本發(fā)明涉及犯罪預(yù)防技術(shù)領(lǐng)域，具體地說是一種基于智能計算技術(shù)的犯罪預(yù)警方法。

背景技術(shù)：

伴隨信息技術(shù)的發(fā)展，圖像匹配的應(yīng)用領(lǐng)域愈發(fā)廣泛，已成為不可或缺的技術(shù)，這一技術(shù)及要求效率又要求準確度，目前很多基于內(nèi)容匹配的圖像技術(shù)很多時候精確地比較低，不容易起到找到目標值，導致預(yù)防犯罪領(lǐng)域技術(shù)落后。目前，圖像檢索算法有很多種，性能千差萬別，普遍存在檢索效率低,查準率和查全率不高的問題。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的在于提供一種基于智能計算技術(shù)的犯罪預(yù)警方法，用于解決犯罪預(yù)防領(lǐng)域圖像識別檢索效率低，查準率不高的問題。

本發(fā)明解決其技術(shù)問題所采取的技術(shù)方案是：一種基于智能計算技術(shù)的犯罪預(yù)警方法，其特征是，具體包括以下步驟：

1)、判斷行為是否具有犯罪前兆；如果具有犯罪前兆，則執(zhí)行步驟2)操作，否則，繼續(xù)優(yōu)化判斷是否具有犯罪前兆；

2)、對犯罪嫌疑人進行圖像識別；

3)、通過二分查找法對圖像范圍進行確定；

4)、在找到的范圍內(nèi)進行粒子群算法匹配，確定犯罪嫌疑人。

進一步地，步驟1)操作中判斷相關(guān)行為是否具有犯罪前兆的方法包括：

11)、對行人的面部表情進行識別；

12)、與行為數(shù)據(jù)庫的數(shù)據(jù)進行對比核實；

13)、判斷是否具有犯罪的前兆。

進一步地，所述的行為數(shù)據(jù)庫收錄的數(shù)據(jù)包括但不限于移動速度、移動方向、任意兩者的距離、任意兩者交涉的頻率、面部表情特征值。

進一步地，步驟2)操作中對犯罪嫌疑人進行圖像識別的具體過程包括：

21)、根據(jù)人臉識別技術(shù)將人物的正面臉部圖像進行識別；

22)、針對篩選出的臉部圖像，對圖像從下往上四分之三高度、從左往右五分之一到五分之四的區(qū)域進行灰度值采集；

23)、對灰度值進行排序。

進一步地，步驟3)操作中二分查找法確定圖像范圍具體方法包括：

31)、將目標數(shù)據(jù)值與排完序的灰度值的中間數(shù)據(jù)值進行比較；

32)、如果目標數(shù)據(jù)值比中間數(shù)據(jù)值大，則在較大的那一半數(shù)據(jù)中再次比較，直至找到目標數(shù)據(jù)，確定圖像范圍。

進一步地，步驟4)操作中，在找到的范圍內(nèi)進行粒子群算法匹配，確定犯罪嫌疑人的具體方法包括：

41)、初始化粒子群；

42)、對粒子群進行迭代優(yōu)化；

43)、根據(jù)迭代結(jié)果進行學習；

44)、繼續(xù)執(zhí)行步驟41)操作，直至確定犯罪嫌疑人。

進一步地，步驟41)粒子群的初始化方法包括：

411)、動態(tài)隨機選擇粒子；

412)、賦予粒子以初始位置和初始速度。

進一步地，步驟42)操作中，迭代優(yōu)化的方法包括：

421)、不斷尋找圖像；

422)、判斷找到的圖像與目標圖像的灰度值差值是否小于閾值；如果小于閾值，則找到的圖像視為迭代結(jié)果；否則，繼續(xù)執(zhí)行步驟421)操作。

進一步地，步驟43)操作中，對迭代結(jié)果進行學習即對每個粒子的位置和速度進行計算一次，其具體步驟包括：

431)、根據(jù)present[i]＝present[i]+v[i]公式一，確定粒子的當前位置；

432)、根據(jù)

v[]＝w*v[]+c1*rand1()*(pbest[]-present[])+c2*random2()*(gbest[]-present[])(1)+random(v)公式二，對粒子的速度進行更新；

433)、判斷是不是最優(yōu)粒子，如果是最優(yōu)粒子，則確定為犯罪嫌疑人；否則，執(zhí)行步驟434)操作；

434)、如果發(fā)現(xiàn)走的是重復的路線則修改為相鄰粒子的位置，繼續(xù)執(zhí)行步驟432)操作，直至確定犯罪嫌疑人；

公式一中：present[i]為粒子的當前位置；v[i]為粒子的速度；

公式二中：v[]為粒子速度；w為權(quán)值；c1和c2取值為2；rand1()、random2()、random(v)均表示隨機值，且三者取值不同；pbest[]為個體最優(yōu)位置。

本發(fā)明的有益效果是：

發(fā)明提供了一種基于智能計算技術(shù)算法的犯罪預(yù)警技術(shù)，通過分析人群中個體之間關(guān)系的變化提取犯罪行為的可能性，通過分析人群每個人的圖像特征，在人群中檢索犯罪事件存在的可能性，該發(fā)明的原理是借助于行為記錄數(shù)據(jù)庫和基于內(nèi)容的圖像檢索是指根據(jù)圖像特征在圖像數(shù)據(jù)庫中檢索相似或相同圖像。本發(fā)明在傳統(tǒng)算法基礎(chǔ)上將圖像匹配方法轉(zhuǎn)化成在圖像數(shù)據(jù)庫中根據(jù)模板圖像數(shù)據(jù)對目標進行鎖定的模型。

本發(fā)明根據(jù)犯罪心理學和犯罪舉動的常規(guī)行為提取出關(guān)鍵行為的記錄，建立行為數(shù)據(jù)庫，用于判斷是否有犯罪前兆。

本發(fā)明引入二分查找算法，分析分區(qū)圖像灰度值，然后對灰度值進行排序，對目前圖像進行折半查找，根據(jù)設(shè)定的閾值找出范圍，在該范圍內(nèi)用改進的粒子群算法進行圖像匹配，依次遞歸。

本發(fā)明在傳統(tǒng)的粒子群算法的基礎(chǔ)上進行了改進，即粒子群的動態(tài)初始化，通過隨機選取給定個數(shù)的圖像差值作為粒子群，在未知數(shù)量的圖像數(shù)據(jù)庫中，動態(tài)初始化以后進行檢索，本算法的改進之處在于加入了隨機的粒子和隨機的速度值，另外一個技術(shù)就是加入了記憶力技術(shù)，記憶力技術(shù)即：粒子在學習的時候不會走重復的路線即自己走過的路線。在優(yōu)化過程中粒子追隨群體中當前位置和速度最優(yōu)的粒子而移動，并經(jīng)逐代迭代搜索后得到最優(yōu)解。

附圖說明

圖1為本發(fā)明的方法流程圖；

圖2為本發(fā)明人臉分區(qū)示意圖；

圖3為本發(fā)明改進的粒子群算法流程圖；

圖4為本發(fā)明改進的二分查找法確定圖像范圍流程圖。

具體實施方式

為能清楚說明本方案的技術(shù)特點，下面通過具體實施方式，并結(jié)合其附圖，對本發(fā)明進行詳細闡述。下文的公開提供了許多不同的實施例或例子用來實現(xiàn)本發(fā)明的不同結(jié)構(gòu)。為了簡化本發(fā)明的公開，下文中對特定例子的部件和設(shè)置進行描述。此外，本發(fā)明可以在不同例子中重復參考數(shù)字和/或字母。這種重復是為了簡化和清楚的目的，其本身不指示所討論各種實施例和/或設(shè)置之間的關(guān)系。應(yīng)當注意，在附圖中所圖示的部件不一定按比例繪制。本發(fā)明省略了對公知組件和處理技術(shù)及工藝的描述以避免不必要地限制本發(fā)明。

如圖1所示，一種基于智能計算技術(shù)的犯罪預(yù)警方法，具體包括以下步驟：

1)、判斷行為是否具有犯罪前兆；如果具有犯罪前兆，則執(zhí)行步驟2)操作，否則，繼續(xù)優(yōu)化判斷是否具有犯罪前兆；

2)、對犯罪嫌疑人進行圖像識別；

3)、通過二分查找法對圖像范圍進行確定；

4)、在找到的范圍內(nèi)進行粒子群算法匹配，確定犯罪嫌疑人。

步驟1)操作中判斷相關(guān)行為是否具有犯罪前兆的方法包括：

11)、對行人的面部表情進行識別；

12)、與行為數(shù)據(jù)庫的數(shù)據(jù)進行對比核實；

13)、判斷是否具有犯罪的前兆。

行為數(shù)據(jù)庫收錄的數(shù)據(jù)包括但不限于移動速度、移動方向、任意兩者的距離、任意兩者交涉的頻率、面部表情特征值。

如圖2所示，步驟2)操作中對犯罪嫌疑人進行圖像識別的具體過程包括：

21)、根據(jù)人臉識別技術(shù)將人物的正面臉部圖像進行識別；

22)、針對篩選出的臉部圖像，對圖像從下往上四分之三高度、從左往右五分之一到五分之四的區(qū)域進行灰度值采集；

23)、對灰度值進行排序。

步驟2)操作中對犯罪嫌疑人進行圖像識別的具體過程包括：

21)、根據(jù)人臉識別技術(shù)將人物的正面臉部圖像進行識別；

22)、針對篩選出的臉部圖像，對圖像從下往上四分之三高度、從左往右五分之一到五分之四的區(qū)域進行灰度值采集；

23)、對灰度值進行排序。

如圖3所示，步驟4)操作中，在找到的范圍內(nèi)進行粒子群算法匹配，確定犯罪嫌疑人的具體方法包括：

41)、初始化粒子群:動態(tài)隨機選擇粒子；賦予粒子以初始位置和初始速度

42)、對粒子群進行迭代優(yōu)化：不斷尋找圖像；判斷找到的圖像與目標圖像的灰度值差值是否小于閾值；如果小于閾值，則找到的圖像視為迭代結(jié)果；否則，繼續(xù)尋找圖像。

43)、根據(jù)迭代結(jié)果進行學習：即對每個粒子的位置和速度進行計算一次，其具體步驟包括：

431)、根據(jù)present[i]＝present[i]+v[i](公式一)，確定粒子的當前位置；

432)、根據(jù)

v[]＝w*v[]+c1*rand1()*(pbest[]-present[])+c2*random2()*(gbest[]-present[])(1)+random(v)(公式二)對粒子的速度進行更新；

433)、判斷是不是最優(yōu)粒子，如果是最優(yōu)粒子，則確定為犯罪嫌疑人；否則，執(zhí)行步驟434)操作；

434)、如果發(fā)現(xiàn)走的是重復的路線則修改為相鄰粒子的位置，繼續(xù)執(zhí)行步驟432)操作，直至確定犯罪嫌疑人。

公式一中：present[i]為粒子的當前位置；v[i]為粒子的速度；

公式二中：v[]為粒子速度；w為權(quán)值；c1和c2取值為2；rand1()、random2()、random(v)均表示隨機值，且三者取值不同；pbest[]為個體最優(yōu)位置。

44)、繼續(xù)執(zhí)行步驟41)操作，直至確定犯罪嫌疑人。

如圖4所示，步驟3)操作中二分查找法確定圖像范圍具體方法包括：

31)、將目標數(shù)據(jù)值與排完序的灰度值的中間數(shù)據(jù)值進行比較；

32)、如果目標數(shù)據(jù)值比中間數(shù)據(jù)值大，則在較大的那一半數(shù)據(jù)中再次比較，直至找到目標數(shù)據(jù)，確定圖像范圍。

本發(fā)明的實施例之一：

對犯罪嫌疑人的動作、面部表情進行識別，與行為數(shù)據(jù)庫中存儲的標準數(shù)據(jù)進行對比，判斷是否有犯罪的前兆，如果有犯罪前兆，則根據(jù)人臉識別技術(shù)對犯罪嫌疑人進行臉部圖像識別，并采集灰度值，對灰度值進行排序。通過二分查找法，根據(jù)灰度值的大小確定圖像范圍。

對通過二分查找法確定的圖像的范圍再次通過粒子群算法進一步確定犯罪嫌疑人：將確定好的圖像范圍的粒子進行初始化處理，賦予初始速度和初始范圍，對粒子群進行迭代優(yōu)化，根據(jù)迭代優(yōu)化后的結(jié)果進行學習，最后確定犯罪嫌疑人，及時進行犯罪預(yù)警。

以上所述只是本發(fā)明的優(yōu)選實施方式，對于本技術(shù)領(lǐng)域的普通技術(shù)人員來說，在不脫離本發(fā)明原理的前提下，還可以做出若干改進和潤飾，這些改進和潤飾也被視為本發(fā)明的保護范圍。