CN117391877A - 一种快速生成可疑人员关系网的方法 - Google Patents
一种快速生成可疑人员关系网的方法 Download PDFInfo
- Publication number
- CN117391877A CN117391877A CN202311665973.2A CN202311665973A CN117391877A CN 117391877 A CN117391877 A CN 117391877A CN 202311665973 A CN202311665973 A CN 202311665973A CN 117391877 A CN117391877 A CN 117391877A
- Authority
- CN
- China
- Prior art keywords
- video
- suspicious
- target
- time
- personnel
- 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 31
- 230000001502 supplementing effect Effects 0.000 claims abstract description 4
- 239000000523 sample Substances 0.000 claims description 31
- 230000006399 behavior Effects 0.000 claims description 24
- 238000012544 monitoring process Methods 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 3
- 230000003542 behavioural effect Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 abstract description 5
- 238000004364 calculation method Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 210000003462 vein Anatomy 0.000 description 1
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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- 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
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- 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
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- 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
- G06V40/20—Movements or behaviour, e.g. gesture recognition
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Software Systems (AREA)
- Computational Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Strategic Management (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Economics (AREA)
- Algebra (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及一种快速生成可疑人员关系网的方法，该方法包括：从视频源中提取视频关键帧；提取视频关键帧中目标人员的信息特征，根据所述目标人员的信息特征对视频源进行判断，如果目标人员出现两起以上事件的视频里面，判断该目标人员是主要可疑人还是其他可疑人，如是主要可疑人则与现有的事件可疑人进行比对，如存在之前的非法记录信息，则补充该可疑人信息到数据库中，如不存在则新增该可疑人信息到数据库中；将主要可疑人作为主体，事件和其他可疑目标为辅助关联关系通过Echarts图表的拓扑图生成一张关系网。通过本发明方法，一次导入视频目标源后能够快速生成可疑人员关系网络图，实现人力、时间上面的双节约。
Description
技术领域
本发明涉及视频图像中目标对象的处理，具体地指一种快速生成可疑人员关系网的方法。
背景技术
在视频图像的处理中，为了获取可疑人员的信息，需要对视频文件逐一查看，这种方式不仅需要消耗大量的时间以及人力成本，而且查看人员通常只会关注某一可疑人员对象，无法对可疑人员的相关关系形成网络，导致这种查询方式效率低下。
因此，如能快速生成可疑人员关系网络图，将有助于在大量冗余重复的视频观看中减少查找可疑人员的时间，提高查询效率。
发明内容
本发明目的在于克服上述现有技术的不足而提供一种快速生成可疑人员关系网的方法，本发明目的在于克服上述现有技术的不足而提供一种快速生成可疑人员关系网的方法，该方法根据视频关键帧画面中人员的一些时间、空间、行为特征的信息，然后通过智能目标识别、目标提取、目标比对算法技术分析里面的可疑人员的信息的三者关联关系，得到一个以主要可疑人为主体，它所附属的事件、其他可疑人的一个关系网络脉状图。
实现本发明目的采用的技术方案是一种快速生成可疑人员关系网的方法，该方法包括：
输入视频源，并从视频源中提取视频关键帧；
提取所述视频关键帧中目标人员的信息特征，信息特征包括：视频画面的相对时间，目标人员经过监控探头的实际的经纬度、出现轨迹的频率次数重合度、目标位置信息，以及目标人员的行为特征；
根据所述目标人员的信息特征对视频源进行判断，如果目标人员出现两起以上事件的视频里面，判断该目标人员是主要可疑人还是其他可疑人，如是主要可疑人则与现有的事件可疑人进行比对，若存在之前的非法记录信息，则补充该主要可疑人信息到数据库中，如不存在则新增该可疑人信息到数据库中；
将数据库中主要可疑人作为主体，事件和其他可疑人为辅助关联关系通过Echarts图表的拓扑图生成一张关系网。
在上述技术方案中，视频关键帧是以事件为主体的目标人员的视频画面以及他所经过地方的视频画面。
在上述技术方案中，在目标人员出现两起以上的事件事发视频里面，从现场视频画面出现的相对物、展示的行为手法特点、做事时间、地点、行为对象方面进行分析比对，判断是否为主要可疑人。
在上述技术方案中，所述视频画面的相对时间是视频中的动画目标人员的发生事件的发生时间与视频播放的开始时间之间的时间差，相对时间通过下式计算得到：
elapsedTime =((currentTime - startTime) / playbackRate)) +offsetTime
式中，elapsedTime表示相对时间， currentTime表示当前时间， startTime 表示视频开始时间，playbackRate表示视频的播放倍速，offsetTime表示监控设备的时间采集时间的误差。
在上述技术方案中，所述目标人员经过监控探头的实际经纬度通过以下方法计算：
P = (lon, lat)，lon 和 lat 分别表示探头的经度和纬度，
式中，lon = (αA + βB + λC) / 3 lat = (θA + θB + θC) / 3
其中，αA、βB、λC 分别表示参考点 A、B、C 的相对角度，θA、θB、θC 分别表示探头到参考点 A、B、C 的方位角度；
αA = arccos((dB² + dC² - dA²) / (2 dB * dC))
βB = arccos((dA² + dC² - dB²) / (2 dA dC))
γC = arccos((dA² + dB² - dC²) / (2 dAdB))
式中，α、β、γ 分别表示参考点 BAC、ABC、ACB 的内角根据参考点 A、B、C 的经纬度以及相对角度，探头到参考点 A、B、C 的距离分别为 dA、dB、dC，计算出探头到参考点 A、B、C 的方位角；
θA = atan2(sin(α) sin(γ), cos(α) - cos(γ) cos(β))
θB = atan2(sin(β) sin(γ), cos(β) - cos(γ) cos(α))
θC = atan2(sin(α) sin(β), cos(α) cos(β) - cos(γ))
式中，θA、θB、θC 分别表示探头到参考点 A、B、C 的方位角。根据参考点 A、B、C 的经纬度以及探头到参考点 A、B、C 的方位角和距离计算出探头的地理位置。
在上述技术方案中，所述目标人员的目标位置信息包括：
（1）视频中的相对位置，根据视频内容的特点，确定目标位置相对于某个参考对象或参考点的位置；
（2）根据视频内容识别目标位置：通过视频结构化技术，对视频内容进行分析和处理，识别其中的目标对象，确定位置。
在上述技术方案中，所述目标人员的行为特征包括：
(1)目标人员身体的姿势，包括行走姿势、头部姿势、身体的倾斜角度、姿势稳定性；
(2)目标人员行为趋势分析：对于视频源播放时间很长的视频，进行视频时间的走势分析，找寻目标人员行为的趋势走向，基于所述目标人员身体的姿势，通过行为动作分析，获得关于目标人员在接下来的趋势走向图。所述趋势走向包括：行为的起始时间、持续时间、中间是否与人交流沟通的次数、中间是否停顿下来四处张望的行为、动画人物的整体姿态的展示。
本发明方法为一种专门应用于突发事件领域的帮助基层工作者快速找到可疑人员的关系网，给基层工作者提供一种快速生成可疑人员关系网的可疑目标确认的解决方案，其利用可疑人经过的事发场所和可疑人的一些异于常人的行为特征，有助于更有效的进行可疑目标的锁定。它的一个主要实现方式是通过视频源的输入，视频的关键帧的提取，分析关键帧的画面的人员的一些时间、空间、行为特征的信息的图片，然后通过智能目标识别、目标提取、目标比对算法技术分析里面的可疑人员的信息的三者关联关系，得到一个以主要可疑人为主体，它所附属的事件、其他可疑人的一个关系网络脉状图；通过此项技术解决一线工作者的大量冗余重复的观看视频查找可疑人员的时间，做到一次导入视频目标源，快速生成可疑人员关系网络图，实现人力、时间上面的双节约。
附图说明
图1为本发明一种快速生成可疑人员关系网的方法的流程图。
图2为实施例视频的监控探头经纬度计算示意图。
图3为实施例生成以主要可疑人为主体，它所附属的时间和其他可疑人的一个关系网络脉状图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步的详细说明。
如图1所示，本发明一种快速生成可疑人员关系网的方法包括：
S1、输入视频源
视频源的输入支持目前市场上面的主流视频厂商的设备。
S2、提取视频关键帧
视频关键帧主要表现在以事件为主体的目标人员的视频画面以及他所经过的地方的视频画面。
S3、分析视频关键帧画面中目标人员的信息特征
获得关键帧目标人员的信息特征包含的三个维度（时间、空间、行为特征）主要表现在视频画面的相对时间，以及目标人员经过的一些场所下的监控探头的实际经纬度、出现轨迹的频率次数重合度、目标位置信息，行为特征信息，获得上述信息特征的详细步骤如下：
S3.1、视频画面的相对时间通过以下步骤计算：
视频画面的相对时间是视频中的动画人物目标的发生事件的发生时间与视频播放的开始时间之间的时间差，一般来讲，相对时间可以用秒数表示，它用于标识视频中动画人物发生某个事件的具体时间。
elapsedTime =((currentTime - startTime) / playbackRate)) + offsetTime
式中，elapsedTime表示相对时间， currentTime表示当前时间， startTime 表示视频开始时间，playbackRate表示视频的播放倍速,offsetTime表示监控设备的时间采集时间的误差
例如：假设视频开始时间 2023-10-23 08:00:00 ,当前时间 2023-10-23 08:05:30,播放速率为2 ，当前采集视频监控设备时间误差00：05：00， 计算相对时间为：
elapsedTime = ((08:05:30 - 08:00:00) / 2 ) + 300
= (330 / 2 ) + 300
= 465秒
S3.2、目标人物目标位置信息通过以下步骤获取：
(1)视频中的相对位置，根据视频内容的特点，确定目标位置相对于某个参考对象或参考点的位置，例如：视频中的动画人物，目标位置可以相对于动画人物的家庭住址的位置或者是以动画人物工作的位置进行确定。首先，需要确定参考对象或参考点在坐标系中的位置坐标。假设参考对象的位置坐标为 (xr, yr, zr)。确定目标位置相对于参考对象的偏移量：根据实际需求，确定目标位置相对于参考对象的位置偏移量。假设目标位置相对于参考对象的偏移量为 (dx, dy, dz)。计算目标位置：使用以下公式计算目标位置的坐标：
xt = xr + dx
yt = yr + dy
zt = zr + dz
其中，xt、yt、zt 是目标位置的坐标，xr、yr、zr 是参考对象的位置坐标，dx、dy、dz是目标位置相对于参考对象的偏移量。)
（2）根据视频内容识别目标位置：通过视频结构化技术，对视频内容进行分析和处理，识别其中的目标对象，确定位置。例如：基于结构化技术把视频中的动画人物目标处理成每一帧的动画的图片，使用人工智能算法检测每一帧动画图像的位置，接下来基于算法得到的位置信息，通过计算公式处理得到的位置信息，例如可以引用欧几里得度量公式计算目标的位置的距离。
S3.3、视频的监控探头经纬度通过以下步骤采集：
如图2所示，假设探头的位置为 P，已知动画人物经过的位置 A、B、C 的地理位置（经度和纬度），以及探头到参考点 A、B、C 的距离(此处距离计算引用上述的距离)分别为dA、dB、dC。则通过以下步骤计算出探头的位置：计算参考点 A、B、C 之间的相对角度根据参考点 A、B、C 的经纬度，计算出它们在地球上的位置。然后，使用三角函数计算出参考点 A、B、C 之间的相对角度（即三角形的反余弦变换内角）：
αA = arccos((dB² + dC² - dA²) / (2 dB dC))
βB = arccos((dA² + dC² - dB²) / (2 dA dC))
γC = arccos((dA² + dB² - dC²) / (2 dA * dB))
式中，α、β、γ 分别表示参考点 BAC、ABC、ACB 的内角根据参考点 A、B、C 的经纬度以及相对角度，计算出探头到参考点 A、B、C 的方位角。具体而言，可以使用反正切以下公式：
θA = atan2(sin(α) sin(γ), cos(α) - cos(γ) cos(β))
θB = atan2(sin(β) sin(γ), cos(β) - cos(γ) cos(α))
θC = atan2(sin(α) sin(β), cos(α) cos(β) - cos(γ))
式中，θA、θB、θC 分别表示探头到参考点 A、B、C 的方位角。根据参考点 A、B、C 的经纬度以及探头到参考点 A、B、C 的方位角和距离，计算出探头的地理位置。
具体而言，使用以下公式：
P = (lon, lat)
式中，lon 和 lat 分别表示探头的经度和纬度，通过以下公式计算：
lon = (αA + βB + λC) / 3
lat = (θA + θB + θC) / 3
式中，αA、βB、λC 分别表示参考点 A、B、C 的相对角度(一个三角形中某个角与其他两个两个角之间的夹角)，θA、θB、θC 分别表示探头到参考点 A、B、C 的方位角度(参考点到目标点的方向与某个基准方向之间的夹角，确定目标点相对于参考点的方向)。
S3.4、视频信息的动画人物目标出现的轨迹频率计算
(1)手动计数法：视频中出现的动画人物目标轨迹，通过手工标注每个时间段目标出现的位置，根据所选时间段的总时长和出现次数计算目标出现的轨迹频率例如：
假设有一段10秒钟的视频，并且在这个时间段内出现了5次，则计算目标轨迹频率如下：
轨迹频率 = 5 / 10
= 0.5(表示每秒钟目标出现了0.5次)
（2）视频标注法：首先，需要对视频进行标注，即在每个时间段上记录目标出现的位置如下：假设选择了 n 个时间段，并且在每个时间段上标注了目标的位置，将每个时间段的目标位置表示为 (x_i, y_i)，其中 i 表示时间段的索引，x_i 和 y_i 分别表示目标在该时间段上的水平和垂直位置。使用一个函数 f(i) 来表示目标在第 i 个时间段上的位置。这个函数是一个二维向量函数，即：f(i) = (x_i, y_i)这样，对于每个时间段 i，函数 f(i) 返回一个二维向量，表示目标在该时间段上的位置。标注完视频之后，需要根据每个时间段中出现的目标位置计算出目标出现的频率。具体计算方法是将目标出现的次数除以总时间长度。例如，假设视频的时长是5分钟，目标出现了60次，那么它的轨迹频率就是：
轨迹频率 = 60次 /（5分钟 x 60秒）= 0.2次/秒。
S3.5、视频信息动画人物目标的行为特征通过以下步骤确认：
(1)姿态分类：根据研究调查的结果，将目标的姿态分类，例如行走姿势(例如：迈步的大小、手臂的摆动)、头部姿势(例如：抬头、低头、转头，仰头)、身体的倾斜角度(例如：前倾、后仰、侧身)、姿势稳定性(例如：走的是否笔直、腰杆是否挺直或者是稍微弯曲)等。通过对不同姿态类型的定义和划分，可以更准确地描述目标的行为特征。
(2)趋势分析：对于视频源播放时间很长的视频，可以进行视频时间的走势分析，找寻目标行为的趋势走向，基于上述的姿态分类的情况描述，例如动画人物行为的起始时间、持续时间、中间是否与人交流沟通的次数、中间是否停顿下来四处张望的行为、动画人物的整个的一个姿态的展示等。通过姿态分析，可以获得关于目标行为在接下来的趋势走向图。
S4、判断出主要可疑人员和其他可疑人员
根据所述目标人员的信息特征对视频源进行判断，如果在目标人员出现两起以上事件的视频里面，从现场视频画面出现的物证、展示的做事手法特点、做事时间、地点、选择目标、袭击部位等方面进行分析比对，判断目标人员是主要可疑人还是其他可疑人，如是主要可疑人则与现有的事件可疑人进行比对，如存在之前的非法记录信息，则补充该主要可疑人信息到数据库中，如不存在则新增该主要可疑人信息到数据库中；
主要可疑人经过的空间以及接触的人员还有就是他所行走的一些路线这类信息的图片通过算法里面的精确提取，然后在基于现有的事件可疑人的管理的库进行数据的比对，看是否有之前的非法记录信息，把这类的信息数据分为新增和原始的两类，然后存入到数据库。
S5、生成以主要可疑人为主体，它所附属的时间和其他可疑人的一个关系网络脉状图。
基于S4得到的两大类的数据库链表，通过接口请求数据，得到一个主要可疑人为主体，事件、其他可疑目标为辅助关联关系的全新的数据。将这些数据需进行简化、映射、封装对应的方法，最后前端通过Echarts图表的拓扑图生成一张关系网，最终生成一张2D的效果图，如图3所示。
Claims (8)
1.一种快速生成可疑人员关系网的方法，其特征在于，包括：
输入视频源，并从视频源中提取视频关键帧；
提取所述视频关键帧中目标人员的信息特征，信息特征包括：视频画面的相对时间，目标人员经过监控探头的实际经纬度、出现轨迹的频率次数重合度、目标位置信息，以及目标人员的行为特征；
根据所述目标人员的信息特征对视频源进行判断，如果目标人员出现两起以上事件的视频里面，判断该目标人员是主要可疑人还是其他可疑人，如是主要可疑人则与现有的事件可疑人进行比对，若存在之前的非法记录信息，则补充该主要可疑人信息到数据库中，如不存在则新增该可疑人信息到数据库中；
将数据库中主要可疑人作为主体，事件和其他可疑人为辅助关联关系通过Echarts图表的拓扑图生成一张关系网。
2.根据权利要求1所述快速生成可疑人员关系网的方法，其特征在于：
所述视频关键帧包括以事件为主体的目标人员的视频画面以及他所经过地方的视频画面。
3.根据权利要求1所述快速生成可疑人员关系网的方法，其特征在于：
在目标人员出现两起以上的事件事发视频里面，从现场视频画面出现的相对物、展示的行为手法特点、行为时间、地点、行为对象方面进行分析比对，判断是否为主要可疑人。
4.根据权利要求1所述快速生成可疑人员关系网的方法，其特征在于：
所述视频画面的相对时间是视频中的动画目标人员的发生事件的发生时间与视频播放的开始时间之间的时间差，相对时间通过下式计算得到：
elapsedTime =((currentTime - startTime) / playbackRate)) + offsetTime
式中，elapsedTime表示相对时间， currentTime表示当前时间， startTime 表示视频开始时间，playbackRate表示视频的播放倍速，offsetTime表示监控设备的时间采集时间的误差。
5.根据权利要求1所述快速生成可疑人员关系网的方法，其特征在于：所述目标人员经过监控探头的实际经纬度通过以下方法计算：
P = (lon, lat)，lon 和 lat 分别表示探头的经度和纬度，
式中，lon = (αA + βB + λC) / 3 lat = (θA + θB + θC) / 3
其中，αA、βB、λC 分别表示参考点 A、B、C 的相对角度，θA、θB、θC 分别表示探头到参考点 A、B、C 的方位角度；
αA = arccos((dB² + dC² - dA²) / (2 dB /> dC))
βB = arccos((dA² + dC² - dB²) / (2 dA/>dC))
γC = arccos((dA² + dB² - dC²) / (2 dA /> dB))
式中，α、β、γ 分别表示参考点 BAC、ABC、ACB 的内角根据参考点 A、B、C 的经纬度以及相对角度，探头到参考点 A、B、C 的距离分别为 dA、dB、dC，计算出探头到参考点 A、B、C的方位角；
θA = atan2(sin(α) sin(γ), cos(α) - cos(γ) />cos(β))
θB = atan2(sin(β) sin(γ), cos(β) - cos(γ) /> cos(α))
θC = atan2(sin(α) sin(β), cos(α)/> cos(β) - cos(γ))
式中，θA、θB、θC 分别表示探头到参考点 A、B、C 的方位角，根据参考点 A、B、C 的经纬度以及探头到参考点 A、B、C 的方位角和距离计算出探头的地理位置。
6.根据权利要求1所述快速生成可疑人员关系网的方法，其特征在于：
所述目标人员的目标位置信息包括：
（1）视频中的相对位置，根据视频内容的特点，确定目标位置相对于某个参考对象或参考点的位置；
（2）根据视频内容识别目标位置，通过视频结构化技术，对视频内容进行分析和处理，识别其中的目标对象，确定位置。
7.根据权利要求1所述快速生成可疑人员关系网的方法，其特征在于：
所述目标人员的行为特征包括：
(1)目标人员身体的姿势，包括行走姿势、头部姿势、身体的倾斜角度、姿势稳定性；
(2)目标人员行为趋势分析：对于视频源播放时间很长的视频，进行视频时间的走势分析，找寻目标人员行为的趋势走向，基于所述目标人员身体的姿势，通过行为动作分析，获得关于目标人员在接下来的趋势走向图。
8.根据权利要求1所述快速生成可疑人员关系网的方法，其特征在于：
所述趋势走向包括：行为的起始时间、持续时间、中间是否与人交流沟通的次数、中间是否停顿下来四处张望的行为、动画人物的整体姿态的展示。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311665973.2A CN117391877A (zh) | 2023-12-07 | 2023-12-07 | 一种快速生成可疑人员关系网的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311665973.2A CN117391877A (zh) | 2023-12-07 | 2023-12-07 | 一种快速生成可疑人员关系网的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117391877A true CN117391877A (zh) | 2024-01-12 |
Family
ID=89470554
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311665973.2A Pending CN117391877A (zh) | 2023-12-07 | 2023-12-07 | 一种快速生成可疑人员关系网的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117391877A (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102819578A (zh) * | 2012-07-24 | 2012-12-12 | 武汉大千信息技术有限公司 | 视频侦查嫌疑目标分析系统及方法 |
| CN104457736A (zh) * | 2014-11-03 | 2015-03-25 | 深圳市邦彦信息技术有限公司 | 一种获取目标位置信息的方法及装置 |
| JP2019050438A (ja) * | 2016-01-20 | 2019-03-28 | 三菱電機株式会社 | 映像監視装置及び映像監視方法 |
| CN111522995A (zh) * | 2020-04-26 | 2020-08-11 | 重庆紫光华山智安科技有限公司 | 目标对象分析方法、装置及电子设备 |
| CN112464030A (zh) * | 2020-11-25 | 2021-03-09 | 浙江大华技术股份有限公司 | 一种可疑人员确定方法及装置 |
| WO2022092497A1 (ko) * | 2020-10-29 | 2022-05-05 | (주)아이와즈 | 유사 사건 정보제공시스템 및 그 방법 |
| CN115966313A (zh) * | 2023-03-09 | 2023-04-14 | 创意信息技术股份有限公司 | 基于人脸识别的一体化管理平台 |
| CN116012208A (zh) * | 2022-09-29 | 2023-04-25 | 成都秦川物联网科技股份有限公司 | 用于智慧城市的风险区域预警信息生成方法和物联网系统 |
-
2023
- 2023-12-07 CN CN202311665973.2A patent/CN117391877A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102819578A (zh) * | 2012-07-24 | 2012-12-12 | 武汉大千信息技术有限公司 | 视频侦查嫌疑目标分析系统及方法 |
| CN104457736A (zh) * | 2014-11-03 | 2015-03-25 | 深圳市邦彦信息技术有限公司 | 一种获取目标位置信息的方法及装置 |
| JP2019050438A (ja) * | 2016-01-20 | 2019-03-28 | 三菱電機株式会社 | 映像監視装置及び映像監視方法 |
| CN111522995A (zh) * | 2020-04-26 | 2020-08-11 | 重庆紫光华山智安科技有限公司 | 目标对象分析方法、装置及电子设备 |
| WO2022092497A1 (ko) * | 2020-10-29 | 2022-05-05 | (주)아이와즈 | 유사 사건 정보제공시스템 및 그 방법 |
| CN112464030A (zh) * | 2020-11-25 | 2021-03-09 | 浙江大华技术股份有限公司 | 一种可疑人员确定方法及装置 |
| CN116012208A (zh) * | 2022-09-29 | 2023-04-25 | 成都秦川物联网科技股份有限公司 | 用于智慧城市的风险区域预警信息生成方法和物联网系统 |
| CN115966313A (zh) * | 2023-03-09 | 2023-04-14 | 创意信息技术股份有限公司 | 基于人脸识别的一体化管理平台 |
Non-Patent Citations (1)
| Title |
|---|
| 严旭;李振亮;蒲勇;游传远;胡伟;袁睿;: "利用单目监测摄像头精确废弃物焚烧位置的经纬度", 环境影响评价, no. 03, 15 May 2019 (2019-05-15) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US7627199B2 (en) | Image surveillance/retrieval system | |
| US7342489B1 (en) | Surveillance system control unit | |
| US7242295B1 (en) | Security data management system | |
| US11676389B2 (en) | Forensic video exploitation and analysis tools | |
| CN107240124A (zh) | 基于时空约束的跨镜头多目标跟踪方法及装置 | |
| US11290705B2 (en) | Rendering augmented reality with occlusion | |
| US8270705B2 (en) | System and method for monitoring motion object | |
| CN109614875B (zh) | 一种基于运动规则的智能安防报警系统 | |
| US20150116487A1 (en) | Method for Video-Data Indexing Using a Map | |
| CN111815675A (zh) | 目标对象的跟踪方法及装置、电子设备和存储介质 | |
| KR101645959B1 (ko) | 복수의 오버헤드 카메라와 사이트 맵에 기반한 객체 추적 장치 및 그 방법 | |
| CN110428449A (zh) | 目标检测跟踪方法、装置、设备及存储介质 | |
| US11727317B2 (en) | Systems and methods for coherent monitoring | |
| CN112422909B (zh) | 一种基于人工智能的视频行为分析管理系统 | |
| CN112541403B (zh) | 一种利用红外摄像头的室内人员跌倒检测方法 | |
| Kongurgsa et al. | Real-time intrusion—detecting and alert system by image processing techniques | |
| CN115346157A (zh) | 入侵检测方法、系统、设备及介质 | |
| CN111967443A (zh) | 基于图像处理与bim的档案馆内感兴趣区域分析方法 | |
| CN112464757A (zh) | 一种基于高清视频的目标实时定位和轨迹重构方法 | |
| JP6405606B2 (ja) | 画像処理装置、画像処理方法、および画像処理プログラム | |
| CN117391877A (zh) | 一种快速生成可疑人员关系网的方法 | |
| CN115830076A (zh) | 一种人员轨迹视频智能分析系统 | |
| Xie et al. | Spatiotemporal retrieval of dynamic video object trajectories in geographical scenes | |
| CN114359817A (zh) | 基于出入口人行识别的人流量测量方法 | |
| CN113568941A (zh) | 一种同轨迹人员的挖掘方法、装置及电子设备 |
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 |