阅读说明：本技术 一种基于深度学习的案件研判方法及装置 (Case studying and judging method and device based on deep learning ) 是由 罗茜 张斯尧 谢喜林 王思远 黄晋 蒋杰 张�诚 于 2019-09-24 设计创作，主要内容包括：本发明提供了一种基于深度学习的案件研判方法及装置,该方法包括：抽取警综系统和执法办案系统中的案件信息；将案件信息中的视频图像输入人脸特征解析模块和视频图像结构化模块,分别生成人脸特征向量和涉案目标的结构化特征向量；将案件信息中的文字信息输入自然语言处理模块,得到语料的词向量；分别将所述人脸特征向量、涉案目标的结构化特征向量、语料的词向量与数据库中的历史案件信息的相应的特征向量比对,确定所述警综系统和执法办案系统中案件信息与所述数据库中的历史案件信息之间的总特征向量的相似度,并对所述总特征向量的相似度进行排序,根据排序对相关案件进行串并处理,从而可提高案件研判的效率。(The invention provides a case studying and judging method and device based on deep learning, wherein the method comprises the following steps: extracting case information in the police comprehensive system and the law enforcement case handling system; inputting the video image in the case information into a face feature analysis module and a video image structuring module, and respectively generating a face feature vector and a structuring feature vector of the case-involved target; inputting the text information in the case information into a natural language processing module to obtain word vectors of the linguistic data; and respectively comparing the face feature vector, the structural feature vector of the case-involved target and the word vector of the corpus with corresponding feature vectors of historical case information in a database, determining the similarity of total feature vectors between the case information in the comprehensive police system and the law enforcement case handling system and the historical case information in the database, sequencing the similarity of the total feature vectors, and performing serial-parallel processing on related cases according to the sequencing, thereby improving the case studying and judging efficiency.)

一种基于深度学习的案件研判方法及装置

技术领域

本发明属于计算机视觉与智慧交通技术领域，具体是涉及到一种基于深度学习的案件研判方法、装置、终端设备及计算机可读介质。

背景技术

当前，视频监控系统已经成为治安防控、侦查破案的重要手段。但是面对海量的视频信息、非结构化的数据形式和内容的多义性，在案发后人工调阅方式耗时耗力，严重影响案件侦查效率。在侦查中还需将犯罪活动的相关情报进行总结并进行关联性挖掘以发现其规律有助于串并案件。然而目前在案件研判过程中对海量案件信息的相互关联性、规律性不能有效快速解读，情报研判分析相当繁琐。

因此，有效分析、组织和管理案件信息，采用基于内容的智能应用系统取代人工方式，已成为警务信息化工作的研究重点。

发明内容

有鉴于此，本发明实施例提供一种基于深度学习的案件研判方法、装置、终端设备及计算机可读介质，能够提高案件研判的效率。

本发明实施例的第一方面提供了一种案件研判方法，包括：

抽取警综系统和执法办案系统中的案件信息；

将案件信息中的视频图像输入人脸特征解析模块和视频图像结构化模块，分别生成人脸特征向量和涉案目标的结构化特征向量；

将案件信息中的文字信息输入自然语言处理模块，得到语料的词向量；

分别将所述人脸特征向量、涉案目标的结构化特征向量、语料的词向量与数据库中的历史案件信息的相应的特征向量比对，确定所述警综系统和执法办案系统中案件信息与所述数据库中的历史案件信息之间的总特征向量的相似度，并对所述总特征向量的相似度进行排序，将排序靠前的所述总特征向量的相似度对应的警综系统和执法办案系统中的案件与所述数据库中的案件进行串并处理；其中，所述总特征向量的相似度包含所述警综系统和执法办案系统中案件信息与所述数据库中的历史案件信息之间的人脸特征向量相似度、涉案目标的结构化特征向量相似度和语料的词向量相似度。

本发明实施例的第二方面提供了一种基于深度学习的案件研判装置，包括：

采集模块，用于抽取警综系统和执法办案系统中的案件信息；

第一生成模块，用于将案件信息中的视频图像输入人脸特征解析模块和视频图像结构化模块，分别生成人脸特征向量和涉案目标的结构化特征向量；

第二生成模块，用于将案件信息中的文字信息输入自然语言处理模块，得到语料的词向量；

串并模块，用于分别将所述人脸特征向量、涉案目标的结构化特征向量、语料的词向量与数据库中的历史案件信息的相应的特征向量比对，确定所述警综系统和执法办案系统中案件信息与所述数据库中的历史案件信息之间的总特征向量的相似度，并根据所述总特征向量的相似度进行排序，将排序靠前的案件进行串并处理；其中，所述总特征向量的相似度包含所述警综系统和执法办案系统中案件信息与所述数据库中的历史案件信息之间的人脸特征向量相似度、涉案目标的结构化特征向量相似度和语料的词向量相似度。

本发明实施例的第三方面提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述基于深度学习的案件研判方法的步骤。

本发明实施例的第六方面提供了一种计算机可读介质，所述计算机可读介质存储有计算机程序，所述计算机程序被处理执行时实现上述基于深度学习的案件研判方法的步骤。

本发明实施例提供的低照度图像增强方法中，可抽取警综系统和执法办案系统中的案件信息，将案件信息中的视频图像输入人脸特征解析模块和视频图像结构化模块，分别生成人脸特征向量、涉案目标的结构化特征向量，将案件信息中的文字信息输入自然语言处理模块，得到语料的词向量，分别将人脸特征向量、涉案目标的结构化特征向量、语料的词向量与数据库中的历史案件信息特征向量比对，确定特征向量的相似度，并按照相似度排序，列出相似度排序靠前的案件，以对案件进行串并处理，从而可提高案件研判的效率。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的一种基于深度学习的案件研判方法的流程图；

图2是本发明实施例提供的一种基于深度学习的案件研判装置的结构示意图；

图3是图2中的第二生成模块的细化结构示意图；

图4是图2中的串并模块的细化结构示意图；

图5是本发明实施例提供的终端设备的示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。

为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。

请参阅图1，图1是本发明实施例提供的一种基于深度学习的案件研判方法。如图1所示，本实施例的基于深度学习的案件研判方法包括以下步骤：

S101：抽取警综系统和执法办案系统中的案件信息。

具体地，可先从警综系统和执法办案系统中抽取一个或多个案件的案件信息。

S102：将案件信息中的视频图像输入人脸特征解析模块和视频图像结构化模块，分别生成人脸特征向量和涉案目标的结构化特征向量。

在本发明实施例中，将从案件信息中的视频图像中抽出的清晰的人脸图像输入训练好的第一神经网络模型，并将所述案件信息中的视频图像进行浓缩后得到的视频摘要图像输入训练好的第二神经网络模型，然后可由所述第一神经网络模型输出人脸特征向量，并由所述第二神经网络模型输出涉案目标的结构化特征向量。在本发明的另一个实施例中，所述第一神经网络和第二神经网络可以是同一个神经网络，例如，Vgg-16神经网络模型。提取的涉案目标的结构化特征向量为人员、车辆等活动目标的细节特征，例如行人的性别、年龄段、上衣/下衣颜色、上衣/下衣款式、上衣/下衣纹理、姿态、方向、是否背包、拎东西、戴眼镜、打伞、戴帽子、口罩、发型、手推车、拉杠箱、体态等特征；骑车人的性别、年龄段、上身颜色、上衣款式、打伞、是否戴头盔、头盔颜色、口罩、是否挂牌等，以及骑行车辆的类型，例如二轮摩托车、自行车、三轮摩托车等；车辆的号码、品牌、颜色、车牌类型等。

S103：将案件信息中的文字信息输入自然语言处理模块，得到语料的词向量。

在本发明实施例中，自然语言处理模块采用自然语言处理技术，可通过对案件描述语句进行词语分段识别并对其中例如时间、空间、人物、地点、作案手段、作案工具、涉案物品等重要词汇进行归类、提取，从而获取对案件信息的核心特征，掌握案件的关键特征。具体地，可将案件信息中的文字信息输入自然语言处理模块，采用jieba(结巴)分词工具对所述文字信息进行分词，得到语料，用Hownet(知网)工具对所述语料进行训练，生成基于Hownet表示的词向量，并用word2vec(word to vector，词到向量)工具对所述语料进行训练，生成基于word2vec表示的词向量，最后可将所述基于Hownet表示的词向量和基于word2vec表示的词向量进行拼接，生成语料的特征向量。所述将两个词向量进行拼接的方法即将两个词向量相加。采用两个词向量拼接得到的特征向量的方式，将人工知识与现有基于训练的词向量表示方法进行有效的结合，得到的词向量表示高效且具有重要的语言学意义。更具体地，用Hownet工具对所述语料进行训练，生成基于Hownet表示的词向量的具体方法可以为：随机初始化一个义原矩阵，并将其正则化，得到义原正交单位矩阵M：

其中，(β₁,…,β_N)为N组标准正交单位基，每个标准正交单位基表示一个义原向量，则词语的词向量表示为：

其中，β_i为词语对应的义原向量，n为词语对应的义原向量的个数，W_vector为通过义原向量得到的词向量表示；

根据实际需要，将所述词向量表示投影至指定维度D：

W₂＝W_vector·M₁

其中，M₁是维度为(N-1)×D的投影矩阵，W₂是D维的词向量表示；

根据公式W₂＝W_vect_or·M₁，并基于所述语料，得到所述语料中的目标词的上下文中所有词语的词向量表示：

其中，W_c为所述上下文中的各个词语的所述D维的词向量表示，k为上下文词向量数量，W_context是一个1×D的矩阵。

S104：分别将所述人脸特征向量、涉案目标的结构化特征向量、语料的词向量与数据库中的历史案件信息的相应的特征向量比对，确定所述警综系统和执法办案系统中案件信息与所述数据库中的历史案件信息之间的总特征向量的相似度，并对所述总特征向量的相似度进行排序，将排序靠前的所述总特征向量的相似度对应的警综系统和执法办案系统中的案件与所述数据库中的案件进行串并处理。

在本发明实施例中，所述总特征向量的相似度包含所述警综系统和执法办案系统中案件信息与所述数据库中的历史案件信息之间的人脸特征向量相似度、涉案目标的结构化特征向量相似度和语料的词向量相似度；所述历史案件信息也包括所述数据库中的历史案件的人脸特征向量、涉案目标的结构化特征向量、语料的词向量。具体地，可将所述案件信息中的所述人脸特征向量、涉案目标的结构化特征向量、语料的词向量与数据库中的历史案件信息的相应的特征向量进行比对，采用余弦相似度方法分别计算所述警综系统和执法办案系统中案件信息与所述数据库中的历史案件信息之间的人脸特征向量相似度、涉案目标的结构化特征向量相似度和语料的词向量相似度，并将其结果加权求和得到所述警综系统和执法办案系统中案件信息与所述数据库中的历史案件信息的总特征向量的相似度L：

L＝λ₁L₁+λ₂L₂+λ₃L₃

其中，L₁、L₂和L3分别表示人脸特征向量相似度、结构化特征向量相似度和语料词向量相似度，λ₁、λ₂和λ₃表示的L₁、L₂、L3的权重，λ₁＞λ₂＞λ₃且λ₁+λ₂+λ₃＝1。再可根据所述总特征向量的相似度L进行排序，将排序靠前的案件(例如，前10)进行串并处理，即将排序靠前的所述总特征向量的相似度对应的警综系统和执法办案系统中的案件与所述数据库中的案件进行串并处理。串并处理可自动进行，或可由人工确定是否对相关案件进行串并。

在图1提供的基于深度学习的案件研判方法中，采用深度学习的方法生成人脸特征、视频图像结构化特征和词向量特征，融合其特征来研判案件关联性，减少了在海量数据中比对分析的工作量，实现了案件串并分析的自动化和智能化，提高了研判效率；对人脸特征、视频图像结构化特征和词向量特征的相似度值设置不同的权重，能更好的体现案件的相似性。且在词向量特征分析中采用将基于Hownet表示的词向量和基于word2vec表示的词向量拼接的方式，将人工知识与现有基于训练的词向量表示方法进行有效的结合，使词向量的表示更具有重要的语言学意义。

请参阅图2，图2是本发明实施例提供的一种基于深度学习的案件研判装置的结构框图。如图2所示，本实施例的低照度图像增强装置20包括采集模块201、第一生成模块202、第二生成模块203和串并模块204。抽取模块201、第一生成模块202、第二生成模块203和串并模块204分别用于执行图1中的S101、S102、S103和S104中的具体方法，详情可参见图1的相关介绍，在此仅作简单描述：

采集模块201，用于抽取警综系统和执法办案系统中的案件信息。

第一生成模块202，用于将案件信息中的视频图像输入人脸特征解析模块和视频图像结构化模块，分别生成人脸特征向量和涉案目标的结构化特征向量。

第二生成模块203，用于将案件信息中的文字信息输入自然语言处理模块，得到语料的词向量。

串并模块204，用于分别将所述人脸特征向量、涉案目标的结构化特征向量、语料的词向量与数据库中的历史案件信息的相应的特征向量比对，确定所述警综系统和执法办案系统中案件信息与所述数据库中的历史案件信息之间的总特征向量的相似度，并根据所述总特征向量的相似度进行排序，将排序靠前的案件进行串并处理；其中，所述总特征向量的相似度包含所述警综系统和执法办案系统中案件信息与所述数据库中的历史案件信息之间的人脸特征向量相似度、涉案目标的结构化特征向量相似度和语料的词向量相似度。

进一步地，可参见图3，第二生成模块203可具体包括分词单元2031、第一生成单元2032、第二生成单元2033和拼接单元2034：

分词单元2031，用于将案件信息中的文字信息输入自然语言处理模块，采用jieba分词工具对所述文字信息进行分词，得到语料。

第一生成单元2032，用于用Hownet工具对所述语料进行训练，生成基于Hownet表示的词向量。

第二生成单元2033，用word2vec工具对所述语料进行训练，生成基于word2vec表示的词向量。

拼接单元2034，用于将所述基于Hownet表示的词向量和基于word2vec表示的词向量进行拼接，生成语料的特征向量。

进一步地，可参见图4，串并模块204可具体包括计算单元2041和串并单元2042：

计算单元2041，用于采用余弦相似度方法分别计算所述警综系统和执法办案系统中案件信息与所述数据库中的历史案件信息之间的人脸特征向量相似度、涉案目标的结构化特征向量相似度和语料的词向量相似度，并将其结果加权求和得到所述警综系统和执法办案系统中案件信息与所述数据库中的历史案件信息的总特征向量的相似度L：

L＝λ₁L₁+λ₂L₂+λ₃L₃

其中，L₁、L₂和L3分别表示人脸特征向量相似度、结构化特征向量相似度和语料词向量相似度，λ₁、λ₂和λ₃表示的L₁、L₂、L3的权重，λ₁＞λ₂＞λ₃且λ₁+λ₂+λ₃＝1。

串并单元2042，用于对所述总特征向量的相似度L进行排序，将将排序靠前的所述总特征向量的相似度对应的警综系统和执法办案系统中的案件与所述数据库中的案件进行串并处理。

图2提供的基于深度学习的案件研判装置，可采用深度学习的方法生成人脸特征、视频图像结构化特征和词向量特征，融合其特征来研判案件关联性，减少了在海量数据中比对分析的工作量，实现了案件串并分析的自动化和智能化，提高了研判效率；对人脸特征、视频图像结构化特征和词向量特征的相似度值设置不同的权重，能更好的体现案件的相似性。且在词向量特征分析中采用将基于Hownet表示的词向量和基于word2vec表示的词向量拼接的方式，将人工知识与现有基于训练的词向量表示方法进行有效的结合，使词向量的表示更具有重要的语言学意义。。

图5是本发明一实施例提供的终端设备的示意图。如图5所示，该实施例的终端设备5包括：处理器50、存储器51以及存储在所述存储器51中并可在所述处理器50上运行的计算机程序52，例如进行基于深度学习的案件研判的程序。所述处理器50执行所述计算机程序52时实现上述方法实施例中的步骤，例如，图1所示的S101至S104。或者，所述处理器50执行所述计算机程序52时实现上述各装置实施例中各模块/单元的功能，例如图2所示模块201至204的功能。

示例性的，所述计算机程序52可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器51中，并由所述处理器50执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序52在终端设备5中的执行过程。例如，所述计算机程序52可以被分割成采集模块201、第一生成模块202、第二生成模块203和串并模块204。(虚拟装置中的模块)，各模块具体功能如下：

采集模块201，用于抽取警综系统和执法办案系统中的案件信息。

第一生成模块202，用于将案件信息中的视频图像输入人脸特征解析模块和视频图像结构化模块，分别生成人脸特征向量和涉案目标的结构化特征向量。

第二生成模块203，用于将案件信息中的文字信息输入自然语言处理模块，得到语料的词向量。

串并模块204，用于分别将所述人脸特征向量、涉案目标的结构化特征向量、语料的词向量与数据库中的历史案件信息的相应的特征向量比对，确定所述警综系统和执法办案系统中案件信息与所述数据库中的历史案件信息之间的总特征向量的相似度，并根据所述总特征向量的相似度进行排序，将排序靠前的案件进行串并处理；其中，所述总特征向量的相似度包含所述警综系统和执法办案系统中案件信息与所述数据库中的历史案件信息之间的人脸特征向量相似度、涉案目标的结构化特征向量相似度和语料的词向量相似度。

所述终端设备5可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。终端设备5可包括，但不仅限于，处理器50、存储器51。本领域技术人员可以理解，图5仅仅是终端设备5的示例，并不构成对终端设备5的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。

所述处理器50可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器51可以是终端设备5的内部存储单元，例如终端设备5的硬盘或内存。所述存储器51也可以是终端设备5的外部存储设备，例如所述终端设备5上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器51还可以既包括终端设备5的内部存储单元也包括外部存储设备。所述存储器51用于存储所述计算机程序以及终端设备5所需的其他程序和数据。所述存储器51还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。