CN111159245A - 一种防盗预判方法 - Google Patents

一种防盗预判方法 Download PDF

Info

Publication number
CN111159245A
CN111159245A CN201811320068.2A CN201811320068A CN111159245A CN 111159245 A CN111159245 A CN 111159245A CN 201811320068 A CN201811320068 A CN 201811320068A CN 111159245 A CN111159245 A CN 111159245A
Authority
CN
China
Prior art keywords
stolen
time period
unmanned
theft
store
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
Application number
CN201811320068.2A
Other languages
English (en)
Inventor
陈子林
王良旗
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.)
Binguo Kewei Beijing Technology Co ltd
Original Assignee
Binguo Kewei Beijing 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 Binguo Kewei Beijing Technology Co ltd filed Critical Binguo Kewei Beijing Technology Co ltd
Priority to CN201811320068.2A priority Critical patent/CN111159245A/zh
Publication of CN111159245A publication Critical patent/CN111159245A/zh
Pending 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
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2477—Temporal data queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2462—Approximate or statistical queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Probability & Statistics with Applications (AREA)
  • Data Mining & Analysis (AREA)
  • Fuzzy Systems (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Tourism & Hospitality (AREA)
  • Computer Security & Cryptography (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Alarm Systems (AREA)

Abstract

本发明的实施例公开一种防盗预判方法，涉及领域计算机技术领域，能够解决现有的无人商店无法对被盗事件作出较为准确的预判的问题。所述防盗预判方法包括：获取历史被盗大数据信息；根据所述历史被盗大数据信息生成被盗特征数据。本发明能够根据历史被盗数据，生成被盗特征数据给后端，协助后端监控人员提前作出防盗措施。

Description

一种防盗预判方法
技术领域
本发明涉及计算机技术领域，尤其涉及一种防盗预判方法。
背景技术
随着消费升级、人口结构变迁催生出的“便利”需求，便利店在中国正处于快速成长期。但近年来随着人员用工成本的逐年增加，房租成本的逐渐攀升，使得便利店的利润空间不断被挤压。同时，受劳动力成本和空间限制，一般便利店很难配备足够的服务人员，高峰排队现象普遍，顾客购物体验较差。而受限于教育水平和市场经验，店员往往无法对销售数据做有效分析，加上电商对流量的分流都是便利店绕不开的痛点。
为解决上述问题，无人商店应运而生。无人商店由于无需雇佣收银员，降低了人力成本；此外，无人商店具有模式简单，容易大规模复制，付款快，能够减少顾客排队、付款等待时间等优势，成为了未来商店的发展方向。但是，由于无人商店内往往无人值守，因此，有些小偷会趁虚而入，如何根据被盗无人商店的数据，总结出小偷的偷盗行为特征提供给无人商店的后端监控人员，以便对可能发生的被盗事件做出预判，是目前无人商店技术中亟待解决的一大主要问题。
发明内容
有鉴于此，本发明实施例提供一种防盗预判方法，用于解决现有的无人商店无法对被盗事件作出较为准确的预判的问题。本发明能够根据历史被盗数据，生成被盗特征数据给后端，协助后端监控人员提前作出防盗措施。
第一方面，本发明实施例提供一种防盗预判方法，包括：
获取历史被盗大数据信息；
根据所述历史被盗大数据信息生成被盗特征数据。
结合第一方面，在第一方面的第一种实施方式中，所述根据所述历史被盗大数据信息生成被盗特征数据，包括：
根据所述历史被盗大数据信息，计算各无人商店在第一时间段内的各第二时间段对应的被盗权重；
将各无人商店在第一时间段内的各第二时间段对应的被盗权重由高到低排列；
按照排列结果顺序存储无人商店标识与第二时间段及被盗权重的对应关系集，作为被盗特征数据。
结合第一方面的第一种实施方式，在第一方面的第二种实施方式中，所述在按照排列结果顺序存储无人商店标识与第二时间段及被盗权重的对应关系集，作为被盗特征数据之后，还包括：
将被盗权重最高的前指定数量的被盗特征数据提供给后台监控人员。
结合第一方面的第一种实施方式，在第一方面的第三种实施方式中，所述历史被盗大数据信息包括：无人商店标识及对应的被盗时间、被盗次数；
所述根据所述历史被盗大数据信息，计算各无人商店在第一时间段内的各第二时间段对应的被盗权重，包括：
计算各无人商店在第一时间段内的各第二时间段内的被盗次数以及全部无人商店在第一时间段内的被盗总次数；
根据公式
Figure RE-GDA0001969827320000021
计算各无人商店在第一时间段内的各第二时间段对应的被盗次数权重；其中，xij、nij分别为第i个无人商店在第一时间段内的第j个第二时间段对应的被盗次数权重和被盗次数，i＝1,…,I，j＝1,…,J，I为被监控的无人商店总数，J为每个第一时间段内划分的第二时间段的数量，N为全部无人商店在第一时间段内的被盗总次数；
将各无人商店在第一时间段内的各第二时间段对应的被盗次数权重作为该无人商店在第一时间段内的各第二时间段对应的被盗权重。
结合第一方面的第一种实施方式，在第一方面的第四种实施方式中，所述根据所述历史被盗大数据信息，计算各无人商店在第一时间段内的各第二时间段对应的被盗权重，包括：
计算各无人商店在第一时间段内的各第二时间段内的被盗金额以及全部无人商店在第一时间段内的被盗总金额；
根据公式
Figure RE-GDA0001969827320000031
计算各无人商店在第一时间段内的各第二时间段对应的被盗金额权重；其中，yij、mij分别为第i个无人商店在第一时间段内的第j个第二时间段对应的被盗金额权重和被盗金额，i＝1,…,I，j＝1,…,J，I为被监控的无人商店总数，J为每个第一时间段内划分的第二时间段的数量，M为全部无人商店在第一时间段内的被盗总金额；
将各无人商店在第一时间段内的各第二时间段对应的被盗金额权重作为该无人商店在第一时间段内的各第二时间段对应的被盗权重。
结合第一方面的第一种实施方式，在第一方面的第五种实施方式中，所述历史被盗大数据信息包括：无人商店标识及对应的被盗时间、被盗次数、每次被盗金额；
所述根据所述历史被盗大数据信息，计算各无人商店在第一时间段内的各第二时间段对应的被盗权重，包括：
计算各无人商店在第一时间段内的各第二时间段内的被盗金额、被盗次数，并计算全部无人商店在第一时间段内的被盗总金额、被盗总次数；
根据公式
Figure RE-GDA0001969827320000032
计算各无人商店在第一时间段内的各第二时间段对应的被盗次数权重，并根据公式
Figure RE-GDA0001969827320000033
计算各无人商店在第一时间段内的各第二时间段对应的被盗金额权重；其中，xij、nij、yij、mij分别为第i个无人商店在第一时间段内的第j个第二时间段对应的被盗次数权重、被盗次数、被盗金额权重、被盗金额，i＝1,…,I，j＝1,…,J，I为被监控的无人商店总数，J为每个第一时间段内划分的第二时间段的数量，N、M分别为全部无人商店在第一时间段内的被盗总次数、被盗总金额；
根据公式Xij＝a·xij+b·yij计算第i个无人商店在第一时间段内的第j个第二时间段对应的被盗权重；其中，a、b分别为预设的第一指定系数和第二指定系数。
结合第一方面的第二种实施方式、第一方面的第三种实施方式、第一方面的第四种实施方式或第一方面的第五种实施方式，在第一方面的第六种实施方式中，所述第一时间段为1天，所述第二时间段为1小时。
结合第一方面，在第一方面的第七种实施方式中，所述获取历史被盗大数据信息，包括：
以第三时间段为周期，周期性采集各被控无人商店的店内视频；
根据各被控无人商店的店内视频，获取各无人商店的历史被盗数据并存储。
结合第一方面的第七种实施方式，在第一方面的第八种实施方式中，所述历史被盗数据包括:偷盗人的人脸特征信息；
在所述获取历史被盗大数据信息之后，还包括：
实时获取各被控无人商店的店内视频；
根据各被控无人商店的店内视频，提取店内人员人脸特征信息；
将所述店内人员人脸特征信息与存储的所述偷盗人的人脸特征信息进行匹配；
若匹配成功，则告警提醒后台监控人员被控无人商店出现历史偷盗人。
本发明实施例提供的一种防盗预判方法，能够根据历史被盗数据，统计偷盗人的特征，生成被盗特征数据，例如统计常被盗的无人商店所在的地理区域和偷盗发生时间，协助后端监控人员提前作出防盗措施，从而可以在偷盗时间重点监控该无人商店内的状态，提高预判盗窃行为的概率，解决现有的无人商店无法对被盗事件作出较为准确的预判的问题，从而有效地减少无人商店被盗事件的发生。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，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的前提下，还可以根据这些附图获得其它的附图。
图1为本发明防盗预判方法实施例一的流程图；
图2为本发明防盗预判方法实施例二的流程图；
图3为步骤202优选实施例一的流程图；
图4为步骤202优选实施例二的流程图；
图5为步骤202优选实施例三的流程图；
图6为本发明防盗预判方法实施例三的流程图；
图7为步骤603之后优选实施流程图。
具体实施方式
下面结合附图对本发明实施例一种防盗预判方法进行详细描述。
应当明确，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
图1为本发明防盗预判方法实施例一的流程图，如图1所示，本实施例的方法可以包括：
步骤101、获取历史被盗大数据信息；
其中，历史被盗大数据信息可以包括商店偷盗时间、偷盗位置、偷盗商品金额、偷盗的商品类型等信息。这些信息都可以从侧面反映偷盗者的喜好，从而根据偷盗者的这些喜好，可提前做好准备，防止偷盗事件的发生。
步骤102、根据所述历史被盗大数据信息生成被盗特征数据。
其中，根据历史被盗大数据信息，通过简单的分类统计，即可发现偷盗事件的一些特征。例如历史被盗大数据信息含有偷盗位置及偷盗时间，则可以通过统计的方式，快速地获知在那个时间段、那个商店发生的偷盗次数更多，从而推断出在所述时间段内，商店发生偷盗事件的可能性更大。
本实施例中，通过统计偷盗人的特征，发现偷盗者的喜好，然后根据偷盗者的这些喜好，预判商店发生偷盗事件可能性，并对可能性较大的商店进行重点监控，提高预判盗窃行为的成功率。
图2为本发明防盗预判方法实施例二的流程图，如图2所示，本实施例的方法可以包括：
步骤201、获取历史被盗大数据信息；
步骤202、根据所述历史被盗大数据信息，计算各无人商店在第一时间段内的各第二时间段对应的被盗权重；
例如：第一时间段为1天，第二时间段为1小时，则可以生成如下表1：
表1
Figure RE-GDA0001969827320000061
步骤203、将各无人商店在第一时间段内的各第二时间段对应的被盗权重由高到低排列；
例如，根据表1，将各无人商店在第一时间段内的各第二时间段对应的被盗权重由高到低排列，则可以生成如下表2：
表2
Figure RE-GDA0001969827320000062
Figure RE-GDA0001969827320000071
如上表所示，权重顺序值为将各无人商店在第一时间段内的各第二时间段对应的被盗权重由高到低排列后的排序号，权重顺序值越低，代表该条被盗数据对应的被盗权重越高，如值为1时，则反映被盗事件发生的可能性越大。
步骤204、按照排列结果顺序存储无人商店标识与第二时间段及被盗权重的对应关系集，作为被盗特征数据。
例如，根据表2中的记录的数据信息，按照排列结果顺序存储的无人商店标识与第二时间段及被盗权重的对应关系集如下表3所示：
表3
序号 权重顺序 商店标识 第二时间段 被盗权重
1 1 无人商店A 02:01-03:00 0.3
2 2 无人商店B 01:01-02:00 0.2
3 2 无人商店A 23:01-00:00 0.2
4 3 无人商店B 00:01-01:00 0.1
5 3 无人商店A 01:01-02:00 0.1
6 3 无人商店B 23:01-00:00 0.1
…… 4 其他 其他 0
在另一可选实施方式中，在步骤204之后，还包括：将被盗权重最高的前指定数量的被盗特征数据提供给后台监控人员。所述指定数量可以为直接指定的正整数或者为一指定比例值。例如：若指定数量为3，则将按照被盗权重由高到低排列后的前3条被盗特征数据提供给后台监控人员，如表3所示，当指定数量为3时，后台监控人员可以在每天的02:01-03:00和23:01-00:00对无人商店 A进行重点监控，并在01:01-02:00对无人商店B进行重点监控，从而提高预判盗窃行为的概率。或者，例如表3中存储有按照被盗权重由高到底排列的20条被盗特征数据，所述指定数量为20％，则将表3中被盗权重顺序号为1-4(或者将表3中存储顺序号为1-4)的被盗特征数据提供给后台监控人员，后台监控人员将这前20％的被盗特征数据对应的无人商店及时间段进行重点监控。
本实施例中，统计各无人商店、在各时间段内发生偷盗事件的被盗权重，商店运营人员可以对被盗权重靠前的无人商店，在特定的时间段进行重点监控，从而提高预判盗窃行为的概率。
在一可选实施例中，如图3所示，所述历史被盗大数据信息包括：无人商店标识及对应的被盗时间、被盗次数，上述步骤202可以包括以下步骤301-303：
步骤301、计算各无人商店在第一时间段内的各第二时间段内的被盗次数以及全部无人商店在第一时间段内的被盗总次数；
其中，无人商店的被盗次数可以从客观上反映偷盗者的喜好，如无人商店A 在第一时间段内被盗次数为10次，而商店B的被盗次数为0次，则商店运营人员可以预判商店A更容易被盗，从而应该重点监控A。
此步骤根据历史被盗大数据信息的统计结果可以如下表4所示：
表4
Figure RE-GDA0001969827320000081
Figure RE-GDA0001969827320000091
如表4所示，全部无人商店在第一时间段内的被盗总次数10次。
步骤302、根据公式
Figure RE-GDA0001969827320000092
计算各无人商店在第一时间段内的各第二时间段对应的被盗次数权重；其中，xij、nij分别为第i个无人商店在第一时间段内的第j个第二时间段对应的被盗次数权重和被盗次数，i＝1,…,I，j＝1,…,J，I为被监控的无人商店总数，J为每个第一时间段内划分的第二时间段的数量，N为全部无人商店在第一时间段内的被盗总次数；
例如，根据表4，可以生成各无人商店在第一时间段内的各第二时间段对应的被盗次数权重，如下表5所示：
表5
Figure RE-GDA0001969827320000093
步骤303、将各无人商店在第一时间段内的各第二时间段对应的被盗次数权重作为该无人商店在第一时间段内的各第二时间段对应的被盗权重。
例如，根据表5所示，可以生成各无人商店在第一时间段内的各第二时间段对应的被盗权重，如下表6所示：
表6
Figure RE-GDA0001969827320000101
在本实施例中，介于无人商店的被盗次数可以从客观上反映偷盗者的喜好，针对偷盗者的这种喜好，可以有针对的对被盗次数多的特定时间段，对无人商店进行重点监控，提高提高预判盗窃行为的概率。同时也可以针对性的采取防盗措施，减少被盗事件的发生。
在一可选实施例中，如图4所示，所述历史被盗大数据信息包括：无人商店标识及对应的被盗时间、每次被盗金额，上述步骤202可以包括以下步骤 401-403：
步骤401、计算各无人商店在第一时间段内的各第二时间段内的被盗金额以及全部无人商店在第一时间段内的被盗总金额；
其中，无人商店的被盗金额可以从客观上反映偷盗者的喜好，如无人商店A 在第一时间段内被盗金额为100元，而商店B的被盗金额为0元，则商店运营人员可以预判商店A更容易被盗，从而应该重点监控A。
例如：此步骤对历史被盗大数据信息统计后可以得到下表7：
表7
Figure RE-GDA0001969827320000111
如表7所示，被监控的全部无人商店在第一时间段(1天)内的被盗总金额为100元。
步骤402、根据公式
Figure RE-GDA0001969827320000112
计算各无人商店在第一时间段内的各第二时间段对应的被盗金额权重；其中，yij、mij分别为第i个无人商店在第一时间段内的第j个第二时间段对应的被盗金额权重和被盗金额，i＝1,…,I，j＝1,…,J，I为被监控的无人商店总数，J为每个第一时间段内划分的第二时间段的数量，M为全部无人商店在第一时间段内的被盗总金额。
例如，根据表7，可以生成各无人商店在第一时间段内的各第二时间段对应的被盗金额权重，如下表8所示：
表8
Figure RE-GDA0001969827320000121
步骤403、将各无人商店在第一时间段内的各第二时间段对应的被盗金额权重作为该无人商店在第一时间段内的各第二时间段对应的被盗权重。
例如，根据表8，将各无人商店在第一时间段内的各第二时间段对应的被盗金额权重作为该无人商店在第一时间段内的各第二时间段对应的被盗权重，得到下表9：
表9
Figure RE-GDA0001969827320000122
Figure RE-GDA0001969827320000131
在本实施例中，介于无人商店的被盗金额可以从客观上反映偷盗者的喜好，针对偷盗者的这种喜好，可以有针对的对被盗金额多的特定时间段，对无人商店进行重点监控，提高提高预判盗窃行为的概率。同时也可以针对性的采取防盗措施，减少被盗事件的发生，减少被盗损失。
在一可选实施例中，如图5所示，所述历史被盗大数据信息包括：无人商店标识及对应的被盗时间、被盗次数、每次被盗金额，上述步骤202可以包括以下步骤501-503：
步骤501、计算各无人商店在第一时间段内的各第二时间段内的被盗金额、被盗次数，并计算全部无人商店在第一时间段内的被盗总金额、被盗总次数；
其中，无人商店的被盗次数、被盗金额可以从客观上反映偷盗者的喜好，如无人商店A在第一时间段内被盗次数为10次，金额为100元，而商店B的被盗次数为0次、被盗金额为0，则商店运营人员可以预判商店A更容易被盗，从而应该重点监控A。
例如，根据历史被盗大数据信息统计得到各无人商店在第一时间段内的各第二时间段内的被盗金额、被盗次数如下表10所示：
表10
Figure RE-GDA0001969827320000132
Figure RE-GDA0001969827320000141
如表10所示，全部无人商店在第一时间段内的被盗总金额为100元，被盗总次数为10次。
步骤502、根据公式
Figure RE-GDA0001969827320000142
计算各无人商店在第一时间段内的各第二时间段对应的被盗次数权重，并根据公式
Figure RE-GDA0001969827320000144
计算各无人商店在第一时间段内的各第二时间段对应的被盗金额权重；其中，xij、nij、yij、mij分别为第i个无人商店在第一时间段内的第j个第二时间段对应的被盗次数权重、被盗次数、被盗金额权重、被盗金额，i＝1,…,I，j＝1,…,J，I为被监控的无人商店总数，J为每个第一时间段内划分的第二时间段的数量，N、M分别为全部无人商店在第一时间段内的被盗总次数、被盗总金额。
例如，根据表10，可以生成各无人商店在第一时间段内的各第二时间段对应的被盗次数权重、被盗金额权重，如下表11所示：
表11
Figure RE-GDA0001969827320000143
Figure RE-GDA0001969827320000151
步骤503、根据公式Xij＝a·xij+b·yij计算第i个无人商店在第一时间段内的第j个第二时间段对应的被盗权重。
其中，a、b分别为预设的第一指定系数和第二指定系数。
其中，如果商店运营人员更侧重减少被盗的金额，可以将a设置的值小一点，如0.3，设置b的值大一些，如0.7，则根据表11，可以生成各无人商店在第二时间段对应的被盗权重，如下表12所示：
表12
Figure RE-GDA0001969827320000152
在本实施例中，无人商店的被盗次数、被盗金额可以从客观上反映偷盗者的喜好，针对偷盗者的这种喜好，可以有针对的对被盗次数多及被盗金额大的特定时间段，对无人商店进行重点监控，提高提高预判盗窃行为的概率。同时也可以针对性的采取防盗措施，不仅能减少被盗事件的发生，同时还可以减少被盗损失。
图6为本发明防盗预判方法实施例三的流程图，如图6所示，本实施例的方法可以包括：
步骤601、以第三时间段为周期，周期性采集各被控无人商店的店内视频；
步骤602、根据各被控无人商店的店内视频，获取各无人商店的历史被盗数据并存储。
该步骤中，随着计算机技术的快速发展，图像识别技术也越来越成熟。通过周期性的采集商店内的视频信息，并从视频信息中提取商店的历史被盗数据并存储。
步骤603、根据所述历史被盗大数据信息生成被盗特征数据。
在本实施例中，通过周期性的采集商店内的视频信息，并利用图像识别技术、自动化地从所述视频信息中提取被盗信息。
在一可选实施例中，所述历史被盗数据包括:偷盗人的人脸特征信息，本发明提供的防盗预判方法还可以根据历史偷盗人的人脸特征信息，在无人商店内出现偷盗人时候提醒后台监控人员。如图7所示，上述步骤603之后，可以包括以下步骤：
步骤701、实时获取各被控无人商店的店内视频；
步骤702、根据各被控无人商店的店内视频，提取店内人员人脸特征信息；
此步骤中，目前生物识别技术快速发展，特别是人脸识别技术，通过采集进入无人商店人员的图像信息，即可以提取出进入无人商店人员的身份信息，类似身份证号一样。
步骤703、将所述店内人员人脸特征信息与存储的所述偷盗人的人脸特征信息进行匹配；若匹配成功，则执行步骤704，否则返回执行步骤701；
此步骤中，由于人脸特征信息可以作为身份信息，就像身份证号一样，通过采集店内人员的身份信息，然后与偷盗人的身份信息比对，即可判断店内的人员是否是偷盗者。
步骤704、告警提醒后台监控人员被控无人商店出现历史偷盗人。
以上所述，仅为本发明的具体实施方式，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权利要求的保护范围为准。

Claims (9)

1.一种防盗预判方法，其特征在于，包括：
获取历史被盗大数据信息；
根据所述历史被盗大数据信息生成被盗特征数据。
2.根据权利要求1所述的防盗预判方法，其特征在于，所述根据所述历史被盗大数据信息生成被盗特征数据，包括：
根据所述历史被盗大数据信息，计算各无人商店在第一时间段内的各第二时间段对应的被盗权重；
将各无人商店在第一时间段内的各第二时间段对应的被盗权重由高到低排列；
按照排列结果顺序存储无人商店标识与第二时间段及被盗权重的对应关系集，作为被盗特征数据。
3.根据权利要求2所述的防盗预判方法，其特征在于，所述在按照排列结果顺序存储无人商店标识与第二时间段及被盗权重的对应关系集，作为被盗特征数据之后，还包括：
将被盗权重最高的前指定数量的被盗特征数据提供给后台监控人员。
4.根据权利要求2所述的防盗预判方法，其特征在于，所述历史被盗大数据信息包括：无人商店标识及对应的被盗时间、被盗次数；
所述根据所述历史被盗大数据信息，计算各无人商店在第一时间段内的各第二时间段对应的被盗权重，包括：
计算各无人商店在第一时间段内的各第二时间段内的被盗次数以及全部无人商店在第一时间段内的被盗总次数；
根据公式
Figure RE-FDA0001964958340000011
计算各无人商店在第一时间段内的各第二时间段对应的被盗次数权重；其中，xij、nij分别为第i个无人商店在第一时间段内的第j个第二时间段对应的被盗次数权重和被盗次数，i＝1,…,I，j＝1,…,J，I为被监控的无人商店总数，J为每个第一时间段内划分的第二时间段的数量，N为全部无人商店在第一时间段内的被盗总次数；
将各无人商店在第一时间段内的各第二时间段对应的被盗次数权重作为该无人商店在第一时间段内的各第二时间段对应的被盗权重。
5.根据权利要求2所述的防盗预判方法，其特征在于，所述历史被盗大数据信息包括：无人商店标识及对应的被盗时间、每次被盗金额；
所述根据所述历史被盗大数据信息，计算各无人商店在第一时间段内的各第二时间段对应的被盗权重，包括：
计算各无人商店在第一时间段内的各第二时间段内的被盗金额以及全部无人商店在第一时间段内的被盗总金额；
根据公式
Figure RE-FDA0001964958340000021
计算各无人商店在第一时间段内的各第二时间段对应的被盗金额权重；其中，yij、mij分别为第i个无人商店在第一时间段内的第j个第二时间段对应的被盗金额权重和被盗金额，i＝1,…,I，j＝1,…,J，I为被监控的无人商店总数，J为每个第一时间段内划分的第二时间段的数量，M为全部无人商店在第一时间段内的被盗总金额；
将各无人商店在第一时间段内的各第二时间段对应的被盗金额权重作为该无人商店在第一时间段内的各第二时间段对应的被盗权重。
6.根据权利要求2所述的防盗预判方法，其特征在于，所述历史被盗大数据信息包括：无人商店标识及对应的被盗时间、被盗次数、每次被盗金额；
所述根据所述历史被盗大数据信息，计算各无人商店在第一时间段内的各第二时间段对应的被盗权重，包括：
计算各无人商店在第一时间段内的各第二时间段内的被盗金额、被盗次数，并计算全部无人商店在第一时间段内的被盗总金额、被盗总次数；
根据公式
Figure RE-FDA0001964958340000022
计算各无人商店在第一时间段内的各第二时间段对应的被盗次数权重，并根据公式
Figure RE-FDA0001964958340000031
计算各无人商店在第一时间段内的各第二时间段对应的被盗金额权重；其中，xij、nij、yij、mij分别为第i个无人商店在第一时间段内的第j个第二时间段对应的被盗次数权重、被盗次数、被盗金额权重、被盗金额，i＝1,…,I，j＝1,…,J，I为被监控的无人商店总数，J为每个第一时间段内划分的第二时间段的数量，N、M分别为全部无人商店在第一时间段内的被盗总次数、被盗总金额；
根据公式Xij＝a·xij+b·yij计算第i个无人商店在第一时间段内的第j个第二时间段对应的被盗权重；其中，a、b分别为预设的第一指定系数和第二指定系数。
7.根据权利要求3-6任一项所述的防盗预判方法，其特征在于，所述第一时间段为1天，所述第二时间段为1小时。
8.根据权利要求1所述的防盗预判方法，其特征在于，所述获取历史被盗大数据信息，包括：
以第三时间段为周期，周期性采集各被控无人商店的店内视频；
根据各被控无人商店的店内视频，获取各无人商店的历史被盗数据并存储。
9.根据权利要求8所述的防盗预判方法，其特征在于，所述历史被盗数据包括:偷盗人的人脸特征信息；
在所述获取历史被盗大数据信息之后，还包括：
实时获取各被控无人商店的店内视频；
根据各被控无人商店的店内视频，提取店内人员人脸特征信息；
将所述店内人员人脸特征信息与存储的所述偷盗人的人脸特征信息进行匹配；
若匹配成功，则告警提醒后台监控人员被控无人商店出现历史偷盗人。
CN201811320068.2A 2018-11-07 2018-11-07 一种防盗预判方法 Pending CN111159245A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811320068.2A CN111159245A (zh) 2018-11-07 2018-11-07 一种防盗预判方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811320068.2A CN111159245A (zh) 2018-11-07 2018-11-07 一种防盗预判方法

Publications (1)

Publication Number Publication Date
CN111159245A true CN111159245A (zh) 2020-05-15

Family

ID=70554642

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811320068.2A Pending CN111159245A (zh) 2018-11-07 2018-11-07 一种防盗预判方法

Country Status (1)

Country Link
CN (1) CN111159245A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8587662B1 (en) * 2008-11-06 2013-11-19 Target Brands, Inc. Theft trend analysis and response
CN104023309A (zh) * 2014-05-16 2014-09-03 北京金山安全软件有限公司 防盗提醒方法及装置
CN206164722U (zh) * 2016-09-21 2017-05-10 深圳市泛海三江科技发展有限公司 一种基于人脸识别的商超防盗监控系统
CN107886655A (zh) * 2017-09-28 2018-04-06 陈维龙 应付账单的生成方法、应付账单与已付账单的匹配方法
CN108039010A (zh) * 2018-01-08 2018-05-15 深圳正品创想科技有限公司 一种防盗方法、装置及无人商店

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8587662B1 (en) * 2008-11-06 2013-11-19 Target Brands, Inc. Theft trend analysis and response
CN104023309A (zh) * 2014-05-16 2014-09-03 北京金山安全软件有限公司 防盗提醒方法及装置
CN206164722U (zh) * 2016-09-21 2017-05-10 深圳市泛海三江科技发展有限公司 一种基于人脸识别的商超防盗监控系统
CN107886655A (zh) * 2017-09-28 2018-04-06 陈维龙 应付账单的生成方法、应付账单与已付账单的匹配方法
CN108039010A (zh) * 2018-01-08 2018-05-15 深圳正品创想科技有限公司 一种防盗方法、装置及无人商店

Similar Documents

Publication Publication Date Title
US20240037225A1 (en) Systems and methods for detecting resources responsible for events
CN106384273B (zh) 恶意刷单检测系统及方法
CN107146089B (zh) 一种刷单识别方法及装置，电子设备
CN106104588B (zh) 针对商店的表现评价系统
KR101593910B1 (ko) 개인 정보 상시 감시 시스템 및 그 상시 감시 방법
JP2004348536A (ja) 履歴情報付加プログラム、履歴情報を用いた不正判定プログラム、及び履歴情報を用いた不正判定システム
CN108269087A (zh) 位置信息的处理方法及装置
EP2008458A2 (en) Still image queue analysis system and method
US9324048B2 (en) Resource allocation based on retail incident information
Tang et al. Recommending resolutions for problems identified by monitoring
CN103946883A (zh) 信息处理装置、信息处理方法、信息处理程序和记录有信息处理程序的记录介质
WO2015170315A1 (en) An automatic statistical processing tool
US20160239847A1 (en) Systems and Methods for Processing Support Messages Relating to Features of Payment Networks
US20030036936A1 (en) Computer method and apparatus to estimate customer arrival times using transactional data
JP5581555B2 (ja) 特許力加重指数算出装置及び特許力加重指数算出装置の動作方法
CN113506050A (zh) 员工绩效的评估方法、装置、电子设备及可读存储介质
CN116739836B (zh) 一种基于知识图谱的餐饮数据分析方法及系统
CN111159245A (zh) 一种防盗预判方法
CN110689424A (zh) 资金供需匹配方法和系统
CN109902129A (zh) 基于大数据分析的保险代理人归类方法及相关设备
CN114943479A (zh) 业务事件的风险识别方法、装置、设备及计算机可读介质
Johnson et al. Vehicle crime: Communicating spatial and temporal patterns
CN113723974A (zh) 一种信息处理方法、装置、设备及存储介质
CN117522454B (zh) 一种工作人员识别方法及系统
CN109949088A (zh) 一种新共享经济项目自动挖掘分析方法

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