CN111598753A - 一种嫌疑人推荐方法、装置、电子设备和存储介质 - Google Patents
一种嫌疑人推荐方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN111598753A CN111598753A CN202010045688.0A CN202010045688A CN111598753A CN 111598753 A CN111598753 A CN 111598753A CN 202010045688 A CN202010045688 A CN 202010045688A CN 111598753 A CN111598753 A CN 111598753A
- Authority
- CN
- China
- Prior art keywords
- case
- criminal
- information
- matched
- suspect
- 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 56
- 238000005070 sampling Methods 0.000 claims description 16
- 238000000605 extraction Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000002093 peripheral effect Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000011840 criminal investigation Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
Images
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Alarm Systems (AREA)
Abstract
本申请提供一种嫌疑人推荐方法、装置、电子设备和存储介质,所述方法包括:获取待推荐刑事案件的特征信息;在预设案件特征库中,根据所述特征信息匹配出所述待推荐刑事案件对应的至少一个目标刑事案件;其中,所述预设案件特征库中存储有多个刑事案件以及每一刑事案件对应的特征信息;将所述目标刑事案件与所述待推荐刑事案件进行关联,得到所述待推荐刑事案件对应的串并案;根据所述串并案的特征信息,确定出待推荐刑事案件对应的目标嫌疑人。本申请实施例通过案件特征将案件进行串并联,并根据串并联案件的特征进行了嫌疑人推荐,由此,可以准确地将有关联的案件之间进行串并案,提高嫌疑人推荐的准确性。
Description
技术领域
本申请涉及案件刑侦领域,具体而言,涉及一种嫌疑人推荐方法、装置、电子设备和存储介质。
背景技术
研究开展犯罪数据分析挖掘,旨在通过数据分析发现案件与案件、案件与嫌疑人、嫌疑人与嫌疑人之间的相似性及关联关系。
发明内容
本申请实施例的目的在于提供一种嫌疑人推荐方法、装置、电子设备和存储介质,用以提高嫌疑人推荐的精度。
第一方面,实施例提供一种嫌疑人推荐方法,包括:获取待推荐刑事案件的特征信息;在预设案件特征库中,根据所述特征信息匹配出所述待推荐刑事案件对应的至少一个目标刑事案件;其中,所述预设案件特征库中存储有多个刑事案件以及每一刑事案件对应的特征信息;将所述目标刑事案件与所述待推荐刑事案件进行关联,得到所述待推荐刑事案件对应的串并案;根据所述串并案的特征信息,确定出待推荐刑事案件对应的目标嫌疑人。
本申请实施例通过案件特征将案件进行串并联,并根据串并联案件的特征进行了嫌疑人推荐,由此,可以准确地将有关联的案件之间进行串并案,提高嫌疑人推荐的准确性。
在可选的实施方式中,所述在预设案件特征库中,根据所述特征信息匹配出所述待推荐刑事案件对应的至少一个目标刑事案件,包括:计算所述待推荐刑事案件的特征信息与所述预设案件特征库中每一待匹配刑事案件对应的特征信息之间的相似度;根据多个待匹配刑事案件对应的相似度,从多个待匹配刑事案件中确定出待推荐刑事案件对应的目标刑事案件。
本申请实施例通过计算不同刑事案件之间特征信息的相似度,相较于直接比较案件之间的相似程度,可以更加快速地找到与待推荐刑事案件对应的目标刑事案件,提高串并案的效率。
在可选的实施方式中,所述计算所述待推荐刑事案件的特征信息与所述预设案件特征库中每一待匹配刑事案件对应的特征信息之间的相似度,包括:利用simhash算法对待推荐刑事案件的特征信息进行处理,得到待推荐刑事案件对应的案件指纹,所述案件指纹为特征信息对应的哈希值;利用simhash算法对每一待匹配刑事案件对应的特征信息进行处理,得到待匹配刑事案件对应的案件指纹;计算所述待推荐刑事案件的案件指纹与每一待匹配刑事案件对应的案件指纹之间的海明距离;根据每一海明距离,确定对应的待匹配刑事案件的特征信息与待推荐刑事案件的特征信息之间的相似度。
本申请实施例通过利用案件指纹之间的海明距离来表征两个刑事案件之间的相似度,可以准确、快速地得到刑事案件之间的相似度,提高串并案的效率。
在可选的实施方式中,所述获取待推荐刑事案件的特征信息,包括:获取待推荐刑事案件的文本信息;利用预设特征识别模型对所述文本信息进行特征提取,得到所述待推荐刑事案件的特征信息;其中,所述预设特征识别模型为通过将多个样本文本信息以及每一样本文本信息对应的样本特征信息作为输入,对神经网络进行训练得到的。
本申请实施例通过利用预设特征识别模型对刑事案件的文本信息进行特征提取,可以快速准确地得到对应的特征信息,以便提高串并案的效率和精度。
在可选的实施方式中,所述根据所述串并案的特征信息,确定出待推荐刑事案件对应的目标嫌疑人,包括:根据所述串并案的特征信息,确定出待推荐刑事案件对应的多个初始嫌疑人以及每一初始嫌疑人对应的身份信息;获取所述串并案的时间信息和空间信息,所述时间信息用于表征所述串并案发生的时间,所述空间信息用于表征所述串并案发生的地点;根据身份信息、所述串并案的时间信息和空间信息,从预设嫌疑人轨迹库中确定出多个待匹配嫌疑人和待匹配嫌疑人对应的轨迹信息;所述预设嫌疑人轨迹库存储有多个嫌疑人的身份信息以及与每一嫌疑人对应的轨迹信息;根据所述空间信息和多个待匹配嫌疑人对应的轨迹信息,确定出待推荐刑事案件对应的目标嫌疑人。
本申请实施例通过利用串并案的特征信息可以先确定出多个初始嫌疑人,再根据串并案的时间信息和空间信息对多个初始嫌疑人的轨迹信息进行排查,最终可以得到与串并案关联更高的目标嫌疑人,提高对串并案嫌疑人推荐的精确度。
在可选的实施方式中,所述根据身份信息、所述串并案的时间信息和空间信息,从预设嫌疑人轨迹库中确定出多个待匹配嫌疑人和待匹配嫌疑人对应的轨迹信息,包括:根据串并案的空间信息,确定出串并案对应的待排查区域以及待排查区域内的轨迹采样点;根据所述轨迹采样点、所述时间信息和初始嫌疑人对应的身份信息,在嫌疑人轨迹库中确定多个待匹配嫌疑人以及每一待匹配嫌疑人对应的轨迹信息。
本申请实施例通过确定出串并案对应的待排查区域内的轨迹采样点,可以预先对初始嫌疑人进行筛选,可以更加快速地得到串并案对应的目标嫌疑人。
在可选的实施方式中,所述根据所述空间信息和多个待匹配嫌疑人对应的轨迹信息,确定出待推荐刑事案件对应的目标嫌疑人,包括:计算每一待匹配嫌疑人对应的轨迹信息与串并案的空间信息之间的距离;选择距离最小的预设数目的待匹配嫌疑人,作为待推荐刑事案件对应的目标嫌疑人。
本申请实施例通过计算待匹配嫌疑人的轨迹信息串并案的空间信息之间的距离,可以表征待匹配嫌疑人与串并案的关联程度,更加准确地确定出目标嫌疑人,提高串并案嫌疑人推荐的准确度。
在可选的实施方式中,所述根据身份信息、所述串并案的时间信息和空间信息,从预设嫌疑人轨迹库中确定出多个待匹配嫌疑人和待匹配嫌疑人对应的轨迹信息之前,所述方法还包括:获取多个嫌疑人的身份信息以及每一嫌疑人对应的多个待匹配轨迹数据,多个所述待匹配轨迹数据为通过多种轨迹采集点采集得到的;对每一嫌疑人对应的多个待匹配轨迹数据中所有的任意两个待匹配轨迹数据执行如下步骤后,得到所述嫌疑人的身份信息对应匹配后的轨迹数据;根据匹配后的轨迹数据得到所述嫌疑人身份信息对应的轨迹信息,并将多个嫌疑人的身份信息与对应的轨迹信息进行存储,建立所述预设嫌疑人轨迹库;其中,针对任意两个待匹配轨迹数据执行的步骤包括:从多个待匹配轨迹数据中任意选择两个相互未进行匹配的待匹配轨迹数据,作为第一轨迹数据和第二轨迹数据;将采集到的第一轨迹数据的时刻作为第一时刻,将采集到第二轨迹数据的时刻作为第二时刻;若第一时刻与第二时刻的间隔小于预设时间段,且第一轨迹数据和第二轨迹数据的距离小于预设距离值,则将第一轨迹数据与第二轨迹数据进行匹配,得到匹配后的轨迹数据。
本申请实施例通过计算轨迹采集点采集到的不同类型的轨迹数据之间的时间差值以及距离差值,来判断轨迹数据是否匹配,以此根据匹配的轨迹数据得到轨迹信息,将嫌疑人与对应的轨迹信息进行存储,建立预设嫌疑人轨迹库,以便后续根据嫌疑人的身份信息可以快速地得到嫌疑人对应的轨迹信息,进一步提高嫌疑人推荐的效率。
第二方面,实施例提供一种嫌疑人推荐装置,包括:获取模块,用于获取待推荐刑事案件的特征信息;匹配模块,用于在预设案件特征库中,根据所述特征信息匹配出所述待推荐刑事案件对应的至少一个目标刑事案件;其中,所述预设案件特征库中存储有多个刑事案件以及每一刑事案件对应的特征信息;关联模块,用于将所述目标刑事案件与所述待推荐刑事案件进行关联,得到所述待推荐刑事案件对应的串并案;推荐模块,用于根据所述串并案的特征信息,确定出待推荐刑事案件对应的目标嫌疑人。
本申请实施例利用关联模块通过案件特征将案件进行串并联,并通过推荐模块根据串并联案件的特征进行了嫌疑人推荐,由此,可以准确地将有关联的案件之间进行串并案,提高嫌疑人推荐的准确性。
第三方面,实施例提供一种电子设备,包括:处理器、存储器和总线,其中,所述处理器和所述存储器通过所述总线完成相互间的通信;所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如前述实施方式任一项所述的方法。
第四方面,实施例提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行如前述实施方式任一项所述的方法。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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他相关的附图。
图1为本申请实施例提供的一种嫌疑人推荐方法的流程示意图;
图2为本申请实施例提供的又一种嫌疑人推荐方法的流程示意图;
图3为本申请实施例提供的一种嫌疑人推荐装置的结构示意图;
图4为一种可应用于本申请实施例中的电子设备的结构框图。
具体实施方式
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描述。
由于刑事案件量大面广,随着犯罪手段演变和交通工具的发展,近年来多发性刑事案件的跨区域流窜性特点日益突出。同时,侵财类案件多为惯犯作案,反侦察意识很强,熟悉现场痕迹清除、破坏或躲避视频监控、外形伪装等手段,使得依靠单一的案件的特征信息较少,导致传统的案件侦查方法推荐的嫌疑人名单不够准确。由此,本申请提出一种嫌疑人推荐方法,意图提高对刑事案件的嫌疑人推荐的准确度以及案件侦破的效率。
图1为本申请实施例提供的一种嫌疑人推荐方法的流程示意图,所述方法包括:
步骤110:获取待推荐刑事案件的特征信息。
其中,待推荐刑事案件可以为侵财类案件,例如:抢劫案、盗窃案、侵占案、聚众哄抢案、故意毁坏财物案等侵害财产利益的案件。待推荐刑事案件的具体类型不限定,可以实际的嫌疑人推荐需求进行调整。
同时,待推荐刑事案件可以包括以下类型的特征信息:案发时间、案发区域、案发场所、嫌疑人体貌特征、作案工具、作案特征、作案手段、受损物品、码号信息等刑事案件特有的要素。待推荐刑事案件的特征信息的具体类型不限定,可以根据实际需求进行选择。
步骤120:在预设案件特征库中,根据所述特征信息匹配出所述待推荐刑事案件对应的至少一个目标刑事案件。其中,所述预设案件特征库中存储有多个刑事案件以及每一刑事案件对应的特征信息。
步骤130:将所述目标刑事案件与所述待推荐刑事案件进行关联,得到所述待推荐刑事案件对应的串并案。
其中,预设案件特征库中存储有多个等待匹配的刑事案件以及每一刑事案件的特征信息,可以根据待推荐刑事案件的特征信息,从预设案件特征库中找到与待推荐刑事案件相关的刑事案件,作为串并案,实现系列案件之间的关联,可以为案件侦破提供新的思考方向。
而预设案件特征库中等待匹配的刑事案件可以为未侦破的案件,也可以为已经侦查出罪犯或者是嫌疑人的已侦破案件。通过构建串并联案件,可以找到与待推荐刑事案件对应的至少一个目标刑事案件,以便根据串并案的特征信息进行案件侦破。具体的等待匹配的刑事案件的种类不限定,可以根据实际的串并案需求进行调整。
值得说明的是,对于预设案件特征库中的刑事案件来说,可以通过对接执法办案平台、违法犯罪人员数据库、各类活动轨迹采集管理系统,以接口或数据库连接读取的方式,获取数据库连接和读取权限,来得到多个刑事案件。同时,还可以根据业务需求和数据源情况,确定数据更新策略和方法,并进行清洗和标准化等预处理。
还需要说明的是,还可以将待推荐刑事案件以及对应的特征信息存入预设案件特征库,以实现对预设案件特征库的更新。
步骤140:根据所述串并案的特征信息,确定出待推荐刑事案件对应的目标嫌疑人。
在确定了待推荐刑事案件对应的串并案后,可以根据串并案的特征信息为待推荐刑事案件进行嫌疑人推荐,相较于根据单一案件的特征信息进行嫌疑人推荐,可以提高嫌疑人推荐的准确性,提高案件侦破的效率。
例如,待推荐刑事案件为案件A,在预设案件特征库中可以匹配出对应的目标刑事案件为案件B和案件C,则案件A、案件B和案件C可以作为串并案。案件B为已侦破案件,案件C为未侦破案件,案件B和案件C 对应的特征信息可以有作案手段、作案特点、作案工具等案件特征信息。根据串并案的特征信息可以为案件A进行嫌疑人推荐,得到目标嫌疑人。
作为本申请的一种实施方式,步骤110具体可以包括:获取待推荐刑事案件的文本信息;利用预设特征识别模型对所述文本信息进行特征提取,得到所述待推荐刑事案件的特征信息;其中,所述预设特征识别模型为通过将多个样本文本信息以及每一样本文本信息对应的样本特征信息作为输入,对神经网络进行训练得到的。
其中,预设特征识别模型可以为采用深度学习技术,对多个样本文本信息和对应的样本特征信息进行命名实体识别处理(Named Entity Recognition,NER),训练得到的特征自动识别模型,可以实现高效的自动化要素提取和标签映射。由此,通过预设特征识别模型可以更加快速的对带推荐刑事案件进行特征提取,加快嫌疑人推荐的效率。尤其在大规模历史案件自动化处理方面,可以使单个案件的特征提取时间小于100ms,处理效率提高百倍以上,节约了计算资源,降低了人工成本。
同时,在构建预设案件特征库之前,预设特征识别模型也可以对多个刑事案件分别进行特征提取,得到每一刑事案件对应的特征信息。由此,通过对每一刑事案件与其对应的特征信息建立标签映射,可以快速地建立预设案件特征库,也使预设案件特征库更新更加方便、快捷。
作为本申请的一种实施方式,步骤120具体可以包括:计算所述待推荐刑事案件的特征信息与所述预设案件特征库中每一待匹配刑事案件对应的特征信息之间的相似度;根据多个待匹配刑事案件对应的相似度,从多个待匹配刑事案件中确定出待推荐刑事案件对应的目标刑事案件。
其中,多个待匹配刑事案件对应的相似度,即为待推荐刑事案件与多个待匹配刑事案件之间特征信息的相似度,可以表征待推荐刑事案件与待匹配刑事案件之间的关联程度,进而可以有效地进行串并案。
值得说明的是,可以通过比较待匹配刑事案件对应的相似度与预设相似度阈值来确定出目标刑事案件。如果待匹配刑事案件对应的相似度高于预设相似度阈值,则可以作为目标刑事案件,由此,目标刑事案件的数量不限定,可以有一个也可以有多个。同时,也可能会出现多个待匹配刑事案件对应的相似度均不高于预设相似度阈值,则无法确定出目标刑事案件,也即无法得到待推荐案件对应的刑事案件。其中,预设相似度阈值的具体大小不限定,可以根据实际的串并案需求进行调整。
在上述实施例的基础上,所述计算所述待推荐刑事案件的特征信息与所述预设案件特征库中每一待匹配刑事案件对应的特征信息之间的相似度,包括:利用simhash算法对待推荐刑事案件的特征信息进行处理,得到待推荐刑事案件对应的案件指纹,所述案件指纹为特征信息对应的哈希值;利用simhash算法对每一待匹配刑事案件对应的特征信息进行处理,得到待匹配刑事案件对应的案件指纹;计算所述待推荐刑事案件的案件指纹与每一待匹配刑事案件对应的案件指纹之间的海明距离;根据每一海明距离,确定对应的待匹配刑事案件的特征信息与待推荐刑事案件的特征信息之间的相似度。
其中,待推荐刑事案件与多个待匹配刑事案件之间特征信息的相似度,也可以通过案件指纹之间的海明距离来进行确认。海明距离越大,对应的案件之间特征信息的相似度越小,反之,海明距离越小,对应的案件之间的相似度越大。由此,可以更加快速地对预设案件特征库中每一待匹配刑事案件进行相似度的计算,以此来提高串并案的效率。
还需要说明的方式,计算案件的特征信息之间的相似度的方式有多种,例如,利用doc2ve算法或DSSM-LSTM算法均可以实现特征信息之间的相似度的计算。相似度的具体计算方法不限定,可以根据实际需求进行调整。
图2为本申请实施例提供的又一种嫌疑人推荐方法的流程示意图,步骤140具体可以包括:
步骤210:根据所述串并案的特征信息,确定出待推荐刑事案件对应的多个初始嫌疑人以及每一初始嫌疑人对应的身份信息。
其中,由于刑事案件通常情况下是为惯犯作案,初始嫌疑人可以为有犯罪历史并记录在案的高危人群,对应的身份信息可以为初始嫌疑人记录在违法犯罪人员数据库中的人脸ID、身份证ID等信息。
值得说明的是,根据串并案的特征信息为待推荐刑事案件进行嫌疑人推荐的方式有很多,可以具体为:根据串并案的特征信息可以找到与串并案对应的嫌疑人的身份信息,进而根据嫌疑人的特征信息,例如,民族、户籍地行政区划等特征信息,根据特征信息进行初筛查可以得到待推荐刑事案件对应的多个初始嫌疑人。
也可以具体为:利用预先建立的违法犯罪人员特征库对串并案的特征信息进行识别,得到所述特征信息对应的嫌疑人的特征信息,再根据特征信息在有前科的犯罪人员中进行初筛查,可以得到多个初始嫌疑人。
其中,违法犯罪人员特征库中可以包括已侦破的刑事案件特征以及每一刑事案件对应的嫌疑人的特征信息。可以通过Apriori算法来挖掘出执法办案平台中的,案件特征(案件类型、作案工具、作案特征、作案手段、受损物品)与嫌疑人特征(户籍地行政区划、民族、前科类型)之间的关联,从而建立违法犯罪人员库。表1为一种案件特征信息与嫌疑人特征信息的对应关系示意表。
表1为一种案件特征信息与嫌疑人特征信息的对应关系示意表
继续参考图2,步骤210之后,所述方法还包括:
步骤220:获取所述串并案的时间信息和空间信息,所述时间信息用于表征所述串并案发生的时间,所述空间信息用于表征所述串并案发生的地点。
步骤230:根据身份信息、所述串并案的时间信息和空间信息,从预设嫌疑人轨迹库中确定出多个待匹配嫌疑人和待匹配嫌疑人对应的轨迹信息。所述预设嫌疑人轨迹库存储有多个嫌疑人的身份信息以及与每一嫌疑人对应的轨迹信息。
步骤240:根据所述空间信息和多个待匹配嫌疑人对应的轨迹信息,确定出待推荐刑事案件对应的目标嫌疑人。
其中,串并案的时间信息和空间信息可以从串并案的特征信息中提取得到,再根据串并案的时间信息和空间信息以及嫌疑人的轨迹信息,对多个初始嫌疑人进行筛查,可以更加准确地确定出待推荐刑事案件对应的目标嫌疑人。
作为本申请的一种实施方式,在步骤230之前,所述方法还包括:获取多个嫌疑人的身份信息以及每一嫌疑人对应的多个待匹配轨迹数据,多个所述待匹配轨迹数据为通过多种轨迹采集点采集得到的;对每一嫌疑人对应的多个待匹配轨迹数据中所有的任意两个待匹配轨迹数据执行如下步骤后,得到所述嫌疑人的身份信息对应匹配后的轨迹数据;根据匹配后的轨迹数据得到所述嫌疑人身份信息对应的轨迹信息,并将多个嫌疑人的身份信息与对应的轨迹信息进行存储,建立所述预设嫌疑人轨迹库;其中,针对任意两个待匹配轨迹数据执行的步骤包括:从多个待匹配轨迹数据中任意选择两个相互未进行匹配的待匹配轨迹数据,作为第一轨迹数据和第二轨迹数据;将采集到的第一轨迹数据的时刻作为第一时刻,将采集到第二轨迹数据的时刻作为第二时刻;若第一时刻与第二时刻的间隔小于预设时间段,且第一轨迹数据和第二轨迹数据的距离小于预设距离值,则将第一轨迹数据与第二轨迹数据进行匹配,得到匹配后的轨迹数据。
其中,待匹配轨迹数据包括但不限于:通过旅馆住宿记录、网吧上网记录、车辆卡口过车记录、电子围栏、人脸卡口抓拍记录、医院就诊记录、话单信息等信息。轨迹数据轨迹采样点可以包括卡口、电子围栏、摄像头等可以采集上述轨迹数据的设备。同时,轨迹采样点还可以采集用户的身份信息,例如:人脸ID、设备ID等信息。
举例来说,假设有一卡口,设置有人脸卡口X、围栏卡口Y与WIFI 卡口Z,XYZ之间的距离均小于预设距离,当嫌疑人的人脸ID在2019-5-13 12:00:00通过卡口X,获取2019-5-13 11:59:00到2019-5-13 12:01:00所有通过围栏卡口Y的IMSI,以及所有通过WIFI卡口Z的MAC,将这些IMSI/ MAC与嫌疑人的人脸ID进行匹配,得到与所述嫌疑人对应的匹配后的轨迹数据。
在上述实施例的基础上,步骤230可以具体包括:根据串并案的空间信息,确定出串并案对应的待排查区域以及待排查区域内的轨迹采样点;根据所述轨迹采样点、所述时间信息和初始嫌疑人对应的身份信息,在嫌疑人轨迹库中确定多个待匹配嫌疑人以及每一待匹配嫌疑人对应的轨迹信息。
值得说明的是,可以根据串并案中多个刑事案件的空间信息,也即案发地点的经纬度,确定以每一案发地点为中心半径为预设距离的多个圆形区域为待排查区域,以此来找到待排查范围内的所有轨迹采样点。由此,可以根据轨迹采样点,提取到与串并案的时间信息对应的轨迹信息,并根据提取到的轨迹信息对应的身份信息与初始嫌疑人对应的身份信息进行比较,确定出多个待匹配嫌疑人以及每一待匹配嫌疑人对应的轨迹信息。
举例来说,根据各个案发地点的经纬度,找出距离案发地点5000米范围内(待排查区域)的所有轨迹采样点。根据所述轨迹采样点的采样数据,从嫌疑人轨迹库中多个初始嫌疑人的轨迹信息中,筛选出满足在案发时间前后2小时内且距离任一案发地点3000米范围内的轨迹信息,将筛选后的轨迹信息对应的嫌疑人作为待匹配嫌疑人,则得到多个待匹配嫌疑人以及每一待匹配嫌疑人对应的轨迹信息。
其中,待排查区域的具体面积和形状不限定,可以根据实际的排查需求进行调整。
在上述实施例的基础上,步骤240可以具体包括:计算每一待匹配嫌疑人对应的轨迹信息与串并案的空间信息之间的距离;选择距离最小的预设数目的待匹配嫌疑人,作为待推荐刑事案件对应的目标嫌疑人。
其中,计算每一待匹配嫌疑人对应的轨迹信息与串并案的空间信息之间的距离,也即计算轨迹信息与串并案的案发点的矢量距离,找出距离最小的预设数目的待匹配嫌疑人,也即轨迹信息与案件重合次数最多的嫌疑人。
举例来说,假设现在有一串并案,串并案包括案件1、案件2和案件3,以及嫌疑人1、嫌疑人2、嫌疑人3、嫌疑人4、嫌疑人5和嫌疑人6。表2 为一种嫌疑人与串并案的距离表,如表3的数据所示,null表示在案发时间前后2小时内,且在与案件对应的排查区域内未找到该嫌疑人的轨迹信息。假设预设数目为3,则应当将嫌疑人1、嫌疑人2、嫌疑人3作为与待推荐案件对应的目标嫌疑人。而在实际操作中,对应的嫌疑人数量以及轨迹数量较多,通过删除处理方法可以提高嫌疑人推荐的准确性。
表2为一种嫌疑人与串并案的距离表
图3为本申请实施例提供的一种嫌疑人推荐装置的结构示意图,基于同一发明构思,本申请实施例中还提供一种嫌疑人推荐装置300,包括:获取模块310,用于获取待推荐刑事案件的特征信息;匹配模块320,用于在预设案件特征库中,根据所述特征信息匹配出所述待推荐刑事案件对应的至少一个目标刑事案件;其中,所述预设案件特征库中存储有多个刑事案件以及每一刑事案件对应的特征信息;关联模块330,用于将所述目标刑事案件与所述待推荐刑事案件进行关联,得到所述待推荐刑事案件对应的串并案;推荐模块340,用于根据所述串并案的特征信息,确定出待推荐刑事案件对应的目标嫌疑人。
在上述实施例的基础上,所述匹配模块320具体用于:计算所述待推荐刑事案件的特征信息与所述预设案件特征库中每一待匹配刑事案件对应的特征信息之间的相似度;根据多个待匹配刑事案件对应的相似度,从多个待匹配刑事案件中确定出待推荐刑事案件对应的目标刑事案件。
在上述实施例的基础上,所述匹配模块320具体用于:利用simhash 算法对待推荐刑事案件的特征信息进行处理,得到待推荐刑事案件对应的案件指纹,所述案件指纹为特征信息对应的哈希值;利用simhash算法对每一待匹配刑事案件对应的特征信息进行处理,得到待匹配刑事案件对应的案件指纹;计算所述待推荐刑事案件的案件指纹与每一待匹配刑事案件对应的案件指纹之间的海明距离;根据每一海明距离,确定对应的待匹配刑事案件的特征信息与待推荐刑事案件的特征信息之间的相似度。
在上述实施例的基础上,所述获取模块310具体用于:获取待推荐刑事案件的文本信息;利用预设特征识别模型对所述文本信息进行特征提取,得到所述待推荐刑事案件的特征信息;其中,所述预设特征识别模型为通过将多个样本文本信息以及每一样本文本信息对应的样本特征信息作为输入,对神经网络进行训练得到的。
在上述实施例的基础上,所述推荐模块340具体用于:根据所述串并案的特征信息,确定出待推荐刑事案件对应的多个初始嫌疑人以及每一初始嫌疑人对应的身份信息;获取所述串并案的时间信息和空间信息,所述时间信息用于表征所述串并案发生的时间,所述空间信息用于表征所述串并案发生的地点;根据身份信息、所述串并案的时间信息和空间信息,从预设嫌疑人轨迹库中确定出多个待匹配嫌疑人和待匹配嫌疑人对应的轨迹信息;所述预设嫌疑人轨迹库存储有多个嫌疑人的身份信息以及与每一嫌疑人对应的轨迹信息;根据所述空间信息和多个待匹配嫌疑人对应的轨迹信息,确定出待推荐刑事案件对应的目标嫌疑人。
在上述实施例的基础上,所述推荐模块340具体用于:根据串并案的空间信息,确定出串并案对应的待排查区域以及待排查区域内的轨迹采样点;根据所述轨迹采样点、所述时间信息和初始嫌疑人对应的身份信息,在嫌疑人轨迹库中确定多个待匹配嫌疑人以及每一待匹配嫌疑人对应的轨迹信息。
在上述实施例的基础上,所述推荐模块340具体用于:计算每一待匹配嫌疑人对应的轨迹信息与串并案的空间信息之间的距离;选择距离最小的预设数目的待匹配嫌疑人,作为待推荐刑事案件对应的目标嫌疑人。
在上述实施例的基础上,所述嫌疑人推荐装置还包括模型建立模块,用于获取多个嫌疑人的身份信息以及每一嫌疑人对应的多个待匹配轨迹数据,多个所述待匹配轨迹数据为通过多种轨迹采集点采集得到的;对每一嫌疑人对应的多个待匹配轨迹数据中所有的任意两个待匹配轨迹数据执行如下步骤后,得到所述嫌疑人的身份信息对应匹配后的轨迹数据;根据匹配后的轨迹数据得到所述嫌疑人身份信息对应的轨迹信息,并将多个嫌疑人的身份信息与对应的轨迹信息进行存储,建立所述预设嫌疑人轨迹库;其中,针对任意两个待匹配轨迹数据执行的步骤包括:从多个待匹配轨迹数据中任意选择两个相互未进行匹配的待匹配轨迹数据,作为第一轨迹数据和第二轨迹数据;将采集到的第一轨迹数据的时刻作为第一时刻,将采集到第二轨迹数据的时刻作为第二时刻;若第一时刻与第二时刻的间隔小于预设时间段,且第一轨迹数据和第二轨迹数据的距离小于预设距离值,则将第一轨迹数据与第二轨迹数据进行匹配,得到匹配后的轨迹数据。
请参照图4,图4示出了一种可应用于本申请实施例中的电子设备10 的结构框图。电子设备10可以包括存储器101、存储控制器102、处理器 103、外设接口104、输入输出单元105、显示单元107。
所述存储器101、存储控制器102、处理器103、外设接口104、输入输出单元105、显示单元107各元件相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。至少一个软件或固件(firmware)存储于所述存储器101中或固化在操作系统(operating system,OS)中的软件功能模块。所述处理器103用于执行存储器101中存储的可执行模块,软件功能模块或计算机程序。
其中,存储器101可以是,但不限于,随机存取存储器 (RandomAccessMemory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-OnlyMemory,PROM),可擦除只读存储器(Erasable Programmable Read-Only Memory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory, EEPROM)等。其中,存储器101用于存储程序,所述处理器103在接收到执行指令后,执行所述程序,前述本申请实施例任一实施例揭示的方法可以应用于处理器103中,或者由处理器103实现。
处理器103可以是一种集成电路芯片,具有信号的处理能力。上述的处理器103可以是通用处理器,包括中央处理器(CentralProcessingUnit,简称CPU)、网络处理器(NetworkProcessor,简称NP)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器103也可以是任何常规的处理器等。
所述外设接口104将各种输入/输出装置耦合至处理器103以及存储器 101。在一些实施例中,外设接口104,处理器103以及存储控制器102可以在单个芯片中实现。在其他一些实例中,他们可以分别由独立的芯片实现。
输入输出单元105用于提供给用户输入数据实现用户与所述电子设备 10的交互。所述输入输出单元105可以是,但不限于,鼠标和键盘等。
显示单元107在所述电子设备10与用户之间提供一个交互界面(例如用户操作界面)或用于显示图像数据给用户参考。在本实施例中,所述显示单元107可以是液晶显示器或触控显示器。若为触控显示器,其可为支持单点和多点触控操作的电容式触控屏或电阻式触控屏等。支持单点和多点触控操作是指触控显示器能感应到来自该触控显示器上一个或多个位置处同时产生的触控操作,并将该感应到的触控操作交由处理器103进行计算和处理。
可以理解,图4所示的结构仅为示意,所述电子设备10还可包括比图 4中所示更多或者更少的组件,或者具有与图4所示不同的配置。图4中所示的各组件可以采用硬件、软件或其组合实现。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的装置的具体工作过程,可以参考前述方法中的对应过程,在此不再过多赘述。
综上所述,本申请实施例提供一种嫌疑人推荐方法、装置、电子设备和存储介质,所述方法包括:获取待推荐刑事案件的特征信息;在预设案件特征库中,根据所述特征信息匹配出所述待推荐刑事案件对应的至少一个目标刑事案件;其中,所述预设案件特征库中存储有多个刑事案件以及每一刑事案件对应的特征信息;将所述目标刑事案件与所述待推荐刑事案件进行关联,得到所述待推荐刑事案件对应的串并案;根据所述串并案的特征信息,确定出待推荐刑事案件对应的目标嫌疑人。本申请实施例通过案件特征将案件进行串并联,并根据串并联案件的特征进行了嫌疑人推荐,由此,可以准确地将有关联的案件之间进行串并案,提高嫌疑人推荐的准确性。
在本申请所提供的实施例中,应该理解到,所揭露装置和方法,可以通过其它的方式实现。以上所描述的装置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,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
另外,作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
再者,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
需要说明的是,功能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,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,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案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步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器 (Read-Only Memory,ROM)随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
以上所述仅为本申请的实施例而已,并不用于限制本申请的保护范围,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种嫌疑人推荐方法,其特征在于,包括:
获取待推荐刑事案件的特征信息;
在预设案件特征库中,根据所述特征信息匹配出所述待推荐刑事案件对应的至少一个目标刑事案件;其中,所述预设案件特征库中存储有多个刑事案件以及每一刑事案件对应的特征信息;
将所述目标刑事案件与所述待推荐刑事案件进行关联,得到所述待推荐刑事案件对应的串并案;
根据所述串并案的特征信息,确定出待推荐刑事案件对应的目标嫌疑人。
2.根据权利要求1所述的嫌疑人推荐方法,其特征在于,所述在预设案件特征库中,根据所述特征信息匹配出所述待推荐刑事案件对应的至少一个目标刑事案件,包括:
计算所述待推荐刑事案件的特征信息与所述预设案件特征库中每一待匹配刑事案件对应的特征信息之间的相似度;
根据多个待匹配刑事案件对应的相似度,从多个待匹配刑事案件中确定出待推荐刑事案件对应的目标刑事案件。
3.根据权利要求1所述的嫌疑人推荐方法,其特征在于,所述获取待推荐刑事案件的特征信息,包括:
获取待推荐刑事案件的文本信息;
利用预设特征识别模型对所述文本信息进行特征提取,得到所述待推荐刑事案件的特征信息;
其中,所述预设特征识别模型为通过将多个样本文本信息以及每一样本文本信息对应的样本特征信息作为输入,对神经网络进行训练得到的。
4.根据权利要求1所述的嫌疑人推荐方法,其特征在于,所述根据所述串并案的特征信息,确定出待推荐刑事案件对应的目标嫌疑人,包括:
根据所述串并案的特征信息,确定出待推荐刑事案件对应的多个初始嫌疑人以及每一初始嫌疑人对应的身份信息;
获取所述串并案的时间信息和空间信息,所述时间信息用于表征所述串并案发生的时间,所述空间信息用于表征所述串并案发生的地点;
根据身份信息、所述串并案的时间信息和空间信息,从预设嫌疑人轨迹库中确定出多个待匹配嫌疑人和待匹配嫌疑人对应的轨迹信息;所述预设嫌疑人轨迹库存储有多个嫌疑人的身份信息以及与每一嫌疑人对应的轨迹信息;
根据所述空间信息和多个待匹配嫌疑人对应的轨迹信息,确定出待推荐刑事案件对应的目标嫌疑人。
5.根据权利要求4所述的嫌疑人推荐方法,其特征在于,所述根据身份信息、所述串并案的时间信息和空间信息,从预设嫌疑人轨迹库中确定出多个待匹配嫌疑人和待匹配嫌疑人对应的轨迹信息,包括:
根据串并案的空间信息,确定出串并案对应的待排查区域以及待排查区域内的轨迹采样点;
根据所述轨迹采样点、所述时间信息和初始嫌疑人对应的身份信息,在嫌疑人轨迹库中确定多个待匹配嫌疑人以及每一待匹配嫌疑人对应的轨迹信息。
6.根据权利要求4所述的嫌疑人推荐方法,其特征在于,所述根据所述空间信息和多个待匹配嫌疑人对应的轨迹信息,确定出待推荐刑事案件对应的目标嫌疑人,包括:
计算每一待匹配嫌疑人对应的轨迹信息与串并案的空间信息之间的距离;
选择距离最小的预设数目的待匹配嫌疑人,作为待推荐刑事案件对应的目标嫌疑人。
7.根据权利要求4所述的嫌疑人推荐方法,其特征在于,所述根据身份信息、所述串并案的时间信息和空间信息,从预设嫌疑人轨迹库中确定出多个待匹配嫌疑人和待匹配嫌疑人对应的轨迹信息之前,所述方法还包括:
获取多个嫌疑人的身份信息以及每一嫌疑人对应的多个待匹配轨迹数据,多个所述待匹配轨迹数据为通过多种轨迹采集点采集得到的;
对每一嫌疑人对应的多个待匹配轨迹数据中所有的任意两个待匹配轨迹数据执行如下步骤后,得到所述嫌疑人的身份信息对应匹配后的轨迹数据;根据匹配后的轨迹数据得到所述嫌疑人的身份信息对应的轨迹信息,并将多个嫌疑人的身份信息与对应的轨迹信息进行存储,建立所述预设嫌疑人轨迹库;
其中,针对任意两个待匹配轨迹数据执行的步骤包括:
从多个待匹配轨迹数据中任意选择两个相互未进行匹配的待匹配轨迹数据,作为第一轨迹数据和第二轨迹数据;
将采集到的第一轨迹数据的时刻作为第一时刻,将采集到第二轨迹数据的时刻作为第二时刻;
若第一时刻与第二时刻的间隔小于预设时间段,且第一轨迹数据和第二轨迹数据的距离小于预设距离值,则将第一轨迹数据与第二轨迹数据进行匹配,得到匹配后的轨迹数据。
8.一种嫌疑人推荐装置,其特征在于,包括:
获取模块,用于获取待推荐刑事案件的特征信息;
匹配模块,用于在预设案件特征库中,根据所述特征信息匹配出所述待推荐刑事案件对应的至少一个目标刑事案件;其中,所述预设案件特征库中存储有多个刑事案件以及每一刑事案件对应的特征信息;
关联模块,用于将所述目标刑事案件与所述待推荐刑事案件进行关联,得到所述待推荐刑事案件对应的串并案;
推荐模块,用于根据所述串并案的特征信息,确定出待推荐刑事案件对应的目标嫌疑人。
9.一种电子设备,其特征在于,包括:处理器、存储器和总线,其中,
所述处理器和所述存储器通过所述总线完成相互间的通信;
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如权利要求1-7任一项所述的方法。
10.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行如权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010045688.0A CN111598753A (zh) | 2020-01-15 | 2020-01-15 | 一种嫌疑人推荐方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010045688.0A CN111598753A (zh) | 2020-01-15 | 2020-01-15 | 一种嫌疑人推荐方法、装置、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111598753A true CN111598753A (zh) | 2020-08-28 |
Family
ID=72190937
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010045688.0A Pending CN111598753A (zh) | 2020-01-15 | 2020-01-15 | 一种嫌疑人推荐方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111598753A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113407575A (zh) * | 2021-05-14 | 2021-09-17 | 深圳市广电信义科技有限公司 | 一种基于多维度的案件合并方法、装置及存储介质 |
WO2022099884A1 (zh) * | 2020-11-16 | 2022-05-19 | 罗普特科技集团股份有限公司 | 一种基于人脸识别的人员与案件关联分析方法和装置 |
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 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101655860A (zh) * | 2009-09-16 | 2010-02-24 | 北京中盾安全技术开发公司 | 一种刑侦破案视频辅助分析方法及系统 |
US20120093362A1 (en) * | 2010-09-21 | 2012-04-19 | Sony Corporation | Device and method for detecting specific object in sequence of images and video camera device |
CN106127241A (zh) * | 2016-06-17 | 2016-11-16 | 中国电子科技集团公司第二十八研究所 | 一种串并案分类方法及串并案分类系统 |
US20190114472A1 (en) * | 2017-10-18 | 2019-04-18 | Global Tel*Link Corporation | High definition camera and image recognition system for criminal identification |
CN110175217A (zh) * | 2019-05-16 | 2019-08-27 | 武汉数矿科技股份有限公司 | 一种用于确定嫌疑人的感知数据分析方法和装置 |
CN110609908A (zh) * | 2019-09-17 | 2019-12-24 | 北京明略软件系统有限公司 | 案件串并方法及装置 |
-
2020
- 2020-01-15 CN CN202010045688.0A patent/CN111598753A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101655860A (zh) * | 2009-09-16 | 2010-02-24 | 北京中盾安全技术开发公司 | 一种刑侦破案视频辅助分析方法及系统 |
US20120093362A1 (en) * | 2010-09-21 | 2012-04-19 | Sony Corporation | Device and method for detecting specific object in sequence of images and video camera device |
CN106127241A (zh) * | 2016-06-17 | 2016-11-16 | 中国电子科技集团公司第二十八研究所 | 一种串并案分类方法及串并案分类系统 |
US20190114472A1 (en) * | 2017-10-18 | 2019-04-18 | Global Tel*Link Corporation | High definition camera and image recognition system for criminal identification |
CN110175217A (zh) * | 2019-05-16 | 2019-08-27 | 武汉数矿科技股份有限公司 | 一种用于确定嫌疑人的感知数据分析方法和装置 |
CN110609908A (zh) * | 2019-09-17 | 2019-12-24 | 北京明略软件系统有限公司 | 案件串并方法及装置 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022099884A1 (zh) * | 2020-11-16 | 2022-05-19 | 罗普特科技集团股份有限公司 | 一种基于人脸识别的人员与案件关联分析方法和装置 |
CN113407575A (zh) * | 2021-05-14 | 2021-09-17 | 深圳市广电信义科技有限公司 | 一种基于多维度的案件合并方法、装置及存储介质 |
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 |
---|---|---|
US9661010B2 (en) | Security log mining devices, methods, and systems | |
CN101197676B (zh) | 认证系统的管理方法 | |
Bologa et al. | Big data and specific analysis methods for insurance fraud detection. | |
CN111598753A (zh) | 一种嫌疑人推荐方法、装置、电子设备和存储介质 | |
CN106874951B (zh) | 一种旅客关注度评级方法及装置 | |
US20220383322A1 (en) | Clustering-based data selection for optimization of risk predictive machine learning models | |
Ofori-Boateng et al. | Topological anomaly detection in dynamic multilayer blockchain networks | |
US10318964B2 (en) | Systems and methods for detecting entity migration | |
CN113592019A (zh) | 基于多模型融合的故障检测方法、装置、设备及介质 | |
CN114205216B (zh) | 微服务故障的根因定位方法、装置、电子设备和介质 | |
CN105654735A (zh) | 基于离群点分析算法的套牌车快速甄别方法 | |
CN111274283A (zh) | 一种轨迹显示方法及装置 | |
CN112597238A (zh) | 基于人员信息的知识图谱构建方法、系统、设备及介质 | |
Singh et al. | Roof bolt identification in underground coal mines from 3D point cloud data using local point descriptors and artificial neural network | |
CN116307671A (zh) | 风险预警方法、装置、计算机设备、存储介质 | |
CN104636971A (zh) | 一种增值税发票一号多名的检测方法及其系统 | |
CN111767192A (zh) | 基于人工智能的业务数据检测方法、装置、设备和介质 | |
Soni et al. | Reducing risk in KYC (know your customer) for large Indian banks using big data analytics | |
CN112199483B (zh) | 信息录入辅助方法、装置、电子设备及存储介质 | |
CN111369417A (zh) | 一种基于技战法模型的案件线索获取方法及装置 | |
Sudha et al. | Analysis and evaluation of integrated cyber crime offences | |
CN112396508B (zh) | 一种基于大数据的社会信用公示查询系统 | |
CN117314664A (zh) | 一种基于本福特定律与深度学习的审计系统 | |
CN114490801A (zh) | 一种基于大数据的目标人车深度挖掘与精准确认方法 | |
Folasade et al. | Development of a Credit Card Fraud Detection Model |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20210914 Address after: 100000 room 650, 6th floor, building 11, Huashan Garden Cultural Media Industrial Park, 1376 folk culture street, Gaobeidian village, Gaobeidian Township, Chaoyang District, Beijing Applicant after: Beijing Zhizhi Heshu Technology Co.,Ltd. Address before: No.310, building 4, courtyard 8, Dongbei Wangxi Road, Haidian District, Beijing Applicant before: MININGLAMP SOFTWARE SYSTEMS Co.,Ltd. |
|
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200828 |