目标嫌疑度识别方法、系统、设备及介质

技术领域

本申请涉及数据处理领域，尤其涉及一种目标嫌疑度识别方法、系统、设备及介质。

背景技术

目标识别是人工智能领域中一个重要的方向，近年来，已在很多领域有广泛的应用，比如安防，交通，新零售，校园等等。随着应用的逐渐深入，很多场景不断对目标识别提出更高的要求。

目前，通常的目标识别技术方案是由摄像机捕获待识别图像并传输至服务器，由服务器针对待识别图像进行目标识别。然而，由于布置的摄像机在采集图像数据时，无法确保获取的图像质量，导致无法准确识别目标对象，更无法判断当前目标对象的嫌疑度。

申请内容

鉴于以上所述现有技术的缺点，本申请提供一种目标嫌疑度识别方法、系统、设备及介质，以解决上述技术问题。

本申请提供的一种目标嫌疑度识别方法，所述方法包括:

获取包含嫌疑目标的嫌疑图像；

根据所述嫌疑图像与目标图像之间相似度，得到所述嫌疑图像的非可信点位；

基于所述非可信点位计算所述嫌疑目标的嫌疑分数，所述嫌疑目标的所述嫌疑分数至少包括在行进方向的第一嫌疑分数、在时空可达性的第二嫌疑分数以及在相似度的第三嫌疑分数；

对所述第一嫌疑分数、所述第二嫌疑分数以及第三嫌疑分数进行加权融合，确定最终的嫌疑分数，并作为识别的目标嫌疑度。

在一种可能的实施方式中，获取包含嫌疑目标的嫌疑图像，包括：

获取提供目标图像的第一节点设备经纬度；

根据所述第一节点设备经纬度获取所述第一节点设备在预设距离范围内嫌疑目标的嫌疑图像；或/和，获取提供嫌疑图像的第二节点设备经纬度；

根据所述第二节点设备经纬度确定嫌疑图像的位置点位，以所述嫌疑图像的位置点位在预设距离范围内获取嫌疑目标新的嫌疑图像。

在一种可能的实施方式中，基于所述非可信点位计算所述嫌疑目标的嫌疑分数，所述嫌疑目标的所述嫌疑分数包括在行进方向的第一嫌疑分数，包括：

获取当前目标图像的经纬度与第一可信点位的经纬度的第一距离值，所述第一可信点位位于当前目标图像对应点位的上一可信点位；

获取当前目标图像的经纬度与第二可信点位的经纬度的第二距离值，所述第二可信点位位于第一可信点位的上一可信点位；

根据所述第一距离值与第二距离值之间的距离差判断当前目标对象的行进方向；

若所述距离差大于预设的距离阈值，则嫌疑目标与目标图像的目标行进方向一致，确定所述嫌疑目标在行进方向的第一嫌疑分数的分值；

若所述距离差不大于预设的距离阈值，则嫌疑目标与目标图像的目标行进方向不一致，确定所述嫌疑目标在行进方向的第一嫌疑分数的分值。

在一种可能的实施方式中，基于所述非可信点位计算所述嫌疑目标的嫌疑分数，所述嫌疑目标的所述嫌疑分数包括在时空可达性的第二嫌疑分数，包括：

对所述嫌疑目标人车关联进行检测；

若存在人车关联，则根据车辆最大速度阈值判断当前嫌疑目标的时空可达性，确定所述嫌疑目标在时空可达性的第二嫌疑分数的分值；

若不存在人车关联，则根据行人最大速度阈值判断当前嫌疑目标的时空可达性，确定所述嫌疑目标在时空可达性的第二嫌疑分数的分值。

在一种可能的实施方式中，基于所述非可信点位计算所述嫌疑目标的在时空可达性的第二嫌疑分数，包括：

对所述嫌疑目标人车关联进行检测；

若存在人车关联，则根据车辆最大速度阈值判断当前嫌疑目标的时空可达性，确定所述嫌疑目标在时空可达性的第二嫌疑分数的分值；

若不存在人车关联，则根据行人最大速度阈值判断当前嫌疑目标的时空可达性，确定所述嫌疑目标在时空可达性的第二嫌疑分数的分值。

在一种可能的实施方式中，获取包含嫌疑目标的嫌疑图像之后，还包括：

根据所述嫌疑图像与目标图像之间相似度，得到所述嫌疑图像为可信点位，则确定所述嫌疑图像的嫌疑目标为目标图像的目标对象，得到当前嫌疑目标的嫌疑度为100％，并根据所述嫌疑图像的位置点位更新当前目标图像的位置点位；其中，其中，所述可信点位为嫌疑图像所对应的相似度达到预设可信度阈值后的位置点位。

在一种可能的实施方式中，基于所述非可信点位计算所述嫌疑目标的嫌疑分数，所述嫌疑目标的所述嫌疑分数包括在相似度的第三嫌疑分数，包括：

计算所述相似度权重系数和可信度阈值之间比值，以所述比值与所述嫌疑图像与目标图像之间相似度确定嫌疑目标在相似度的第三嫌疑分数。

在一种可能的实施方式中，识别的目标嫌疑度之后，还包括：

获取嫌疑目标的经纬度；

根据所述嫌疑目标经纬度形成监控区域，对所述监控区域内节点设备进行排序，生成所述监控区域所在地图场所的排序结果，利用所述排序结果的顺序对节点设备采集的嫌疑目标进行筛选。

本申请还提供了一种目标嫌疑度识别系统，所述系统包括：

获取模块，用于获取包含嫌疑目标的嫌疑图像；

点位确定模块，用于根据所述嫌疑图像与目标图像之间相似度，得到所述嫌疑图像的非可信点位；

计算模块，基于所述非可信点位计算所述嫌疑目标的嫌疑分数，所述嫌疑目标的所述嫌疑分数至少包括在行进方向的第一嫌疑分数、在时空可达性的第二嫌疑分数以及在相似度的第三嫌疑分数；

嫌疑度识别模块，用于对所述第一嫌疑分数、所述第二嫌疑分数以及第三嫌疑分数进行加权融合，确定最终的嫌疑分数，并作为识别的目标嫌疑度。

本申请还提供了一种电子设备，包括处理器、存储器和通信总线；

所述通信总线用于将所述处理器和存储器连接；

所述处理器用于执行所述存储器中存储的计算机程序，以实现如上述中任一项实施例所述的方法。

本申请还提供了一种计算机可读存储介质，其上存储有计算机程序，

所述计算机程序用于使计算机执行如上述任一项实施例所述的方法。

本申请的有益效果：本申请提出的一种目标嫌疑度识别方法、系统、设备及介质，该方法通过获取嫌疑目标分别在行进方向的第一嫌疑分数、在时空可达性的第二嫌疑分数、在相似度的第三嫌疑分数；对所述第一嫌疑分数、所述第二嫌疑分数以及第三嫌疑分数进行加权融合，确定最终的嫌疑分数，从行进方向、时空可达性以及相似度多个维度进行量化计算确定嫌疑目标的嫌疑度，提高了嫌疑度的识别准确率，有效排除了嫌疑目标。

附图说明

图1是本申请一实施例中提供的目标嫌疑度识别方法的一种流程示意图；

图2是本申请一实施例中提供的目标嫌疑度识别方法的另一种流程示意图；

图3是本申请一实施例中提供的目标嫌疑度识别方法的另一种流程示意图；

图4是本申请一实施例中提供的目标嫌疑度识别方法的另一种流程示意图；

图5是本申请一实施例中提供的目标嫌疑度识别方法的完整流程示意图；

图6是本申请一实施例中提供的目标嫌疑度识别系统框架图；

图7是本申请一实施例提供的一种电子设备的结构示意图。

具体实施方式

以下通过特定的具体实例说明本申请的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本申请的其他优点与功效。本申请还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本申请的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

需要说明的是，以下实施例中所提供的图示仅以示意方式说明本申请的基本构想，遂图式中仅显示与本申请中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

在下文描述中，探讨了大量细节，以提供对本申请实施例的更透彻的解释，然而，对本领域技术人员来说，可以在没有这些具体细节的情况下实施本申请的实施例是显而易见的，在其他实施例中，以方框图的形式而不是以细节的形式来示出公知的结构和设备，以避免使本申请的实施例难以理解。

在相关技术中，视频监控的应用场景越来越多，但是由于算力的成本太高，所以，目前只能通过识别抓拍或识别图像中的部分帧的数据，来进行数据的解析，图像抓拍有很多抓拍的质量并不好，或者是目标检测的算法未识别到最清晰的帧数时，需要一个预测的逻辑在实际应用里，以帮助图像相似度不高的位置点位进行辅助判断和嫌疑度推测，从而，准确识别嫌疑目标的嫌疑度。

如图1所示，本实施例提供了一种目标嫌疑度识别方法，该方法包括：

步骤S101，获取包含嫌疑目标的嫌疑图像；

其中，通过节点设备获取携带或包含嫌疑目标的嫌疑图像，该节点设备通过摄像头等图像采集装置获得，图像采集装置可以设置在电子设备的本体上，也可以设置在于电子设备通信连接的其他设备上。本实施方式不做限制。

嫌疑目标为疑似目标，且嫌疑目标至少为一个，该目标包括但不限于人、人体、车辆、动物、植物等其他物体。另外，采集的嫌疑图像可以为二维图像或三维图像，在此不做限定。

需要说明的是，通过截取监控视频的图像帧，获取图像，计算所截取的图像中每个像素的灰度值，生成灰度图像颜色表，获得灰度图像，运用空间域中的线性平滑以及非线性滤波的中值滤波进行灰度图像压缩和降噪，根据压缩和降噪后的灰度图像，利用多目标聚类提取目标信息，例如，可以根据所述嫌疑目标所对应的特征信息及目标信息，得到一个或多个嫌疑目标。

一个具体实施例中，将监控视频传入软件客户端，根据计算机视觉处理技术对CPU端视频进行图像截取与(图像预处理，如图像灰度化、降噪、图像压缩编码等，既能压缩图像体积，减少存储空间，得到的图像又有利于对于目标特征的提取)预处理；得到疑似目标的嫌疑图像。

步骤S102，根据所述嫌疑图像与目标图像之间相似度，得到所述嫌疑图像的非可信点位；

其中，可信点位为嫌疑图像与目标图像之间相似度达到预设的可信度阈值的位置点位，即，通过该位置点位确定嫌疑目标在嫌疑图像的位置信息，有助于用户获悉该嫌疑目标的位置信息，例如，若嫌疑图像与目标图像之间相似度达到预设的可信度阈值，则将该嫌疑图像的位置点位当做可信点位，或，反之，若嫌疑图像与目标图像之间相似度达不到预设的可信度阈值，将嫌疑图像中嫌疑目标的位置点位当做非可信点位。

具体地，通过以下任意之一方式确定嫌疑图像与目标图像之间相似度；欧式距离、余弦距离、平均哈希算法、感知哈希算法、差异哈希算法等。

步骤S103，基于所述非可信点位计算所述嫌疑目标的嫌疑分数，所述嫌疑目标的所述嫌疑分数至少包括在行进方向的第一嫌疑分数、在时空可达性的第二嫌疑分数以及在相似度的第三嫌疑分数；

具体地，若嫌疑图像与目标图像之间相似度未达到预设的可信度阈值，则确定所述嫌疑图像的位置点位为非可信点位，通过确定嫌疑目标分别在行进方向的第一嫌疑分数、在时空可达性的第二嫌疑分数、以及在相似度的第三嫌疑分数。在一些实施例中，可以先获取嫌疑目标在行进方向的第一嫌疑分数，再获取嫌疑目标在时空可达性的第二嫌疑分数；或者，分别获取嫌疑目标在行进方向的第一嫌疑分数与时空可达性的第二嫌疑分数。

步骤S104，对所述第一嫌疑分数、所述第二嫌疑分数以及第三嫌疑分数进行加权融合，确定最终的嫌疑分数，并作为识别的目标嫌疑度。

通过对嫌疑图像与目标图像之间相似度的第三嫌疑分数、时空可达性对应的第二嫌疑分数、以及行进方向对应的第一嫌疑分数进行求和运算，例如，通过加权求和方式进行计算，其中，第一嫌疑分数S1、所述第二嫌疑分S2数以及第三嫌疑分数S3分别对应的权重系数A1、A2、A3，权重系数A1、权重系数A2与权重系数A3之和等于1，例如，采用以下表达式S1*A1+S2*A2+S4*A3进行加权计算，得到最终的嫌疑度分数，确定当前嫌疑图像嫌疑目标的嫌疑度。

通过上述方式，从行进方向、时空可达性以及相似度多个维度进行量化计算确定嫌疑目标的嫌疑度，提高了嫌疑度的识别准确率，有效排除嫌疑目标。

在一些实施例中，若目标图像中存在不止一个目标时，即，目标图像中存在多个目标，可以先提取嫌疑图像中涉及的多个嫌疑目标，对各个嫌疑目标的特定特征进行识别，确定各嫌疑目标的类型，通过逐一筛选确定各个嫌疑目标的匹配度，依照匹配度高低进行排序，从而缩小嫌疑目标的排查范围，提高嫌疑目标的识别效率。

请参阅图2，本申请一实施例中提供的目标嫌疑度识别方法的另一种流程示意图，与上述实施例的区别之处在于，详述如下：

其中，步骤S201与步骤S101相同，在此不再赘述。

步骤S202，根据所述嫌疑图像与目标图像之间相似度，得到所述嫌疑图像为可信点位；

具体地，通过将所述嫌疑图像与目标图像之间相似度与可信度阈值比较，若相似度达到(等于或大于)可信度阈值，则确定嫌疑图像当前的位置点位为可信点位。

步骤S203，则确定所述嫌疑图像的嫌疑目标为目标图像的目标对象，得到当前嫌疑目标的嫌疑度为100％，并根据所述嫌疑图像的位置点位更新当前目标图像的位置点位；其中，所述可信点位为嫌疑图像所对应的相似度达到预设可信度阈值后的位置点位。

具体地，确定当前嫌疑目标即为目标图像的目标对象，而此时，该嫌疑目标为100％，当作识别的嫌疑度。

若所述嫌疑图像的位置点位为可信点位，则确定所述嫌疑图像的嫌疑目标为目标图像的目标对象，其中，并根据所述嫌疑图像的位置点位更新当前目标图像的位置点位；所述可信点位为嫌疑图像的达到预设可信度阈值的位置点位。

若嫌疑图像与目标图像之间相似度达到预设的可信度阈值，则确定所述嫌疑图像的点位为可信点位，代表嫌疑图像中嫌疑对象与目标图像中目标一致，当前嫌疑图像中嫌疑目标嫌疑度为100％，并产生嫌疑度告警，提醒工作人员。

另外，当嫌疑图像中嫌疑对象为目标图像中目标时，则当前嫌疑图像中的点位信息即可表达目标最新的点位信息，从而获取到目标最新的点位，有利于工作人员实施监控目标的位置信息，确定其活动轨迹。

通过上述方式，通过获取嫌疑目标分别在行进方向的第一嫌疑分数、在时空可达性的第二嫌疑分数、在相似度的第三嫌疑分数；对所述第一嫌疑分数、所述第二嫌疑分数以及第三嫌疑分数进行加权融合，确定最终的嫌疑分数，从行进方向、时空可达性以及相似度多个维度进行量化计算确定嫌疑目标的嫌疑度，提高了嫌疑度的识别准确率，有效排除了嫌疑目标。

可选的，所述获取包含嫌疑目标的嫌疑图像包括：

获取提供目标图像的第一节点设备经纬度；

根据所述第一节点设备经纬度获取所述第一节点设备在预设距离范围内嫌疑目标的嫌疑图像；或/和，获取提供嫌疑图像的第二节点设备经纬度；

根据所述第二节点设备经纬度确定嫌疑图像的位置点位，以所述嫌疑图像的位置点位在预设距离范围内获取嫌疑目标新的嫌疑图像。

其中，节点设备包括第一节点设备与第二节点设备，例如，第一节点设备与第二节点设备可相互转换。

在另一些实施例中，初始时，在提供目标图像的第一节点设备经纬度对应的预设距离范围内筛选嫌疑目标，生成嫌疑图像；若嫌疑图像中嫌疑对象确定为目标图像中目标对象后，当前嫌疑图像的嫌疑对象的经纬度肯定发生变更，即，目标对象形成新的点位信息，此时，在新的点位信息的距离范围内采集包含嫌疑目标新的嫌疑图像，即，第一节点设备转换为第二节点设备。

通过上述方式，随着嫌疑目标点位信息的变化，在预设距离范围内，通过节点设备进行采集或拍摄图像，提取图像内特征进行识别，例如，上述图像与目标图像之间的相似度达到相似度阈值后，即可确定为嫌疑图像，相似度阈值远远小于可信度阈值。

在本实施例中，通过可信点位的变更，可以把追踪范围动态的进行移动，在扩展搜索范围的基础上，也不会太大增加搜索工作量，能够更好的追踪可疑(嫌疑或疑似)目标。

请参阅图3，为本申请一实施例中提供的目标嫌疑度识别方法的另一种流程示意图，基于所述非可信点位计算所述嫌疑目标的嫌疑分数，所述嫌疑目标的所述嫌疑分数包括在行进方向的第一嫌疑分数详述如下：

步骤S301，获取当前目标图像的经纬度与第一可信点位的经纬度的第一距离值，所述第一可信点位位于当前目标图像对应点位的上一可信点位；

其中，利用两个点位信息之间的经纬度计算公式来确定第一距离值，第一可信点位所对应的位置点位(包含经纬度信息)。

步骤S302，获取当前目标图像的经纬度与第二可信点位的经纬度的第二距离值，所述第二可信点位位于第一可信点位的上一可信点位；

其中，利用两个点位信息之间的经纬度计算公式来确定第二距离值，第二可信点位所对应的位置点位(包含经纬度信息)。

步骤S303，根据所述第一距离值与第二距离值之间的距离差判断当前目标对象的行进方向；

其中，第一可信点位与第二可信点位都是嫌疑目标所对应的点位信息，根据所述第一距离值与第二距离值的距离差判断当前目标的行进方向。

步骤S304，若所述距离差大于预设的距离阈值，则嫌疑目标与目标图像的目标行进方向一致，确定所述嫌疑目标在行进方向的第一嫌疑分数的分值；

其中，预设的距离阈值在此设为零，可按照需求进行设置。根据行进方向的权重系数确定第一嫌疑分值，若嫌疑目标与目标图像的目标行进方向一致，则以行进方向的权重系数为第一嫌疑分值，如，0.15分。

步骤S305，若所述距离差不大于预设的距离阈值，则嫌疑目标与目标图像的目标行进方向不一致，确定所述嫌疑目标在行进方向的第一嫌疑分数的分值。

其中，若嫌疑目标与目标图像的目标行进方向不一致，则第一嫌疑分值为0分。

通过上述方式，确定目标对象的行进方向，便于和嫌疑目标进行比较，这样，可以计算嫌疑目标在行进方向所对应的第一嫌疑分数。

请参阅图4，为本申请一实施例中提供的目标嫌疑度识别方法的另一种流程示意图，基于所述非可信点位计算所述嫌疑目标的嫌疑分数，所述嫌疑目标的所述嫌疑分数包括在时空可达性的第二嫌疑分数，详述如下：

步骤S401，对所述嫌疑目标人车关联进行检测；

例如，通过嫌疑图像中多个嫌疑目标是否在行驶车辆内判断是否人车关联，若嫌疑目标在当前嫌疑图像车辆内，则必定存在人车关联；若嫌疑目标在车辆外，根据嫌疑目标与当前车辆的归属关系，比如，当前车辆是归属于当前嫌疑目标或嫌疑群体(利用人脸图像与车牌号查询归属关系)，且存在预乘车场景时(在车辆附近或向车辆所在方向靠近)，可以判断嫌疑目标存在人车关联。

步骤S402，若存在人车关联，则根据车辆最大速度阈值判断当前嫌疑目标的时空可达性，确定所述嫌疑目标在时空可达性的第二嫌疑分数的分值；

例如，按照预先设置的车辆的最大行驶速度，判断当前嫌疑目标是否可以乘车或开车到达当前所在位置信息，即，确定时空可达性，若嫌疑目标满足时空可达性，按照预设时空可达性权重系数所对应时空可达性的第二嫌嫌疑分数为0.15分，否则，时空可达性的第二嫌嫌疑分数为0分。

步骤S403，若不存在人车关联，则根据行人最大速度阈值判断当前嫌疑目标的时空可达性，确定所述嫌疑目标在时空可达性的第二嫌疑分数的分值。

例如，按照预先设置的行人的最大步行速度，判断当前嫌疑目标是否步行到达当前所在位置信息，即，确定时空可达性，若嫌疑目标满足时空可达性，按照预设时空可达性权重系数所对应时空可达性的第二嫌嫌疑分数为0.15分，否则，得到时空可达性的第二嫌嫌疑分数为0分。

通过上述方式，判断嫌疑对象的时空可达性，通过时空可达性计算嫌疑目标在时空可达性所对应的第二嫌疑分数，便于甄别该嫌疑目标的真伪。

在另一些实施例中，基于所述非可信点位计算所述嫌疑目标的嫌疑分数，所述嫌疑目标的所述嫌疑分数包括在相似度的第三嫌疑分数，详述如下：

计算所述相似度权重系数和可信度阈值之间比值，以所述比值与所述嫌疑图像与目标图像之间相似度确定嫌疑目标在相似度的第三嫌疑分数。

将所述相似度权重和可信度阈值之间进行除法运算得到比值，以所述比值与所述嫌疑图像与目标图像之间相似度的乘积确定相似度嫌疑分数，通过上述方式，可确定在当前嫌疑图像位置点位为非可信点位时，当前嫌疑对象与目标对象在相似度的第三嫌疑分数。

通过上述方式，从行进方向、时空可达性以及相似度多个维度进行量化计算嫌疑分数，得到最终的嫌疑度分数，确定嫌疑目标的嫌疑度。

可选的，还包括：

获取嫌疑目标的经纬度；

根据所述嫌疑目标经纬度形成监控区域，对所述监控区域内节点设备进行排序，生成所述监控区域所在地图场所的排序结果，利用所述排序结果的顺序对节点设备采集的嫌疑目标进行筛选(即，排查)。

例如，将选取的摄像头(视频监控装置)标记在地图上，并调取该区域内的城市地图与城市监控网络，依据GPS定位信息及城市道路拓扑结构，建立具有监控覆盖网络的城市道路地图，由人群密集度、道路信息、GPS精确定位、城市监控网络及二维城市道路拓扑结构，进行混合平面建模，并对节点设备进行等级排行。

又例如，通过确定节点设备顺序，确定监控排查顺序，如可将商场、十字交叉路口等人流量、车流量较大地区的监控划分为A级，照明设施较差、地形及路况复杂等偏僻地区的监控划分为B级，交通堵塞、有交警排查口等地区的监控划分为C级；则按照A级到B级到C级的顺序进行监控排查；分别建立A级、B级、C级监控网络，根据预估的目标活动范围，在A级监控网络确定目标在周围各个监控设备出现的概率，若在概率较大的节点设备均未搜寻到目标，则进入B级监控网络，依次类推。

另一个具体实施例中，对监控进行等级分化可提高搜索速度，评分依据主要为人群密集度、道路交叉、监控邻近等要素，如根据道路交叉信息分类为，某监控位于多条道路的交叉节点，评级为A，某监控位于十字路口，评级为B，某监控位于直行道，评级为C，其余分类依据类似；

通过调取的视频监控位置，调取该区域范围的城市地图；对城市地图进行预处理，提取地图为二维弧段及节点，创建相应的道路名称及通路等级信息；结合城市监控网络的GPS定位及城市道路属性，将各节点设备匹配放置入地图道路中；根据道路拓扑结构及(结合GPS导航实时交通情况，即车流量，与地段特点，如商铺、交叉路口等计算人群密度)人群密度，对节点设备进行等级排行赋予权值，依权值从大到小排序；可建立可视化模型，精准定位目标，可调取区域电子地图，如：google地图、百度地图等拥有经纬度坐标且具有道路信息的卫星地图，将地图投影成二维平面，道路提取为弧段，打断道路节点，构成网状结构，对弧段和节点进行唯一编号，再将警方提供的监控定位导入电子地图中，即可建立道路与监控网络相结合的平面模型。

通过上述具体的实施例，获取嫌疑目标所在监控视频对应的视频监控装置的位置，调取所述位置的一定区域范围内的城市地图，根据所述一定区域范围内的城市地图，对该一定区域范围内的节点设备进行排序，得到节点设备排序结果及节点设备网络；根据节点设备排序结果，对嫌疑目标进行排查，根据所述节点设备网络获取所述嫌疑目标的最终行进路线；提高了追踪效率。

请参阅图5，为本申请一实施例中提供的目标嫌疑度识别方法的完整流程示意图，是基于轨迹趋向和时空可达性对周边人员进行嫌疑度识别方案，详述如下：

步骤一：选定嫌疑图像，解析嫌疑图像特征，初始时，根据提供目标图像的节点设备经纬度计算周边500米内的节点设备采集的图像，采集完周边节点设备后，将周边节点设备添加入单独的解析任务中，周边节点设备中已经存在解析任务的不再额外新增，同时，配置行人和车辆的最大速度，便于后续计算时空可达性。

例如，先使用第一节点设备获取目标图像，再使用第二节点设备获取嫌疑图像。

步骤二：周边节点设备产生的目标图像与嫌疑图像确认相似度是否高于可信度阈值80％，(80％可配置，以80％进行举例，为可信度阈值)，如果高于可信度阈值80％，则认为该目标图像目标对象与嫌疑图像嫌疑对象一致，则嫌疑度为100％，进行嫌疑度告警，并将新的图像点位设置为可信点位，同时进行新的可信点位周边500米的点位解析；如果图像相似度不高于80％，则进行嫌疑分计算。计算方式为可信度权重系数除以可信度阈值再乘以两个图像之间的相似度(权重/可信阈值*相似度)，本实施例中可信度权重系数以70％进行说明，可信度权重系数可根据实际需求进行调整。

步骤三：图像相似度未达可信度阈值，计算完成嫌疑度后，则计算目标行进方向，计算规则为：当前图像(嫌疑图像)的经纬度和上上一个可信点位的经纬度的直线距离减去当前图像的经纬度和上一个可信点位的经纬度的直线距离是否大于0，如果大于0，则认为嫌疑目标与目标对象的行进方向一致，若行进方向一致，则嫌疑分加0.15分，若行进方向不一致，得0分。

步骤四：在完成行进方向计算后，计算嫌疑目标的时空可达性，计算方法为：当前的嫌疑图像和上一个可信点位的距离及当前时间和上一个可信点位出现的时间的时间差，通过可达速度是否小于车辆或行人的最大速度来判断时空可达性，若当前嫌疑图像的点位信息与上一个可信点位的点位信息能够时空可达性，则得分0.15分，否则，得0分。

说明：地图上的两个点的经纬度计算公式为：

其中，Lng1、Lat1分别表示A点经纬度，Lng2、Lat2分别表示B点经纬度；a＝Lat1-Lat2为两点纬度之差，b＝Lng1-Lng2为两点经度之差；6378.137为地球赤道半径，单位为千米。

在上述步骤一中：用户通过选定指定的嫌疑图像，来确定嫌疑目标，包括人脸、人体、机动车、非机动车等对象。选定嫌疑图像后，通过解析算法得到对应的特征，并根据嫌疑图像所在节点设备的经纬度来计算周边500米的节点设备有哪些，然后，对该周边节点设备列表进行解析任务的添加。添加解析任务的时候，如果该周边节点设备列表，已经有一部分的设备列表在解析任务中，则不对此类设备进行解析任务的处理。

在上述步骤二中：步骤2.1：周边节点设备采集到的所有的数据，都将与嫌疑图像的嫌疑对象的特征进行比对，如果比对的相似度高于可信度阈值。则该目标图像认为是可信图像，可信图像的嫌疑度为100％。然后，直接进行嫌疑人的报警。

步骤2.2：如果新的目标图像和嫌疑图像的相似度小于可信度阈值，则进行相似度嫌疑分数计算，计算方法为：相似度权重系数X/可信度阈值Y*相似度Z，相似度嫌疑分数N＝X÷Y×Z，以目标图像和嫌疑图像的相似度为75％举例：(0.7/80％*75)＝0.65625，

在上述步骤三中：步骤3.1：待计算相似度嫌疑分数后，则进行行进方向的判断，计算规则为：当前目标图像的经纬度和上上一个可信点位的经纬度计算的直线距离减去当前目标图像的经纬度和上一个可信点位的经纬度计算的直线距离是否大于0，如果大于0，则认为行进方向一致，若行进方向一致，则嫌疑分加0.15分，若行进方向不一致，得0分。

步骤3.2：计算距离的规则为：利用经纬度计算公式来计算两点的直线距离。

在上述步骤四中：步骤4.1：计算完成步骤三后，需要进行时空可达性的判断，主要根据计算出来的速度来进行判断，例如，若当前嫌疑对象存在人车关联，那么计算出来的速度可以是0到汽车的最大速度阈值(人工配置：根据实际的路况进行配置)；例如，若当前嫌疑对象不存在人车关联，那么速度只能是0到人的最大速度阈值(0-10公里每小时)。

步骤4.2：如果速度在设置的速度范围内，则认为时空可达，嫌疑度为0.15，如果不在速度单位内，则认为时空不可达，嫌疑度为0。

步骤4.3：速度的计算公式为：

V＝S÷(T1-T2)

其中，S是根据两个点的经纬度算出来的距离长度，T1是最新目标图像的抓拍时间，T2是上一个可信位置的目标出现的最后时间。

通过上述方式，启动周边500米的节点设备进行解析、时空可达、行进方向及相似度方面的加权计算嫌疑度；通过在多个维度进行加权计算嫌疑度，极大的增加数据的可用性和易用性。利用动态的追踪附近500米的摄像头数据，从多个维度的给出嫌疑分数，方便用户更好的甄别想要的数据；还有，通过可信点位的变更，可以把追踪范围动态的进行移动，更好的追踪可疑目标。

下面，通过一个具体的实施例对上述实施例中的数据传输方法进行进一步的示例性说明。

在本实施例中，使用一套业务系统，行人的最大步行速度为5米每秒，车辆的最大行驶速度为25米每秒，例如，相似度权重值为0.7，可信度阈值为0.8，时空可达性与行进方向的权重系数分别为0.15，若嫌疑目标与目标行进方向相同(即，一致)，目标图像与可信图像的距离为1000米，时间间隔为100秒，目标图像与包含嫌疑目标的嫌疑图像之间相似度为0.75，当前嫌疑目标也不存在人车关联数据，详述如下：

由于目标图像与嫌疑图像之间的相似度为0.75，未达到可信度阈值为0.8，当前的嫌疑目标在相似度方面所对应的嫌疑分数为0.7/0.8*0.75＝0.65625，同时，在计算行进方向方面，嫌疑目标与目标行进方向一致，行进方向对应的嫌疑分数根据权重系数可知为0.15；相反，若嫌疑目标与目标行进方向不一致，在行进方向对应的嫌疑分数为0。

另外，在计算时空可达性方面，时空可达性为(1000米除以100秒)10米每秒，其中，当前嫌疑目标不存在人车关联数据，故，以行人最大步行速度5米每秒来判断，根本无法达到，因此，时空不可达，在时空可达性的嫌疑分数为0；相反，若嫌疑目标存在人车关联数据，由于嫌疑目标10米每秒的速度小于车辆的最大行驶速度，则在时空可达性的嫌疑分数为0.15；总的来说，只有能够达到时空可达性，在时空可达性的嫌疑分数就为0.15。

总的来说，若嫌疑目标与目标在行进方向同向，且无法达到时空可达性，则嫌疑图像中嫌疑目标的嫌疑分数为0.80625；若嫌疑目标与目标在行进方向不同向，且无法达到时空可达性，则嫌疑图像中嫌疑目标的嫌疑分数为0.65625；若嫌疑目标与目标在行进方向不同向，且达到时空可达性，则嫌疑图像中嫌疑目标的嫌疑分数为0.80625；若嫌疑目标与目标在行进方向同向，且达到时空可达性，则嫌疑图像中嫌疑目标的嫌疑分数为0.95625。

上述实施例提供的目标嫌疑度识别方法，通过获取嫌疑目标分别在行进方向的第一嫌疑分数、在时空可达性的第二嫌疑分数、在相似度的第三嫌疑分数；对所述第一嫌疑分数、所述第二嫌疑分数以及第三嫌疑分数进行加权融合，确定最终的嫌疑分数，从行进方向、时空可达性以及相似度多个维度进行量化计算确定嫌疑目标的嫌疑度，提高了嫌疑度的识别准确率，有效排除了嫌疑目标。

请参阅图6，本实施例提供了一种目标嫌疑度识别系统600，该系统包括：

获取模块601，用于获取包含嫌疑目标的嫌疑图像；

点位确定模块602，用于根据所述嫌疑图像与目标图像之间相似度，得到所述嫌疑图像的非可信点位；

计算模块603，基于所述非可信点位计算所述嫌疑目标的嫌疑分数，所述嫌疑目标的所述嫌疑分数至少包括在行进方向的第一嫌疑分数、在时空可达性的第二嫌疑分数以及在相似度的第三嫌疑分数；

嫌疑度识别模块604，用于对所述第一嫌疑分数、所述第二嫌疑分数以及第三嫌疑分数进行加权融合，确定最终的嫌疑分数，并作为识别的目标嫌疑度。

在上述实施例基础上，还包括：

第一嫌疑度确定模块605，用于根据所述嫌疑图像与目标图像之间相似度，得到所述嫌疑图像为可信点位，则确定所述嫌疑图像的嫌疑目标为目标图像的目标对象，并根据所述嫌疑图像的位置点位更新当前目标图像的位置点位；其中，所述可信点位为嫌疑图像所对应的相似度达到预设可信度阈值后的位置点位。

在本实施例中，该系统实质上是设置了多个模块用以执行上述实施例中的方法，具体功能和技术效果参照上述方法实施例即可，此处不再赘述。

参见图7，本申请实施例还提供了一种电子设备700，包括处理器701、存储器702和通信总线703；

通信总线703用于将处理器701和存储器连接702；

处理器701用于执行存储器702中存储的计算机程序，以实现如上述实施例一中的一个或多个的方法。

本申请实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，

计算机程序用于使计算机执行如上述实施例一中的任一项的方法。

本申请实施例还提供了一种非易失性可读存储介质，该存储介质中存储有一个或多个模块(programs)，该一个或多个模块被应用在设备时，可以使得该设备执行本申请实施例的实施例一所包含步骤的指令(instructions)。

需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

上述实施例仅例示性说明本申请的原理及其功效，而非用于限制本申请。任何熟悉此技术的人士皆可在不违背本申请的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本申请所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本申请的权利要求所涵盖。