CN116710981A - 犯罪防止装置和犯罪防止方法 - Google Patents
犯罪防止装置和犯罪防止方法 Download PDFInfo
- Publication number
- CN116710981A CN116710981A CN202280007923.2A CN202280007923A CN116710981A CN 116710981 A CN116710981 A CN 116710981A CN 202280007923 A CN202280007923 A CN 202280007923A CN 116710981 A CN116710981 A CN 116710981A
- Authority
- CN
- China
- Prior art keywords
- pedestrian
- vehicle
- patrol
- attribute
- captured image
- 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
- 230000002265 prevention Effects 0.000 title claims description 45
- 238000000034 method Methods 0.000 title claims description 30
- 238000001514 detection method Methods 0.000 claims abstract description 16
- 238000004891 communication Methods 0.000 description 12
- QFTYEBTUFIFTHD-UHFFFAOYSA-N 1-[6,7-dimethoxy-1-[1-(6-methoxynaphthalen-2-yl)ethyl]-3,4-dihydro-1H-isoquinolin-2-yl]-2-piperidin-1-ylethanone Chemical compound C1=CC2=CC(OC)=CC=C2C=C1C(C)C(C1=CC(OC)=C(OC)C=C1CC1)N1C(=O)CN1CCCCC1 QFTYEBTUFIFTHD-UHFFFAOYSA-N 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 3
- 238000010191 image analysis Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000000295 complement effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 229910044991 metal oxide Inorganic materials 0.000 description 2
- 150000004706 metal oxides Chemical class 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 241001166076 Diapheromera femorata Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 230000037308 hair color Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/20—Monitoring the location of vehicles belonging to a group, e.g. fleet of vehicles, countable or determined number of vehicles
- G08G1/202—Dispatching vehicles on the basis of a location, e.g. taxi dispatching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y10/00—Economic sectors
- G16Y10/40—Transportation
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y20/00—Information sensed or collected by the things
- G16Y20/20—Information sensed or collected by the things relating to the thing itself
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/10—Detection; Monitoring
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B13/00—Burglar, theft or intruder alarms
- G08B13/18—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength
- G08B13/189—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems
- G08B13/194—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems using image scanning and comparing systems
- G08B13/196—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems using image scanning and comparing systems using television cameras
- G08B13/19639—Details of the system layout
- G08B13/19647—Systems specially adapted for intrusion detection in or around a vehicle
-
- 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
- G08G1/04—Detecting movement of traffic to be counted or controlled using optical or ultrasonic detectors
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Accounting & Taxation (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Business, Economics & Management (AREA)
- Operations Research (AREA)
- Human Computer Interaction (AREA)
- Traffic Control Systems (AREA)
- Alarm Systems (AREA)
Abstract
行人检测部(232)接收从车辆(40)发送的拍摄图像,并从拍摄图像中检测行人(60)。行人属性估计部(233)根据拍摄图像来估计行人(60)的属性。行人行进区域估计部(234)基于拍摄图像来估计行人(60)行走的行人行进区域(A)。车辆往来量计算部(235)计算行人行进区域(A)内的车辆往来量。危险度计算部(236)基于行人(60)的属性和行人行进区域(A)内的车辆往来量来计算行人(60)被卷入犯罪的危险度。当危险度高于预先设定的阈值时,巡逻指令部(237)向移动体(50)发送指示对行人行进区域(A)进行巡逻的巡逻指令。
Description
技术领域
本公开涉及犯罪防止装置和犯罪防止方法。
背景技术
在专利文献1中记载了一种自动驾驶系统,其获取基于运行指令自动巡逻的多个移动体的外部信息,基于由在相同地域移动的各个移动体获取的信息来决定每个地域的巡逻指令,根据所决定的地域的巡逻方针来生成运行指令。
现有技术文献
专利文献
专利文献1:日本特开2019-117574号公报。
发明内容
专利文献1所记载的自动驾驶系统获取人的数量作为外部信息,以人的数量少的地域的巡逻频率比人的数量多的地域的巡逻频率高的方式决定巡逻方针。然而,在决定巡逻方针时,没有考虑人的属性、车辆的往来量(以下,称为车辆往来量)。因此,无法检测出儿童或老年人等被卷入犯罪的可能性更高的人在车辆往来量少的场所行走的、行人被卷入犯罪的危险度高的状况,并对这种状况优先进行巡逻。
实施方式的目的在于提供一种能够利用移动体更有效地防止犯罪的犯罪防止装置和犯罪防止方法。
根据本实施方式,提供一种犯罪防止装置,包括:行人检测部,接收从车辆发送的拍摄图像,并从拍摄图像中检测行人;行人属性估计部,根据拍摄图像来估计行人的属性;行人行进区域估计部,基于拍摄图像来估计行人行走的行人行进区域;车辆往来量计算部,计算行人行进区域内的车辆往来量;危险度计算部,基于行人的属性和行人行进区域内的车辆往来量来计算行人被卷入犯罪的危险度;以及巡逻指令部,当危险度高于预先设定的阈值时,向移动体发送指示对行人行进区域进行巡逻的巡逻指令。
根据本实施方式,提供一种犯罪防止方法,包括:接收从车辆发送的拍摄图像;从拍摄图像中检测行人;根据拍摄图像来估计行人的属性;基于拍摄图像来估计行人行走的行人行进区域;计算行人行进区域内的车辆往来量;基于行人的属性和行人行进区域内的车辆往来量来计算行人被卷入犯罪的危险度;当危险度高于预先设定的阈值时,向移动体发送指示对行人行进区域进行巡逻的巡逻指令。
根据实施方式涉及的犯罪防止装置和犯罪防止方法,能够利用移动体更有效地防止犯罪。
附图说明
图1是表示包括一个实施方式涉及的犯罪防止装置的犯罪防止系统1的概略结构的图。
图2是表示图1所示的犯罪防止系统1的结构例的框图。
图3是用于说明存储装置22所具备的位置信息数据库221的主要的存储内容的图。
图4是用于说明存储装置22所具备的属性信息数据库222的主要的存储内容的图。
图5是用于说明存储装置22所具备的风险值数据库223的主要的存储内容的图。
图6是用于说明一个实施方式涉及的犯罪防止装置的功能的图。
图7是说明一个实施方式涉及的犯罪防止装置的一个动作例的流程图。
具体实施方式
以下,参照附图对实施方式涉及的犯罪防止装置进行说明。在附图的记载中,对相同的部分标注相同的附图标记并省略说明。
犯罪防止系统的概要
参照图1对包括一个实施方式涉及的犯罪防止装置的犯罪防止系统1的概要进行说明。图1是表示犯罪防止系统1的概略结构的图。本实施方式涉及的犯罪防止系统1包括:车辆40,在道路上行驶;多个自动驾驶车辆50,基于所提供的巡逻指令进行自主行驶;以及服务器20,收集从车辆40和自动驾驶车辆50发送的信息并管理,并且向自动驾驶车辆50发布巡逻指令。在本实施方式中,犯罪防止装置被作为服务器20的CPU(Central ProsessingUnit:中央处理单元)23安装。
服务器20与车辆40以及服务器20与多个自动驾驶车辆50通过网络30相互连接。在本实施方式中,服务器20、车辆40和自动驾驶车辆50通过无线通信方式与网络30连接。另外,图1所示的犯罪防止系统1例示性地包括1台车辆40和2台自动驾驶车辆50,但车辆40也可以是2台以上,自动驾驶车辆50也可以是3台以上。车辆40和自动驾驶车辆50的数量没有特别限定。多个自动驾驶车辆50例如既可以是为了防止犯罪对策等而按照规定的巡逻路径在道路上巡逻的车辆,也可以是在规定的待机场所待机并接受巡逻指令而开始巡逻的车辆。另外,也可以代替多个自动驾驶车辆50而使用无人机等能够进行远程操作或者自动驾驶的移动体。此外,服务器20也可以搭载于车辆40或自动驾驶车辆50,服务器20也可以是与车辆40或自动驾驶车辆50一体的结构。
车辆40在行驶中获取拍摄图像。另外,车辆40也可以在行驶中进一步获取与夜间照明的亮度相关的信息等与防止犯罪相关的信息。车辆40获取的拍摄图像以及各种信息被发送到服务器20。车辆40可以是驾驶员驾驶的手动驾驶的车辆,也可以是自动驾驶车辆。
服务器20根据从车辆40发送的拍摄图像检测行人,计算被检测出的行人被卷入犯罪的危险度。当危险度高于预先设定的规定值时,服务器20生成在检测出行人的行人行进区域内进行巡逻的巡逻指令,并向自动驾驶车辆50发送。接收到巡逻指令的自动驾驶车辆50按照巡逻指令生成运行计划,并按照该运行计划行驶。
犯罪防止系统的结构
接着,参照图2对犯罪防止系统1的各构成要素进行详细说明。图2是概略地表示图1所示的犯罪防止系统1的结构例的框图。另外,在图2中,车辆40和自动驾驶车辆50例示性地各示出1台,但实际上也可以分别存在多台。本实施方式涉及的犯罪防止系统1管理用于识别车辆40和自动驾驶车辆50的每个的单独的车辆ID,以便能够分别确定预先登记的车辆40和自动驾驶车辆50的每一个。犯罪防止系统1可以将搭载于各车辆40的信息发送装置400的ID作为车辆40的车辆ID进行管理,也可以将搭载于各自动驾驶车辆50的自动驾驶车辆控制装置500的ID作为自动驾驶车辆50的车辆ID进行管理。
服务器20是管理车辆40和多个自动驾驶车辆50的信息并向各个自动驾驶车辆50发送巡逻指令的装置。服务器20经由网络30与车辆40和多个自动驾驶车辆50进行通信。服务器20具备通信装置21、存储装置22、CPU23以及存储器(未图示),这些构成要素经由未图示的总线等电连接。服务器20的设置场所没有特别限定,例如服务器20设置于利用自动驾驶车辆50提供地域的防止犯罪服务的运营商的管理中心。
在本实施方式中,服务器20、车辆40和自动驾驶车辆50通过无线通信方式与网络30连接。
通信装置21经由网络30在与车辆40和自动驾驶车辆50之间相互通信。另外,通信装置21例如可以是具备4G/LTE等移动通信功能的设备,也可以是具备无线LAN通信功能的设备。
存储装置22用于存储防止犯罪服务所需的各种信息和数据库。存储装置22是HDD(Hard Disk Drive:硬盘驱动器)等存储介质。存储装置22例如具备位置信息数据库221、属性信息数据库222以及风险值数据库223。关于各种数据库的详细内容,参照图3至图5在后面叙述。
CPU23控制服务器20。CPU23将存储在存储装置22等中的各种程序读入到存储器中,执行包含在程序中的各种命令。存储器是ROM(Read Only Memory:只读存储器)、RAM(Random Access Memory:随机存取存储器)等存储介质。
作为功能性的结构例,CPU23具备位置信息管理部231、行人检测部232、行人属性估计部233、行人行进区域估计部234、车辆往来量计算部235、危险度计算部236、以及巡逻指令部237。关于CPU23的各功能的详细内容,参照图6在后面叙述。
车辆40上搭载有包含通信装置41、相机42、存储装置43、GPS接收机44的信息发送装置400。
通信装置41具备与通信装置21相同的结构,经由网络30在与服务器20之间相互通信。
相机42是对车辆40的外部进行拍摄的拍摄设备。相机42例如使用CCD(ChargeCoupled Device:电荷耦合器件)图像传感器或CMOS(Complementary Metal OxideSemiconductor:互补金属氧化物半导体)图像传感器等拍摄元件来拍摄被摄体。通过拍摄得到的图像可以是静态图像或动态图像中的任意一个。相机42例如设置于车辆40的挡风玻璃的背面侧,拍摄车辆40的至少行进方向(前方),但相机42拍摄的方向并不限定于特定的方向,也可以拍摄车辆40的全方位。由相机42拍摄到的拍摄图像被存储在存储装置43中,在任意的时刻被发送到服务器20。存储装置43存储各种信息。存储装置43是RAM、磁盘、闪存等任意的存储介质。
由GPS接收机44获取的车辆40的位置信息在任意的时刻被发送到服务器20。GPS接收机44接收来自多个人造卫星的信号,将接收到的信号提供给搭载于GPS接收机44的CPU(未图示),并计算地上的车辆40的位置信息。另外,“GPS”是“Global Positioning System:全球定位系统”的简称。
自动驾驶车辆50是基于从服务器20接收到的巡逻指令而自主行驶的车辆。自动驾驶车辆50上搭载有包含通信装置51、相机52、存储装置53、GPS接收机54以及车辆ECU(Electronic Control Unit:电子控制单元)55的自动驾驶车辆控制装置500。通信装置51、相机52、存储装置53以及GPS接收机54的结构与车辆40的信息发送装置400的通信装置41、相机42、存储装置43以及GPS接收机44的结构相同,因此省略说明。
车辆ECU55是用于控制自动驾驶车辆50的行驶的计算机。车辆ECU55经由网络30从服务器20接收巡逻指令,并基于接收到的巡逻指令进行控制,以通过适当的方法使自动驾驶车辆50行驶。车辆ECU55基于巡逻指令来控制各种致动器(制动致动器、加速致动器、转向致动器等)。
接着,参照图3至图5对存储装置22的各种数据库进行说明。此外,虽然省略了图示,但存储装置22可以还具备将车辆ID与被赋予了车辆ID的车辆的车辆信息对应起来进行管理的数据库,服务器20能够通过各车辆ID来识别车辆40和自动驾驶车辆50。
位置信息数据库221是管理车辆40和自动驾驶车辆50的每个的位置信息的数据库。作为一个例子,如图3所示,位置信息数据库221构成为实时地存储车辆40和自动驾驶车辆50各自的车辆ID、从车辆40和自动驾驶车辆50分别接收到的各自的位置坐标的信息。
在属性信息数据库222中存储有与从车辆40拍摄到的拍摄图像检测出的行人相关的信息。作为一个例子,如图4所示,属性信息数据库222构成为针对从拍摄图像检测出的每个行人存储行人ID、性别、年龄、有无同伴以及检测出各行人的位置坐标的信息。在以下的说明中,有时将行人的性别和年龄称为行人的属性。关于行人的检测方法以及行人的属性和有无同伴的估计方法在后面叙述。另外,在图4的例子中,行人的年龄以儿童、成人(年轻)、成人(不年轻)、老年人的4种类来存储,但行人的年龄的分类不限于此。
作为一个例子,如图5所示,风险值数据库223构成为针对性别、年龄以及有无同伴的组合的每个条件存储表示在预先设定的各条件下的犯罪风险的高低的风险值。风险值例如被设定为儿童或老年人高于成人,并被设定为女性高于男性。此外,被设定为无同伴高于有同伴。风险值例如被设定为女性且为儿童、无同伴的情况下最高。风险值数据库223例如也可以构成为如儿童为4分、女性为3分、老年人为2分、无同伴为2分那样按行人的性别、年龄、有无同伴等要素来存储预先设定的风险值。风险值的设定方法没有特别限定,也可以根据过去的犯罪数据等设定与行人的属性相应的危险度。
接着,参照图6对服务器20的CPU23的各功能的详细内容进行说明。在图6的例子中,自动驾驶车辆50a~50c在某个地域巡逻,车辆40在道路上行驶,行人60存在于车辆40的附近。假设在车辆40拍摄的拍摄图像中出现有行人60。在图6中,车辆40具有图2所示的车辆40的结构,将车辆40各自的位置信息以及车辆40拍摄到的拍摄图像经由网络30发送到服务器20。自动驾驶车辆50a~50c具有图2所示的自动驾驶车辆50的结构,将自动驾驶车辆50a~50c各自的位置信息经由网络30发送至服务器20。
CPU23的位置信息管理部231收集预先登记的车辆40和自动驾驶车辆50a~50c的位置信息并管理。位置信息管理部231例如以规定的周期从车辆40和自动驾驶车辆50a~50c接收各自的位置信息,并与车辆40和自动驾驶车辆50a~50c各自的车辆ID相关联地存储于位置信息数据库221。
行人检测部232接收从车辆40发送的车辆40拍摄到的拍摄图像,并从拍摄图像中检测行人60。在本实施方式中,行人检测部232通过对车辆40拍摄到的拍摄图像进行解析来检测行人60。该图像解析可以采用公知的方法。行人检测部232基于获取了检测到行人60的拍摄图像的时间点的车辆40的位置信息来检测行人60的位置信息。
行人属性估计部233在由行人检测部232检测到行人60的情况下,根据拍摄图像来估计行人60的属性。行人属性估计部233估计行人60有无同伴、即行人60是单个还是多个。在本实施方式中,行人属性估计部233通过进一步解析检测到行人60的拍摄图像,来估计行人60的属性。该图像解析可以采用公知的方法。
行人属性估计部233例如检测被检测到的行人60的脸部,估计行人60的性别、年龄。行人属性估计部233例如估计行人的年龄为儿童、成人(年轻)、成人(不年轻)、老年人中的哪个。如在拍摄图像中没有清楚出现行人60的脸部的情况那样,无法从拍摄图像中检测行人60的脸部的情况下,行人属性估计部233也可以检测行人60的身高、姿势、头发的颜色、手杖等携带物、服装等,并根据这些要素来估计行人60的性别和年龄。此外,在拍摄图像是动态图像的情况下,也可以将行人60的行走速度进一步追加到估计性别和年龄的要素中。
行人属性估计部233将估计出的行人60的属性以及有无同伴的信息、行人60的位置信息存储于属性信息数据库222。
行人行进区域估计部234基于拍摄图像来估计行人60行走的行人行进区域A。行人行进区域估计部234例如根据拍摄图像来估计行人60的身体的朝向,将行人60的身体的朝向估计为行人的行进方向。此外,在拍摄图像是动态图像的情况下,行人行进区域估计部234也可以将行人60移动的方向估计为行人60的行进方向。在本实施方式中,行人行进区域估计部234通过进一步解析检测到行人60的拍摄图像,来估计行人60的行进方向。该图像解析可以采用公知的方法。
行人行进区域估计部234将检测到行人60的地点作为基准,将估计出的行人60的行进方向侧的半径Xkm的区域估计为假定为行人60行走的行人行进区域A。行人行进区域估计部234例如将检测到行人60的地点作为基准,将估计出的行人60的行进方向侧的半径2km的区域估计为假定为行人60行走的行人行进区域A。另外,行人行进区域A的估计方法没有特别限定,例如只要能够估计包括假定为行人60行走10-15分钟的区域的区域即可。
车辆往来量计算部235计算行人行进区域A内的车辆往来量。车辆往来量计算部235参照位置信息数据库221,计算存在于行人行进区域A内的车辆40和自动驾驶车辆50的数量作为车辆往来量。此外,车辆往来量计算部235也可以根据存在于行人行进区域A内的车辆40和自动驾驶车辆50的数量,来计算每单位面积的车辆40和自动驾驶车辆50的数量作为车辆往来量。车辆往来量的计算方法没有特别限定。例如,车辆往来量计算部235也可以根据从由服务器20管理的多个车辆40和多个自动驾驶车辆50的每个发送来的拍摄图像来检测车辆,并存储检测出的车辆的位置信息,由此计算存在于行人行进区域A内的车辆往来量。
危险度计算部236基于行人60的属性和行人行进区域A内的车辆往来量来计算行人被卷入犯罪的危险度。危险度计算部236参照风险值数据库223根据行人60的属性以及有无同伴来获取行人60的风险值。危险度计算部236例如在行人的性别为“女性”、年龄为“老年人”、“无同伴者”的情况下,参照图5的风险值数据库223来获取行人60的风险值“3”。
此外,危险度计算部236也可以参照图5中说明的按行人的性别、年龄、有无同伴等要素预先设定的风险值,将行人60的每个要素的得分相加,由此计算行人60的风险值。
危险度计算部236例如判定行人行进区域A内的车辆往来量是否比预先设定的车辆往来量的阈值多。然后,当行人行进区域A内的车辆往来量多于阈值时,通过对行人60的风险值乘以0.5来计算危险度。另一方面,当行人行进区域A内的车辆往来量为阈值以下时,通过对行人60的风险值乘以1.2来计算危险度。此外,危险度计算部236例如也可以通过将行人60的风险值乘以行人行进区域A内的每单位面积的车辆往来量的倒数来计算危险度。危险度的计算方法没有特别限定,危险度计算部236计算为在行人60的风险值高、且行人行进区域A内的车辆往来量少的情况下危险度更高即可。在危险度的计算中,除了行人的属性、有无同伴以及车辆往来量以外,也可以使用检测到行人60的场所、时间段、照度等其他要素。此外,在危险度的计算中,也可以利用过去犯罪的发生数据。
当危险度高于预先设定的阈值时,巡逻指令部237向自动驾驶车辆50发送指示对行人行进区域A进行巡逻的巡逻指令。巡逻指令部237判定由危险度计算部236计算出的危险度是否高于预先设定的危险度的阈值。然后,当危险度高于阈值时,参照位置信息数据库221从自动驾驶车辆50a~50c中确定在距行人行进区域A最近的位置巡逻的自动驾驶车辆50a。巡逻指令部237生成对自动驾驶车辆50a指示巡逻行人行进区域A的巡逻指令。巡逻指令中包含从确定出的自动驾驶车辆50a的当前位置到行人行进区域A为止的行驶路径、和在行人行进区域A内巡逻的巡逻路径的信息。巡逻指令部237向自动驾驶车辆50a发送所生成的巡逻指令,来指示对行人行进区域A进行巡逻。
犯罪防止装置的处理流程
接着,参照图7的流程图对本实施方式涉及的CPU23的处理流程的例子进行说明。在图7中,车辆40将车辆40的位置信息和车辆40拍摄到的拍摄图像经由网络30发送到服务器20。多个自动驾驶车辆50a~50c经由网络30向服务器20发送自动驾驶车辆50a~50c各自的位置信息。服务器20收集车辆40和自动驾驶车辆50a~50c的位置信息并管理。
在图7的步骤S10中,行人检测部232接收从车辆40发送的车辆40拍摄到的拍摄图像。
处理进入步骤S11,行人检测部232通过对车辆40拍摄到的拍摄图像进行解析,来检测行人60。
在由行人检测部232检测到行人60的情况下,处理进入步骤S12,行人检测部232基于获取了检测到行人60的拍摄图像的时间点的车辆40的位置信息来检测行人60的位置信息。
处理进入步骤S13,行人属性估计部233根据拍摄图像来估计行人60的属性。行人属性估计部233估计行人60有无同伴。行人属性估计部233将估计出的行人60的属性以及有无同伴的信息、行人60的位置信息存储于属性信息数据库222。
处理进入步骤S14,行人行进区域估计部234根据拍摄图像来估计行人60的身体的朝向,将行人60的身体的朝向估计为行人的行进方向。在拍摄图像是动态图像的情况下,行人行进区域估计部234也可以将行人60移动的方向估计为行人60的行进方向。
处理进入步骤S15,行人行进区域估计部234将检测到行人60的地点作为基准,将估计出的行人60的行进方向侧的半径Xkm的区域估计为假定为行人60行走的行人行进区域A。
处理进入步骤S16,车辆往来量计算部235计算行人行进区域A内的车辆往来量。车辆往来量计算部235例如参照位置信息数据库221计算存在于行人行进区域A内的车辆40和自动驾驶车辆50的数量作为车辆往来量。此外,车辆往来量计算部235也可以根据存在于行人行进区域A内的车辆40和自动驾驶车辆50的数量,将每单位面积的车辆40和自动驾驶车辆50的数量作为车辆往来量计算。
处理进入步骤S17,危险度计算部236基于行人60的属性和行人行进区域A内的车辆往来量来计算行人被卷入犯罪的危险度。危险度计算部236例如参照风险值数据库223根据行人60的属性以及有无同伴,获取行人60的风险值。危险度计算部236例如判定行人行进区域A内的车辆往来量是否比预先设定的车辆往来量的阈值多。然后,当行人行进区域A内的车辆往来量多于阈值时,通过对行人60的风险值乘以0.5来计算危险度。另一方面,当行人行进区域A内的车辆往来量为阈值以下时,通过对行人60的风险值乘以1.2来计算危险度。
处理进入步骤S18,巡逻指令部237判定在步骤S17中计算出的危险度是否高于预先设定的危险度的阈值。当危险度高于阈值时(在步骤S18中为“是”),处理进入步骤S19。另一方面,当危险度为阈值以下时(在步骤S18中为“否”),CPU23结束图7的处理。
在步骤S19中,巡逻指令部237参照位置信息数据库221从自动驾驶车辆50a~50c中确定在距行人行进区域A最近的位置巡逻的自动驾驶车辆50a。
处理进入步骤S20,巡逻指令部237生成对自动驾驶车辆50a指示巡逻行人行进区域A的巡逻指令。巡逻指令包含从自动驾驶车辆50a的当前位置到行人行进区域A为止的行驶路径和在行人行进区域A内巡逻的巡逻路径的信息。
处理进入步骤S21,巡逻指令部237将生成的巡逻指令发送给在步骤S19中确定的自动驾驶车辆50a,CPU23结束图7的处理。自动驾驶车辆50a接收巡逻指令,按照接收到的巡逻指令生成运行计划,按照该运行计划行驶。
(变形例1)
在以上的说明中,车辆往来量计算部235计算行人行进区域A内的车辆往来量,当危险度高于预先设定的阈值时,巡逻指令部237向自动驾驶车辆50a发送指示对行人行进区域A进行巡逻的巡逻指令。但是,车辆往来量计算部235也可以将行人行进区域A分割为多个区域,并进一步计算被分割后的行人行进区域A的各个区域内的车辆往来量。当危险度高于预先设定的阈值时,巡逻指令部237也可以根据分割出的行人行进区域A的各个区域内的车辆往来量,向自动驾驶车辆50a发送指示对被分割后的行人行进区域各自进行巡逻的巡逻指令。
巡逻指令部237例如也可以基于被分割后的行人行进区域A的各个区域内的车辆往来量,来调整巡逻被分割后的各个行人行进区域A的车辆的数量。例如,当被分割后的行人行进区域A所在的区域内的车辆往来量多于预先设定的阈值、其他区域内的车辆往来量少于预先设定的阈值时,巡逻指令部237也可以不需要车辆往来量多的区域内的巡逻。然后,也可以对2台自动驾驶车辆50a、50b发送指示仅在车辆往来量少的区域内巡逻的巡逻指令。由此,在将行人行进区域A的范围设定得大的情况下,能够以在车辆往来量特别少的区域增加巡逻的移动体的数量的方式生成巡逻指令,从而能够更高效地防止犯罪。
巡逻指令部237例如也可以基于被分割后的行人行进区域A的各个区域内的车辆往来量来限定被分割后的行人行进区域A中巡逻的区域。例如,当被分割后的行人行进区域A所在的1个区域内的车辆往来量多于预先设定的阈值、其他区域内的车辆往来量少于预先设定的阈值时,巡逻指令部237也可以不需要车辆往来量多的区域的巡逻。并且,也可以生成对自动驾驶车辆50a指示仅在其他2个区域内巡逻的巡逻指令。由此,在将行人行进区域A的范围设定得大的情况下,能够以仅在车辆往来量特别少的区域巡逻的方式生成巡逻指令,从而能够更高效地防止犯罪。
(变形例2)
此外,在以上的说明中,关于本实施方式涉及的犯罪防止装置,以使用自动驾驶车辆50作为发送巡逻指令的移动体的情况为例进行了说明。但是,根据行人被卷入的可能性高的犯罪种类,有时使用其他种类的移动体比较好。例如,为了防止搭讪、尾随、色狼等犯罪,适合搭载有相机的自动驾驶车辆50那样的具有监视性能的移动体。另一方面,为了防止抢劫等犯罪,适合无人机那样的具有跟踪性能的移动体。
另外,行人被卷入的可能性高的犯罪种类能够根据行人的属性而大致估计。例如,如儿童遇到搭讪、尾随的可能性高、年轻女性遇到色狼的可能性高、老年人或持有包裹的女性遇到抢劫等的可能性高那样,能够根据行人的属性估计行人被卷入的可能性高的犯罪种类。
因此,在犯罪防止系统1具备多种发送巡逻指令的移动体的情况下,巡逻指令部237也可以基于与行人的属性对应地预先设定的犯罪种类,决定发送巡逻指令的移动体的种类,并向该移动体发送巡逻指令。此外,在拍摄图像是动态图像的情况下,行人检测部232也可以从动态图像中检测出发生恐吓、暴行、障碍等事件。在恐吓、暴行、障碍等事件发生的情况下,巡逻指令部237也可以向能够检举犯人的人乘坐的有人车辆发送以前往检测出发生了事件的地点的方式进行指示的巡逻指令。这样,通过向适合于根据行人的属性估计的、行人被卷入的可能性高的犯罪种类的移动体发送巡逻指令,能够利用移动体更有效地防止犯罪。
此外,也可以设想根据行人被卷入的可能性高的犯罪种类,最好使用多个移动体的情况。因此,巡逻指令部237也可以基于与行人的属性对应地预先设定的犯罪种类,决定发送巡逻指令的所述移动体的数量,向多个移动体发送巡逻指令。通过向与行人被卷入的可能性高的犯罪种类对应的数量的移动体发送巡逻指令,能够利用移动体更有效地防止犯罪。
作用效果
如以上说明的那样,根据实施方式,能够得到以下的作用效果。
实施方式涉及的犯罪防止装置具备行人检测部、行人属性估计部、行人行进区域估计部、车辆往来量计算部、危险度计算部、以及巡逻指令部。行人检测部接收从车辆发送的拍摄图像,并从拍摄图像中检测行人。行人属性估计部根据拍摄图像来估计行人的属性。行人行进区域估计部基于拍摄图像来估计行人行走的行人行进区域。车辆往来量计算部计算行人行进区域内的车辆往来量。危险度计算部基于行人的属性和行人行进区域内的车辆往来量来计算行人被卷入犯罪的危险度。当危险度高于预先设定的阈值时,巡逻指令部向移动体发送指示对行人行进区域进行巡逻的巡逻指令。
由此,能够基于行人的属性和行人行进区域内的车辆往来量来计算行人被卷入犯罪的危险度。在行人被卷入犯罪的可能性高的属性且在车辆往来量少的区域行走的情况下,能够进一步提高危险度。当危险度高于阈值时,能够向移动体发送指示对行人行进区域进行巡逻的巡逻指令。由此,能够利用移动体更有效地防止犯罪。
此外,实施方式涉及的犯罪防止装置的车辆往来量计算部将行人行进区域分割为多个区域,并进一步计算被分割后的行人行进区域的各个区域内的车辆往来量。当危险度高于预先设定的阈值时,巡逻指令部根据被分割后的行人行进区域的各个区域内的车辆往来量,向移动体发送指示对被分割后的各个行人行进区域进行巡逻的巡逻指令。
由此,能够基于被分割后的行人行进区域的各个区域内的车辆往来量,来生成对巡逻的移动体的数量进行调整的巡逻指令。在将行人行进区域的范围设定得大的情况下,能够以在车辆往来量特别少的区域增加巡逻的移动体的数量的方式生成巡逻指令。此外,能够基于被分割后的行人行进区域的各个区域内的车辆往来量,以限定使移动体巡逻的区域的方式生成巡逻指令。在将行人行进区域的范围设定得大的情况下,能够以仅在车辆往来量特别少的区域巡逻的方式生成巡逻指令。能够利用移动体更高效地防止犯罪。
此外,实施方式涉及的犯罪防止装置的巡逻指令部基于与行人的属性对应地预先设定的犯罪种类,来决定发送巡逻指令的移动体的种类。
由此,能够向与行人被卷入的可能性高的犯罪种类对应的种类的移动体发送巡逻指令。能够向适于防止行人被卷入的可能性高的犯罪的移动体发出指令,以便在行人行进区域巡逻。由此,能够利用移动体更有效地防止犯罪。
此外,实施方式涉及的犯罪防止装置的巡逻指令部基于与行人的属性对应地预先设定的犯罪种类,来决定发送巡逻指令的移动体的数量。
由此,能够向与行人被卷入的可能性高的犯罪种类对应的数量的移动体发送巡逻指令。能够向适于防止行人被卷入的可能性高的犯罪的数量的移动体发出指令,以便在行人行进区域巡逻。由此,能够利用移动体更有效地防止犯罪。
如上所述,记载了本发明的实施方式,但构成该公开的一部分的论述以及附图不应该理解为限定本发明。根据该公开,本领域的技术人员能够明确各种代替实施方式、实施例及以运用技术。
本申请主张基于2021年3月24日向日本特许厅申请的日本特愿2021-049661号的优先权,其全部的公开内容通过引用被引用到此。
Claims (5)
1.一种犯罪防止装置,包括:
行人检测部,接收从车辆发送的拍摄图像,并从所述拍摄图像中检测行人;
行人属性估计部,根据所述拍摄图像来估计所述行人的属性;
行人行进区域估计部,基于所述拍摄图像来估计所述行人行走的行人行进区域;
车辆往来量计算部,计算所述行人行进区域内的车辆往来量;
危险度计算部,基于所述行人的属性和所述行人行进区域内的车辆往来量来计算所述行人被卷入犯罪的危险度;以及
巡逻指令部,当所述危险度高于预先设定的阈值时,向移动体发送指示对所述行人行进区域进行巡逻的巡逻指令。
2.根据权利要求1所述的犯罪防止装置,其中,
所述车辆往来量计算部将所述行人行进区域分割为多个区域,并进一步计算被分割后的所述行人行进区域的各个区域内的车辆往来量,
当所述危险度高于预先设定的所述阈值时,所述巡逻指令部根据被分割后的所述行人行进区域的各个区域内的车辆往来量,向所述移动体发送指示对被分割后的所述行人行进区域的各个区域进行巡逻的巡逻指令。
3.根据权利要求1或2所述的犯罪防止装置,其中,
所述巡逻指令部基于与所述行人的属性对应地预先设定的犯罪种类来决定发送所述巡逻指令的所述移动体的种类。
4.根据权利要求1或2所述的犯罪防止装置,其中,
所述巡逻指令部基于与所述行人的属性对应地预先设定的犯罪种类来决定发送所述巡逻指令的所述移动体的数量。
5.一种犯罪防止方法,包括:
接收从车辆发送的拍摄图像;
从所述拍摄图像中检测行人;
根据所述拍摄图像来估计所述行人的属性;
基于所述拍摄图像来估计所述行人行走的行人行进区域;
计算所述行人行进区域内的车辆往来量;
基于所述行人的属性和所述行人行进区域内的车辆往来量来计算所述行人被卷入犯罪的危险度;
当所述危险度高于预先设定的阈值高时,向移动体发送指示对所述行人行进区域进行巡逻的巡逻指令。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021049661A JP2022148115A (ja) | 2021-03-24 | 2021-03-24 | 犯罪防止装置及び犯罪防止方法 |
JP2021-049661 | 2021-03-24 | ||
PCT/JP2022/009153 WO2022202192A1 (ja) | 2021-03-24 | 2022-03-03 | 犯罪防止装置及び犯罪防止方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116710981A true CN116710981A (zh) | 2023-09-05 |
Family
ID=83397081
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202280007923.2A Pending CN116710981A (zh) | 2021-03-24 | 2022-03-03 | 犯罪防止装置和犯罪防止方法 |
Country Status (4)
Country | Link |
---|---|
EP (1) | EP4318426A1 (zh) |
JP (2) | JP2022148115A (zh) |
CN (1) | CN116710981A (zh) |
WO (1) | WO2022202192A1 (zh) |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017162141A (ja) * | 2016-03-09 | 2017-09-14 | 株式会社デンソーアイティーラボラトリ | 画像識別システム及びその制御装置、並びに画像識別方法 |
JP2017215181A (ja) * | 2016-05-31 | 2017-12-07 | 大和ハウス工業株式会社 | ルート検索システム |
US20200307617A1 (en) * | 2017-11-17 | 2020-10-01 | Aisin Aw Co., Ltd. | Vehicle driving assistance system, vehicle driving assistance method, and vehicle driving assistance program |
JP7009987B2 (ja) | 2017-12-27 | 2022-01-26 | トヨタ自動車株式会社 | 自動運転システム及び自動運転方法 |
JP2021049661A (ja) | 2019-09-24 | 2021-04-01 | トヨタ自動車株式会社 | 射出成形装置 |
JP6837650B1 (ja) * | 2019-12-16 | 2021-03-03 | Assest株式会社 | 危険度判別プログラム及びシステム |
-
2021
- 2021-03-24 JP JP2021049661A patent/JP2022148115A/ja active Pending
-
2022
- 2022-03-03 CN CN202280007923.2A patent/CN116710981A/zh active Pending
- 2022-03-03 WO PCT/JP2022/009153 patent/WO2022202192A1/ja active Application Filing
- 2022-03-03 EP EP22774988.4A patent/EP4318426A1/en active Pending
- 2022-10-31 JP JP2022174298A patent/JP2023017868A/ja active Pending
Also Published As
Publication number | Publication date |
---|---|
WO2022202192A1 (ja) | 2022-09-29 |
JP2022148115A (ja) | 2022-10-06 |
JP2023017868A (ja) | 2023-02-07 |
EP4318426A1 (en) | 2024-02-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10824863B2 (en) | Systems for searching for persons using autonomous vehicles | |
KR101912703B1 (ko) | 3채널 차량 상황 감시 장치 및 그 방법 | |
JP7047374B2 (ja) | 情報収集システム | |
CN112997227B (zh) | 交通辅助系统、服务器及方法、车载装置及其动作方法、记录介质、计算机及半导体集成电路 | |
CN114466305A (zh) | 救援系统、救援方法及其所使用的服务器 | |
CN109634282A (zh) | 自动驾驶车辆、方法和装置 | |
KR102613792B1 (ko) | 촬상 장치, 화상 처리 장치 및 화상 처리 방법 | |
CN107871399B (zh) | 车辆自动驾驶系统及方法 | |
JP6815262B2 (ja) | 交通違反検知装置、システム、交通違反検知方法およびプログラム | |
US11170272B2 (en) | Object detection device, object detection method, and computer program for object detection | |
CN111047870A (zh) | 交通违规车辆识别系统、服务器及存储有车辆控制程序的非易失性存储介质 | |
JP7139964B2 (ja) | 車両制御装置及び車両制御方法 | |
KR101421172B1 (ko) | 셔틀로봇 플랫폼을 이용한 무인운송차량 | |
CN109976331A (zh) | 自动驾驶系统以及自动驾驶方法 | |
CN112955361A (zh) | 对预期行驶行为的预测 | |
US20220315062A1 (en) | Information processing apparatus, control apparatus for moving body, method of controlling information processing apparatus, and method of controlling moving body | |
JPWO2018230496A1 (ja) | 地図更新装置、地図更新システム、地図更新方法、及びプログラム | |
JP2002190013A (ja) | 画像認識による渋滞検知システム及び渋滞検知方法 | |
CN116710981A (zh) | 犯罪防止装置和犯罪防止方法 | |
US20230303122A1 (en) | Vehicle of interest detection by autonomous vehicles based on amber alerts | |
KR102498035B1 (ko) | 이동식 스마트 신호등 시스템 | |
Quintero et al. | Extended floating car data system-experimental study | |
JP7165110B2 (ja) | 道路情報配信システム、道路情報配信装置、道路情報配信プログラム | |
CN113424243B (zh) | 信息处理装置、信息处理方法和信息处理程序 | |
WO2023188825A1 (ja) | 道路交通システム、情報処理装置及び制御方法 |
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 |