CN109461106A - 一种多维信息感知处理方法 - Google Patents
一种多维信息感知处理方法 Download PDFInfo
- Publication number
- CN109461106A CN109461106A CN201811186314.XA CN201811186314A CN109461106A CN 109461106 A CN109461106 A CN 109461106A CN 201811186314 A CN201811186314 A CN 201811186314A CN 109461106 A CN109461106 A CN 109461106A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- data
- analysis
- time
- bayonet
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 16
- 230000008447 perception Effects 0.000 title description 7
- 238000004458 analytical method Methods 0.000 claims abstract description 69
- 239000000523 sample Substances 0.000 claims abstract description 36
- 230000000694 effects Effects 0.000 claims abstract description 15
- 238000012544 monitoring process Methods 0.000 claims abstract description 15
- 238000001514 detection method Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000007621 cluster analysis Methods 0.000 claims abstract description 6
- 238000004364 calculation method Methods 0.000 claims description 22
- 238000012216 screening Methods 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000005540 biological transmission Effects 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 8
- 230000027455 binding Effects 0.000 claims description 7
- 238000009739 binding Methods 0.000 claims description 7
- 230000001186 cumulative effect Effects 0.000 claims description 5
- 238000009825 accumulation Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 3
- 238000009434 installation Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 claims 1
- 206010000117 Abnormal behaviour Diseases 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000011835 investigation Methods 0.000 description 3
- 238000000034 method Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 230000009977 dual effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 206010016256 fatigue Diseases 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001235 sensitizing effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012732 spatial analysis Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B5/00—Near-field transmission systems, e.g. inductive or capacitive transmission systems
- H04B5/70—Near-field transmission systems, e.g. inductive or capacitive transmission systems specially adapted for specific purposes
- H04B5/77—Near-field transmission systems, e.g. inductive or capacitive transmission systems specially adapted for specific purposes for interrogation
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/029—Location-based management or tracking services
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Multimedia (AREA)
- Human Resources & Organizations (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种多维信息感知处理方法,包括多维数据采集、多维数据联合处理和处理后数据应用,所述多维数据采集包括卡口过车数据、wifi探针探测数据、多维感知门采集数据、人脸设备拍摄人脸数据、rfid记录数据、电子围栏采集数据等,汇集110警情、警力,案件,人口数据,网吧旅馆,宾馆住宿,智能警务亭,智慧社区等数据;多维数据联合处理包括空间聚类分析和关系图谱分析;处理后数据应用包括:人像预警、伴随人员分析、落脚点分析、徘徊车辆分析、时空交叉分析、同行分析、昼伏夜出分析、作息规律分析、套牌车辆分析、布控分析、犯罪模式分析。
Description
技术领域
本发明属于公共安全领域,具体是一种多维信息感知处理方法。
背景技术
目前车辆卡口、wifi探针、rfid、人像采集等技术领域成熟产品较多,但几乎都局限于比较单一的解决方案。
例如人脸采集,人脸采集服务商只局限于人脸的拍摄,人脸的比对,但是多数缺少和重点人员、高危人员关联,不能应用于实战体系,无法从全局进行布控。
例如卡口过车,一般卡口能够拍摄车辆违章情况,对车辆密度等进行采集分析,但无法进行多卡口联合布控。
例如wifi探针,wifi探针探测数据量非常庞大,目前多数探针提供商只能将探测数据存储,必要时可以根据某一指定mac地址或设备编号做查询,无法真正的深度利用数据并提供给更高端应用,比如:根据wifi探针采集的数据分析人与人之间的同行,分析人员作息规律,分析人与车辆的伴随关系等。
发明内容
为了解决目前一个城市众多数据不能统一汇集,无法利用技术手段通过各种感知数据来分析研判车辆、人员等的行动轨迹,虚拟身份,社会关系,犯罪嫌疑人,高危人群,犯罪团伙等问题。本发明提供了一种多维信息感知处理方法,包括多维数据采集、多维数据联合处理和处理后数据应用,所述多维数据采集包括卡口过车数据、wifi探针探测数据、多维感知门采集数据、人脸设备拍摄人脸数据、rfid记录数据、电子围栏采集数据等,汇集110警情、警力,网吧,案件信息,人口,宾馆住宿,智能警务亭,智慧社区等数据;多维数据联合处理包括空间聚类分析和关系图谱分析;处理后数据应用包括:人像预警、伴随人员分析、落脚点分析、徘徊车辆分析、时空交叉分析、同行分析、昼伏夜出分析、作息规律分析、套牌车辆分析、布控分析、犯罪模式分析。
进一步的,所述卡口过车数据通过卡口过车时拍摄数据实时传输平台,平台使用流计算方式将当前拍摄的实时记录和历史拍摄到的记录累加形成当前总的采集数量,最终以总采集量和当天采集量写入数据库,形成卡口过车按卡口分类的当天采集量和累计采集量列表;
所述Wifi探针探测数据通过采集数据实时传输到平台,平台使用流计算方式将当前探针采集到的实时记录和历史采集到的记录累加形成当前总的采集数量,最终以总采集量和当天采集量写入数据库,形成wifi探针按探针mac地址分类的当天采集量和累计采集量列表;
所述人脸设备拍摄人脸数据通过人脸设备拍摄到人脸后实时传输到平台,平台使用流计算方式将当前拍摄的实时记录和历史拍摄到的记录累加形成当前总的拍摄数量,最终以总数量和当天拍摄量写入数据库,形成以人脸拍摄设备点位按当天采集量和累计采集量分类列表;
所述rfid记录数据通过城市中安装的rfid采集设备,当安装rfid标签的车辆经过rfid采集设备后采集设备采集到信息,包括车牌,编号,所有人,注册日期等,实时发送到平台,平台通过流计算方式把接收到的实时数据和历史接收数据累加,形成以rfid采集设备点位按当天采集量和累计采集量分类列表;
所述多维感知门采集数据包括三类数据:身份证、电子设备mac、人脸照片;行人经过感知门需要刷身份证,同时设备自动采集人员随身携带的手机,pad等电子设备的mac地址及虚拟身份,拍摄人脸照片;三类数据实时传输到平台,平台通过流计算把三类数据按设备mac地址进行分类统计,计算出当日采集量和累计采集量。
进一步的,所述空间聚类分析中把空间距离的通用基本表达式称为闵可夫斯基(Minkowski)距离;
闵可夫斯基(Minkowski)距离,该基本表达式的p阶,p>0,形式如下:
其中,为向量z的p范数;
在以下表达式中对空间类别使用K-Means分类算法,空间距离测算采用欧式距离Dis2,包括如下步骤:
步骤1、数据簇的数目K∈N。随机初始化K个均值向量μ1,…,μk∈Rd;
步骤2、将每个x∈D划分到簇argminjDis2(x,μj);
步骤3、遍历1到K的所有簇,将x∈D划分到对应的簇,得到Dj;
步骤4、计算向量
重复计算步骤1-4,直到μ1,…,μk不再变化,认为算法收敛完成。
进一步的,所述关系图谱分析首先计算关系网络里各对象的关系远近,也就是社交网络里的路径长度采用直接叠加路径集合的方式,按照指数衰减长度来计算更短的路径;加权分值计算如下:
其中是从x到y的所有长度路径的集合,并且β>0是预测变量的参数;
接下来计算两个节点类会链接到相似邻居的范围,也就是计算相似度区间;表达式如下:
假设计算得到score(x,y)在相似度similarity(x,y)之下,接下来可以计算每个节点的评分:
计算网络中所有边的得分,并删除得分最低的边的部分。
进一步的,所述伴随人员分析包括如下步骤:
1.首先在离线状态下对两类卡口进行绑定,将车辆卡口与最近的探针卡口绑定,建立卡口探针绑定列表;
2.提取被查询车辆在筛选时间段里的存在于绑定列表的卡口过车记录;
3.在被查询车辆通过相应卡口时,查找列表中对应的探针,捕捉被查询车辆通过时间前后10S的通过人员;
4.统计被查询车辆的记录总数,并统计每一辆被捕捉到的通过人员与被查询车辆重合的记录数。计算通过人员与被查询车辆路线重合的概率。通过重合记录数与被查询车辆的过车记录总数的比值计算;
5.按照第4步得到的概率进行相似度排序,另外计算提取每个随车人员伴随的次数与卡口点数,缩小随车范围。
进一步的,所述同行分析包括如下步骤:
1.按照被查询车辆通过卡口的时间正负10S的范围内,在每一个被查询车辆的采集记录前后捕捉满足条件的通过车辆;
2.统计被查询车辆的记录总数,并统计每一辆被捕捉到的通过车辆与被查询车辆重合的记录数。
3.计算通过车辆与被查询车辆路线重合的概率,通过重合记录数与被查询车辆的过车记录总数的比值计算。
进一步的,所述昼伏夜出分析包括如下步骤:
1.提取筛选时间段内被查询车辆的所有过车信息;
2.对一天的时间段进行白天与夜间的划分;
3.统计被查询车辆在白天时间段与夜间时间段分别被采集的次数;
4.设置白天与夜间采集次数阈值或差值阈值。
5.超过阈值条件的认为有昼伏夜出的作息规律。
进一步的,所述作息规律分析包括如下步骤:
1.提取被查询人员在筛选时间段内所有被设备采集到的信息,包括时间、地点、采集设备;
2.对每日的时间段进行分割,从0时至24时,以4小时为一组,得到6个时间组;
3.将第1步得到的信息按照采集时间归入每日不同的时间组内;
4.将不同天的同一时间组内的信息归总到一起,并计算在这个时间段内,在出现过的地点出现的概率,由此得到在筛选时间内,被查询人员每日不同时间的作息出行规律;
5.统计第1步得到的信息,分析出被查询人员常去位置,并对常去位置的计算平均停留时间,根据停留时间可以辅助判断停留地点的性质。
进一步的,所述套牌车辆分析包括如下步骤:
1)通过路网数据计算主要车辆卡口之间的距离,并通过每一对卡口之间的最高时速计算每对卡口间通过的最短时间,把这些最短时间集合映射到卡口集合建立时间矩阵;把时间矩阵里的最短时间作为阈值;
2)提取每一辆车辆在最近两次被采集到的卡口,计算两个卡口的时间差;
3)比对计算的时间差是否小于时间矩阵里的阈值,如果小于阈值,认为有套牌车的嫌疑;
4)进一步精确可疑车辆范围,对上一步筛选出的可疑车辆进行车辆细节比对。将卡口采集到车辆细节与该车牌登记的车辆细节进行比对,如果比对结果不一致,该可疑车辆有很大嫌疑是套牌车,推送预警并提示最近一次该车辆被采集位置。
进一步的,所述犯罪模式分析首先识别犯罪模式类型,然后对分类结果进行抽象预测。
本发明利用异质、跨网、跨库,多源数据融合汇集技术实现,通过科学化、符合警务领域的数据规约算法、数学理论实现等手段,将多方、异构数据建立适合警务应用的技战法数据仓库、数学模型。提供给警务人员进行研判、执法等。并且利用大数据智能看板技术,对高危人群、高危地点等公共场所、学校、敏感区域等,实现全天安防监控、智能预警分析、自动辅助方案参考等。供公共安防领域专家、管理者、执法者提供应急预案,规划实施等。
本系统利用特定的算法,精确研判特定人员,重点人员,管制人员等的活动轨迹,出现地点,为犯罪嫌疑人抓捕提供帮助。预防突发事件,为重要场所的管控提供强有力的帮助。通过同行分析、伴随分析可以有效地预测人员聚集,团伙活动情况。为办案人员节省大量的分析研判时间,为办案人员提供最直接的实战工具。
附图说明
图1是多维数据采集示意图;
图2是多维数据联合处理示意图;
图3是多维全息感知平台的应用示意图。
具体实施方式
下面结合附图对本发明作进一步说明。
本发明的多维信息感知处理方法,包括多维数据采集、多维数据联合处理和处理后数据应用等方面。
多维数据采集
如图1所示,采集数据包括卡口过车数据、wifi探针探测数据、多维感知门采集数据、人脸设备拍摄人脸数据、rfid记录数据、电子围栏采集数据等,汇集110警情、警力,网吧,案件信息,人口,网吧,宾馆住宿,智能警务亭,智慧社区等数据。
卡口过车数据:卡口过车拍摄数据实时传输到多维全息感知平台,平台使用流计算方式将当前拍摄的实时记录和历史拍摄到的记录累加形成当前总的采集数量,最终以总采集量和当天采集量写入数据库。形成卡口过车按卡口分类的当天采集量和累计采集量列表。
Wifi探针:Wifi探针采集数据实时传输到多维全息感知平台,平台使用流计算方式将当前探针采集到的实时记录和历史采集到的记录累加形成当前总的采集数量,最终以总采集量和当天采集量写入数据库。形成wifi探针按探针mac地址分类的当天采集量和累计采集量列表。
人脸拍摄:人脸设备拍摄到人脸后实时传输到多维全息感知平台,平台使用流计算方式将当前拍摄的实时记录和历史拍摄到的记录累加形成当前总的拍摄数量,最终以总数量和当天拍摄量写入数据库。形成以人脸拍摄设备点位按当天采集量和累计采集量分类列表。
Rfid采集:以电动车为例,电动车安装有rfid感知设备,城市中必要地方安装rfid采集设备,当电动车经过采集设备后采集设备采集到电动车信息,包括车牌,编号,所有人,注册日期等。采集数据实时发送到多维全息感知平台,平台通过流计算方式把接收到的实时数据和历史接收数据累加,形成以rfid采集设备点位按当天采集量和累计采集量分类列表。
感知门数据采集:感知门采集目前能同时采集三类数据:身份证、电子设备mac、人脸照片。行人经过感知门需要刷身份证,同时设备自动采集人员随身携带的手机,pad等电子设备的mac地址及设备内安装软件的虚拟身份,拍摄人脸照片。三类数据实时传输到多维全息感知平台,平台通过流计算把三类数据按设备mac地址进行分类统计,计算出当日采集量和累计采集量。
多维数据联合处理
多维数据联合处理如图2所示;
空间聚类分析
空间分类问题涉及到对象的空间分布和空间距离,而其可应用的对象也十分的广泛,从基础的人、车、物到动态流量的热点变化。因此,合理科学的空间分类方法对解决空间问题至关重要。
在空间分析中,比如热力图、路径预测、警力调配等,空间距离的测算是最重要的一个部分。而把空间距离的通用基本表达式称为闵可夫斯基(Minkowski)距离。
闵可夫斯基(Minkowski)距离,该基本表达式的p阶(p>0)形式如下
其中,为向量z的p范数(有时也记为Lp范数)。
在以下表达式中对空间类别使用K-Means分类算法,空间距离测算采用欧式距离Dis2作为例子。
步骤1、数据簇的数目K∈N。随机初始化K个均值向量μ1,…,μk∈Rd;
步骤2、将每个x∈D划分到簇argminjDis2(x,μj);
步骤3、遍历1到K的所有簇,将x∈D划分到对应的簇,得到Dj;
步骤4、计算向量
重复计算步骤1-4,直到μ1,…,μk不再变化,认为算法收敛完成。
闵可夫斯基距离的多范数表达式,在不同的空间问题里有不同的应用,比如2范数的闵可夫斯基距离也就是我们熟悉的欧式距离:
它所度量的是“直线飞行”距离。比如在3D态势地图上,不同高层之间的平面瞭望距离和空气声音等传播的辐射距离的测算,都使用欧式距离。
范数闵可夫斯基距离也称为曼哈顿距离(Manhattan distance)或街区距离(cityblock distance)。
曼哈顿距离通常使用在测量车辆在城市中移动距离时。因为此时的空间距离移动规则基于比较规则的街道。在车辆轨迹预测和套牌车分析等关于路网信息中,用于测算实际路网通过距离。
关系图谱分析
关系图谱一般从两个维度进行分析,一是亲密关系,包括亲缘关系和人际关系;二是空间关系,包括交通工具的同行、落脚点接近和尾随跟踪等。而与被分析对象有直接关系的关系网络称为一级关系网络,而与被分析对象的关系路径需要经过一个另外对象的称为二级关系网络。以此类推,存在多级关系网络。在多级关系网络中,不同对象之间的路径有多种结果,同时还有隐藏的路径或潜在联系的路径。首先,通过对关系网络中不同对象的条件约束,寻找路径最短的关系集合,采用直接叠加路径集合的方式,按照指数衰减长度来计算更短的路径,由此得到关系相对紧密且符合查询要求的最简关系图谱。
而对于隐藏的路径或未来潜在联系的路径,在上一步的基础上可以进行进一步的链接预测,对上一步得到的紧密关系的集合分别计算链接到相似邻居的相似度区间,通过相似度对各个对象链接边进行权重评分,按照权重评分建立新的高分值的链接并删除低分值的链接。由此,得到一个新的预测关系图谱,可以帮助识别隐藏的路径或未来潜在联系的路径。
关系网络预测中通过计算最短路径对对象进行分类,并对分类集合计算相应的相似度区间,通过相似度区间去分析可能断开的链接和可能接上的链接。
首先要计算关系网络里各对象的关系远近,也就是社交网络里的路径长度采用一种直接叠加路径集合的方式,按照指数衰减长度来计算更短的路径。加权分值计算如下:
其中是从x到y的所有长度路径的集合,并且β>0是预测变量的参数(非常小的β区域使得对象很像普通邻居,因为长度为3或更长的路径对于求和的贡献非常小)。
接下来计算两个节点类会链接到相似邻居的范围,也就是计算相似度区间。表达式如下:
假设计算得到score(x,y)在相似度similarity(x,y)之下,接下来可以计算每个节点(有权重与无权重)的评分。
计算网络中所有边的得分(节点与节点之间的链接称为边),并删除这个得分最低的边的部分。
通过对最近路径集合的分类,可以得到在某些条件约束下的最简关系图谱,在上一步的基础上,通过对边的链接情况的置信计算,可以对关系网络的隐藏链接和未来潜在链接进行预测,进一步完善关系图谱的完整度。
处理后数据应用
处理后数据应用如图3所示。
人像预警:通过人像比对算法,精确计算被拍摄到的人脸和重点人员库、高危人群人像库等相似度,准确判断是否是重点人员,在逃人员或需要特别关注人群等,结合地图应用绘制此类人员驻留地点,行动轨迹,同行人员等。人像拍摄设备拍摄到人像后数据实时传到多维全息感知平台,多维全息感知平台使用人像比对算法,将接收到的人像图片和重点人员库图片做比对,相似度达到一定阈值系统自动报警。
伴随人员分析:伴随分析主要分析随车人员的情况,主要有两大类,电动车与人员的伴随,车辆与人员的伴随。很多时候,涉事车辆的随车人员不是车主,或者不仅仅是车主。伴随分析可以定位到人,应对租赁车辆犯罪或随同犯罪等情况,可以大大降低这些情况的排查难度。包括如下步骤:
6.首先在离线状态下对两类卡口进行绑定,将车辆卡口与最近的(10米之内)的探针卡口绑定,建立卡口探针绑定列表。
7.提取被查询车辆在筛选时间段里的存在于绑定列表的卡口过车记录。
8.在被查询车辆通过相应卡口时,查找列表中对应的探针,捕捉车辆通过时间前后10S的通过人员。
9.统计被查询车辆的记录总数,并统计每一辆被捕捉到的通过人员与被查询车辆重合的记录数。计算通过人员与被查询车辆路线重合的概率。通过重合记录数与被查询车辆的过车记录总数的比值计算。
10.按照第四步得到的概率进行相似度排序,另外计算提取每个随车人员伴随的次数与卡口点数,可以缩小随车范围。
落脚点分析:通过对车辆常去位置和停留时间还有停留时间段的分析,来对车辆的大致落脚点进行定位。大大缩小的警方排查落脚点的人力工作,减轻了寻找隐蔽窝点的难度。对于有一定反侦察能力的涉案人员的相关案件有很大的推进作用。
徘徊车辆分析:通过分析划定区域内(如某一小区)是否存在徘徊人员或车辆,对该区域进行踩点活动;事先掌握可疑人员/车辆信息,有效的预防犯罪活动的发生。
时空交叉分析:时空交叉分析的对象主要有三类,车辆、电动车与人员。这三类对象可以分别与自身进行交叉分析,也可以多类别叠加进行分析。时空交叉分析也就是常说的时空碰撞,主要目的是通过对多个时间和多个地点的交叉条件来约束查询结果,从复杂的列表数据中筛选出符合查询画像的对象,减轻数据排查的工作,提供新的推进思路与线索。
同行分析:同行分析的对象主要有三类,车辆与车辆的同行,电动车与电动车的同行,人员与人员的同行。通过被查询车辆(电动车、人员)的同行分析,可以得到两类车,一类是有联系关系的车,比如团伙作案的同伙车。另一类是跟踪车辆,跟踪被查询车辆的车辆也会在同行分析中被捕捉出来。同行分析可以通过合适的算法和关联规则有效的定位同伙车,跟踪车,对破案进度有推进作用。提取被查询车辆在筛选时间段里的所有卡口过车记录。包括如下步骤:
4.按照被查询车辆通过卡口的时间正负10S的范围内,在每一个被查询车辆的采集记录前后捕捉满足条件的通过车辆。
5.统计被查询车辆的记录总数,并统计每一辆被捕捉到的通过车辆与被查询车辆重合的记录数。
6.计算通过车辆与被查询车辆路线重合的概率。通过重合记录数与被查询车辆的过车记录总数的比值计算。
第三步中的概率即为相似度。另外计算提取每个同行车辆同行的次数与卡口点数,可以缩小同行范围,对于跟踪车辆的定位有很大意义。比如反复通过A路口会导致次数增加,点数不增加。
昼伏夜出分析:昼伏夜出是一种特殊的作息规律,涉及少数特殊行业从事者与相关嫌疑人员。因此捕捉在规定的时空,或者相关涉及人员(车辆)中昼伏夜出的异常行为,有助于缩小排查范围,帮助相关涉事车辆人员的定位。包括如下步骤:
6.提取筛选时间段内被查询车辆的所有过车信息。
7.对一天的时间段进行白天与夜间的划分。(早6点~晚18点为白天时间,晚18点至第二日早上6点为夜间时间)。
8.统计被查询车辆在白天时间段与夜间时间段分别被采集的次数。
9.设置白天与夜间采集次数阈值或差值阈值。(白天过车次数、夜间过车次数、差值,三个条件可自由组合,与或非关系自由组合)
10.超过阈值条件的认为有昼伏夜出的作息规律。
作息规律分析:收集对人员设备被采集到的时间地点信息,在筛选时间段内进行分组统计。对一天的时间段进行分割,统计得出在不同时间段内,被查询对象在不同地点出现的概率。同时分析得出常去位置和停留时间,帮助警方筛选符合作息规律的人员画像,或者提示有明显违反个人作息规律的异常行为情况。有助于警方定位高嫌疑人员,减少人力排查工作。包括如下步骤:
6.提取被查询人员在筛选时间段内所有被设备采集到的信息,包括时间、地点、采集设备。
7.对每日的时间段进行分割,从0时至24时,以4小时为一组,得到6个时间组。
8.将第一步得到的信息按照采集时间归入每日不同的时间组内。
9.将不同天的同一时间组内的信息归总到一起,并计算在这个时间段内,在出现过的地点出现的概率,由此得到在筛选时间内,被查询人员每日不同时间的作息出行规律。
10.统计第一步得到的信息,分析出被查询人员常去位置,并对常去位置的计算平均停留时间,根据停留时间可以辅助判断停留地点的性质。
套牌车辆分析:通过对同一个车牌在相邻被采集到的路口之间的时间距离的测算,筛选出有套牌嫌疑的车辆,并通过车辆细节对比,进一步精确结果范围。帮助交警在相关的路口设卡拦截,达到打击套牌车的目的。包括如下步骤:
5)通过路网数据计算主要车辆卡口之间的距离,并通过每一对卡口之间的最高时速计算每对卡口间通过的最短时间。把这些最短时间集合映射到卡口集合建立时间矩阵。把时间矩阵里的最短时间作为阈值。
6)提取每一辆车辆在最近两次被采集到的卡口,计算两个卡口的时间差。
7)比对计算的时间差是否小于时间矩阵里的阈值,如果小于阈值,认为有套牌车的嫌疑。
8)为了进一步精确可疑车辆范围,对上一步筛选出的可疑车辆进行车辆细节比对。将卡口采集到车辆细节与该车牌登记的车辆细节进行比对,如,车辆颜色,车辆品牌等。如果比对结果不一致,该可疑车辆有很大嫌疑是套牌车,推送预警并提示最近一次该车辆被采集位置。
布控分析分为区域布控、人员布控、人流布控三种。
区域布控:结合地图,在地图上某一点周围画圆或方形或不规则图形区域,为画的形状命名,系统通过所画区域经纬度信息自动检测区域内人像拍摄设备、wifi探针位置,行人进入所设置区域之后被区域内设备拍摄到后系统立即预警。
人员布控:结合地图,在地图上某一点周围画圆或方形或不规则图形区域,为画的形状命名,系统通过所画区域经纬度信息自动检测区域内人像拍摄设备、wifi探针位置,为该区域设定监控人员(输入人员身份证号系统给自动从人口库中检测出该人员),该设定人进入所设置区域后若被区域内设备拍摄到系统立即预警。
人流布控:对需要进行人流监控的区域,在地图上某一点周围画圆或方形或不规则图形区域,为画的形状命名,系统通过所画区域经纬度信息自动检测区域内人像拍摄设备、wifi探针位置,根据设备拍摄的人员信息计算单位时间内人流密度,当人流密度达到一定阈值系统启动报警。
犯罪模式分析
犯罪模式分析主要分两步,首先识别犯罪模式类型,然后对分类结果进行抽象预测。对于整个区域的空间上的犯罪结构和热点变化进行预测,模拟当前区域犯罪模式在来未来一段时间内的迁移转变。使得提前应对调配警力和针对性预防成为可能。
采用Support Vector machine(支持向量机)算法,该算法的表现相对兼顾了准确度与稳定性,并且在假阳性(也就是将错误的结果提示为正确)的表现上很好,在实际应用中更有实际意义,不会出现为了追求准确度而有较高的误报率的情况。
首先,我们需要使用Gaussian(RBF)kernel将高维的特征空间映射到原始的特征空间。这一般叫做特征的降维处理。
接下里我们使用最优边界的分类算法来对降维之后的特征空间进行边界识别。
s.t yi(ωTφ(xi)+b)≥1-ξi
ξi≥0,i=1.....m
上述计算等式,是使用拉格朗日乘子法求解模型之后得到的对偶形式。相比于复杂的推解过程,对偶形式的结果简洁、优美,易于使用。
在这里,也给出模型的原始定义方便理解:
yi(ωxi-t)≥1,1≤i≥n
Ω是垂直与绝策面的向量,而他是决策阈值。
支持向量机为决策面提出了样本裕量(margin)的概念,这有利于精确的描述某些游离于两类决策面之间的样本。在其他算法中,这类样本往往会被当被噪点处理掉。而在实际的警务应用中,这些看起来不符合常理的样本往往有很重要的价值,也就是异常行为。
通过SVM对犯罪模式的分类,尤其是高维空间里的分类,可以识别不同的犯罪类型,在预警中对犯罪信息进行前置的分析支持,同时通过不同犯罪类型的特征变迁,进行犯罪态势的预测和热力绘制,对于警力调配提供参考方案。
Claims (10)
1.一种多维信息感知处理方法,包括多维数据采集、多维数据联合处理和处理后数据应用,其特征在于:所述多维数据采集包括卡口过车数据、wifi探针探测数据、多维感知门采集数据、人脸设备拍摄人脸数据、rfid记录数据、电子围栏采集数据等,汇集110警情、警力,网吧,案件信息,人口数据,宾馆住宿,智能警务亭,智慧社区等数据;多维数据联合处理包括空间聚类分析和关系图谱分析;处理后数据应用包括:人像预警、伴随人员分析、落脚点分析、徘徊车辆分析、时空交叉分析、同行分析、昼伏夜出分析、人流分析、隐匿车辆分析、作息规律分析、套牌车辆分析、布控预警分析、被害人关系分析、犯罪模式分析。
2.如权利要求1所述的多维信息感知处理方法,其特征在于:
所述卡口过车数据通过卡口过车时拍摄数据实时传输平台,平台使用流计算方式将当前实时拍摄的记录和历史拍摄到的记录累加形成当前总的采集数量,最终以总采集量和当天采集量写入数据库,形成卡口过车按卡口分类的当天采集量和累计采集量列表;
所述Wifi探针探测数据通过采集数据实时传输到平台,平台使用流计算方式将当前探针实时采集到的记录和历史采集到的记录累加形成当前总的采集数量,最终以总采集量和当天采集量写入数据库,形成wifi探针按探针mac地址分类的当天采集量和累计采集量列表;
所述人脸设备拍摄人脸数据通过人脸设备拍摄到人脸后实时传输到平台,平台使用流计算方式将当前实时拍摄的记录和历史拍摄到的记录累加形成当前总的拍摄数量,最终以总数量和当天拍摄量写入数据库,形成以人脸拍摄设备点位按当天采集量和累计采集量分类列表;
所述rfid记录数据通过城市中安装的rfid采集设备,当安装rfid标签的车辆经过rfid采集设备后采集设备采集到信息,包括车牌,编号,所有人,注册日期,实时发送到平台,平台通过流计算方式把实时接收到的数据和历史接收数据累加,形成以rfid采集设备点位按当天采集量和累计采集量分类列表;
所述多维感知门采集数据包括三类数据:身份证、电子设备mac、人脸照片;行人经过感知门需要刷身份证,同时设备自动采集人员随身携带的手机,pad等电子设备的mac地址及设备内安装软件的虚拟身份,拍摄人脸照片;三类数据实时传输到平台,平台通过流计算把三类数据按设备mac地址进行分类统计,计算出当日采集量和累计采集量。
3.如权利要求1所述的多维信息感知处理方法,其特征在于:
所述空间聚类分析中把空间距离的通用基本表达式称为闵可夫斯基(Minkowski)距离;
闵可夫斯基(Minkowski)距离,该基本表达式的p阶,p>0,形式如下:
其中,为向量z的p范数;
在以下表达式中对空间类别使用K-Means分类算法,空间距离测算采用欧式距离Dis2,包括如下步骤:
步骤1、数据簇的数目K∈N;随机初始化K个均值向量μ1,…,μk∈Rd;
步骤2、将每个x∈D划分到簇argminjDis2(x,μj);
步骤3、遍历1到K的所有簇,将x∈D划分到对应的簇,得到Dj;
步骤4、计算向量
重复计算步骤1-4,直到μ1,…,μk不再变化,认为算法收敛完成。
4.如权利要求1所述的多维信息感知处理方法,其特征在于:
所述关系图谱分析首先计算关系网络里各对象的关系远近,也就是社交网络里的路径长度采用直接叠加路径集合的方式,按照指数衰减长度来计算更短的路径;加权分值计算如下:
其中是从x到y的所有长度路径的集合,并且β>0是预测变量的参数;
接下来计算两个节点类会链接到相似邻居的范围,也就是计算相似度区间;表达式如下:
假设计算得到score(x,y)在相似度similarity(x,y)之下,接下来可以计算每个节点的评分:
计算网络中所有边的得分,并删除得分最低的边的部分。
5.如权利要求1所述的多维信息感知处理方法,其特征在于:
所述伴随人员分析包括如下步骤:
1.首先在离线状态下对两类卡口进行绑定,将车辆卡口与最近的探针卡口绑定,建立卡口探针绑定列表;
2.提取被查询车辆在筛选时间段里的存在于绑定列表的卡口过车记录;
3.在被查询车辆通过相应卡口时,查找列表中对应的探针,捕捉被查询车辆通过时间前后10S的通过人员;
4.统计被查询车辆的记录总数,并统计每一辆被捕捉到的通过人员与被查询车辆重合的记录数;计算通过人员与被查询车辆路线重合的概率;通过重合记录数与被查询车辆的过车记录总数的比值计算;
5.按照第4步得到的概率进行相似度排序,另外计算提取每个随车人员伴随的次数与卡口点数,缩小随车范围。
6.如权利要求1所述的多维信息感知处理方法,其特征在于:
所述同行分析包括如下步骤:
1.按照被查询车辆通过卡口的时间正负10S的范围内,在每一个被查询车辆的采集记录前后捕捉满足条件的通过车辆;
2.统计被查询车辆的记录总数,并统计每一辆被捕捉到的通过车辆与被查询车辆重合的记录数;
3.计算通过车辆与被查询车辆路线重合的概率,通过重合记录数与被查询车辆的过车记录总数的比值计算。
7.如权利要求1所述的多维信息感知处理方法,其特征在于:
所述昼伏夜出分析包括如下步骤:
1.提取筛选时间段内被查询车辆的所有过车信息;
2.对一天的时间段进行白天与夜间的划分;
3.统计被查询车辆在白天时间段与夜间时间段分别被采集的次数;
4.设置白天与夜间采集次数阈值或差值阈值;
5.超过阈值条件的认为有昼伏夜出的作息规律。
8.如权利要求1所述的多维信息感知处理方法,其特征在于:
所述作息规律分析包括如下步骤:
1.提取被查询人员在筛选时间段内所有被设备采集到的信息,包括时间、地点、采集设备;
2.对每日的时间段进行分割,从0时至24时,以4小时为一组,得到6个时间组;
3.将第1步得到的信息按照采集时间归入每日不同的时间组内;
4.将不同天的同一时间组内的信息归总到一起,并计算在这个时间段内,在出现过的地点出现的概率,由此得到在筛选时间内,被查询人员每日不同时间的作息出行规律;
5.统计第1步得到的信息,分析出被查询人员常去位置,并对常去位置的计算平均停留时间,根据停留时间可以辅助判断停留地点的性质。
9.如权利要求1所述的多维信息感知处理方法,其特征在于:
所述套牌车辆分析包括如下步骤:
1)通过路网数据计算主要车辆卡口之间的距离,并通过每一对卡口之间的最高时速计算每对卡口间通过的最短时间,把这些最短时间集合映射到卡口集合建立时间矩阵;把时间矩阵里的最短时间作为阈值;
2)提取每一辆车辆在最近两次被采集到的卡口,计算两个卡口的时间差;
3)比对计算的时间差是否小于时间矩阵里的阈值,如果小于阈值,认为有套牌车的嫌疑;
4)进一步精确可疑车辆范围,对上一步筛选出的可疑车辆进行车辆细节比对;将卡口采集到车辆细节与该车牌登记的车辆细节进行比对,如果比对结果不一致,该可疑车辆有很大嫌疑是套牌车,推送预警并提示最近一次该车辆被采集位置。
10.如权利要求1所述的多维信息感知处理方法,其特征在于:所述犯罪模式分析首先识别犯罪模式类型,然后对分类结果进行抽象预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811186314.XA CN109461106A (zh) | 2018-10-11 | 2018-10-11 | 一种多维信息感知处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811186314.XA CN109461106A (zh) | 2018-10-11 | 2018-10-11 | 一种多维信息感知处理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109461106A true CN109461106A (zh) | 2019-03-12 |
Family
ID=65607552
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811186314.XA Pending CN109461106A (zh) | 2018-10-11 | 2018-10-11 | 一种多维信息感知处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109461106A (zh) |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110020612A (zh) * | 2019-03-18 | 2019-07-16 | 杰创智能科技股份有限公司 | 一种基于虚拟探针系统的身份识别系统 |
CN110020626A (zh) * | 2019-04-09 | 2019-07-16 | 中通服公众信息产业股份有限公司 | 一种基于注意力机制的多源异构数据身份识别方法 |
CN110191429A (zh) * | 2019-05-29 | 2019-08-30 | 福建威盾科技集团有限公司 | 一种基于群智能算法的车与wifi对碰的方法 |
CN110245981A (zh) * | 2019-05-31 | 2019-09-17 | 南京瑞栖智能交通技术产业研究院有限公司 | 一种基于手机信令数据的人群类型识别方法 |
CN110263633A (zh) * | 2019-05-13 | 2019-09-20 | 广州烽火众智数字技术有限公司 | 基于时空关联的涉毒人员检测预警方法、系统及存储介质 |
CN110322049A (zh) * | 2019-06-03 | 2019-10-11 | 浙江图灵软件技术有限公司 | 一种公安大数据预警方法 |
CN110351523A (zh) * | 2019-07-22 | 2019-10-18 | 常州机电职业技术学院 | 一种楼宇视频监控系统与视频监控调整方法 |
CN110348347A (zh) * | 2019-06-28 | 2019-10-18 | 深圳市商汤科技有限公司 | 一种信息处理方法及装置、存储介质 |
CN110543583A (zh) * | 2019-06-28 | 2019-12-06 | 深圳市商汤科技有限公司 | 信息处理方法及装置、图像设备及存储介质 |
CN110633279A (zh) * | 2019-09-09 | 2019-12-31 | 四川东方网力科技有限公司 | 多源时空轨迹数据处理方法、装置、设备和存储介质 |
CN110662169A (zh) * | 2019-09-25 | 2020-01-07 | 北京明略软件系统有限公司 | 一种终端设备的匹配方法及装置 |
CN110727671A (zh) * | 2019-10-11 | 2020-01-24 | 北京明略软件系统有限公司 | 案件数据处理方法及装置 |
CN111079033A (zh) * | 2019-11-29 | 2020-04-28 | 武汉烽火众智数字技术有限责任公司 | 一种基于智慧社区数据的人员定位分析方法 |
CN111131765A (zh) * | 2019-10-24 | 2020-05-08 | 广脉科技股份有限公司 | 一种多维感知的区域管理感知系统 |
CN111144446A (zh) * | 2019-12-06 | 2020-05-12 | 北京中交兴路信息科技有限公司 | 一种基于时空网格的司机身份识别方法和系统 |
CN111246375A (zh) * | 2020-03-26 | 2020-06-05 | 广州金越软件技术有限公司 | 一种基于电子围栏和卡口信息的人车伴随技术 |
CN111368618A (zh) * | 2019-07-31 | 2020-07-03 | 杭州海康威视系统技术有限公司 | 一种隐匿车辆的确定方法、装置及电子设备 |
CN111696351A (zh) * | 2020-06-10 | 2020-09-22 | 长威信息科技发展股份有限公司 | 基于大数据的可疑车辆判别方法及系统 |
CN112040411A (zh) * | 2019-06-03 | 2020-12-04 | 西安光启未来技术研究院 | 一种数据分析方法及装置 |
CN112115147A (zh) * | 2020-09-25 | 2020-12-22 | 北京百度网讯科技有限公司 | 数据处理的方法、装置、设备和存储介质 |
CN112182121A (zh) * | 2020-10-27 | 2021-01-05 | 南威软件股份有限公司 | 一种涉车关系发现方法、装置、设备和介质 |
CN113449560A (zh) * | 2020-03-26 | 2021-09-28 | 广州金越软件技术有限公司 | 一种基于动态人像库进行人脸比对的技术 |
CN113705499A (zh) * | 2021-09-02 | 2021-11-26 | 浙江力石科技股份有限公司 | 一种景区自动寻人方法 |
CN114863637A (zh) * | 2022-03-30 | 2022-08-05 | 财上门科技(北京)有限公司 | 一种酒店安全管理系统及方法 |
CN115345390A (zh) * | 2022-10-19 | 2022-11-15 | 武汉大数据产业发展有限公司 | 一种行为轨迹预测方法、装置、电子设备及存储介质 |
CN115600866A (zh) * | 2022-10-18 | 2023-01-13 | 南京莱斯信息技术股份有限公司(Cn) | 一种针对特定车辆拦截的警员调度方法及终端 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6047282A (en) * | 1997-12-05 | 2000-04-04 | Authentec, Inc. | Apparatus and method for expandable biometric searching |
CN103489291A (zh) * | 2012-06-08 | 2014-01-01 | 佛山华骐智能科技有限公司 | 一种全方位无线智能集成安防系统 |
CN104572757A (zh) * | 2013-10-24 | 2015-04-29 | 中兴通讯股份有限公司 | 微博群体处理方法及装置 |
CN106548164A (zh) * | 2016-11-28 | 2017-03-29 | 中通服公众信息产业股份有限公司 | 人脸图像与移动设备的关联性识别方法 |
CN108133172A (zh) * | 2017-11-16 | 2018-06-08 | 北京华道兴科技有限公司 | 视频中运动对象分类的方法、车流量的分析方法及装置 |
-
2018
- 2018-10-11 CN CN201811186314.XA patent/CN109461106A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6047282A (en) * | 1997-12-05 | 2000-04-04 | Authentec, Inc. | Apparatus and method for expandable biometric searching |
CN103489291A (zh) * | 2012-06-08 | 2014-01-01 | 佛山华骐智能科技有限公司 | 一种全方位无线智能集成安防系统 |
CN104572757A (zh) * | 2013-10-24 | 2015-04-29 | 中兴通讯股份有限公司 | 微博群体处理方法及装置 |
CN106548164A (zh) * | 2016-11-28 | 2017-03-29 | 中通服公众信息产业股份有限公司 | 人脸图像与移动设备的关联性识别方法 |
CN108133172A (zh) * | 2017-11-16 | 2018-06-08 | 北京华道兴科技有限公司 | 视频中运动对象分类的方法、车流量的分析方法及装置 |
Non-Patent Citations (1)
Title |
---|
程洋: "多维感知智能防控体系建设与应用", 《公安信息化》 * |
Cited By (35)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110020612A (zh) * | 2019-03-18 | 2019-07-16 | 杰创智能科技股份有限公司 | 一种基于虚拟探针系统的身份识别系统 |
CN110020626A (zh) * | 2019-04-09 | 2019-07-16 | 中通服公众信息产业股份有限公司 | 一种基于注意力机制的多源异构数据身份识别方法 |
CN110263633A (zh) * | 2019-05-13 | 2019-09-20 | 广州烽火众智数字技术有限公司 | 基于时空关联的涉毒人员检测预警方法、系统及存储介质 |
CN110191429A (zh) * | 2019-05-29 | 2019-08-30 | 福建威盾科技集团有限公司 | 一种基于群智能算法的车与wifi对碰的方法 |
CN110191429B (zh) * | 2019-05-29 | 2022-09-27 | 福建威盾科技集团有限公司 | 一种基于群智能算法的车与wifi对碰的方法 |
CN110245981A (zh) * | 2019-05-31 | 2019-09-17 | 南京瑞栖智能交通技术产业研究院有限公司 | 一种基于手机信令数据的人群类型识别方法 |
CN110245981B (zh) * | 2019-05-31 | 2021-10-01 | 南京瑞栖智能交通技术产业研究院有限公司 | 一种基于手机信令数据的人群类型识别方法 |
CN112040411A (zh) * | 2019-06-03 | 2020-12-04 | 西安光启未来技术研究院 | 一种数据分析方法及装置 |
CN110322049A (zh) * | 2019-06-03 | 2019-10-11 | 浙江图灵软件技术有限公司 | 一种公安大数据预警方法 |
CN110543583A (zh) * | 2019-06-28 | 2019-12-06 | 深圳市商汤科技有限公司 | 信息处理方法及装置、图像设备及存储介质 |
CN110348347A (zh) * | 2019-06-28 | 2019-10-18 | 深圳市商汤科技有限公司 | 一种信息处理方法及装置、存储介质 |
CN110351523A (zh) * | 2019-07-22 | 2019-10-18 | 常州机电职业技术学院 | 一种楼宇视频监控系统与视频监控调整方法 |
CN110351523B (zh) * | 2019-07-22 | 2020-10-16 | 常州机电职业技术学院 | 一种楼宇视频监控系统与视频监控调整方法 |
CN111368618A (zh) * | 2019-07-31 | 2020-07-03 | 杭州海康威视系统技术有限公司 | 一种隐匿车辆的确定方法、装置及电子设备 |
CN111368618B (zh) * | 2019-07-31 | 2024-01-26 | 杭州海康威视系统技术有限公司 | 一种隐匿车辆的确定方法、装置及电子设备 |
CN110633279A (zh) * | 2019-09-09 | 2019-12-31 | 四川东方网力科技有限公司 | 多源时空轨迹数据处理方法、装置、设备和存储介质 |
CN110662169B (zh) * | 2019-09-25 | 2021-04-27 | 北京明略软件系统有限公司 | 一种终端设备的匹配方法及装置 |
CN110662169A (zh) * | 2019-09-25 | 2020-01-07 | 北京明略软件系统有限公司 | 一种终端设备的匹配方法及装置 |
CN110727671A (zh) * | 2019-10-11 | 2020-01-24 | 北京明略软件系统有限公司 | 案件数据处理方法及装置 |
CN111131765A (zh) * | 2019-10-24 | 2020-05-08 | 广脉科技股份有限公司 | 一种多维感知的区域管理感知系统 |
CN111079033A (zh) * | 2019-11-29 | 2020-04-28 | 武汉烽火众智数字技术有限责任公司 | 一种基于智慧社区数据的人员定位分析方法 |
CN111144446B (zh) * | 2019-12-06 | 2023-04-21 | 北京中交兴路信息科技有限公司 | 一种基于时空网格的司机身份识别方法和系统 |
CN111144446A (zh) * | 2019-12-06 | 2020-05-12 | 北京中交兴路信息科技有限公司 | 一种基于时空网格的司机身份识别方法和系统 |
CN111246375A (zh) * | 2020-03-26 | 2020-06-05 | 广州金越软件技术有限公司 | 一种基于电子围栏和卡口信息的人车伴随技术 |
CN113449560A (zh) * | 2020-03-26 | 2021-09-28 | 广州金越软件技术有限公司 | 一种基于动态人像库进行人脸比对的技术 |
CN111696351A (zh) * | 2020-06-10 | 2020-09-22 | 长威信息科技发展股份有限公司 | 基于大数据的可疑车辆判别方法及系统 |
CN112115147A (zh) * | 2020-09-25 | 2020-12-22 | 北京百度网讯科技有限公司 | 数据处理的方法、装置、设备和存储介质 |
CN112115147B (zh) * | 2020-09-25 | 2024-04-30 | 北京百度网讯科技有限公司 | 数据处理的方法、装置、设备和存储介质 |
CN112182121A (zh) * | 2020-10-27 | 2021-01-05 | 南威软件股份有限公司 | 一种涉车关系发现方法、装置、设备和介质 |
CN113705499A (zh) * | 2021-09-02 | 2021-11-26 | 浙江力石科技股份有限公司 | 一种景区自动寻人方法 |
CN113705499B (zh) * | 2021-09-02 | 2024-04-02 | 浙江力石科技股份有限公司 | 一种景区自动寻人方法 |
CN114863637B (zh) * | 2022-03-30 | 2023-10-17 | 财上门科技(北京)有限公司 | 一种酒店安全管理系统及方法 |
CN114863637A (zh) * | 2022-03-30 | 2022-08-05 | 财上门科技(北京)有限公司 | 一种酒店安全管理系统及方法 |
CN115600866A (zh) * | 2022-10-18 | 2023-01-13 | 南京莱斯信息技术股份有限公司(Cn) | 一种针对特定车辆拦截的警员调度方法及终端 |
CN115345390A (zh) * | 2022-10-19 | 2022-11-15 | 武汉大数据产业发展有限公司 | 一种行为轨迹预测方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109461106A (zh) | 一种多维信息感知处理方法 | |
CN105913559B (zh) | 一种基于体感技术的银行atm机智能监控方法 | |
Du et al. | Catch me if you can: Detecting pickpocket suspects from large-scale transit records | |
CN101221621B (zh) | 警告监督用户受监视用户的行为的方法和系统 | |
CN115272037B (zh) | 一种基于物联网的智慧城市区域治安管理预警方法和系统 | |
CN106022296B (zh) | 一种基于车辆热点区域的概率聚合的套牌车检测方法 | |
CN109886204A (zh) | 一种基于大数据警务应用的多维感知系统 | |
JP2018173914A (ja) | 画像処理システム、撮像装置、学習モデル作成方法、情報処理装置 | |
Koss | Leveraging predictive policing algorithms to restore fourth amendment protections in high-crime areas in a post-Wardlow world | |
Cheng et al. | Vision-based monitoring of site safety compliance based on worker re-identification and personal protective equipment classification | |
Choosri et al. | IoT-RFID testbed for supporting traffic light control | |
US7295106B1 (en) | Systems and methods for classifying objects within a monitored zone using multiple surveillance devices | |
CN110414441A (zh) | 一种行人行踪分析方法及系统 | |
Tayebi et al. | Crimetracer: Activity space based crime location prediction | |
CN102254394A (zh) | 一种基于视频差异分析的输电线路杆塔防盗监控方法 | |
CN108009690A (zh) | 一种基于模块度最优化的地面公交扒窃团体自动检测方法 | |
CN115002150A (zh) | 一种智慧社区智能化疫情管控系统及方法 | |
US20230070108A1 (en) | Systems And Methods For Electronic Signature Tracking And Analysis | |
CN115471865A (zh) | 作业现场数字化安全管控方法、装置、设备和存储介质 | |
Prathap | Geo-spatial crime density attribution using optimized machine learning algorithms | |
Seghetti | Border Security: Immigration enforcement between ports of entry | |
Pouyan et al. | Propounding first artificial intelligence approach for predicting robbery behavior potential in an indoor security camera | |
Manoj et al. | A Strategy for Identification and Prevention of Crime using various Classifiers | |
CN114898889A (zh) | 一种基于大数据的聚集性风险控制模型的设计方法 | |
Brax et al. | Finding behavioural anomalies in public areas using video surveillance data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190312 |
|
RJ01 | Rejection of invention patent application after publication |