据权利要求1-4中任一所述的方法，其特征在于，所述基于所述数量从各待处理对象中确定目标对象，包括：
将对应指定事件的数量最大的待处理对象作为所述目标对象。
6.根据权利要求5所述的方法，其特征在于，所述方法还包括：
确定所述指定事件的待处理对象后，根据所述待处理对象的时空信息确定所述待处理对象在所述指定时间段内处于所述指定区域的停留时长；
根据所述停留时长确定所述待处理对象的第一参数值，所述第一参数值表征所述指定事件为所述待处理对象实施的概率；
所述基于所述数量从各待处理对象中确定目标对象，包括：
针对每一待处理对象，根据所述待处理对象的第一参数值和对应指定事件的数量确定所述待处理对象的第二参数值，所述第二参数值表征所述指定事件集中各指定事件为所述待处理对象实施的概率；
将第二参数值最大的待处理对象作为所述目标对象。
7.一种基于图像聚档的目标对象确定装置，其特征在于，所述装置包括：
事件集获取模块，被配置为执行获取指定事件集；其中，所述指定事件集包括多个指定事件，所述指定事件集中各指定事件间具备关联关系，每一指定事件具有对应的待处理参数，所述待处理参数至少包括所述指定事件发生的指定时间段和指定区域；
待处理对象确定模块，被配置为执行根据各指定事件的待处理参数从档案数据库中确定每一指定事件对应的待处理对象；其中，所述档案数据库包括多个图像档案，所述图像档案是基于图像聚档技术确定的，所述待处理对象为在所述指定时间段内的任一时刻位于所述指定区域的对象；
目标对象确定模块，被配置为执行确定每一待处理对象对应的指定事件的数量，并基于所述数量从各待处理对象中确定目标对象。
8.一种电子设备，其特征在于，包括至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1-6中任何一项所述的方法。
9.一种计算机存储介质，其特征在于，所述计算机存储介质存储有计算机程序，所述计算机程序用于使计算机执行如权利要求1-6任何一项所述的方法。
10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法。
CN202210087661.7A 2022-01-25 2022-01-25 一种基于图像聚档的目标对象确定方法及相关装置 Pending CN114429185A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210087661.7A CN114429185A (zh) 2022-01-25 2022-01-25 一种基于图像聚档的目标对象确定方法及相关装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210087661.7A CN114429185A (zh) 2022-01-25 2022-01-25 一种基于图像聚档的目标对象确定方法及相关装置

Publications (1)

Publication Number Publication Date
CN114429185A true CN114429185A (zh) 2022-05-03

Family

ID=81312610

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210087661.7A Pending CN114429185A (zh) 2022-01-25 2022-01-25 一种基于图像聚档的目标对象确定方法及相关装置

Country Status (1)

Country Link
CN (1) CN114429185A (zh)

Similar Documents

Publication Publication Date Title
Nguyen et al. Automatic image filtering on social networks using deep learning and perceptual hashing during crises
US9459950B2 (en) Leveraging user-to-tool interactions to automatically analyze defects in IT services delivery
WO2021159834A1 (zh) 异常信息处理节点分析方法、装置、介质及电子设备
US20190121969A1 (en) Graph Model for Alert Interpretation in Enterprise Security System
US10880672B2 (en) Evidence management system and method
CN116680459B (zh) 基于ai技术的外贸内容数据处理系统
WO2022105336A1 (zh) 图像分类方法及电子设备
CA2793400C (en) Associative memory-based project management system
US8705800B2 (en) Profiling activity through video surveillance
CN112347296A (zh) 一种基于人脸识别的人员与案件关联分析方法和装置
CN112732949A (zh) 一种业务数据的标注方法、装置、计算机设备和存储介质
EP3890312B1 (en) Distributed image analysis method and system, and storage medium
US20220215248A1 (en) Method and system for machine learning using a derived machine learning blueprint
CN112446341A (zh) 告警事件识别方法、系统、电子设备及存储介质
CN111831750A (zh) 一种区块链数据分析方法、装置、计算机设备及存储介质
CN114429185A (zh) 一种基于图像聚档的目标对象确定方法及相关装置
KR102559398B1 (ko) 인공지능을 이용한 보안관제 침입탐지 알람 처리 장치 및 방법
WO2022022059A1 (en) Context aware anomaly detection
CN114154006A (zh) 一种图像搜索方法及相关装置
CN114090650A (zh) 一种样本数据识别方法、装置、电子设备及存储介质
CN113158842A (zh) 一种识别方法、系统、设备及介质
US11835989B1 (en) FPGA search in a cloud compute node
CN113656271B (zh) 用户异常行为的处理方法、装置、设备及存储介质
CN112560694B (zh) 数据分析方法、装置、电子设备及存储介质
CN116070268B (zh) 隐私数据识别监控方法、装置和设备

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