CN111612675A - 同行对象确定方法、装置、设备及存储介质 - Google Patents
同行对象确定方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN111612675A CN111612675A CN202010420398.XA CN202010420398A CN111612675A CN 111612675 A CN111612675 A CN 111612675A CN 202010420398 A CN202010420398 A CN 202010420398A CN 111612675 A CN111612675 A CN 111612675A
- Authority
- CN
- China
- Prior art keywords
- peer
- target
- objects
- candidate
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000004458 analytical method Methods 0.000 claims abstract description 48
- 238000004590 computer program Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 3
- 230000006399 behavior Effects 0.000 description 21
- 230000009471 action Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 230000003287 optical effect Effects 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 3
- 238000011835 investigation Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011840 criminal investigation Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction 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
- G06Q50/265—Personal security, identity or safety
Landscapes
- Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Computer Security & Cryptography (AREA)
- Human Resources & Organizations (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例公开了一种同行对象确定方法、装置、设备及存储介质。该方法包括:从目标对象的第一目标轨迹点预设范围内,确定目标对象的至少两个候选同行对象;根据所述至少两个候选同行对象的第二目标轨迹点,对所述至少两个候选同行对象进行轨迹分析;根据轨迹分析结果,确定所述至少两个候选同行对象是否为目标对象的目标同行对象。上述技术方案实现了在候选同行对象轨迹与目标对象轨迹不完全重合的情况下,通过对至少两个候选同行对象的行为轨迹分析,确定与目标对象存在关联的目标同行对象的效果。
Description
技术领域
本申请实施例涉及安防技术领域,尤其涉及一种同行对象确定方法、装置、设备及存储介质。
背景技术
随着高科技的发展,非法人员的反侦探能力越来越强,反侦察是指在作案过程中有意地基于对刑侦的了解,通过各种方式来隐藏混淆自己的行为过程。
一般情况下,刑侦人员只能分析较为简单的尾随和同行行为,当非法人员和被跟踪目标的行动轨迹重合时,才能够锁定该非法人员。但是随着非法人员反侦探能力的增强,非法人员可能不仅仅进行简单地同行跟随,往往会通过分段、团队作案等多方式来实施非法行为,在这种情况下,仅通过轨迹重合度分析无法准确地锁定非法团伙。
发明内容
本申请实施例提供一种同行对象确定方法、装置、设备及存储介质,以在轨迹不完全重合的情况下,通过行为轨迹分析准确地确定目标对象的目标同行对象。
在一个实施例中,本申请实施例提供了一种同行对象确定方法,该方法包括:
从目标对象的第一目标轨迹点预设范围内,确定目标对象的至少两个候选同行对象;
根据所述至少两个候选同行对象的第二目标轨迹点,对所述至少两个候选同行对象进行轨迹分析;
根据轨迹分析结果,确定所述至少两个候选同行对象是否为目标对象的目标同行对象。
在另一个实施例中,本申请实施例还提供了一种同行对象确定装置,该装置包括:
候选同行对象确定模块,用于从目标对象的第一目标轨迹点预设范围内,确定目标对象的至少两个候选同行对象;
轨迹分析模块,用于根据所述至少两个候选同行对象的第二目标轨迹点,对所述至少两个候选同行对象进行轨迹分析;
目标同行对象确定模块,用于根据轨迹分析结果,确定所述至少两个候选同行对象是否为目标对象的目标同行对象。
在又一个实施例中,本申请实施例还提供了一种设备,包括:一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现本申请实施例任一项所述的同行对象确定方法。
在一个实施例中,本申请实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本申请实施例中任一项所述的同行对象确定方法。
本申请实施例中,从目标对象的第一目标轨迹点预设范围内,确定目标对象的至少两个候选同行对象,从而针对性地对目标对象的第一目标轨迹点周围的对象进行分析,提高分析的可参考性和分析效率。通过根据所述至少两个候选同行对象的第二目标轨迹点,对所述至少两个候选同行对象进行轨迹分析;根据轨迹分析结果,确定所述至少两个候选同行对象是否为目标对象的目标同行对象,从而准确地筛选得到目标对象的目标同行对象,即使在目标同行对象与目标对象的轨迹不完全重合的情况下,也能够通过上述方案准确确定目标对象的目标同行对象,即存在非法行为企图的团伙。
附图说明
图1为本申请一种实施例提供的同行对象确定方法的流程图;
图2为本申请一种实施例提供的同伙行为示意图;
图3为本申请一种实施例提供的目标对象第一目标轨迹点示意图;
图4为本申请实施例提供的至少两个候选同行对象轨迹示意图
图5为本申请另一实施例提供的同行对象确定方法的流程图;
图6为本申请一种实施例提供的同行对象确定装置结构示意图;
图7为本申请一种实施例提供的一种同行对象确定设备的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本申请,而非对本申请的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本申请相关的部分而非全部结构。
图1为本申请一种实施例提供的同行对象确定方法的流程图。本实施例提供的同行对象确定方法可适用于确定同行人员的情况,典型的,本申请实施例可以适用于已经确定了跟踪被跟踪对象的目标对象时,通过行为分析确定目标对象的同伙的情况,也可以适用于已经确定了被跟踪的目标对象时,通过行为分析确定跟踪目标对象的非法团伙的情况。该方法具体可以由同行对象确定装置来执行,该装置可以由软件和/或硬件的方式实现,该装置可以集成在同行对象确定设备中。参见图1,本申请实施例的方法具体包括:
S110、从目标对象的第一目标轨迹点预设范围内,确定目标对象的至少两个候选同行对象。
在本申请实施例中,目标对象可以为对其他人员进行跟踪的跟踪人员,图2为本申请一种实施例提供的同伙行为示意图,如图2所示,对象A为被跟踪对象,对象B为跟踪对象A的目标对象。目标对象的轨迹点不限于跟踪被跟踪对象A所产生的轨迹点,也可以包括目标对象的其他行为的轨迹点。例如,可能在上午,目标对象B对被跟踪对象A进行了跟踪,产生了一组轨迹点,在下午,目标对象B并没有对被跟踪对象A进行跟踪,而是进行了其他活动,也需要确定目标对象B的轨迹点,并进一步分析。第一目标轨迹点为从轨迹中选取的部分点,轨迹由目标对象的轨迹点形成。图3为本申请一种实施例提供的目标对象第一目标轨迹点示意图,如图3所示,可以根据目标对象的轨迹点形成目标对象的轨迹,从目标对象的轨迹中选取第一目标轨迹点。第一目标轨迹点可以任意选取,也可以选取目标对象停留时间最长的位置点,或者附近有重要建筑物或标识的位置点。需要说明的是,图3中只示出了6个第一目标轨迹点,但是并不是对第一目标轨迹点数量的限定,具体选取的第一目标轨迹点的数量可以根据实际情况设定,可以令第一目标轨迹点遍布目标对象的整个行动轨迹。
在本申请实施例中,如果分析出目标对象B与被跟踪对象A的轨迹重合,那么可以判断,目标对象B很有可能是跟踪被跟踪对象A的人员。而对象C和对象D的轨迹并没有与对象A的轨迹完全重合,其虽然没有直接跟踪被跟踪对象A,但是很有可能是目标对象B的同伙,其行为与目标对象B的行为可能存在关联,但是仅仅根据轨迹重合的方法可能难以确定对象C和对象D是否为目标对象B的同伙。因此,在本申请实施例中,通过对目标对象B与其他对象的行为分析,确定对象B的同伙。
由于目标对象B同伙的行为与目标对象B的行为存在关联,例如部分轨迹相同,或者聚集地相同等,因此,可以对第一目标轨迹点周围的对象进行排查,从而初步锁定曾经出现在目标对象B附近的对象。在本申请实施例中,以第一目标轨迹点作为中心,检测轨迹点预设范围内出现的对象,预设范围可以根据实际情况进行选取,范围的形状可以为圆形、方形或不规则图形,在此不作限定。
本申请实施例,通过对目标对象的第一目标轨迹点预设范围进行分析,确定候选同行对象,从而在候选同行对象的行动轨迹与目标对象的行动轨迹不完全重合的情况下,通过行为分析准确锁定与目标对象行为相关联的候选同行对象,为目标对象同伙的确定提供了一种有效的方案。
在本申请实施例中,从目标对象的第一目标轨迹点预设范围内,确定目标对象的至少两个候选同行对象,包括:将出现在目标对象的第一目标轨迹点预设范围内的对象作为疑似同行对象;确定所述疑似同行对象出现在目标对象的第一目标轨迹点预设范围内的次数;根据所述次数,从疑似同行对象中确定候选同行对象。
具体的,只是曾经出现在目标对象的附近的疑似同行对象难以明确即为候选对象的同伙,因此,需要进一步对疑似同行对象进行筛选。在本申请实施例中,统计疑似同行对象出现在目标对象的第一目标轨迹点预设范围内的次数,从而通过次数反映疑似同行对象与目标对象的关联程度与接触的数量,以直观地判断疑似同行对象与目标对象的关联程度。
示例性的,由于次数能够反映疑似同行对象与目标对象的行为关联程度,因此,根据疑似同行对象出现在目标对象的第一目标轨迹点的预设范围内的次数,从疑似同行对象中确定候选同行对象,从而准确地选取出目标对象的同伙人员。在本申请实施例中,具体方案可以为:疑似同行对象出现在目标对象的第一目标轨迹点预设范围内的次数越多,则该疑似同行对象为目标对象同伙人员的可能性越大,因此,可以将出现在目标对象的预设范围内的次数大于预设次数阈值的疑似同行对象,作为目标对象的候选同行对象,从而准确从疑似同行对象中筛选得到候选同行人员。
S120、根据所述至少两个候选同行对象的第二目标轨迹点,对所述至少两个候选同行对象进行轨迹分析。
示例性的,如表1所示,可以分析在过去的十五天内,至少两个候选同行对象每天的轨迹点,根据轨迹点形成至少两个候选同行对象的轨迹,根据至少两个候选对象的轨迹,选取第二目标轨迹点进行分析,其中,第二目标轨迹点的具体选取方法可以参考第一目标轨迹点的选取方法。
表1
候选同行对象 | 第二目标轨迹点 |
P2 | M10(x10,y11);M12(x12,y12)… |
P3 | M10(x10,y11);M13(x10,y11);M15(x15,y17)… |
Pn | …… |
在本申请实施例中,根据所述至少两个候选同行对象的第二目标轨迹点,对所述至少两个候选同行对象进行轨迹分析,包括:确定在预设时间段的各单位时间内,所述至少两个候选同行对象的第二目标轨迹点;若至少两个候选同行对象存在相同的第二目标轨迹点,则确定相同第二目标轨迹点对应的单位时间的数量和/或单位时间内的相同第二目标轨迹点个数。
示例性的,如果至少两个候选同行对象的第二目标轨迹点存在重合,那么说明至少两个候选同行对象的行为存在关联性。图4为本申请实施例提供的至少两个候选同行对象轨迹示意图,如图4所示,候选同行对象C和候选同行对象D可能存在重合的第二目标轨迹点。第二目标轨迹点重合的次数越多,则说明至少两个候选同行对象的关联性越高,其为团伙的可能性越大。
S130、根据轨迹分析结果,确定所述至少两个候选同行对象是否为目标对象的目标同行对象。
具体的,根据轨迹分析结果,确定所述至少两个候选同行对象是否为目标同行对象,包括:若相同第二目标轨迹点对应的单位时间的数量大于预设数量阈值,和/或,单位时间内的相同第二目标轨迹点个数大于预设个数阈值,则确定所述至少两个候选同行对象为目标同行对象。
在本申请实施例中,若至少两个候选同行对象存在任意一个相同的第二目标轨迹点,则统计该至少两个候选同行对象存在相同轨迹点的天数,如果天数大于预设数量阈值,则确定至少两个候选同行对象为目标对象的目标同行对象。例如,候选同行对象p2,与候选同行对象p3,在第一天存在相同的第二目标轨迹点M10(x10,y11),在第二天存在相同的第二目标轨迹点M13(x13,y14),预设数量阈值为八天,在过去的十五天中,存在相同第二目标轨迹点的天数为十天,大于预设数量阈值八天,则说明候选同行对象p2与候选同行对象p3行动的关联性较大,其为目标对象的目标同行对象,即为目标对象的团伙。
本申请实施例中,具体方案还可以为,若至少两个候选同行对象存在任意一个相同的第二目标轨迹点,则统计至少两个候选同行对象在一天中的相同第二目标轨迹点的个数,如果一天中相同第二目标轨迹点的个数大于预设个数阈值,则说明至少两个候选同行对象为目标对象的目标同行对象,即为目标对象的团伙。
本申请实施例中,具体方案还可以为,若至少两个候选同行对象存在任意一个相同的第二目标轨迹点,则统计至少两个候选同行对象在一天中的相同第二目标轨迹点的个数,以及存在相同第二目标轨迹点的天数,如果一天中的相同第二目标轨迹点的个数大于预设个数阈值,且存在相同第二目标轨迹点的天数大于预设数量阈值,则说明至少两个候选同行对象为目标对象的目标同行对象,即为目标对象的团伙。
在本申请实施例中,具体方案可以为,以至少两个候选同行对象存在相同第二目标轨迹点的天数作为确定至少两个候选同行对象是否为目标同行对象的主要因素,以一天中的相同第二目标轨迹点的个数作为次要因素。例如,候选同行对象A与候选同行对象B存在相同第二目标轨迹点的天数大于预设数量阈值,但是一天中存在的第二目标相同轨迹点的个数小于预设个数阈值,候选同行对象C与候选同行对象D一天中存在的相同第二目标轨迹点的个数大于预设个数阈值,但是天数小于预设数量阈值,则候选同行对象A与候选同行对象B为团伙的置信度高于目标同行对象C与其他目标同行对象D为团伙的置信度,确定候选同行对象A与候选同行对象B为目标对象的目标同行对象,即为目标对象的团伙。
本申请实施例可以适用于已经确定了跟踪他人的目标对象时,通过行为分析确定目标对象的同伙的情况,也可以适用于已经确定了被跟踪的目标对象时,通过行为分析确定跟踪目标对象的非法团伙的情况。示例性的,如图2所示,被跟踪对象为A,将被跟踪对象A作为目标对象A,对象C和对象D与目标对象A存在部分轨迹重合,曾出现在目标对象A轨迹的预设范围内,因此,也能够根据上述方案,对对象C和对象D的行为轨迹进行分析,从而确定对象C和对象D是否为对目标对象A存在非法行为企图的团伙。
本申请实施例中,从目标对象的第一目标轨迹点预设范围内,确定目标对象的至少两个候选同行对象,从而针对性地对目标对象的第一目标轨迹点周围的对象进行分析,提高分析的可参考性和分析效率。通过根据所述至少两个候选同行对象的第二目标轨迹点,对所述至少两个候选同行对象进行轨迹分析;根据轨迹分析结果,确定所述至少两个候选同行对象是否为目标对象的目标同行对象,从而准确地筛选得到目标对象的目标同行对象,即使在目标同行对象与目标对象的轨迹不完全重合的情况下,也能够通过上述方案准确确定目标对象的目标同行对象。
图5为本申请另一实施例提供的同行对象确定方法的流程图。本申请实施例为对上述实施例的进一步优化,未在本实施例中详细描述的细节详见上述实施例。参见图5,本实施例提供的同行对象确定方法可以包括:
S201、根据目标对象的目标标识信息,以及与所述目标标识信息对应的地点信息,确定目标对象的轨迹点。
其中,目标标识信息可以为车牌信息、车辆特征信息、人体特征信息和设备标识信息中的至少一个。设备标识信息可以为MAC地址信息或RFID信息等。上述标识信息可以通过图像采集装置或设备标识检测装置进行检测得到。上述标识可以作为识别对象的信息,以设备标识为例,根据上述标识锁定目标对象,并建立关于该目标对象的事件档案,如表2所示。
表2
目标对象 | 身份证号 | 手机号 | 设备标识 |
case_1 | 13545444XXX6545124 | XXXXXXXXXXX | XXXXX |
由于在进行目标标识信息采集时,往往会同时获取目标标识信息的采集地点信息,因此,可以根据目标标识信息对应的地点信息,确定目标对象的轨迹点,形成目标对象的行动轨迹。
在本申请实施例中,如表3所示,还可以对目标对象的出行方式进行识别,从而依据出行方式进行分类,确定不同出行方式对应的轨迹点。例如,若识别到的目标标识信息为车牌信息或车辆特征信息,则确定该目标对象的出行方式为驾车。若识别到的目标标识信息为固定装置采集到的人体特征信息或设备标识信息,则确定该目标对象的出行方式为步行。若识别到的目标标识信息为移动的装置采集到的人体特征信息或设备标识信息,则确定该目标对象的出行方式为公共交通。通过以不同的出行方式为分类,确定目标对象的轨迹点,从而更加直观地明确目标对象的出行方式,以及轨迹点的特征,便于后续确定怎样选取第一目标轨迹点。
表3
目标对象 | 出行方式 | 第一目标轨迹点 |
case_1 | A1 | M1(x1,y1);M2(x2,y2)… |
case_1 | A2 | Mn(x2,y4);Mn+1(x5,y7)… |
S202、根据目标对象的轨迹点,确定所述目标对象的轨迹。
示例性的,将目标对象的相邻轨迹点相连,得到目标对象的轨迹。
S203、将目标对象的轨迹中,间隔预设距离的点,作为目标对象的第一目标轨迹点。
示例性的,为了更为详细准确地获取目标对象轨迹点周边的信息,可以取轨迹中间隔预设距离的位置点,作为第一目标轨迹点。其中,距离可以为两个位置点之间的沿轨迹的路径长度。
S204、检测目标对象的第一目标轨迹点预设范围内是否存在同行标识信息。
其中,目标标识信息可以为车牌信息、车辆特征信息、人体特征信息和设备标识信息中的至少一个。设备标识信息可以为MAC地址信息或RFID信息等。示例性的,由于同行标识信息能够标识同一个对象,因此,可以根据检测装置是否检测到同行标识信息,从而确定是否存在对象。
S205、若存在,则根据所述同行标识信息确定疑似同行对象。
示例性的,若检测到同行标识信息,则说明存在对象出现在目标对象的目标轨迹点附近,则将该对象作为疑似同行对象。
S206、确定预设时段的各单位时间内,出现在所述第一目标轨迹点预设范围内的疑似同行对象,形成各单位时间的疑似同行对象集合。
示例性的,如表4所示,可以分析预设时段内,例如15天内,每天出现在目标对象的第一目标轨迹点预设范围内的疑似同行对象,形成疑似同行对象集合。例如,在第一天,出现在第一目标轨迹点m1预设范围内的疑似同行对象包括p1、p2、p3,出现在第一目标轨迹点m2预设范围内的疑似同行对象包括p2、p3,对于其他第一目标轨迹点预设范围内的疑似同行对象不一一列举,则确定第一天中出现在第一目标轨迹点预设范围内的疑似同行对象集合为(p1、p2、p3...)。同样的,确定其他14天的疑似同行对象集合。
表4
日期 | 目标对象 | 出行方式 | 疑似同行对象 |
DAY1 | case_1 | A1 | {p1、p2、p3...} |
DAY2 | case_2 | A2 | {p2、p3,p5...} |
DAY3 | case_3 | A1 | {p2、p3、P7、P10…} |
DAY4 | case_4 | A3 | {p2、p5、P8、P10…} |
DAYn | case_n | A5 | {p1、p2、P6、Pn…} |
S207、将出现同一疑似同行对象的疑似同行对象集合个数,作为该疑似同行对象出现在目标对象的第一目标轨迹点预设范围内的次数。
示例性的,如表4所示,第一天至第n天的疑似同行对象集合中都包括同一个疑似同行对象p2,则将包含该同一疑似同行对象的集合的个数,作为该疑似同行对象出现在目标对象的第一目标轨迹点预设范围内的次数,即疑似同行对象p2出现在目标对象的第一目标轨迹点预设范围内的次数为五次。疑似同行对象P3在第一天、第二天和第三天的疑似同行对象集合中出现,则疑似同行对象p3出现在目标对象的第一目标轨迹点预设范围内的次数为三次。通过上述方案能够通过对疑似同行对象一段时间内的行为进行分析,从而准确分析出该疑似同行对象是否经常出现在目标对象的周围。
S208、若所述疑似同行对象出现在目标对象的目标轨迹点预设范围内的次数大于预设次数阈值,则确定所述疑似同行对象为候选同行对象。
其中,预设次数阈值可以根据实际情况确定。示例性的,如果预设次数阈值为八次,在过去的十五天中,疑似同行对象出现在目标对象的第一目标轨迹点的预设范围内的次数为十次,则说明该疑似同行对象经常出现在目标对象所出现的地点周围,其行动上存在关联性,因此,将该疑似同行对象作为目标对象的候选同行对象,便于准确确定目标对象的同伙人员或者跟踪目标对象的非法团伙,为侦查行动提供有效的信息,提高了侦查行动的效率。
S209、根据所述至少两个候选同行对象的第二目标轨迹点,对所述至少两个候选同行对象进行轨迹分析。
其中,根据所述至少两个候选同行对象的第二目标轨迹点,对所述至少两个候选同行对象进行轨迹分析之前,所述方法,还包括:根据至少两个候选同行对象的同行标识信息,以及与所述同行标识信息对应的地点信息,确定至少两个候选同行对象的轨迹点;根据至少两个候选同行对象的轨迹点,确定所述至少两个候选同行对象的轨迹;将至少两个候选同行对象的轨迹点中,间隔预设距离的点,取点方式可以是均匀的,也可以是非均匀的,作为至少两个候选同行对象的第二目标轨迹点。具体方案可参考第一目标轨迹点的确定方法。
S210、根据轨迹分析结果,确定所述至少两个候选同行对象是否为目标对象的目标同行对象。
本申请实施例的技术方案,通过根据目标对象轨迹确定第一目标轨迹点,并根据出现在第一目标轨迹点预设范围内的同行标识信息,确定疑似同行信息,从而初步检索到可能与目标对象存在团伙关系的疑似同行对象,若所述疑似同行对象出现在目标对象的目标轨迹点预设范围内的次数大于预设次数阈值,则确定所述疑似同行对象为候选同行对象,以准确得到与目标对象存在关联的对象,便于进一步分析至少两个候选同行对象是否为目标对象的目标同行对象。
图6为本申请一种实施例提供的同行对象确定装置结构示意图。该装置可适用于确定同行人员的情况,典型的,本申请实施例可以适用于已经确定了跟踪被跟踪对象的目标对象时,通过行为分析确定目标对象的同伙的情况,也可以适用于已经确定了被跟踪的目标对象时,通过行为分析确定跟踪目标对象的非法团伙的情况。该装置可以由软件和/或硬件的方式实现,该装置可以集成在同行对象确定设备中。参见图6,该装置具体包括:
候选同行对象确定模块310,用于从目标对象的第一目标轨迹点预设范围内,确定目标对象的至少两个候选同行对象;
轨迹分析模块320,用于根据所述至少两个候选同行对象的第二目标轨迹点,对所述至少两个候选同行对象进行轨迹分析;
目标同行对象确定模块330,用于根据轨迹分析结果,确定所述至少两个候选同行对象是否为目标对象的目标同行对象。
在本申请实施例中,所述装置还包括:
第一轨迹点确定单元,用于根据目标对象的目标标识信息,以及与所述目标标识信息对应的地点信息,确定目标对象的轨迹点;
第一轨迹确定单元,用于根据目标对象的轨迹点,确定所述目标对象的轨迹;
第一目标轨迹点选取单元,用于将目标对象的轨迹中,间隔预设距离的点,作为目标对象的第一目标轨迹点;
相应地,所述装置还包括:
第二轨迹点确定单元,用于根据至少两个候选同行对象的同行标识信息,以及与所述同行标识信息对应的地点信息,确定至少两个候选同行对象的轨迹点;
第二轨迹确定单元,用于根据至少两个候选同行对象的轨迹点,确定所述至少两个候选同行对象的轨迹;
第二目标轨迹点选取单元,用于将至少两个候选同行对象的轨迹点中,间隔预设距离的点,作为至少两个候选同行对象的第二目标轨迹点。
在本申请实施例中,所述候选同行对象确定模块310,包括:
疑似同行对象确定单元,用于将出现在目标对象的第一目标轨迹点预设范围内的对象作为疑似同行对象。
次数确定单元,用于确定所述疑似同行对象出现在目标对象的第一目标轨迹点预设范围内的次数;
候选确定单元,用于根据所述次数,从疑似同行对象中确定候选同行对象。
在本申请实施例中,所述疑似同行对象确定单元,具体用于:
检测目标对象的第一目标轨迹点预设范围内是否存在同行标识信息;
若存在,则根据所述同行标识信息确定疑似同行对象。
在本申请实施例中,所述次数确定单元,具体用于:
确定预设时段的各单位时间内,出现在所述第一目标轨迹点预设范围内的疑似同行对象,形成各单位时间的疑似同行对象集合;
将出现同一疑似同行对象的疑似同行对象集合个数,作为该疑似同行对象出现在目标对象的第一目标轨迹点预设范围内的次数。
在本申请实施例中,所述候选确定单元,具体用于:
若所述疑似同行对象出现在目标对象的目标轨迹点预设范围内的次数大于预设次数阈值,则确定所述疑似同行对象为候选同行对象。
在本申请实施例中,所述轨迹分析模块320,包括:
各轨迹点确定单元,用于确定在预设时间段的各单位时间内,所述至少两个候选同行对象的第二目标轨迹点;
数量确定单元,用于若至少两个候选同行对象存在相同的第二目标轨迹点,则确定相同第二目标轨迹点对应的单位时间的数量和/或单位时间内的相同第二目标轨迹点个数。
在本申请实施例中,所述目标同行对象确定模块330,具体用于:
若相同第二目标轨迹点对应的单位时间的数量大于预设数量阈值,和/或,单位时间内的相同第二目标轨迹点个数大于预设个数阈值,则确定所述至少两个候选同行对象为目标同行对象。
本申请实施例所提供的同行对象确定装置可执行本申请任意实施例所提供的同行对象确定方法,具备执行方法相应的功能模块和有益效果。
图7为本申请一种实施例提供的一种同行对象确定设备的结构示意图。图7示出了适于用来实现本申请实施例的示例性同行对象确定设备412的框图。图7显示的同行对象确定设备412仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图7所示,同行对象确定设备412可以为第一局域网中的第一设备、二局域网中设备或者局域网中的媒体转发设备,包括:一个或多个处理器416;存储器428,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器416执行,使得所述一个或多个处理器416实现本申请实施例所提供的同行对象确定方法,包括:
从目标对象的第一目标轨迹点预设范围内,确定目标对象的至少两个候选同行对象;
根据所述至少两个候选同行对象的第二目标轨迹点,对所述至少两个候选同行对象进行轨迹分析;
根据轨迹分析结果,确定所述至少两个候选同行对象是否为目标对象的目标同行对象。
同行对象确定设备412的组件可以包括但不限于:一个或者多个处理器或者处理器416,存储器428,连接不同设备组件(包括存储器428和处理器416)的总线418。
总线418表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
同行对象确定设备412典型地包括多种计算机设备可读存储介质。这些存储介质可以是任何能够被同行对象确定设备412访问的可用存储介质,包括易失性和非易失性存储介质,可移动的和不可移动的存储介质。
存储器428可以包括易失性存储器形式的计算机设备可读存储介质,例如随机存取存储器(RAM)430和/或高速缓存存储器432。同行对象确定设备412可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机设备存储介质。仅作为举例,存储器428可以用于读写不可移动的、非易失性磁存储介质(图7未显示,通常称为“硬盘驱动器”)。尽管图7中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光存储介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据存储介质接口与总线418相连。存储器428可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本申请各实施例的功能。
具有一组(至少一个)程序模块442的程序/实用工具440,可以存储在例如存储器428中,这样的程序模块442包括但不限于操作设备、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块442通常执行本申请所描述的实施例中的功能和/或方法。
同行对象确定设备412也可以与一个或多个外部设备414(例如键盘、指向设备、显示器424等)通信,还可与一个或者多个使得用户能与该同行对象确定设备412交互的设备通信,和/或与使得该同行对象确定设备412能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口422进行。并且,同行对象确定设备412还可以通过网络适配器420与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图7所示,网络适配器420通过总线418与同行对象确定设备412的其它模块通信。应当明白,尽管图7中未示出,可以结合同行对象确定设备412使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID设备、磁带驱动器以及数据备份存储设备等。
处理器416通过运行存储在存储器428中的多个程序中其他程序的至少一个,从而执行各种功能应用以及数据处理,例如实现本申请实施例所提供的一种同行对象确定方法。
本申请一种实施例提供了一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行同行对象确定方法,包括:
从目标对象的第一目标轨迹点预设范围内,确定目标对象的至少两个候选同行对象;
根据所述至少两个候选同行对象的第二目标轨迹点,对所述至少两个候选同行对象进行轨迹分析;
根据轨迹分析结果,确定所述至少两个候选同行对象是否为目标对象的目标同行对象。
本申请实施例的计算机存储介质,可以采用一个或多个计算机可读的存储介质的任意组合。计算机可读存储介质可以是计算机可读信号存储介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的设备、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请实施例中,计算机可读存储介质可以是任何包含或存储程序的有形存储介质,该程序可以被指令执行设备、装置或者器件使用或者与其结合使用。
计算机可读的信号存储介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号存储介质还可以是计算机可读存储介质以外的任何计算机可读存储介质,该计算机可读存储介质可以发送、传播或者传输用于由指令执行设备、装置或者器件使用或者与其结合使用的程序。
计算机可读存储介质上包含的程序代码可以用任何适当的存储介质传输,包括——但不限于无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或设备上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意,上述仅为本申请的较佳实施例及所运用技术原理。本领域技术人员会理解,本申请不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本申请的保护范围。因此,虽然通过以上实施例对本申请进行了较为详细的说明,但是本申请不仅仅限于以上实施例,在不脱离本申请构思的情况下,还可以包括更多其他等效实施例,而本申请的范围由所附的权利要求范围决定。
Claims (11)
1.一种同行对象确定方法,其特征在于,所述方法包括:
从目标对象的第一目标轨迹点预设范围内,确定目标对象的至少两个候选同行对象;
根据所述至少两个候选同行对象的第二目标轨迹点,对所述至少两个候选同行对象进行轨迹分析;
根据轨迹分析结果,确定所述至少两个候选同行对象是否为目标对象的目标同行对象。
2.根据权利要求1所述的方法,其特征在于,从目标对象的第一目标轨迹点预设范围内,确定目标对象的至少两个候选同行对象之前,所述方法还包括:
根据目标对象的目标标识信息,以及与所述目标标识信息对应的地点信息,确定目标对象的轨迹点;
根据目标对象的轨迹点,确定所述目标对象的轨迹;
将目标对象的轨迹中,间隔预设距离的点,作为目标对象的第一目标轨迹点;
相应地,根据所述至少两个候选同行对象的第二目标轨迹点,对所述至少两个候选同行对象进行轨迹分析之前,所述方法,还包括:
根据至少两个候选同行对象的同行标识信息,以及与所述同行标识信息对应的地点信息,确定至少两个候选同行对象的轨迹点;
根据至少两个候选同行对象的轨迹点,确定所述至少两个候选同行对象的轨迹;
将至少两个候选同行对象的轨迹点中,间隔预设距离的点,作为至少两个候选同行对象的第二目标轨迹点。
3.根据权利要求1所述的方法,其特征在于,从目标对象的第一目标轨迹点预设范围内,确定目标对象的至少两个候选同行对象,包括:
将出现在目标对象的第一目标轨迹点预设范围内的对象作为疑似同行对象;
确定所述疑似同行对象出现在目标对象的第一目标轨迹点预设范围内的次数;
根据所述次数,从疑似同行对象中确定候选同行对象。
4.根据权利要求3所述的方法,其特征在于,将出现在目标对象的第一目标轨迹点预设范围内的对象作为疑似同行对象,包括:
检测目标对象的第一目标轨迹点预设范围内是否存在同行标识信息;
若存在,则根据所述同行标识信息确定疑似同行对象。
5.根据权利要求3所述的方法,其特征在于,确定所述疑似同行对象出现在目标对象的第一目标轨迹点预设范围内的次数,包括:
确定预设时段的各单位时间内,出现在所述第一目标轨迹点预设范围内的疑似同行对象,形成各单位时间的疑似同行对象集合;
将出现同一疑似同行对象的疑似同行对象集合个数,作为该疑似同行对象出现在目标对象的第一目标轨迹点预设范围内的次数。
6.根据权利要求3所述的方法,其特征在于,根据所述次数,从疑似同行对象中确定候选同行对象,包括:
若所述疑似同行对象出现在目标对象的目标轨迹点预设范围内的次数大于预设次数阈值,则确定所述疑似同行对象为候选同行对象。
7.根据权利要求1所述的方法,其特征在于,根据所述至少两个候选同行对象的第二目标轨迹点,对所述至少两个候选同行对象进行轨迹分析,包括:
确定在预设时间段的各单位时间内,所述至少两个候选同行对象的第二目标轨迹点;
若至少两个候选同行对象存在相同的第二目标轨迹点,则确定相同第二目标轨迹点对应的单位时间的数量和/或单位时间内的相同第二目标轨迹点个数。
8.根据权利要求7所述的方法,其特征在于,根据轨迹分析结果,确定所述至少两个候选同行对象是否为目标同行对象,包括:
若相同第二目标轨迹点对应的单位时间的数量大于预设数量阈值,和/或,单位时间内的相同第二目标轨迹点个数大于预设个数阈值,则确定所述至少两个候选同行对象为目标同行对象。
9.一种同行对象确定装置,其特征在于,所述装置包括:
候选同行对象确定模块,用于从目标对象的第一目标轨迹点预设范围内,确定目标对象的至少两个候选同行对象;
轨迹分析模块,用于根据所述至少两个候选同行对象的第二目标轨迹点,对所述至少两个候选同行对象进行轨迹分析;
目标同行对象确定模块,用于根据轨迹分析结果,确定所述至少两个候选同行对象是否为目标对象的目标同行对象。
10.一种同行对象确定设备,其特征在于,所述设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-8中任一项所述的同行对象确定方法。
11.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-8中任一项所述的同行对象确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010420398.XA CN111612675B (zh) | 2020-05-18 | 2020-05-18 | 同行对象确定方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010420398.XA CN111612675B (zh) | 2020-05-18 | 2020-05-18 | 同行对象确定方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111612675A true CN111612675A (zh) | 2020-09-01 |
CN111612675B CN111612675B (zh) | 2023-08-04 |
Family
ID=72202074
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010420398.XA Active CN111612675B (zh) | 2020-05-18 | 2020-05-18 | 同行对象确定方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111612675B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112015956A (zh) * | 2020-09-04 | 2020-12-01 | 杭州海康威视数字技术股份有限公司 | 移动对象的相似性确定方法、装置、设备和存储介质 |
CN112380892A (zh) * | 2020-09-14 | 2021-02-19 | 青岛海信网络科技股份有限公司 | 一种图像识别方法、装置、设备及介质 |
CN112489396A (zh) * | 2020-11-16 | 2021-03-12 | 中移雄安信息通信科技有限公司 | 一种行人尾随行为检测方法、装置、电子设备和存储介质 |
CN112634564A (zh) * | 2020-12-30 | 2021-04-09 | 重庆赤木科技有限公司 | 一种社区安全监控系统 |
CN112818173A (zh) * | 2021-01-21 | 2021-05-18 | 浙江大华技术股份有限公司 | 关联对象的识别方法、装置及计算机可读存储介质 |
CN113220750A (zh) * | 2021-05-28 | 2021-08-06 | 重庆中科云从科技有限公司 | 同行人员的识别方法、装置及计算机可读存储介质 |
CN113468283A (zh) * | 2021-06-29 | 2021-10-01 | 北京市商汤科技开发有限公司 | 数据处理方法、装置、设备、存储介质 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100302395A1 (en) * | 2009-05-29 | 2010-12-02 | Microsoft Corporation | Environment And/Or Target Segmentation |
CN103839049A (zh) * | 2014-02-26 | 2014-06-04 | 中国计量学院 | 一种双人交互行为识别和主动角色确定方法 |
WO2016188380A1 (zh) * | 2015-05-28 | 2016-12-01 | 中兴通讯股份有限公司 | 用户设备的确定方法及装置 |
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 |
CN109635059A (zh) * | 2018-11-23 | 2019-04-16 | 武汉烽火众智数字技术有限责任公司 | 基于轨迹相似度匹配的人车关联分析方法及系统 |
CN110096933A (zh) * | 2018-01-30 | 2019-08-06 | 华为技术有限公司 | 目标检测的方法、装置及系统 |
KR20190125124A (ko) * | 2018-04-27 | 2019-11-06 | (주) 케이씨넷 | 빅데이터를 활용한 여행자 및 동행자 패턴분석 시스템 및 방법 |
CN110557722A (zh) * | 2019-07-30 | 2019-12-10 | 深圳市天彦通信股份有限公司 | 目标团伙的识别方法及相关装置 |
CN110610182A (zh) * | 2018-06-15 | 2019-12-24 | 武汉安天信息技术有限责任公司 | 用户轨迹相似度判断方法和相关装置 |
CN110928914A (zh) * | 2018-08-30 | 2020-03-27 | 百度在线网络技术(北京)有限公司 | 用于输出信息的方法和装置 |
CN111079525A (zh) * | 2019-11-05 | 2020-04-28 | 阿里巴巴集团控股有限公司 | 图像处理方法、设备、系统及存储介质 |
CN111090681A (zh) * | 2019-11-12 | 2020-05-01 | 高新兴科技集团股份有限公司 | 一种团伙挖掘方法、装置、设备及存储介质 |
CN111104915A (zh) * | 2019-12-23 | 2020-05-05 | 云粒智慧科技有限公司 | 一种同行分析方法、装置、设备和介质 |
-
2020
- 2020-05-18 CN CN202010420398.XA patent/CN111612675B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100302395A1 (en) * | 2009-05-29 | 2010-12-02 | Microsoft Corporation | Environment And/Or Target Segmentation |
CN103839049A (zh) * | 2014-02-26 | 2014-06-04 | 中国计量学院 | 一种双人交互行为识别和主动角色确定方法 |
WO2016188380A1 (zh) * | 2015-05-28 | 2016-12-01 | 中兴通讯股份有限公司 | 用户设备的确定方法及装置 |
CN110096933A (zh) * | 2018-01-30 | 2019-08-06 | 华为技术有限公司 | 目标检测的方法、装置及系统 |
KR20190125124A (ko) * | 2018-04-27 | 2019-11-06 | (주) 케이씨넷 | 빅데이터를 활용한 여행자 및 동행자 패턴분석 시스템 및 방법 |
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 |
CN110610182A (zh) * | 2018-06-15 | 2019-12-24 | 武汉安天信息技术有限责任公司 | 用户轨迹相似度判断方法和相关装置 |
CN110928914A (zh) * | 2018-08-30 | 2020-03-27 | 百度在线网络技术(北京)有限公司 | 用于输出信息的方法和装置 |
CN109635059A (zh) * | 2018-11-23 | 2019-04-16 | 武汉烽火众智数字技术有限责任公司 | 基于轨迹相似度匹配的人车关联分析方法及系统 |
CN110557722A (zh) * | 2019-07-30 | 2019-12-10 | 深圳市天彦通信股份有限公司 | 目标团伙的识别方法及相关装置 |
CN111079525A (zh) * | 2019-11-05 | 2020-04-28 | 阿里巴巴集团控股有限公司 | 图像处理方法、设备、系统及存储介质 |
CN111090681A (zh) * | 2019-11-12 | 2020-05-01 | 高新兴科技集团股份有限公司 | 一种团伙挖掘方法、装置、设备及存储介质 |
CN111104915A (zh) * | 2019-12-23 | 2020-05-05 | 云粒智慧科技有限公司 | 一种同行分析方法、装置、设备和介质 |
Non-Patent Citations (1)
Title |
---|
郭洋;马翠霞;滕东兴;杨;王宏安;: "运动目标三维轨迹可视化与关联分析方法", no. 05 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112015956A (zh) * | 2020-09-04 | 2020-12-01 | 杭州海康威视数字技术股份有限公司 | 移动对象的相似性确定方法、装置、设备和存储介质 |
CN112380892A (zh) * | 2020-09-14 | 2021-02-19 | 青岛海信网络科技股份有限公司 | 一种图像识别方法、装置、设备及介质 |
CN112380892B (zh) * | 2020-09-14 | 2023-10-27 | 青岛海信网络科技股份有限公司 | 一种图像识别方法、装置、设备及介质 |
CN112489396A (zh) * | 2020-11-16 | 2021-03-12 | 中移雄安信息通信科技有限公司 | 一种行人尾随行为检测方法、装置、电子设备和存储介质 |
CN112634564A (zh) * | 2020-12-30 | 2021-04-09 | 重庆赤木科技有限公司 | 一种社区安全监控系统 |
CN112818173A (zh) * | 2021-01-21 | 2021-05-18 | 浙江大华技术股份有限公司 | 关联对象的识别方法、装置及计算机可读存储介质 |
CN113220750A (zh) * | 2021-05-28 | 2021-08-06 | 重庆中科云从科技有限公司 | 同行人员的识别方法、装置及计算机可读存储介质 |
CN113468283A (zh) * | 2021-06-29 | 2021-10-01 | 北京市商汤科技开发有限公司 | 数据处理方法、装置、设备、存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111612675B (zh) | 2023-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111612675B (zh) | 同行对象确定方法、装置、设备及存储介质 | |
CN109816397B (zh) | 一种欺诈判别方法、装置及存储介质 | |
Gottwalt et al. | CorrCorr: A feature selection method for multivariate correlation network anomaly detection techniques | |
Naway et al. | A review on the use of deep learning in android malware detection | |
US11620471B2 (en) | Clustering analysis for deduplication of training set samples for machine learning based computer threat analysis | |
CN111030986B (zh) | 一种攻击组织溯源分析的方法、装置及存储介质 | |
CN111581643B (zh) | 渗透攻击评价方法和装置、以及电子设备和可读存储介质 | |
Mat et al. | Towards a systematic description of the field using bibliometric analysis: malware evolution | |
Abdulgader et al. | Enhancement of AES algorithm based on chaotic maps and shift operation for image encryption | |
Ramesh et al. | Identification of phishing webpages and its target domains by analyzing the feign relationship | |
CN113139025B (zh) | 一种威胁情报的评价方法、装置、设备及存储介质 | |
CN107871080A (zh) | 大数据混合式Android恶意代码检测方法及装置 | |
Alatawi et al. | Mobile forensics: A review | |
Zhao | Candidate smoke region segmentation of fire video based on rough set theory | |
CN113032834A (zh) | 一种数据库表格处理方法、装置、设备及存储介质 | |
CN113780363B (zh) | 一种对抗样本防御方法、系统、计算机及介质 | |
JP2019053381A (ja) | 画像処理装置、情報処理装置、方法およびプログラム | |
Ianni et al. | Scout: Security by computing outliers on activity logs | |
Ekong et al. | Securing against zero-day attacks: a machine learning approach for classification and organizations’ perception of its impact | |
CN114547383A (zh) | 一种案件串并图谱的生成方法、装置、设备及介质 | |
US11314892B2 (en) | Mitigating governance impact on machine learning | |
CN112818868A (zh) | 基于行为序列特征数据的违规用户识别方法和装置 | |
CN106446687B (zh) | 恶意样本的检测方法及装置 | |
Utama et al. | Analysis and classification of danger level in android applications using naive Bayes algorithm | |
Melaragno et al. | Change point detection with machine learning for rapid ransomware detection |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |