CN109801200A - 一种分级检测的方法和系统 - Google Patents
一种分级检测的方法和系统 Download PDFInfo
- Publication number
- CN109801200A CN109801200A CN201811467669.6A CN201811467669A CN109801200A CN 109801200 A CN109801200 A CN 109801200A CN 201811467669 A CN201811467669 A CN 201811467669A CN 109801200 A CN109801200 A CN 109801200A
- Authority
- CN
- China
- Prior art keywords
- information
- personnel
- danger
- security
- hierarchical detection
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000001514 detection method Methods 0.000 title claims abstract description 37
- 238000007689 inspection Methods 0.000 claims abstract description 60
- 238000011156 evaluation Methods 0.000 claims description 11
- 230000015654 memory Effects 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000013136 deep learning model Methods 0.000 claims description 6
- 238000005065 mining Methods 0.000 claims description 5
- 230000006399 behavior Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000007405 data analysis Methods 0.000 claims description 4
- 238000013480 data collection Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 4
- 238000004140 cleaning Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006403 short-term memory Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000003252 repetitive effect Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 230000002285 radioactive effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出了一种分级检测的方法和系统，所述方法包括如下步骤：步骤一、搜集历史数据并建立数据库；步骤二、基于所述历史数据，采用序次Probit模型对相关人员的危险程度进行评估；步骤三、根据评估结果对相关人员的危险程度进行划分；步骤四、根据所述划分结果对所述相关人员进行相应检测。通过本发明可以快速有效的进行人员安全检查，结合现有安检手段，有力的提高了分级检测的速度和效果，为各个行业分级检测提供了工具和依据。
Description
技术领域
本发明涉及安检数据处理技术领域，尤其涉及一种分级检测的方法和系统。
背景技术
对重点位置的安全检查，是保障旅客人身安全的重要防护措施。安检的重点位置可包括，边防检查、海关检查，地铁检查、车站检查等等。由于安全检查，是保障旅客人身安全的重要防护措施，所以所有进入重点位置的旅客都必须无一例外地经过检查后,才能允许进入，安全检查也是旅客必须履行的检查手续。
在公路、火车站、机场等公共场合的安全检查中，安全检查人员可以通过核对身份证等证件来验证待查人员的身份，确认被检人员是否在公安部门的有关可疑人员列表中。还可例如，安全检查人员使用特定设备(比如安检机)，产生的放射性射线(如X射线)，扫描被检人员的行李，根据扫描图像来检查旅客所带行李中，是否含有危险品或违禁物品。还可例如，安全检查人员使用人体检查仪对可疑旅客进行身体检查，检查可疑旅客是否随身携带了金属或其他违禁物品。总之，目前的安检流程繁琐，检查所用时间较长，旅客安检的体验很差，也给安全检查员带来了大量的重复性劳动，工作效率较低。
因此，需要一种用于安检中被检人员分级的方法及装置。
目前已有一些国内外公司或个人针对分级检测申请了一些专利，例如中国专利公开号CN108198116A，公开了一种用于安检中被检人员分级的方法及装置。用于被检人员分级的方法，包括：通过历史安检信息，生成被检人员的风险识别模型；获取当前被检人员的安全关联因素信息；将所述安全关联因素信息，通过数据清洗生成安全关联特征集合；以及通过所述安全关联特征集合与所述风险识别模型，实时确定所述当前被检人员的风险级别。该申请的用于安检中被检人员分级的方法，能够提高安检效率，对被检人员实现差异化检查。
然而，上述专利的实施过程中，需要用到数据清洗、机器学习算法、分布式系统基础架构与实时计算框架，实现过程非常复杂，成本较高。
在所述背景技术部分公开的上述信息仅用于加强对本发明的背景的理解，因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
为解决以上问题，本发明的目的是通过以下技术方案实现的。
根据本发明的一个方面，本发明提出了一种分级检测的方法，其包括如下步骤：
步骤一、搜集历史数据并建立数据库；
步骤二、基于所述历史数据，采用序次Probit模型对相关人员的危险程度进行评估；
步骤三、根据评估结果对相关人员的危险程度进行划分；
步骤四、根据所述划分结果对所述相关人员进行相应检测。
优选的，所述历史数据来自安检系统的历史安检信息或者其他社会相关机构。
优选的，所述历史安检信息包括：被检人员的社会关系信息，安检线索，和上网行为线索。
优选的，所述搜集历史数据并建立数据库，包括：通过大数据分析方法，将以往海量的安检站人员历史安检信息，使用深度神经网络算法，挖掘被检人员信息，从而建立被检人员的数据库。
优选的，所述深度神经网络算法包括如下步骤：
(1)提取历史安检信息；
(2)使用深度学习模型对所述历史安检信息进行学习，挖掘被检人员信息；所述深度学习模型为长短期记忆网络，所述长短期记忆网络的模型为串联的两层LSTM模型，所述两层LSTM模型位于隐藏层。
优选的，所述序次Probit模型对人员危险程度进行评估的方式如下：
其中，为不可观测的人员危险程度的评估值；xji为第i组观测数据中的影响人员危险程度的第j个解释变量；β0为截距，βj是与每一组观测数据中第j个解释变量对应的权重值；εi为遵循标准正态分布的随机误差值。
优选的，所述人员的危险程度划分为无危险、轻度危险、中度危险、重度危险四个等级。
优选的，所述分级检测方法部署在Apache Hadoop和Spark架构上，实现被检人员安全级别的实时计算。
优选的，所述历史数据的收集过程如下：
1)通过人证核验设备读取被检人员的身份证，设备从身份证信息中读取身份证号，性别，民族，出生日期，住址等信息；
2)借助安检信息库，通过身份证号等获取以往安检物品，所驾车辆，行驶轨迹等安检线索信息；
3)借助公安的信息库，通过身份证号等获取家庭，工作，住宿网吧等社会关系；
4)借助互联网信息库，获取该人的微博，微信公众号，贴吧发文，回帖，评论等互联网信息；
5)将以上信息汇总处理生成历史数据。
根据本发明的一个方面，还提出了一种分级检测的系统，其包括顺序连接的如下模块：
数据搜集模块，用于搜集历史数据并建立数据库；
评估模块，基于所述历史数据，采用序次Probit模型对相关人员的危险程度进行评估；
分级模块，根据评估结果对相关人员的危险程度进行划分；
检测模块，用于根据所述划分结果对所述相关人员进行相应检测。
通过本发明可以快速有效的进行人员安全检查，结合现有安检手段，有力的提高了分级检测的速度和效果，为各个行业分级检测提供了工具和依据。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
附图1示出了根据本发明实施方式的分级检测的方法流程图。
附图2示出了根据本发明实施方式的分级检测的系统结构图。
具体实施方式
现在将参考附图更全面地描述示例实施例。然而，示例实施例能够以多种形式实施，且不应被理解为限于在此阐述的实施例；相反，提供这些实施例使得本发明将全面和完整，并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。
此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本发明的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本发明的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本发明的各方面。
附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
应理解，虽然本文中可能使用术语第一、第二、第三等来描述各种组件，但这些组件不应受这些术语限制。这些术语乃用以区分一组件与另一组件。因此，下文论述的第一组件可称为第二组件而不偏离本公开概念的教示。如本文中所使用，术语「及/或」包括相关联的列出项目中的任一个及一或多者的所有组合。
本领域技术人员可以理解，附图只是示例实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的，因此不能用于限制本发明的保护范围。
具体的，如图1所示，本发明提出了一种分级检测的方法，其包括如下步骤：
步骤S1、搜集历史数据并建立数据库；
步骤S2、基于所述历史数据，采用序次Probit模型对相关人员的危险程度进行评估；
步骤S3、根据评估结果对相关人员的危险程度进行划分；
步骤S4、根据所述划分结果对所述相关人员进行相应检测。
以下对每个步骤的具体实现方式进行详细说明：
步骤S1、搜集历史数据并建立数据库。
所述历史数据来自安检系统的历史安检信息或者其他社会相关机构。本发明数据所提及的相关机构可以涉及很多机构，包括公安、银行、工商、教育、保险、电信等等。这些机构主要是国家部门或单位，例如，公安系统、教育系统、征信系统、诚信系统、金融系统、投融资系统等等。包括公安局、各大银行、大学、保险公司、中国移动、中国联通等等常见机构。
历史安检信息可包括：被检人员的社会关系信息，安检线索，和上网行为线索等。还可例如，通过大数据分析方法，将以往海量的安检站人员历史安检信息，使用深度神经网络算法，挖掘被检人员信息，从而建立被检人员的数据库。
其中，深度神经网络算法包括如下步骤：
(1)提取历史安检信息；
(2)使用深度学习模型对所述历史安检信息进行学习，挖掘被检人员信息；所述深度学习模型为长短期记忆网络(LSTM)，所述LSTM模型为串联的两层LSTM模型，所述两层LSTM模型位于隐藏层。
LSTM(Long Short-Term Memory)是长短期记忆网络，是一种时间递归神经网络，适合于处理和预测时间序列中间隔和延迟相对较长的重要事件。LSTM已经在科技领域有了多种应用。基于LSTM的系统可以学习翻译语言、控制机器人、图像分析、文档摘要、语音识别图像识别、手写识别、控制聊天机器人、预测疾病、点击率和股票、合成音乐等等任务。
本发明创造性的提出了将LSTM用于历史安检信息的深度学习，能够有效提高历史安检信息挖掘准确率。经实验发现，本发明使用LSTM得到的历史安检信息准确率约高于只使用普通信息挖掘方法的准确率十个百分点。
步骤S2、基于所述历史数据，采用序次Probit模型对相关人员的危险程度进行评估。
本实施例根据序次Probit模型，估计历史数据中人员的危险程度。
其中，人员的危险程度估计根据常见人员情况，将人员的危险程度分为无危险、轻度危险、中度危险、重度危险等。人员的危险程度与人员年龄、性别、是否有过失信、是否有过犯罪等有很大关系，经编码后，如无危险为0、轻度危险为1、中度危险为2、重度危险为3等，呈现明显的序次特征。
本实施例中，采用序次Probit模型对人员危险程度进行评估：
其中，为不可观测的人员危险程度的评估值；xji为第i组观测数据中的影响人员危险程度的第j个解释变量；β0为截距，βj是与每一组观测数据中第j个解释变量对应的权重值；εi为遵循标准正态分布的随机误差值。
具体来说，例如是否有过失信、是否有过犯罪对人员危险估计水平具有较大的影响。在人员危险程度分析中，用该模型验证SCI数据库2011年安检捕获罪犯案例库，准确率分别达到76.3％和63.1％。因此，使用序次Probit模型来估计人员危险程度是可行的，得出的回归参数估计值也是有效的。
步骤S3、根据评估结果对相关人员的危险程度进行划分。
根据评估的结果，将人员的危险程度划分为：无危险、轻度危险、中度危险、重度危险等四个等级。将相同等级的人员信息归于一个数据集下。
步骤S4、根据所述划分结果对所述相关人员进行相应检测。
如上文所述，可例如，人证核验闸机获取其身份证信息，与安检服务器建立通讯，获取该人的历史安检信息，通过数据清洗，获得历史安检信息集合。将该被检人员的历史安检信息导入序次Probit模型，可以实时计算出被检人员的风险级别。风险级别可例如，分为四级安全，有嫌疑，重点检查，罪犯(需要抓获)。本发明不以此为限。可例如，通过得到的安检分级结果，可结合安检现场实际情况，对被检人员进行差异化检测。比如：安全级别快速通过，有嫌疑级别一般安检，重点检查级别使用人体检查仪，盘查等方式重点安检。还可例如，为了提高人员风险识别模型的准确性和被检人员安全级别计算的实时性，可例基于大数据技术构建，将分析系统部署在Apache Hadoop和Spark架构上，实现被检人员安全级别的实时计算。
根据本发明的用于安检中被检人员分级的方法，通过获取被检人员的相关信息，并结合相关数据分析方法，能够提高安检效率，对被检人员实现差异化检查。
在本公开的另一种示例性实施例中，历史安检信息，包括：社会关系信息、安检线索信息以及上网行为线索信息。被检人员的历史安检信息收集过程可例如：
1)通过人证核验设备读取被检人员的身份证，设备从身份证信息中读取身份证号，性别，民族，出生日期，住址等信息；
2)借助安检信息库，通过身份证号等获取以往安检物品，所驾车辆，行驶轨迹等安检线索信息；
3)借助公安的信息库，通过身份证号等获取家庭，工作，住宿网吧等社会关系；
4)借助互联网信息库，获取该人的微博，微信公众号，贴吧发文，回帖，评论等互联网信息；
5)将以上信息汇总处理生成历史安检信息。
如图2所示，本发明还提供了一种分级检测的系统100，其包括顺序连接的如下模块：
数据搜集模块101，用于搜集历史数据并建立数据库；
评估模块102，基于所述历史数据，采用序次Probit模型对相关人员的危险程度进行评估；
分级模块103，根据评估结果对相关人员的危险程度进行划分；
检测模块104，用于根据所述划分结果对所述相关人员进行相应检测。
每个模块实现与方法实施方案对应的功能，可以参考上面的方法实施例，在此不再赘述。
通过本发明可以快速有效的进行人员安全检查，结合现有安检手段，有力的提高了分级检测的速度和效果，为各个行业分级检测提供了工具和依据。
本领域技术人员还可以了解到本发明实施例列出的各种说明性逻辑块(illustrative logical block)，单元，和步骤可以通过电子硬件、电脑软件，或两者的结合进行实现。为清楚展示硬件和软件的可替换性(interchangeability)，上述的各种说明性部件(illustrative components)，单元和步骤已经通用地描述了它们的功能。这样的功能是通过硬件还是软件来实现取决于特定的应用和整个系统的设计要求。本领域技术人员可以对于每种特定的应用，可以使用各种方法实现所述的功能，但这种实现不应被理解为超出本发明实施例保护的范围。
本发明实施例中所描述的各种说明性的逻辑块，或单元都可以通过通用处理器，数字信号处理器，专用集成电路(ASIC)，现场可编程门阵列(FPGA)或其它可编程逻辑装置，离散门或晶体管逻辑，离散硬件部件，或上述任何组合的设计来实现或操作所描述的功能。通用处理器可以为微处理器，可选地，该通用处理器也可以为任何传统的处理器、控制器、微控制器或状态机。处理器也可以通过计算装置的组合来实现，例如数字信号处理器和微处理器，多个微处理器，一个或多个微处理器联合一个数字信号处理器核，或任何其它类似的配置来实现。
本发明实施例中所描述的方法或算法的步骤可以直接嵌入硬件、处理器执行的软件模块、或者这两者的结合。软件模块可以存储于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动磁盘、CD-ROM或本领域中其它任意形式的存储媒介中。示例性地，存储媒介可以与处理器连接，以使得处理器可以从存储媒介中读取信息，并可以向存储媒介存写信息。可选地，存储媒介还可以集成到处理器中。处理器和存储媒介可以设置于ASIC中，ASIC可以设置于用户终端中。可选地，处理器和存储媒介也可以设置于用户终端中的不同的部件中。
在一个或多个示例性的设计中，本发明实施例所描述的上述功能可以在硬件、软件、固件或这三者的任意组合来实现。如果在软件中实现，这些功能可以存储与电脑可读的媒介上，或以一个或多个指令或代码形式传输于电脑可读的媒介上。电脑可读媒介包括电脑存储媒介和便于使得让电脑程序从一个地方转移到其它地方的通信媒介。存储媒介可以是任何通用或特殊电脑可以接入访问的可用媒体。例如，这样的电脑可读媒体可以包括但不限于RAM、ROM、EEPROM、CD-ROM或其它光盘存储、磁盘存储或其它磁性存储装置，或其它任何可以用于承载或存储以指令或数据结构和其它可被通用或特殊电脑、或通用或特殊处理器读取形式的程序代码的媒介。此外，任何连接都可以被适当地定义为电脑可读媒介，例如，如果软件是从一个网站站点、服务器或其它远程资源通过一个同轴电缆、光纤电缆、双绞线、数字用户线(DSL)或以例如红外、无线和微波等无线方式传输的也被包含在所定义的电脑可读媒介中。所述的碟片(disk)和磁盘(disc)包括压缩磁盘、镭射盘、光盘、DVD、软盘和蓝光光盘，磁盘通常以磁性复制数据，而碟片通常以激光进行光学复制数据。上述的组合也可以包含在电脑可读媒介中。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种分级检测的方法，其包括如下步骤：
步骤一、搜集历史数据并建立数据库；
步骤二、基于所述历史数据，采用序次Probit模型对相关人员的危险程度进行评估；
步骤三、根据评估结果对相关人员的危险程度进行划分；
步骤四、根据所述划分结果对所述相关人员进行相应检测。
2.如权利要求1所述的分级检测的方法，其特征在于：
所述历史数据来自安检系统的历史安检信息或者其他社会相关机构。
3.如权利要求2所述的分级检测的方法，其特征在于：
所述历史安检信息包括：被检人员的社会关系信息，安检线索，和上网行为线索。
4.如权利要求3所述的分级检测的方法，其特征在于：
所述搜集历史数据并建立数据库，包括：通过大数据分析方法，将以往海量的安检站人员历史安检信息，使用深度神经网络算法，挖掘被检人员信息，从而建立被检人员的数据库。
5.如权利要求4所述的分级检测的方法，其特征在于：
所述深度神经网络算法包括如下步骤：
(1)提取历史安检信息；
(2)使用深度学习模型对所述历史安检信息进行学习，挖掘被检人员信息；所述深度学习模型为长短期记忆网络，所述长短期记忆网络的模型为串联的两层LSTM模型，所述两层LSTM模型位于隐藏层。
6.如权利要求1所述的分级检测的方法，其特征在于：
所述序次Probit模型对人员危险程度进行评估的方式如下：
其中，为不可观测的人员危险程度的评估值；xji为第i组观测数据中的影响人员危险程度的第j个解释变量；β0为截距，βj是与每一组观测数据中第j个解释变量对应的权重值；εi为遵循标准正态分布的随机误差值。
7.如权利要求1所述的分级检测的方法，其特征在于：
所述人员的危险程度划分为无危险、轻度危险、中度危险、重度危险四个等级。
8.如权利要求1所述的分级检测的方法，其特征在于：
所述分级检测方法部署在Apache Hadoop和Spark架构上，实现被检人员安全级别的实时计算。
9.如权利要求1所述的分级检测的方法，其特征在于：
所述历史数据的收集过程如下：
1)通过人证核验设备读取被检人员的身份证，设备从身份证信息中读取身份证号，性别，民族，出生日期，住址等信息；
2)借助安检信息库，通过身份证号等获取以往安检物品，所驾车辆，行驶轨迹等安检线索信息；
3)借助公安的信息库，通过身份证号等获取家庭，工作，住宿网吧等社会关系；
4)借助互联网信息库，获取该人的微博，微信公众号，贴吧发文，回帖，评论等互联网信息；
5)将以上信息汇总处理生成历史数据。
10.一种分级检测的系统，其包括顺序连接的如下模块：
数据搜集模块，用于搜集历史数据并建立数据库；
评估模块，基于所述历史数据，采用序次Probit模型对相关人员的危险程度进行评估；
分级模块，根据评估结果对相关人员的危险程度进行划分；
检测模块，用于根据所述划分结果对所述相关人员进行相应检测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811467669.6A CN109801200A (zh) | 2018-12-03 | 2018-12-03 | 一种分级检测的方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811467669.6A CN109801200A (zh) | 2018-12-03 | 2018-12-03 | 一种分级检测的方法和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109801200A true CN109801200A (zh) | 2019-05-24 |
Family
ID=66556389
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811467669.6A Pending CN109801200A (zh) | 2018-12-03 | 2018-12-03 | 一种分级检测的方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109801200A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111160696A (zh) * | 2019-11-21 | 2020-05-15 | 国政通科技有限公司 | 一种基于大数据的被检人员分级方法 |
| CN111831904A (zh) * | 2020-06-18 | 2020-10-27 | 天讯瑞达通信技术有限公司 | 一种旅客行为数据分析方法及系统 |
| CN111883254A (zh) * | 2020-07-20 | 2020-11-03 | 罗普特科技集团股份有限公司 | 基于人脸轨迹的精神病患者的危险程度分析方法和系统 |
| CN116401290A (zh) * | 2023-03-28 | 2023-07-07 | 北京声迅电子股份有限公司 | 基于金属携带量数据的人员安检方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170236232A1 (en) * | 2016-01-19 | 2017-08-17 | Rapiscan Systems, Inc. | Integrated Security Inspection System |
| CN107092894A (zh) * | 2017-04-28 | 2017-08-25 | 孙恩泽 | 一种基于lstm模型的运动行为识别方法 |
| CN108198116A (zh) * | 2016-12-08 | 2018-06-22 | 同方威视技术股份有限公司 | 用于安检中被检人员分级的方法及装置 |
-
2018
- 2018-12-03 CN CN201811467669.6A patent/CN109801200A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170236232A1 (en) * | 2016-01-19 | 2017-08-17 | Rapiscan Systems, Inc. | Integrated Security Inspection System |
| CN108198116A (zh) * | 2016-12-08 | 2018-06-22 | 同方威视技术股份有限公司 | 用于安检中被检人员分级的方法及装置 |
| CN107092894A (zh) * | 2017-04-28 | 2017-08-25 | 孙恩泽 | 一种基于lstm模型的运动行为识别方法 |
Non-Patent Citations (2)
| Title |
|---|
| 李德毅 等: "《人工智能导论》", 31 August 2018 * |
| 达雷尔 等: "《信用的风险--定价、度量和管理》", 31 August 2009 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111160696A (zh) * | 2019-11-21 | 2020-05-15 | 国政通科技有限公司 | 一种基于大数据的被检人员分级方法 |
| CN111831904A (zh) * | 2020-06-18 | 2020-10-27 | 天讯瑞达通信技术有限公司 | 一种旅客行为数据分析方法及系统 |
| CN111883254A (zh) * | 2020-07-20 | 2020-11-03 | 罗普特科技集团股份有限公司 | 基于人脸轨迹的精神病患者的危险程度分析方法和系统 |
| CN116401290A (zh) * | 2023-03-28 | 2023-07-07 | 北京声迅电子股份有限公司 | 基于金属携带量数据的人员安检方法 |
| CN116401290B (zh) * | 2023-03-28 | 2023-09-29 | 北京声迅电子股份有限公司 | 基于金属携带量数据的人员安检方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109801200A (zh) | 一种分级检测的方法和系统 | |
| Sithic et al. | Survey of insurance fraud detection using data mining techniques | |
| Engelmann et al. | Measuring the discriminative power of rating systems | |
| CN108198116A (zh) | 用于安检中被检人员分级的方法及装置 | |
| Baechler et al. | 2012 student paper: toward a novel forensic intelligence model: systematic profiling of false identity documents | |
| Pelzer | Policing of terrorism using data from social media | |
| WO2013126281A1 (en) | Systems and methods for putative cluster analysis | |
| CN111160696A (zh) | 一种基于大数据的被检人员分级方法 | |
| CN112581259A (zh) | 账户风险识别方法及装置、存储介质、电子设备 | |
| Debener et al. | Detecting insurance fraud using supervised and unsupervised machine learning | |
| CN108629508A (zh) | 信用风险分类方法、装置、计算机设备及存储介质 | |
| Hidayati et al. | Development of conceptual framework for cyber fraud investigation | |
| Ye et al. | Image feature analysis for magnetic particle inspection of forging defects | |
| CN110751316A (zh) | 一种裁决结果预测方法、装置及终端设备 | |
| Huang et al. | Arc detection and recognition in the pantograph-catenary system based on multi-information fusion | |
| Atchaya et al. | Novel Logistic Regression over Naive Bayes Improves Accuracy in Credit Card Fraud Detection | |
| Tongesai et al. | Insurance Fraud Detection using Machine Learning | |
| Khripunov et al. | Anomalies detection in social services data in the sphere of digital economy | |
| Aribaba | Application of forensic accounting: A study of Companies in Nigeria | |
| Wani et al. | Malicious twitter bot detector | |
| Şen et al. | Detecting falsified financial statements using data mining: empirical research on finance sector in Turkey | |
| Jain et al. | Advanced big data analysis approach for credit card fraud detection | |
| Abedin et al. | Predicting Credibility of Online Reviews: An Integrated Approach | |
| Aneja et al. | An overview of cyber risks in internet of things (iot) world | |
| Shaini et al. | Using Machine Learning Techniques and Algorithms for Predicting the Time Length of Publishing a Law (TLOPL) in the Domain of e-Parliament |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190524 |