一种基于车型检索的智能串并案的方法与流程

本发明属于科技强警技术领域，具体一种基于车型检索的智能串并案的方法。

背景技术：

随着经济的快速发展，近年来盗窃、诈骗犯罪案件数占刑事案件立案数的比重越来越大，且此类案件日渐呈现犯罪流窜化、团队化、职业化的特征，对社会的繁荣稳定产生了极大影响。盗窃、诈骗犯罪案件常为系列案件，即在一个阶段时期内，一个或一伙犯罪分子进行连续多次犯案，构成了一批看似各自独立，实则有内在联系的案件。而实际工作中，由于案件数据涉及的范围广，彼此独立，如何有效地将系列案件进行串并分析是公安侦查办案过程中一个重要的课题。现今云计算、大数据、人工智能等高科技正处于快速发展阶段，车型识别技术与应用也越来越成熟。如何有效地结合车型检索技术进行案件的智能化串并，减少人力资源投入，提升案件串并效率，是车型检索在案件串并领域应用的一个值得研究的方向。

技术实现要素：

本发明的目的是克服上述现有技术的不足，提供一种基于车型检索的智能串并案的方法；本发明能有效的将车型识别、检索技术与大数据分析技术相结合，能为侦查人员的案件侦查提供有效的智能化技术支撑，进而能显著提高案件侦查的效率。

为实现上述目的，本发明采用了以下技术方案：

一种基于车型检索的智能串并案的方法，其特征在于包括以下步骤：

1)、建立嫌疑车底库；

建立嫌疑车底库，并将侦查过程中上传的嫌疑车图像存入嫌疑车底库；同时获取嫌疑车图像的车辆结构化信息，一并存入嫌疑车底库内；其中：车辆结构化信息至少包括以下特征向量：车牌号、车辆品牌、车系、款型、车身颜色；

2)、检索及分析相似车辆，形成相似车辆列表；

每当侦查过程中出现新的可获取车辆结构化信息的嫌疑车图像，则对该嫌疑车图像进行车辆结构化信息提取后存入嫌疑车底库；同时，基于新输入的车辆结构化信息在嫌疑车库中检索与新的嫌疑车图像相似的相似车辆，提取出两者相似度超过第一阈值的相似车辆图像，形成相似车辆列表；

3)、基于步骤2)的检索情况，形成案件、嫌疑车图像以及相似车辆的映射关系；

4)、基于映射关系，进行相似车辆的特征向量的比对，计算各相似车辆之间的特征向量的相似值；具体为：当两辆相似车辆进行相似值计算时，如两者同一特征向量相同，则相似值为1，如两者同一特征向量不同，则相似值为0；

5)、对相似车辆的每个特征向量赋予权重，根据每两辆相似车辆之间的相似值与各特征向量所对应权重值，计算各相似车辆所属案件间的相似度值，随之提取出案件间相似度超过第二阈值的相似车辆图像，形成串并案列表；

各相似车辆所属案件间的相似度值计算方法为：

s＝d1×d1+…...+dk×dk

其中d1、d2……dk分别代表嫌疑车特征的各结构化信息的相似值、d1、d2……dk代表相应的权重值，且d1+d2+……+dk＝1。

优选的，所述步骤1)中，车辆结构化信息的特征向量还包括是否有年检标、是否有纸巾盒、是否有装饰、是否有遮阳板。

优选的，所述步骤1)及2)中，建立嫌疑车底库以及形成相似车辆列表的流程包括以下子步骤：

01、上传嫌疑车辆图像；

根据案件侦办情况，将侦查中所获得的嫌疑车图像上传至嫌疑车底库；

02、车型识别；

车型识别模块实时监听嫌疑车底库，当有新更新的数据时，通过接口调用的方式获取新数据，并对上传的图像进行车型识别，并返回车辆结构化信息至嫌疑车底库内；

03、es获取车辆结构化语义信息；

es接收车型识别模块返回的车辆结构化信息，并对车辆结构化信息进行语义识别，同时对该返回的原始车辆结构化信息进行存储存储；

04、向结点发送相似车辆检索请求；

向集群中的结点(node)发送车辆结构化语义信息，请求车辆检索；

05、返回相似度超过阈值的车辆；

各节点将请求直接转发到拥有用户想要的数据的节点，并根据预先设置的相似度阈值返回相似度超过第一阈值的车辆，形成相似车辆列表。

本发明的有益效果在于：

1)、本发明有效的结合了车型识别、检索技术与大数据分析技术，收线基于案件侦查采集的嫌疑车图像，建立嫌疑车库；之后检索及分析相似车辆，形成相似车辆列表，再形成案件、嫌疑车图像以及相似车辆的映射关系。当映射关系成立后，再基于映射关系，进行相似车辆所属案件的特征向量的比对，并计算各相似车辆之间的特征向量的相似值。最后，根据特征向量的相似值与权重值，计算各相似车辆所属案件间的相似度值，以便形成串并案列表。通过上述方法，本发明可有效实现案件的智能化串并，极大地减少案件串并的人工投入，降低了侦查人员的劳动强度，并避免了巨大的重复性的劳动量下的人工误差性，在提升案件侦办的精确性的同时又随之有效提高了案件侦办的效率性，成效显著。

附图说明

图1为本发明的流程示意框图；

图2为本发明中案件、嫌疑车图像以及相似车辆的映射关系图；

图3为建立嫌疑车底库以及形成相似车辆列表的具体流程示意图。

具体实施方式

为便于理解，此处结合图1-3，对本发明的具体流程及工作方式作以下进一步描述：

本发明的工作流程参照图1所示，主要包括以下步骤：

1)、建立嫌疑车底库；

建立嫌疑车底库，并将侦查过程中上传的嫌疑车图像存入嫌疑车底库；同时获取嫌疑车图像的车辆结构化信息的相应特征向量，一并存入嫌疑车底库内；其中：车辆结构化信息的特征向量至少包括车牌号、车辆品牌、车系、款型、车身颜色、是否有年检标、是否有纸巾盒、是否有装饰、是否有遮阳板等等。

2)、检索及分析相似车辆，形成相似车辆列表；

每当侦查过程中出现新的可获取车辆结构化信息的嫌疑车图像，则对该嫌疑车图像进行车辆结构化信息提取后存入嫌疑车底库；同时，基于新输入的车辆结构化信息在嫌疑车库中检索与新的嫌疑车图像相似的相似车辆，提取出两者相似度超过第一阈值的相似车辆图像，形成相似车辆列表。

具体而言，如两张嫌疑车图像均为同一车辆品牌及车系，车身颜色同色，同样具备年检标、巾盒、装饰及遮阳板，那么其相似度已经达到百分百，以此类推。第一阈值的设置可通过人工干预方式进行，如根据侦查人员的侦查经验将第一阈值设置为80％，那么一旦两张嫌疑车图像的相似度超过百分之八十，则判断该两张图像内的嫌疑车为相似车辆。

3)、基于步骤2)的检索情况，形成图2所示的案件、嫌疑车图像以及相似车辆的映射关系。图2中，案件与嫌疑车辆的关系为1：n，也即一场案件可能有多辆嫌疑车辆。而嫌疑车辆与相似车辆的关系为m:n，也即嫌疑车辆可为多辆，相似车辆也可以为多辆。根据嫌疑车辆与相似车辆的关联关系形成相似车辆列表。

4)、基于映射关系，进行相似车辆所属案件的特征向量的比对，计算各相似车辆之间的特征向量的相似值。

该步骤是计算相似值，以两车牌号码相似度计算为例：相同为1，不同为0；而以车身颜色相似度计算为例：同一种颜色为1，不同为0。诸如此类，从而为5)步骤的给每个特征向量再设置权重后综合计算打好基础。

5)、对相似车辆的每个特征向量赋予权重，根据每两辆相似车辆之间的相似值与各特征向量所对应权重值，计算各相似车辆所属案件间的相似度值，随之提取出案件间相似度超过第二阈值的相似车辆图像，形成串并案列表；

各相似车辆所属案件间的相似度值计算方法为：

s＝d1×d1+…...+dk×dk

其中d1、d2……dk分别代表嫌疑车特征的各结构化信息的相似值、d1、d2……dk代表相应的权重值，且d1+d2+……+dk＝1。

以车辆结构化信息中的特征向量包括车牌号、车辆品牌、车系、款型、车身颜色为例来举例：显然，车牌号在相似度对比中占领导地位，车辆品牌相对较次；因此，在进行权重值赋予时，车牌号、车辆品牌、车系、款型、车身颜色可依次按照0.5、0.2、0.1、0.1、0.1，且总和为1进行分布取值。当进行两辆相似车辆计算时，如两辆车的车牌号、车辆品牌相同，而车系、款型、车身颜色不同，则计算为：

s＝d1×d1+…...+dk×dk＝0.5x1+0.2x1+0.1x0+0.1x0+0.1x0＝0.7；

也即该两辆相似车辆所属案件间的相似度值为0.7。第二阈值的设置同样可通过人工干预方式进行，如根据侦查人员的侦查经验将第二阈值设置为0.5，则该两辆相似车辆可以形成串并案列表。

如图3所示为建立嫌疑车底库以及形成相似车辆列表的具体流程示意图，具体步骤如下：

01、案件上传嫌疑车辆图像；

根据案件侦办情况，在视频监控实况或录像中截取案件相关嫌疑车辆图像关联至案件，或通过社会资源、公安网资源等途径获取嫌疑车辆图像上传至案件中。

02、车型识别；

车型识别模块实时监听嫌疑车库，有新更新的数据，通过接口调用的方式获取新数据，并对上传的图像进行车型识别，返回车辆结构化信息。

03、es获取车辆结构化语义信息；

es接收车型识别返回的车辆结构化信息，车辆结构化信息包括：车牌号、车辆品牌、车系、款型、车身颜色、是否有年检标、是否有纸巾盒、是否有装饰、是否有遮阳板，对车辆结构化信息进行语义识别，同时对该返回的原始车辆结构化信息进行存储存储。

04、向结点发送相似车辆检索请求；

向集群中的结点(node)发送车辆结构化信息语义信息，请求车辆检索。

05、返回相似度超过第一阈值的车辆；

各节点将请求直接转发到拥有用户想要的数据的节点，并根据预先设置的第一阈值返回相似度超过第一阈值的车辆，形成相似车辆列表。

综上所述，本发明有效的结合了车型识别、检索技术与大数据分析技术，收线基于案件侦查采集的嫌疑车图像，建立嫌疑车库；之后检索及分析相似车辆，形成相似车辆列表，再形成案件、嫌疑车图像以及相似车辆的映射关系。当映射关系成立后，再基于映射关系，进行相似车辆所属案件的特征向量的比对，并计算各相似车辆之间的特征向量的相似值。最后，根据特征向量的相似值与权重值，计算各相似车辆所属案件间的相似度值，以便形成串并案列表。通过上述方法，本发明可有效实现案件的智能化串并，极大地减少案件串并的人工投入，降低了侦查人员的劳动强度，并避免了巨大的重复性的劳动量下的人工误差性，在提升案件侦办的精确性的同时又随之有效提高了案件侦办的效率性，成效显著。