CN111078922A - 一种信息处理方法及装置、存储介质 - Google Patents

一种信息处理方法及装置、存储介质 Download PDF

Info

Publication number
CN111078922A
CN111078922A CN201910978622.4A CN201910978622A CN111078922A CN 111078922 A CN111078922 A CN 111078922A CN 201910978622 A CN201910978622 A CN 201910978622A CN 111078922 A CN111078922 A CN 111078922A
Authority
CN
China
Prior art keywords
person
frequent
pedestrian
target
determining
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.)
Withdrawn
Application number
CN201910978622.4A
Other languages
English (en)
Inventor
李蔚琳
黄潇莹
李江涛
付豪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Sensetime Technology Co Ltd
Original Assignee
Shenzhen Sensetime Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Sensetime Technology Co Ltd filed Critical Shenzhen Sensetime Technology Co Ltd
Priority to CN201910978622.4A priority Critical patent/CN111078922A/zh
Publication of CN111078922A publication Critical patent/CN111078922A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/55—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/5866—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, manually generated location and time information
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/587—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using geographical or spatial information, e.g. location
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06Q50/265—Personal security, identity or safety
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/161—Detection; Localisation; Normalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/172—Classification, e.g. identification

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Library & Information Science (AREA)
  • Databases & Information Systems (AREA)
  • Human Computer Interaction (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Development Economics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Educational Administration (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Security & Cryptography (AREA)
  • Artificial Intelligence (AREA)
  • Economics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了一种信息处理方法、装置及存储介质，其中，所述的方法包括：建立包含人员身份信息和抓拍图像信息的人员档案；确定所述人员档案中每个人物的频繁同行人，所述频繁同行人是与所述人物同行次数超过X次的同行人；获取指定人物，筛选出所述指定人物的频繁同行人；从所述频繁同行人中确定满足预警策略的目标人物。

Description

一种信息处理方法及装置、存储介质
技术领域
本申请涉及计算机领域中的信息处理技术，具体涉及一种信息处理方法、装置及存储介质。
背景技术
公安部门在进行案件侦查时，往往需要对嫌疑人的同行人进行分析，一方面能通过嫌疑人的社会关系网获得线索，另一方面通过挖掘与嫌疑人关系密切的相关人，进而挖掘出潜在的嫌疑同伙，一般可通过住宿信息、上网信息、出行信息等挖掘同行人。
随着人脸识别技术的发展及视频监控的快速普及，这种远距离、用户非配合状态下的身份识别技术被广泛应用，利用人脸识别技术进行同行人分析也成为了一种十分有效的侦查方法。比如，一种基于人脸识别的同行人分析方法是使用嫌疑人的人像照片在带有时空信息的人像抓拍库中进行检索，找出相似的抓拍人像，提取出所有抓拍人像前后Q秒出现的人像，将这些人像进行聚类，即可获得与嫌疑人同行次数较多的频繁同行人员。但是，该方法主要用于案发之后的侦破过程。
然而，如何对可能出现的犯罪行为进行提前预警，仍是亟待解决的技术问题。
发明内容
有鉴于此，本申请提供一种信息处理方法及装置、存储介质，能快速确定出目标人物，有助于对可能出现的犯罪行为进行提前预警。
第一方面，本申请实施例提供了一种信息处理方法，所述方法包括：
建立包含人员身份信息和抓拍图像信息的人员档案；
确定所述人员档案中每个人物的频繁同行人，所述频繁同行人是与所述人物同行次数超过X次的同行人；
获取指定人物，筛选出所述指定人物的频繁同行人；
从所述频繁同行人中确定满足预警策略的目标人物。
上述方案中，可选地，所述确定所述人员档案中每个人物的频繁同行人，包括：
分析每个人物的所述人员档案中的抓拍图像，得到每张所述抓拍图像的同行抓拍图像；其中，所述同行抓拍图像是抓拍到所述抓拍图像的图像采集装置在目标时间点前后Q秒的抓拍图像，所述目标时间点为所述图像采集装置抓拍到所述抓拍图像的时间点；
分析所述同行抓拍图像，确定所述同行抓拍图像关联的人员档案；
根据所述同行抓拍图像关联的人员档案，确定所述人物的同行人及每个所述同行人的同行次数；
将所述同行次数超过X次的同行人确定为所述人物的频繁同行人。
上述方案中，可选地，所述确定指定人物，包括：
基于预设数据库确定所述指定人物，所述预设数据库中的人是至少有过一次犯罪记录的人。
上述方案中，可选地，所述从所述频繁同行人中确定满足预警策略的目标人物，包括：
在预设时间内，若目标频繁同行人与两个或两个以上的所述指定人物同行M次以上时，将所述目标频繁同行人确定为满足预警策略的目标人物，其中，所述目标频繁同行人是所有所述频繁同行人中的一员。
上述方案中，可选地，所述从所述频繁同行人中确定满足预警策略的目标人物，包括：
在预设时间内，若目标频繁同行人与单个所述指定人物同行P次以上时，将所述目标频繁同行人确定为满足预警策略的目标人物，其中，所述目标频繁同行人是所有所述频繁同行人中的一员。
上述方案中，可选地，所述方法还包括：
以预设方式输出预警信息；
其中，所述预警信息至少包括：所述目标人物与所述指定人物的同行记录。
上述方案中，可选地，所述方法还包括：
对第一数据库中的图像数据进行聚类处理得到聚类处理结果；其中，所述第一数据库基于图像采集装置抓拍到的人像图像形成；
对第二数据库中的图像数据进行聚合处理得到聚合处理结果；其中，所述第二数据库基于实名的图像信息形成；
将所述聚类处理结果与所述聚合处理结果进行关联分析，得到人员档案。
上述方案中，可选地，所述对第一数据库中的图像数据进行聚类处理，包括：
从所述第一数据库中的图像数据提取出人脸图像数据；
将所述人脸图像数据分成若干类，所述若干类中的每个类都有一个类中心，且所述类中心包括类中心特征值。
上述方案中，可选地，所述对第二数据库中的图像数据进行聚合处理得到聚合处理结果，包括：
将身份证号相同的图像数据聚合为一个图像库；
建立所述图像库与所述身份证号对应的文本信息的关联关系，得到聚合处理结果，所述聚合处理结果中每一身份证号对应唯一档案数据。
上述方案中，可选地，所述将所述聚类处理结果与所述聚合处理结果进行关联分析，包括：
将所述第一数据库中每个类中心特征值与所述第二数据库各个参考类中心特征值进行全量比对得到全量比对结果；
基于所述全量对比结果确定出相似度最高并且相似度大于预设阈值的目标参考类中心特征值；
从所述第二数据库中查找所述目标参考类中心特征值对应的目标人像和所述目标人像对应的身份信息；
建立所述目标人像对应的身份信息与所述第一数据库中类中心特征值对应的图像的关联关系。
上述方案中，可选地，所述方法还包括：
当向所述第一数据库新增图像数据时，对新增的图像数据进行聚类处理，将所述新增的图像数据中人脸图像数据分成若干类，从所述第一数据库中查询是否有与所述若干类相同的类，如果有与所述若干类中第一类相同的类，则将所述第一类的图像数据合并到所述第一类的现有档案中；如果没有与所述若干类中第二类相同的类，则基于所述第二类建立新的档案，补充到所述第一数据库中。
上述方案中，可选地，所述方法还包括：
当向所述第二数据库新增图像数据时，从所述第二数据库中查询是否有与新增的所述图像数据相同的身份证号，如果有与所述图像数据中第一图像数据相同的第一身份证号，则将所述第一图像数据合并到所述第一身份证号对应的现有档案中；如果没有与所述图像数据中第二图像数据相同的第二身份证号，则基于所述第二图像数据的第二身份证号建立新的档案，补充到所述第二数据库中。
第二方面，本申请实施例提供了一种信息处理装置，所述装置包括：
档案建立模块，用于建立包含人员身份信息和抓拍图像信息的人员档案；
确定模块，用于确定所述人员档案中每个人物的频繁同行人，所述频繁同行人是与所述人物同行次数超过X次的同行人；
筛选模块，用于获取指定人物，筛选出所述指定人物的频繁同行人；
处理模块，用于从所述频繁同行人中确定满足预警策略的目标人物。
上述方案中，可选地，所述确定模块，用于：
分析所述人员档案中的抓拍图像，得到每张所述抓拍图像的同行抓拍图像；其中，所述同行抓拍图像是抓拍到所述抓拍图像的图像采集装置在目标时间点前后Q秒的抓拍图像，所述目标时间点为所述图像采集装置抓拍到所述抓拍图像的时间点；
分析所述同行抓拍图像，确定所述同行抓拍图像关联的人员档案；
根据所述同行抓拍图像关联的人员档案，确定所述人物的同行人及每个所述同行人的同行次数；
将所述同行次数超过X次的同行人确定为所述人物的频繁同行人。
上述方案中，可选地，所述筛选模块，用于：
基于预设数据库确定所述指定人物，所述预设数据库中的人是至少有过一次犯罪记录的人。
上述方案中，可选地，所述处理模块，用于：
在预设时间内，若目标频繁同行人与两个或两个以上的所述指定人物同行M次以上时，将所述目标频繁同行人确定为满足预警策略的目标人物，其中，所述目标频繁同行人是所有所述频繁同行人中的一员。
上述方案中，可选地，所述处理模块，用于：
在预设时间内，若目标频繁同行人与单个所述指定人物同行P次以上时，将所述目标频繁同行人确定为满足预警策略的目标人物，其中，所述目标频繁同行人是所有所述频繁同行人中的一员。
上述方案中，可选地，所述处理模块，还用于：
以预设方式输出预警信息；
其中，所述预警信息至少包括：所述目标人物与所述指定人物的同行记录。
上述方案中，可选地，所述档案建立模块，用于：
对第一数据库中的图像数据进行聚类处理得到聚类处理结果；其中，所述第一数据库基于图像采集装置抓拍到的人像图形成；
对第二数据库中的图像数据进行聚合处理得到聚合处理结果；其中，所述第二数据库基于实名的图像信息形成；
将所述聚类处理结果与所述聚合处理结果进行关联分析，得到人员档案。
上述方案中，可选地，所述档案建立模块，用于：
从所述第一数据库中的图像数据提取出人脸图像数据；
将所述人脸图像数据分成若干类，所述若干类中的每个类都有一个类中心，且所述类中心包括类中心特征值。
上述方案中，可选地，所述档案建立模块，用于：
将身份证号相同的图像数据聚合为一个图像库；
建立所述图像库与所述身份证号对应的文本信息的关联关系，得到聚合处理结果，所述聚合处理结果中每一身份证号对应唯一档案数据。
上述方案中，可选地，所述档案建立模块，用于：
将所述第一数据库中每个类中心特征值与所述第二数据库各个参考类中心特征值进行全量比对得到全量比对结果；
基于所述全量对比结果确定出相似度最高并且相似度大于预设阈值的目标参考类中心特征值；
从所述第二数据库中查找所述目标参考类中心特征值对应的目标人像和所述目标人像对应的身份信息；
建立所述目标人像对应的身份信息与所述第一数据库中类中心特征值对应的图像的关联关系。
上述方案中，可选地，所述档案建立模块，还用于：
当向所述第一数据库新增图像数据时，对新增的图像数据进行聚类处理，将所述新增的图像数据中人脸图像数据分成若干类，从所述第一数据库中查询是否有与所述若干类相同的类，如果有与所述若干类中第一类相同的类，则将所述第一类的图像数据合并到所述第一类的现有档案中；如果没有与所述若干类中第二类相同的类，则基于所述第二类建立新的档案，补充到所述第一数据库中。
上述方案中，可选地，所述档案建立模块，还用于：
当向所述第二数据库新增图像数据时，从所述第二数据库中查询是否有与新增的所述图像数据相同的身份证号，如果有与所述图像数据中第一图像数据相同的第一身份证号，则将所述第一图像数据合并到所述第一身份证号对应的现有档案中；如果没有与所述图像数据中第二图像数据相同的第二身份证号，则基于所述第二图像数据的第二身份证号建立新的档案，补充到所述第二数据库中。
第三方面，本申请实施例提供了一种信息处理装置，所述装置包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现本申请实施例所述的信息处理方法的步骤。
第四方面，本申请实施例提供了一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行本申请实施例所述的信息处理方法的步骤。
本申请实施例提供的技术方案，建立包含人员身份信息和抓拍图像信息的人员档案；确定所述人员档案中每个人物的频繁同行人，所述频繁同行人是与所述人物同行次数超过X次的同行人；获取指定人物，筛选出所述指定人物的频繁同行人；从所述频繁同行人中确定满足预警策略的目标人物；这样，基于人员档案确定每个人的频繁同行人，进而能快速确定出与指定人员频繁同行的目标人员，可以大大的提升确定目标人员的效率，有助于对可能出现的犯罪行为进行提前预警；与此同时相对于人工判定，减少了人工误差和不熟练技术人员导致错误率，从而具有准确率高的特点；基于图像信息等预先建立人员档案，自动对抓拍图像进行分析归类，能快速识别每个人物，且由于人员档案是基于一人一档而建立的，有助于快速确定每个人物的相关信息。
附图说明
图1为本申请实施例提供的一种信息处理方法的实现流程示意图；
图2为本申请实施例提供的确定频繁同行人员的流程示意图；
图3为本申请实施例提供的人脸聚类的算法原理示意图：
图4为本申请实施例提供的人脸聚类的结果示意图；
图5为本申请实施例提供的档案建立流程示意图；
图6为本申请实施例提供的一种信息处理装置的组成结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请实施例方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。
本申请的说明书实施例和权利要求书及上述附图中的术语“第一”、“第二”、和“第三”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元。方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本申请实施例提供一种信息处理方法，本申请实施例可以应用于各种电子设备中，该电子设备包括但不限于固定设备和/或移动设备，例如，所述固定设备包括但不限于：个人电脑(Personal Computer，PC)、或者服务器等；所述移动设备包括但不限于：手机、平板电脑或可穿戴式设备。如图1所示，所述方法包括以下步骤。
步骤101、建立包含人员身份信息和抓拍图像信息的人员档案。
其中，同一个人对应有唯一的人员档案。
在一些实施例中，建立包含人员身份信息和抓拍图像信息的人员档案，包括；
对第一数据库中的图像数据进行聚类处理得到聚类处理结果；其中，所述第一数据库基于图像采集装置抓拍到的人像图像形成；
对第二数据库中的图像数据进行聚合处理得到聚合处理结果；其中，所述第二数据库基于实名的图像信息形成；
将所述聚类处理结果与所述聚合处理结果进行关联分析，得到包含人员身份信息和抓拍信息的人员档案。
为方便理解，可将所述第一数据库称为抓拍人像库，其根据图像采集装置抓拍到的人像图所形成；可将第二数据库称之为静态人像库，其根据已实名认证的公民人口信息如身份证形成。
这里，所述图像采集装置具有图像采集功能，比如，所述图像采集装置可以是摄像机或抓拍机。
需要说明的是，每个图像采集装置都具有一个唯一表征所述图像采集装置的标识。
如此，可以得到一个人在系统内的全部档案信息。
在一些可选实施方式中，所述对第一数据库中的图像数据进行聚类处理，包括：
从所述第一数据库中的图像数据提取出人脸图像数据；
将所述人脸图像数据分成若干类，所述若干类中的每个类都有一个类中心，且所述类中心包括类中心特征值。
这样，给出了在众多人像抓拍图中进行人脸聚类的方法，即将人脸的集合分成由类似的人脸组成的多个类，由聚类所生成的类是一组数据对象的集合，这些对象与同一个类中的对象彼此相似，与其他类的对象相异。
具体地，可以使用现有的聚类算法将人脸图像数据分成若干类。
在一些可选实施方式中，所述对第二数据库中的图像数据进行聚合处理得到聚合处理结果，包括：
将身份证号相同的图像数据聚合为一个图像库；
建立所述图像库与所述身份证号对应的文本信息的关联关系，得到聚合处理结果，所述聚合处理结果中每一身份证号对应唯一档案数据。
也就是说，在第二数据库中，身份证号相同的聚合为一个档案。
在一些可选实施方式中，所述将所述聚类处理结果与所述聚合处理结果进行关联分析，包括：
将第一数据库中每个类中心特征值与第二数据库各个参考类中心特征值进行全量比对得到全量比对结果；
基于所述全量对比结果确定出相似度最高并且相似度大于预设阈值的目标参考类中心特征值；
从所述第二数据库中查找所述目标参考类中心特征值对应的目标人像和所述目标人像对应的身份信息；
建立所述目标人像对应的身份信息与所述第一数据库中类中心特征值对应的图像的关联关系。
如此，将相似度最高的图像对应的身份信息赋予这个抓拍库的类，使得这类抓拍人像实名。
上述方案中，可选地，所述方法还包括：
当向所述第一数据库新增图像数据时，对新增的图像数据进行聚类处理，将所述新增的图像数据中人脸图像数据分成若干类，从所述第一数据库中查询是否有与所述若干类相同的类，如果有与所述若干类中第一类相同的类，则将所述第一类的图像数据合并到所述第一类的现有档案中；如果没有与所述若干类中第二类相同的类，则基于所述第二类建立新的档案，补充到所述第一数据库中。
这里，所述第一类的现有档案，是所述第一数据库中已有的第一类的档案，在所述第一数据库中，每一个类对应有唯一的一个档案。
如此，当数据库出现新增增量时，及时对系统内档案数据进行更新或补充。
上述方案中，可选地，所述方法还包括：
当向所述第二数据库新增图像数据时，从所述第二数据库中查询是否有与新增的所述图像数据相同的身份证号，如果有与所述图像数据中第一图像数据相同的第一身份证号，则将所述第一图像数据合并到所述第一身份证号对应的现有档案中；如果没有与所述图像数据中第二图像数据相同的第二身份证号，则基于所述第二图像数据的第二身份证号建立新的档案，补充到所述第二数据库中。
这里，所述第一身份证号对应的现有档案，是所述第二数据库中已有的第一身份证号的档案，在所述第二数据库中，每一个身份证号对应有唯一的一个档案。
如此，当数据库出现新增增量时，及时对系统内档案数据进行更新或补充。
步骤102、确定所述人员档案中每个人物的频繁同行人，所述频繁同行人是与所述人物同行次数超过X次的同行人。
在一些可选实施方式中，所述确定所述人员档案中每个人物的频繁同行人，包括：
分析每个人物对应的人员档案中的抓拍图像，得到每张所述抓拍图像的同行抓拍图像；其中，所述同行抓拍图像是抓拍到所述抓拍图像的图像采集装置在目标时间点前后Q秒的抓拍图像，所述目标时间点为所述图像采集装置抓拍到所述抓拍图像的时间点；
分析所述同行抓拍图像，确定所述同行抓拍图像关联的人员档案；
根据所述同行抓拍图像关联的人员档案，确定所述人物的同行人及每个所述同行人的同行次数；
将所述同行次数超过X次的同行人确定为所述人物的频繁同行人。
如此，对于每个人员档案中的抓拍图片，找出每张抓拍图片的同行抓拍图片，通过同行抓拍图片关联的人员档案，获得每个人的同行人，同行多次的被认为是频繁同行人。
图2示出了确定频繁同行人员的流程示意图，如图2所示，在A的人员档案中，包括人像信息、抓拍图片1、抓拍图片2、…、抓拍图片N；抓拍图片1的同行抓拍图片包括同行抓拍1a、同行抓拍1b、同行抓拍1c等；抓拍图片2的同行抓拍图片包括同行抓拍2a、同行抓拍2b、同行抓拍2c等；抓拍图片N的同行抓拍图片包括同行抓拍Na、同行抓拍Nb、同行抓拍Nc等；同行抓拍1a、同行抓拍2a、同行抓拍Na都能对应到B的人员档案，则将B作为A的频繁同行人；同行抓拍1b、同行抓拍1c、同行抓拍2b都能对应到C的人员档案，则将C作为A的频繁同行人；同行抓拍2c、同行抓拍Nb都能对应到D的人员档案，则将D作为A的频繁同行人。
步骤103、获取指定人物，筛选出所述指定人物的频繁同行人。
在一些可选实施方式中，所述获取指定人物，包括：
基于预设数据库确定所述指定人物，所述预设数据库中的人是至少有过一次犯罪记录的人。
示例性地，该预设数据库包括前科人员库、吸毒人员库、盗窃前科库、涉毒涉黄库等。
步骤104、从所述频繁同行人中确定满足预警策略的目标人物。
在一些可选实施方式中，所述从所述频繁同行人中确定满足预警策略的目标人物，包括：
在预设时间内，若目标频繁同行人与两个或两个以上的所述指定人物同行M次以上时，将所述目标频繁同行人确定为满足预警策略的目标人物，其中，所述目标频繁同行人是所有所述频繁同行人中的一员。
如此，由于指定人员来自预设数据库，指定人员相对于不在该预设数据库中的人而言，从事不法行为的可能性要大，通过视频图像分析查找出与指定人员频繁接触的人，则这类与指定人员频繁接触的人从事不法行为的概率较大。
在一些可选实施方式中，所述从所述频繁同行人中确定满足预警策略的目标人物，包括：
在预设时间内，若目标频繁同行人与单个所述指定人物同行P次以上时，将所述目标频繁同行人确定为满足预警策略的目标人物，其中，所述目标频繁同行人是所有所述频繁同行人中的一员。
实际应用中，可根据不同使用场景设置不同预警策略，比如，针对预设数据库中的第一类指定人员，与单个所述第一类指定人物同行P1次以上的频繁同行人确定为目标人物；针对预设数据库中的第二类指定人员，与单个所述第二类指定人物同行P2次以上的频繁同行人确定为目标人物；针对预设数据库中的第三类指定人员，与多个所述第三类指定人物同行M1次以上的频繁同行人确定为目标人物；针对预设数据库中的第四类指定人员，与多个所述第四类指定人物同行M2次以上的频繁同行人确定为目标人物。当所有人员档案中存在满足所设置的预警策略的人员时，进行预警。
在一些实施例中，所述方法还进一步包括：
以预设方式输出预警信息；
其中，所述预警信息至少包括：所述目标人物与所述指定人物的同行记录。
可以理解，输出方式可根据用户需求或设计需求进行设定或调整。
可选地，所述同行记录可包括下述至少之一：同行次数，每次同行的时间及地点、人脸抓拍图、场景大图。
本申请实施例提供的技术方案，基于图像信息等预先建立人员档案，自动对抓拍图像进行分析归类，能快速得到每个人的人员档案；基于人员档案对抓拍图像进行分析来确定每个人的频繁同行人，进而能快速确定出与指定人员频繁同行的目标人员，可以大大的提升确定目标人员的效率，有助于对可能出现的犯罪行为进行提前预警；与此同时相对于人工判定，减少了人工误差和不熟练技术人员导致错误率，从而具有准确率高的特点；且由于人员档案是基于一人一档而建立的，有助于快速确定每个人物的相关信息。
本申请所述技术方案可应用于智能视频分析，安防监控等领域。比如，可通过基于人员档案的同行人分析，在事/案前，对异常事件进行预警。
举例来说，由于创建大规模的人员档案，通过分析人员的同行关系，找出与指定人员频繁同行的可疑人员，对可能出现的犯罪行为进行提前预警。例如，通过抓拍图像分析发现一个没有前科的孕妇，在短时间内经常与多名有盗窃前科且未销案的人员同行，判定存在利用孕妇进行作案的嫌疑。如此，便于警方提前对该孕妇进行预警，阻止该孕妇实施犯罪行为。
图3示出了本申请实施例提供的人脸聚类的算法原理示意图，如图3所示，人脸聚类的算法原理主要包括三步：
第一步：新输入特征与底库类中心进行最近邻搜索，通过FAISS指数确定其是否属于现有底库，即是否有类别。
这里，所述FAISS是Facebook AI Similarity Search的缩写，中文名称是开源相似性搜索类库。
第二步：对有类别的特征的处理：与现有类别聚类，并更新底库类中心。
第三步：对无类别的特征的处理：聚类，确定类别，将新聚类中心加入到底库类中心中。
图4示出了本申请实施例提供的人脸聚类的结果示意图，如图4所示，左图中各个图形表示一个特征或表示抓拍的一个照片，形状相似表示相似度越高；右图是经过聚类处理的图，根据相似度进行自动聚类，一类表示一个人。
图5示出了本申请实施例提供的档案建立流程示意图，如图5所示，该流程主要分为入库、分类、关联、一人一档、未实名档案五大部分。对于人像库来说，批量人像入库，将同身份证号的人像聚合为一个档案；对于抓拍库来说，批量抓拍图像入库或接入视频流，定时触发聚类，比如一小时或一天聚类一次，时间可配置，初次为全量聚类，以后增量聚类，与现有的类聚合，而没有相近的类可自动聚合成一个新类。对于新增人像，可批量入库或单张入库，查询人像库的现有档案中是否有与新增人像相同的身份证号，如果有，将新增人像聚合到相同身份证号下的档案；如果没有与新增人像相同的身份证号，为新增人像建立新的档案。对于新增抓拍，可批量入库或单张入库或接入视频流，定时触发聚类，查询抓拍库的现有档案中是否有与新增抓拍相同的类，如果有，将新增抓拍聚合到相同类下的档案；如果没有与新增抓拍相同的类，为新增抓拍建立新的档案，新类的类中心与人像库撞库。抓拍库与人像库撞库，具体地，抓拍库聚类后分成若干类(人)，每个类都有一个类中心，对应一个类中心特征值，每个类中心特征值再和人像库进行全量1：S比对，取相似度最高TOP1并且大于预设阈值的一个人像，将此TOP1的人像对应的身份信息赋予这个抓拍库的类，使得这类抓拍人像实名。
可见，将带有公民身份的人像库(静态库)作为基准库，结合由抓拍机抓拍到带有时空信息的人脸抓拍图进行聚类，以两两相似度为判断标准，将人脸识别系统中疑似同一人的信息进行关联，使得一个人有唯一的综合档案。从档案中，可得出潜在嫌疑人的属性特征、行为特征等。
如此，基于创建的大规模的人员档案，通过分析人员的同行关系，可用于事/案发之前，找出与指定人员频繁同行的目标人员，对可能出现的犯罪行为进行提前预警。
本申请实施例还提供了一种信息处理装置，如图6所示，所述装置包括：
档案建立模块10，用于建立包含人员身份信息和抓拍图像信息的人员档案；
确定模块20，用于确定所述人员档案中每个人物的频繁同行人，所述频繁同行人是与所述人物同行次数超过X次的同行人；
筛选模块30，用于获取指定人物，筛选出所述指定人物的频繁同行人；
处理模块40，用于从所述频繁同行人中确定满足预警策略的目标人物。
作为一种实施方式，所述确定模块20，用于：
分析所述人员档案中的抓拍图像，得到每张所述抓拍图像的同行抓拍图像；其中，所述同行抓拍图像是抓拍到所述抓拍图像的图像采集装置在目标时间点前后Q秒的抓拍图像，所述目标时间点为所述图像采集装置抓拍到所述抓拍图像的时间点；
分析所述同行抓拍图像，确定所述同行抓拍图像关联的人员档案；
根据所述同行抓拍图像关联的人员档案，确定所述人物的同行人及每个所述同行人的同行次数；
将所述同行次数超过X次的同行人确定为所述人物的频繁同行人。
作为一种实施方式，所述筛选模块30，用于：
基于预设数据库确定所述指定人物，所述预设数据库中的人是至少有过一次犯罪记录的人。
作为一种实施方式，所述处理模块40，用于：
在预设时间内，若目标频繁同行人与两个或两个以上的所述指定人物同行M次以上时，将所述目标频繁同行人确定为满足预警策略的目标人物，其中，所述目标频繁同行人是所有所述频繁同行人中的一员。
作为一种实施方式，所述处理模块40，用于：
在预设时间内，若目标频繁同行人与单个所述指定人物同行P次以上时，将所述目标频繁同行人确定为满足预警策略的目标人物，其中，所述目标频繁同行人是所有所述频繁同行人中的一员。
作为一种实施方式，所述处理模块40，还用于：
以预设方式输出预警信息；
其中，所述预警信息至少包括：所述目标人物与所述指定人物的同行记录。
作为一种实施方式，所述档案建立模块10，用于：
对第一数据库中的图像数据进行聚类处理得到聚类处理结果；其中，所述第一数据库基于图像采集装置抓拍到的人像图像形成；
对第二数据库中的图像数据进行聚合处理得到聚合处理结果；其中，所述第二数据库基于实名的图像信息形成；
将所述聚类处理结果与所述聚合处理结果进行关联分析，得到人员档案。
作为一种实施方式，所述档案建立模块10，用于：
从所述第一数据库中的图像数据提取出人脸图像数据；
将所述人脸图像数据分成若干类，所述若干类中的每个类都有一个类中心，且所述类中心包括类中心特征值。
作为一种实施方式，所述档案建立模块10，用于：
将身份证号相同的图像数据聚合为一个图像库；
建立所述图像库与所述身份证号对应的文本信息的关联关系，得到聚合处理结果，所述聚合处理结果中每一身份证号对应唯一档案数据。
作为一种实施方式，所述档案建立模块10，用于：
将所述第一数据库中每个类中心特征值与所述第二数据库各个参考类中心特征值进行全量比对得到全量比对结果；
基于所述全量对比结果确定出相似度最高并且相似度大于预设阈值的目标参考类中心特征值；
从所述第二数据库中查找所述目标参考类中心特征值对应的目标人像和所述目标人像对应的身份信息；
建立所述目标人像对应的身份信息与所述第一数据库中类中心特征值对应的图像的关联关系。
作为一种实施方式，所述档案建立模块10，还用于：
当向所述第一数据库新增图像数据时，对新增的图像数据进行聚类处理，将所述新增的图像数据中人脸图像数据分成若干类，从所述第一数据库中查询是否有与所述若干类相同的类，如果有与所述若干类中第一类相同的类，则将所述第一类的图像数据合并到所述第一类的现有档案中；如果没有与所述若干类中第二类相同的类，则基于所述第二类建立新的档案，补充到所述第一数据库中。
作为一种实施方式，所述档案建立模块10，还用于：
当向所述第二数据库新增图像数据时，从所述第二数据库中查询是否有与新增的所述图像数据相同的身份证号，如果有与所述图像数据中第一图像数据相同的第一身份证号，则将所述第一图像数据合并到所述第一身份证号对应的现有档案中；如果没有与所述图像数据中第二图像数据相同的第二身份证号，则基于所述第二图像数据的第二身份证号建立新的档案，补充到所述第二数据库中。
本领域技术人员应当理解，在一些可选实施例中，图6中所示的信息处理装置中的各处理单元的实现功能可参照前述信息处理方法的相关描述而理解。
本领域技术人员应当理解，在一些可选实施例中，图6所示的信息处理装置中各处理单元的功能可通过运行于处理器上的程序而实现，也可通过具体的逻辑电路而实现。
实际应用中，上述的档案建立模块10、确定模块20、筛选模块30和处理模块40的具体结构均可对应于处理器。所述处理器具体的结构可以为中央处理器(CPU，CentralProcessing Unit)、微处理器(MCU，Micro Controller Unit)、数字信号处理器(DSP，Digital Signal Processing)或可编程逻辑器件(PLC，Programmable Logic Controller)等具有处理功能的电子元器件或电子元器件的集合。其中，所述处理器包括可执行代码，所述可执行代码存储在存储介质中，所述处理器可以通过总线等通信接口与所述存储介质中相连，在执行具体的各单元的对应功能时，从所述存储介质中读取并运行所述可执行代码。所述存储介质用于存储所述可执行代码的部分优选为非瞬间存储介质。
所述档案建立模块10、确定模块20、筛选模块30和处理模块40可以集成对应于同一处理器，或分别对应不同的处理器；当集成对应于同一处理器时，所述处理器采用时分处理所述档案建立模块10、确定模块20、筛选模块30和处理模块40对应的功能。
本申请实施例提供的信息处理装置，能快速确定出与指定人员频繁同行的目标人员，可以大大的提升确定目标人员的效率，有助于对可能出现的犯罪行为进行提前预警。
本申请实施例还记载了一种信息处理装置，所述装置包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现前述任意一个技术方案提供的信息处理方法。
本申请实施例中，所述处理器执行所述程序时实现：
建立包含人员身份信息和抓拍图像信息的人员档案；
确定所述人员档案中每个人物的频繁同行人，所述频繁同行人是与所述人物同行次数超过X次的同行人；
获取指定人物，筛选出所述指定人物的频繁同行人；
从所述频繁同行人中确定满足预警策略的目标人物。
本申请实施例中，所述处理器执行所述程序时实现：
分析每个人物的所述人员档案中的抓拍图像，得到每张所述抓拍图像的同行抓拍图像；其中，所述同行抓拍图像是抓拍到所述抓拍图像的图像采集装置在目标时间点前后Q秒的抓拍图像，所述目标时间点为所述图像采集装置抓拍到所述抓拍图像的时间点；
分析所述同行抓拍图像，确定所述同行抓拍图像关联的人员档案；
根据所述同行抓拍图像关联的人员档案，确定所述人物的同行人及每个所述同行人的同行次数；
将所述同行次数超过X次的同行人确定为所述人物的频繁同行人。
本申请实施例中，所述处理器执行所述程序时实现：
基于预设数据库确定所述指定人物，所述预设数据库中的人是至少有过一次犯罪记录的人。
本申请实施例中，所述处理器执行所述程序时实现：
在预设时间内，若目标频繁同行人与两个或两个以上的所述指定人物同行M次以上时，将所述目标频繁同行人确定为满足预警策略的目标人物，其中，所述目标频繁同行人是所有所述频繁同行人中的一员。
本申请实施例中，所述处理器执行所述程序时实现：
在预设时间内，若目标频繁同行人与单个所述指定人物同行P次以上时，将所述目标频繁同行人确定为满足预警策略的目标人物，其中，所述目标频繁同行人是所有所述频繁同行人中的一员。
本申请实施例中，所述处理器执行所述程序时实现：
以预设方式输出预警信息；
其中，所述预警信息至少包括：所述目标人物与所述指定人物的同行记录。
本申请实施例中，所述处理器执行所述程序时实现：
对第一数据库中的图像数据进行聚类处理得到聚类处理结果；其中，所述第一数据库基于图像采集装置抓拍到的人像图像形成；
对第二数据库中的图像数据进行聚合处理得到聚合处理结果；其中，所述第二数据库基于实名的图像信息形成；
将所述聚类处理结果与所述聚合处理结果进行关联分析，得到人员档案。
本申请实施例中，所述处理器执行所述程序时实现：
从所述第一数据库中的图像数据提取出人脸图像数据；
将所述人脸图像数据分成若干类，所述若干类中的每个类都有一个类中心，且所述类中心包括类中心特征值。
本申请实施例中，所述处理器执行所述程序时实现：
将身份证号相同的图像数据聚合为一个图像库；
建立所述图像库与所述身份证号对应的文本信息的关联关系，得到聚合处理结果，所述聚合处理结果中每一身份证号对应唯一档案数据。
本申请实施例中，所述处理器执行所述程序时实现：
将所述第一数据库中每个类中心特征值与所述第二数据库各个参考类中心特征值进行全量比对得到全量比对结果；
基于所述全量对比结果确定出相似度最高并且相似度大于预设阈值的目标参考类中心特征值；
从所述第二数据库中查找所述目标参考类中心特征值对应的目标人像和所述目标人像对应的身份信息；
建立所述目标人像对应的身份信息与所述第一数据库中类中心特征值对应的图像的关联关系。
本申请实施例中，所述处理器执行所述程序时实现：
当向所述第一数据库新增图像数据时，对新增的图像数据进行聚类处理，将所述新增的图像数据中人脸图像数据分成若干类，从所述第一数据库中查询是否有与所述若干类相同的类，如果有与所述若干类中第一类相同的类，则将所述第一类的图像数据合并到所述第一类的现有档案中；如果没有与所述若干类中第二类相同的类，则基于所述第二类建立新的档案，补充到所述第一数据库中。
本申请实施例中，所述处理器执行所述程序时实现：
当向所述第二数据库新增图像数据时，从所述第二数据库中查询是否有与新增的所述图像数据相同的身份证号，如果有与所述图像数据中第一图像数据相同的第一身份证号，则将所述第一图像数据合并到所述第一身份证号对应的现有档案中；如果没有与所述图像数据中第二图像数据相同的第二身份证号，则基于所述第二图像数据的第二身份证号建立新的档案，补充到所述第二数据库中。
本申请实施例提供的信息处理装置，能快速确定出与指定人员频繁同行的目标人员，可以大大的提升确定目标人员的效率，有助于对可能出现的犯罪行为进行提前预警。
本申请实施例还记载了一种计算机存储介质，所述计算机存储介质中存储有计算机可执行指令，所述计算机可执行指令用于执行前述各个实施例所述的发票识别方法。也就是说，所述计算机可执行指令被处理器执行之后，能够实现前述任意一个技术方案提供的信息处理方法。
本领域技术人员应当理解，本实施例的计算机存储介质中各程序的功能，可参照前述各实施例所述的信息处理方法的相关描述而理解。
本申请所述技术方案，自动将同一人在视频监控中的抓拍图像与既有静态人员数据库结合，形成包含人员信息及抓拍信息的人员档案，公安民警通过配置一些同行策略，可以在案发前，接收到异常行为的预警，提前采取措施，防止案件的发生。
还应理解，本文中列举的各个可选实施例仅仅是示例性的，用于帮助本领域技术人员更好地理解本申请实施例的技术方案，而不应理解成对本申请实施例的限定，本领域普通技术人员可以在本文所记载的各个可选实施例的基础上进行各种改变和替换，也应理解为本申请实施例的一部分。
此外，本文对技术方案的描述着重于强调各个实施例的不同之处，其相同或相似之处可以相互参考，为了简洁，不再一一赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，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，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，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全部单元来实现本实施例方案的目的。
另外，在本申请各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，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，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本申请上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也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，本申请实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本申请各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本申请的具体实施方式，但本申请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申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种信息处理方法，其特征在于，所述方法包括：
建立包含人员身份信息和抓拍图像信息的人员档案；
确定所述人员档案中每个人物的频繁同行人，所述频繁同行人是与所述人物同行次数超过X次的同行人；
获取指定人物，筛选出所述指定人物的频繁同行人；
从所述频繁同行人中确定满足预警策略的目标人物。
2.根据权利要求1所述的方法，其特征在于，所述确定所述人员档案中每个人物的频繁同行人，包括：
分析每个人物对应的人员档案中的抓拍图像，得到每张所述抓拍图像的同行抓拍图像；其中，所述同行抓拍图像是抓拍到所述抓拍图像的图像采集装置在目标时间点前后Q秒的抓拍图像，所述目标时间点为所述图像采集装置抓拍到所述抓拍图像的时间点；
分析所述同行抓拍图像，确定所述同行抓拍图像关联的人员档案；
根据所述同行抓拍图像关联的人员档案，确定所述人物的同行人及每个所述同行人的同行次数；
将所述同行次数超过X次的同行人确定为所述人物的频繁同行人。
3.根据权利要求1所述的方法，其特征在于，所述获取指定人物，包括：
从预设数据库获取所述指定人物，所述预设数据库中的人是至少有过一次犯罪记录的人。
4.根据权利要求1所述的方法，其特征在于，所述从所述频繁同行人中确定满足预警策略的目标人物，包括：
在预设时间内，若目标频繁同行人与两个或两个以上的所述指定人物同行M次以上时，将所述目标频繁同行人确定为满足预警策略的目标人物，其中，所述目标频繁同行人是所有所述频繁同行人中的一员。
5.根据权利要求1所述的方法，其特征在于，所述从所述频繁同行人中确定满足预警策略的目标人物，包括：
在预设时间内，若目标频繁同行人与单个所述指定人物同行P次以上时，将所述目标频繁同行人确定为满足预警策略的目标人物，其中，所述目标频繁同行人是所有所述频繁同行人中的一员。
6.根据权利要求1至5任一项所述的方法，其特征在于，所述方法还包括：
以预设方式输出预警信息；
其中，所述预警信息至少包括：所述目标人物与所述指定人物的同行记录。
7.根据权利要求1所述的方法，其特征在于，所述建立包含人员身份信息和抓拍信息的人员档案，包括：
对第一数据库中的图像数据进行聚类处理得到聚类处理结果；其中，所述第一数据库基于图像采集装置抓拍到的人像图像形成；
对第二数据库中的图像数据进行聚合处理得到聚合处理结果；其中，所述第二数据库基于实名的图像信息形成；
将所述聚类处理结果与所述聚合处理结果进行关联分析，得到人员档案。
8.一种信息处理装置，其特征在于，所述装置包括：
档案建立模块，用于建立包含人员身份信息和抓拍图像信息的人员档案；
确定模块，用于确定所述人员档案中每个人物的频繁同行人，所述频繁同行人是与所述人物同行次数超过X次的同行人；
筛选模块，用于获取指定人物，筛选出所述指定人物的频繁同行人；
处理模块，用于从所述频繁同行人中确定满足预警策略的目标人物。
9.一种信息处理装置，所述装置包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至7任一项所述的信息处理方法。
10.一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行权利要求1至7任一项所述的信息处理方法。
CN201910978622.4A 2019-10-15 2019-10-15 一种信息处理方法及装置、存储介质 Withdrawn CN111078922A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910978622.4A CN111078922A (zh) 2019-10-15 2019-10-15 一种信息处理方法及装置、存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910978622.4A CN111078922A (zh) 2019-10-15 2019-10-15 一种信息处理方法及装置、存储介质

Publications (1)

Publication Number Publication Date
CN111078922A true CN111078922A (zh) 2020-04-28

Family

ID=70310395

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910978622.4A Withdrawn CN111078922A (zh) 2019-10-15 2019-10-15 一种信息处理方法及装置、存储介质

Country Status (1)

Country Link
CN (1) CN111078922A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111598012A (zh) * 2020-05-19 2020-08-28 恒睿(重庆)人工智能技术研究院有限公司 一种图片聚类管理方法、系统、设备及介质
CN111625671A (zh) * 2020-05-25 2020-09-04 深圳市商汤科技有限公司 数据处理方法及装置、电子设备及存储介质
CN112149627A (zh) * 2020-10-19 2020-12-29 杭州海康威视数字技术股份有限公司 一种同行人员识别方法、装置、电子设备及存储介质
CN112651335A (zh) * 2020-12-25 2021-04-13 深圳集智数字科技有限公司 一种同行人识别方法、系统、设备及存储介质
CN112965978A (zh) * 2021-03-10 2021-06-15 中国民航信息网络股份有限公司 旅客同行人关系的确认方法、装置、电子设备及存储介质
CN113554261A (zh) * 2021-05-24 2021-10-26 浙江大华技术股份有限公司 异常对象识别方法、装置、电子装置和存储介质
WO2022242032A1 (zh) * 2021-05-21 2022-11-24 深圳市商汤科技有限公司 数据分类方法及装置、电子设备、存储介质和计算机程序产品

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106504162A (zh) * 2016-10-14 2017-03-15 北京锐安科技有限公司 基于车站mac扫描数据的同行人关联分析方法和装置
CN108229335A (zh) * 2017-12-12 2018-06-29 深圳市商汤科技有限公司 关联人脸识别方法和装置、电子设备、存储介质、程序
CN108733819A (zh) * 2018-05-22 2018-11-02 深圳云天励飞技术有限公司 一种人员档案建立方法和装置
CN109117714A (zh) * 2018-06-27 2019-01-01 北京旷视科技有限公司 一种同行人员识别方法、装置、系统及计算机存储介质
CN109241378A (zh) * 2018-08-29 2019-01-18 北京旷视科技有限公司 档案建立方法、装置、设备及存储介质
CN109784217A (zh) * 2018-12-28 2019-05-21 上海依图网络科技有限公司 一种监控方法及装置
CN109815829A (zh) * 2018-12-28 2019-05-28 上海依图网络科技有限公司 一种确定路人轨迹的方法及装置
CN110084103A (zh) * 2019-03-15 2019-08-02 深圳英飞拓科技股份有限公司 一种基于人脸识别技术的同行人分析方法及系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106504162A (zh) * 2016-10-14 2017-03-15 北京锐安科技有限公司 基于车站mac扫描数据的同行人关联分析方法和装置
CN108229335A (zh) * 2017-12-12 2018-06-29 深圳市商汤科技有限公司 关联人脸识别方法和装置、电子设备、存储介质、程序
CN108733819A (zh) * 2018-05-22 2018-11-02 深圳云天励飞技术有限公司 一种人员档案建立方法和装置
CN109117714A (zh) * 2018-06-27 2019-01-01 北京旷视科技有限公司 一种同行人员识别方法、装置、系统及计算机存储介质
CN109241378A (zh) * 2018-08-29 2019-01-18 北京旷视科技有限公司 档案建立方法、装置、设备及存储介质
CN109784217A (zh) * 2018-12-28 2019-05-21 上海依图网络科技有限公司 一种监控方法及装置
CN109815829A (zh) * 2018-12-28 2019-05-28 上海依图网络科技有限公司 一种确定路人轨迹的方法及装置
CN110084103A (zh) * 2019-03-15 2019-08-02 深圳英飞拓科技股份有限公司 一种基于人脸识别技术的同行人分析方法及系统

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111598012A (zh) * 2020-05-19 2020-08-28 恒睿(重庆)人工智能技术研究院有限公司 一种图片聚类管理方法、系统、设备及介质
CN111625671A (zh) * 2020-05-25 2020-09-04 深圳市商汤科技有限公司 数据处理方法及装置、电子设备及存储介质
CN112149627A (zh) * 2020-10-19 2020-12-29 杭州海康威视数字技术股份有限公司 一种同行人员识别方法、装置、电子设备及存储介质
CN112651335A (zh) * 2020-12-25 2021-04-13 深圳集智数字科技有限公司 一种同行人识别方法、系统、设备及存储介质
CN112651335B (zh) * 2020-12-25 2024-05-07 深圳集智数字科技有限公司 一种同行人识别方法、系统、设备及存储介质
CN112965978A (zh) * 2021-03-10 2021-06-15 中国民航信息网络股份有限公司 旅客同行人关系的确认方法、装置、电子设备及存储介质
CN112965978B (zh) * 2021-03-10 2024-02-09 中国民航信息网络股份有限公司 旅客同行人关系的确认方法、装置、电子设备及存储介质
WO2022242032A1 (zh) * 2021-05-21 2022-11-24 深圳市商汤科技有限公司 数据分类方法及装置、电子设备、存储介质和计算机程序产品
CN113554261A (zh) * 2021-05-24 2021-10-26 浙江大华技术股份有限公司 异常对象识别方法、装置、电子装置和存储介质

Similar Documents

Publication Publication Date Title
CN111078922A (zh) 一种信息处理方法及装置、存储介质
WO2020259099A1 (zh) 一种信息处理方法及装置、存储介质
TWI740537B (zh) 一種資訊處理方法及裝置、儲存介質
CN109117714B (zh) 一种同行人员识别方法、装置、系统及计算机存储介质
TWI743987B (zh) 行為分析方法、電子設備和電腦儲存媒體
CN109635146B (zh) 一种基于图像特征的目标查询方法及系统
CN108875341A (zh) 一种人脸解锁方法、装置、系统及计算机存储介质
CN111859451B (zh) 多源多模态数据的处理系统及应用该系统的方法
KR101832680B1 (ko) 참석자들에 의한 이벤트 검색
CN110390031A (zh) 信息处理方法及装置、图像设备及存储介质
CN111277788B (zh) 一种基于mac地址的监控方法和监控系统
CN110765215A (zh) 人员共同关系的查询方法、装置、电子设备及存储介质
CN109784220B (zh) 一种确定路人轨迹的方法及装置
Khan et al. Blockchain-enabled deep semantic video-to-video summarization for IoT devices
CN112199555A (zh) 人员聚档方法、装置及电子设备
CN111694979A (zh) 一种基于图像的档案管理方法、系统、设备和介质
CN114863364B (zh) 一种基于智能视频监控的安防检测方法及系统
CN110704660A (zh) 数据处理方法、装置、设备和计算机存储介质
CN111563479B (zh) 同行人去重方法、团伙分析方法、装置及电子设备
Mohammed et al. Automating the harmonisation of heterogeneous data in digital forensics
Dong et al. Research on fast face retrieval optimization algorithm based on fuzzy clustering
CN116561372B (zh) 基于多算法引擎的人员聚档方法、装置及可读存储介质
EP4182870B1 (en) Identifying derivatives of data items
Khana et al. Blockchain-enabled deep semantic video-to-video summarization for IoT devicesR
Karampidis et al. Combining genetic algorithms and neural networks for file forgery

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20200428

WW01 Invention patent application withdrawn after publication