一種識(shí)別跟蹤罪犯車輛的方法
【專利摘要】本發(fā)明公開了一種識(shí)別跟蹤罪犯車輛的方法，包括以下步驟：（1）通過報(bào)警人或監(jiān)控錄像獲得罪犯車輛信息，確定目標(biāo)車輛，（2）根據(jù)目標(biāo)車輛的圖像信息提取其不變性特征，如surf特征，（3）量化surf特征成特征描述器后傳輸?shù)街醒肟刂浦行?，根?jù)犯罪地點(diǎn)與時(shí)間等確定罪犯潛在區(qū)域，（4）中央控制中心將罪犯車輛特征描述器分傳至各偵察網(wǎng)點(diǎn)，匹配偵察車輛后縮小偵察范圍，（5）中央控制中心發(fā)送特征描述器到偵察范圍內(nèi)的前方巡邏車，（6）對(duì)巡邏車內(nèi)實(shí)時(shí)監(jiān)控錄像進(jìn)行surf特征匹配，前方車輛匹配成功，則執(zhí)行跟蹤。
【專利說明】一種識(shí)別跟蹤罪犯車輛的方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及智能交通監(jiān)控【技術(shù)領(lǐng)域】，特別涉及一種識(shí)別跟蹤罪犯車輛的方法。
【背景技術(shù)】
[0002]隨著社會(huì)的發(fā)展，人們的生活水平不斷提高，但人們的安全感卻不見得有所提高，近年來我國的犯罪率有增無減，盜竊、搶劫、走私等犯罪行為嚴(yán)重影響了公眾的生命和財(cái)產(chǎn)安全，而車輛則成為這些罪犯的主要逃亡工具。即便是警察鎖定了罪犯，但罪犯借助車輛逃脫了警方的追捕，這樣對(duì)于公眾來說，依然存在潛在危險(xiǎn)。在罪犯成功逃脫之前將其捉獲則成為維護(hù)社會(huì)安定的重中之重。在龐大的道路交通網(wǎng)上，交通的參與者有幾萬甚至幾十萬，其中包括步行、騎自行車、乘公交車、乘出租車或自己駕車，道路上的情況瞬息萬變。智能交通監(jiān)控系統(tǒng)的概念應(yīng)運(yùn)而生，它使道路上的交通信息與交通相關(guān)信息盡量完整和實(shí)時(shí)；交通參與者、交通管理者、交通工具、道路管理設(shè)施之間的信息交換實(shí)時(shí)和高效。智能交通監(jiān)控系統(tǒng)就是通過監(jiān)控系統(tǒng)將監(jiān)視區(qū)域內(nèi)的現(xiàn)場(chǎng)圖像傳回指揮中心，使管理人員直接掌握車輛排隊(duì)、堵塞、信號(hào)燈等交通狀況，及時(shí)調(diào)整信號(hào)配時(shí)或通過其他手段來疏導(dǎo)交通，改變交通流的分布，以達(dá)到緩解交通堵塞的目的。即使有如今的科學(xué)技術(shù)提供支持，要在信息量如此龐大的系統(tǒng)中找到罪犯的嫌疑車輛也是一大難題。
[0003]而圖像識(shí)別和匹配這計(jì)算機(jī)視覺領(lǐng)域已經(jīng)得到充分的發(fā)展，車輛檢測(cè)與跟蹤技術(shù)作為安全輔助駕駛的重要組成部分，在智能交通系統(tǒng)研究領(lǐng)域上有了長足發(fā)展。申請(qǐng)?zhí)枮?01210315966.5的中國專利，專利名稱為:一種實(shí)時(shí)反饋更新的車輛檢測(cè)方法，“包括離線學(xué)習(xí)過程、實(shí)時(shí)檢測(cè)過程和在線學(xué)習(xí)過程，先利用離線學(xué)習(xí)過程得到的離線強(qiáng)分類器對(duì)實(shí)時(shí)檢測(cè)過程的第I?K幀圖片進(jìn)行分類，得到檢測(cè)目標(biāo)；在線學(xué)習(xí)過程根據(jù)得到檢測(cè)目標(biāo)截取樣本，利用在線強(qiáng)分類器進(jìn)行車輛檢測(cè)，得到檢測(cè)目標(biāo)；在線學(xué)習(xí)過程不斷對(duì)在線強(qiáng)分類器進(jìn)行更新。申請(qǐng)?zhí)枮?01310014669.1的中國專利，專利名稱為:智能交通監(jiān)控系統(tǒng)中的車輛檢測(cè)方法和裝置，“本發(fā)明提出了一種智能交通監(jiān)控系統(tǒng)中的車輛檢測(cè)方法，其包括:步驟SlOl，通過電荷耦合元件CXD攝像頭采集道路交通視頻幀序列；步驟S102，將采集的視頻幀序列數(shù)據(jù)進(jìn)行圖像預(yù)處理，得到計(jì)算機(jī)能夠識(shí)別的數(shù)字視頻序列；步驟S103，輸入步驟S102所得的數(shù)字視頻序列，利用改進(jìn)的混合高斯背景建模算法實(shí)現(xiàn)運(yùn)動(dòng)目標(biāo)的檢測(cè)；步驟S104，對(duì)步驟S103檢測(cè)所得的運(yùn)動(dòng)目標(biāo)前景進(jìn)行陰影檢測(cè)；步驟S105，對(duì)運(yùn)動(dòng)目標(biāo)前景進(jìn)行陰影去除，實(shí)現(xiàn)運(yùn)動(dòng)目標(biāo)的正確識(shí)別。但將車輛檢測(cè)與跟蹤的方法應(yīng)用于鎖定、追蹤和捕獲犯罪上還屬于空白。

【發(fā)明內(nèi)容】

[0004]為了克服現(xiàn)有技術(shù)存在的缺點(diǎn)與不足，本發(fā)明提供一種識(shí)別跟蹤罪犯車輛的方法。
[0005]本發(fā)明采用如下技術(shù)方案:
[0006]一種識(shí)別跟蹤罪犯車輛的方法，包括如下步驟:[0007]SI獲取罪犯車輛的圖像信息，確定要識(shí)別跟蹤的目標(biāo)車輛；
[0008]S2提取目標(biāo)車輛的不變性特征，所述不變性特征包括SURF特征；
[0009]S3將不變性特征量化形成特征描述器，作為匹配識(shí)別罪犯車輛的依據(jù)傳輸?shù)街醒肟刂浦行模ㄟ^中央控制中心傳送到各個(gè)犯罪偵察網(wǎng)點(diǎn)；
[0010]S4估計(jì)目標(biāo)車輛所在位置的潛在區(qū)域，在潛在區(qū)域內(nèi)的犯罪偵察網(wǎng)點(diǎn)將通過監(jiān)控?cái)z像頭拍攝的車輛與特征描述器相匹配，匹配成功則縮小偵察范圍；
[0011]S5中央控制中心將不變性特征發(fā)送到縮小后的偵察范圍內(nèi)的前方巡邏車，
[0012]S6接收到目標(biāo)車輛特征的前方巡邏車?yán)密噧?nèi)實(shí)時(shí)監(jiān)控視頻，對(duì)前方車輛進(jìn)行實(shí)時(shí)不變性特征匹配，當(dāng)目標(biāo)車輛不變性特征與前方車輛匹配成功，則實(shí)施跟蹤。
[0013]所述S2提取目標(biāo)車輛的SURF特征，具體采用surf識(shí)別算法。
[0014]所述估計(jì)目標(biāo)車輛所在位置的潛在區(qū)域，具體為:
[0015]S4.1計(jì)算目標(biāo)車輛的逃離距離d=vt，其中t是目標(biāo)車輛從被發(fā)現(xiàn)開始的逃離時(shí)間，V為目標(biāo)車輛的車速；
[0016]S4.2以目標(biāo)車輛被發(fā)現(xiàn)的位置為圓心01，逃離距離為半徑Rl的圓就是目標(biāo)車輛所在位置的潛在區(qū)域。
[0017]所述縮小偵察范圍，具體為:以檢測(cè)到目標(biāo)車輛的監(jiān)控?cái)z像頭的位置為圓心02，以逃離距離Rl與01到02的距離之差為半徑R2的圓就是縮小后的偵察范圍。
[0018]本發(fā)明的有益效果:
[0019](I)本發(fā)明給出了一種科學(xué)的，利用現(xiàn)有的交通監(jiān)控系統(tǒng)資源的識(shí)別并追蹤罪犯車輛的方法，給警方追捕罪犯提供了技術(shù)支持，可以在一定程度上提高破案的成功率和維護(hù)社會(huì)治安；
[0020](2)本發(fā)明提供一個(gè)“特征信息提取一中央控制傳輸一分點(diǎn)信息獲取”的罪犯目標(biāo)車輛信息交互框架，使這一應(yīng)用規(guī)范化程序化，有相當(dāng)?shù)目蓤?zhí)行性；
[0021](3)本發(fā)明有效地使現(xiàn)有的交通監(jiān)控系統(tǒng)資源與成熟的圖像匹配與識(shí)別領(lǐng)域技術(shù)相結(jié)合，為解決更好地社會(huì)問題提供的可能性，而并不需要全新的技術(shù)硬件支持，利用現(xiàn)有資源即可；
[0022](4)本發(fā)明中的提取目標(biāo)不變性特征信息的方法不僅限于提取surf特征，只要是能夠使識(shí)別算法準(zhǔn)確地識(shí)別出目標(biāo)即可作為本發(fā)明中提取特征的方法，因此本發(fā)明具有很好的適應(yīng)性。
【專利附圖】

【附圖說明】
[0023]圖1為本發(fā)明的工作流程圖；
[0024]圖2為本發(fā)明的潛在區(qū)域及縮小后偵察范圍的示意圖。
【具體實(shí)施方式】
[0025]下面結(jié)合實(shí)施例及附圖，對(duì)本發(fā)明作進(jìn)一步地詳細(xì)說明，但本發(fā)明的實(shí)施方式不限于此。
[0026]實(shí)施例
[0027]如圖1所示，一種識(shí)別跟蹤罪犯車輛的方法，包括如下步驟:[0028]SI根據(jù)報(bào)警人提供或犯罪地點(diǎn)的監(jiān)控錄像獲得罪犯車輛的圖像信息，確定要識(shí)別跟蹤的目標(biāo)車輛；
[0029]S2提取目標(biāo)車輛的不變性特征，本實(shí)施例采用SURF識(shí)別算法提取目標(biāo)車輛的SURF特征；
[0030]所述surf識(shí)別算法，具體為:
[0031]S2.1特征點(diǎn)的提取:利用hessian矩陣計(jì)算特征值α，
【權(quán)利要求】
1.一種識(shí)別跟蹤罪犯車輛的方法，其特征在于，包括如下步驟: Si獲取罪犯車輛的圖像信息，確定要識(shí)別跟蹤的目標(biāo)車輛； S2提取目標(biāo)車輛的不變性特征，所述不變性特征包括SURF特征； S3將不變性特征量化形成特征描述器，作為匹配識(shí)別罪犯車輛的依據(jù)傳輸?shù)街醒肟刂浦行?，通過中央控制中心傳送到各個(gè)犯罪偵察網(wǎng)點(diǎn)； S4估計(jì)罪犯車輛所在位置的潛在區(qū)域，在潛在區(qū)域內(nèi)的犯罪偵察網(wǎng)點(diǎn)將通過監(jiān)控?cái)z像頭拍攝的車輛與特征描述器相匹配，匹配成功則縮小偵察范圍； S5中央控制中心將不變性特征發(fā)送到縮小后的偵察范圍內(nèi)的前方巡邏車， S6接收到罪犯車輛特征的前方巡邏車?yán)密噧?nèi)實(shí)時(shí)監(jiān)控視頻，對(duì)前方車輛進(jìn)行實(shí)時(shí)不變性特征匹配，當(dāng)目標(biāo)車輛不變性特征與前方車輛匹配成功，則實(shí)施跟蹤。
2.根據(jù)權(quán)利要求1所述的一種識(shí)別跟蹤罪犯車輛的方法，其特征在于，S2提取目標(biāo)車輛的SURF特征，具體采用surf識(shí)別算法。
3.根據(jù)權(quán)利要求1所述的一種識(shí)別跟蹤罪犯車輛的方法，其特征在于，所述估計(jì)罪犯車輛所在位置的潛在區(qū)域，具體為: S4.1計(jì)算罪犯的逃離距離d=vt，其中t是罪犯從被發(fā)現(xiàn)開始的逃離時(shí)間，V為罪犯車輛的車速； S4.2以罪犯被發(fā)現(xiàn)的位置為圓心01，逃離距離為半徑Rl的圓就是罪犯車輛所在位置的潛在區(qū)域。
4.根據(jù)權(quán)利要求1所述的一種識(shí)別跟蹤罪犯車輛的方法，其特征在于，所述縮小偵察范圍，具體為:以檢測(cè)到目標(biāo)車輛的監(jiān)控?cái)z像頭的位置為圓心02，以逃離距離Rl與01到02的距離之差為半徑R2的圓就是縮小后的偵察范圍。
【文檔編號(hào)】G08G1/017GK103714697SQ201310714749
【公開日】2014年4月9日 申請(qǐng)日期:2013年12月20日 優(yōu)先權(quán)日:2013年12月20日
【發(fā)明者】周智恒, 鐘嘉慧, 毆曉文, 張文婷 申請(qǐng)人:華南理工大學(xué)