CN114090909A - 一种图码联侦关联方法、装置、计算机设备及存储介质 - Google Patents
一种图码联侦关联方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN114090909A CN114090909A CN202210051964.3A CN202210051964A CN114090909A CN 114090909 A CN114090909 A CN 114090909A CN 202210051964 A CN202210051964 A CN 202210051964A CN 114090909 A CN114090909 A CN 114090909A
- Authority
- CN
- China
- Prior art keywords
- association
- imsi
- time
- space
- face
- 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
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
- G06F16/90—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
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种图码联侦关联方法、装置、计算机设备及存储介质。该方法包括:实时采集人脸相片和移动终端的IMSI记录,并存储每张人脸相片及每条IMSI记录的采集时空参数;根据采集时空参数确定人脸相片与IMSI记录之间的关联对;分别提取每个关联对中人脸相片和IMSI记录的时空特征,以及两者之间的关联时空特征;使用预先训练好的深度神经网络,根据时空特征和关联时空特征对每个关联对的关联置信度进行预测;根据关联置信度从所有关联对中确定目标关联对。通过利用深度神经网络提取人脸和IMSI的深度时空特征,使得对行走、骑行、驻留等复杂场景的图码关联具有更强的鲁棒性。
Description
技术领域
本发明实施例涉及公安安防技术领域,尤其涉及一种图码联侦关联方法、装置、计算机设备及存储介质。
背景技术
基于人脸识别的图侦,创新变革了现有的侦查模式,增强了动态条件下直接发现查获犯罪嫌疑人的能力,同时也震慑犯罪,挤压犯罪空间,规范了执法取证,为准确地重建现场提供客观依据。图侦作为公安机关重要的侦查手段,通过密布各个角落的监控探头发现、追踪、缉获犯罪嫌疑人,实现了刑事案件快侦快破的目标,但在实战中也存在着一些难点和痛点,由于图侦的前提是有视频或者有抓拍照片,现在仍有大量案件中犯罪嫌疑人能够在全天候的监控网络下成功逃遁。因此目前提出了利用人脸图像与IMSI码进行联侦的方式以及时掌握嫌疑人身份及行踪信息,实现案件的快速侦破。
在图码联侦关联方法中,常用的有基于频繁项集的Apriori、FP-Growth关联规则挖掘算法,基于轨迹相似度的最长公共字串(Longest Common Sub-Sequence,LCSS)、编辑距离(Edit Distance on Real sequence,EDR)、动态时间归整(Dynamic Time Warping,DTW)等,它们都存在三个主要问题:一是特征丢失或特征利用不充分,如FP-Growth中只考虑碰撞次数,空间特征未充分使用,LCSS中比较轨迹相似度,丢失速度等特征;二是无法很好利用人的时空行为特性;三是没有考虑到人脸与手机IMSI具有强伴随关系。因此目前的图码联侦关联方法无法获得准确的关联关系。
发明内容
本发明实施例提供一种图码联侦关联方法、装置、计算机设备及存储介质,以提高所获取的人脸相片与IMSI记录之间关联关系的准确性及全面性。
第一方面,本发明实施例提供了一种图码联侦关联方法,该方法包括:
实时采集人脸相片和移动终端的IMSI记录,并存储每张所述人脸相片及每条所述IMSI记录的采集时空参数;
根据所述采集时空参数确定所述人脸相片与所述IMSI记录之间的关联对;
分别提取每个所述关联对中所述人脸相片和所述IMSI记录的时空特征,以及两者之间的关联时空特征;
使用预先训练好的深度神经网络,根据所述时空特征和所述关联时空特征对每个所述关联对的关联置信度进行预测;
根据所述关联置信度从所有所述关联对中确定目标关联对。
可选的,所述采集时空参数包括采集时间和采集经纬度;
相应的,所述根据所述采集时空参数确定所述人脸相片与所述IMSI记录之间的关联对,包括:
根据所述采集时间和所述采集经纬度确定每张所述人脸相片和每条所述IMSI记录之间的实际时间间隔及实际距离;
根据所述实际时间间隔、所述实际距离、预设时间间隔和预设距离从采集到的所述人脸相片和所述IMSI记录中确定所述关联对。
可选的,所述实时采集人脸相片和移动终端的IMSI记录,包括:
通过人脸摄像机实时采集所述人脸相片,以及通过多运营商特征采集设备实时采集所述IMSI记录;
相应的,所述根据所述采集时间和所述采集经纬度确定每张所述人脸相片和每条所述IMSI记录之间的实际时间间隔及实际距离,包括:
根据所使用的所述人脸摄像机与所述多运营商特征采集设备之间的距离确定所述实际距离。
可选的,所述根据所述关联置信度从所有所述关联对中确定目标关联对,包括:
根据预设置信度阈值对所述关联对进行过滤;
对过滤后的所述关联对进行排序,并根据排序结果确定所述目标关联对。
可选的,在所述分别提取每个所述关联对中所述人脸相片和所述IMSI记录的时空特征之前,还包括:
对每张所述人脸相片进行人脸原始特征提取及人脸聚类,以形成人脸库。
可选的,所述时空特征至少包括移动速度和样本密度,所述关联时空特征至少包括碰撞次数和距离。
可选的,所述分别提取每个所述关联对中所述人脸相片和所述IMSI记录的时空特征,以及两者之间的关联时空特征,包括:
使用特征工程对所述时空特征和所述关联时空特征进行提取。
第二方面,本发明实施例还提供了一种图码联侦关联装置,该装置包括:
数据采集模块,用于实时采集人脸相片和移动终端的IMSI记录,并存储每张所述人脸相片及每条所述IMSI记录的采集时空参数;
关联对确定模块,用于根据所述采集时空参数确定所述人脸相片与所述IMSI记录之间的关联对;
特征提取模块,用于分别提取每个所述关联对中所述人脸相片和所述IMSI记录的时空特征,以及两者之间的关联时空特征;
置信度预测模块,用于使用预先训练好的深度神经网络,根据所述时空特征和所述关联时空特征对每个所述关联对的关联置信度进行预测;
关联关系确定模块,用于根据所述关联置信度从所有所述关联对中确定目标关联对。
第三方面,本发明实施例还提供了一种计算机设备,该计算机设备包括:
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发明任意实施例所提供的图码联侦关联方法。
第四方面,本发明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本发明任意实施例所提供的图码联侦关联方法。
本发明实施例提供了一种图码联侦关联方法,首先采集人脸相片和移动终端的IMSI记录,并存储每张人脸相片和每条IMSI记录的采集时空参数,然后根据该采集时空参数确定人脸相片与IMSI记录之间的关联对,再分别提取每个关联对中人脸相片和IMSI记录的时空特征,以及两者之间的关联时空特征,从而使用预先训练好的深度神经网络,根据该时空特征和关联时空特征对每个关联对的关联置信度进行预测,然后即可根据该关联置信度确定最终的目标关联对,以确定所采集的人脸相片与IMSI记录之间的关联关系。本发明实施例所提供的图码联侦关联方法,最大限度保留了人脸与IMSI的原始时空状态,并还原了人脸与IMSI产生碰撞时的关联状态,同时通过利用深度神经网络提取人脸和IMSI的深度时空特征,使得对行走、骑行、驻留等复杂场景的图码关联具有更强的鲁棒性,即使在碰撞次数很小的场景中,也能通过特征补全预测出正确的关联关系。
附图说明
图1为本发明实施例一提供的图码联侦关联方法的流程图;
图2为本发明实施例二提供的图码联侦关联装置的结构示意图;
图3为本发明实施例三提供的计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明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发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
在更加详细地讨论示例性实施例之前应当提到的是,一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理,但是其中的许多步骤可以被并行地、并发地或者同时实施。此外,各步骤的顺序可以被重新安排。当其操作完成时所述处理可以被终止,但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
实施例一
图1为本发明实施例一提供的图码联侦关联方法的流程图。本实施例可适用于在图码联侦的过程中对人脸相片与IMSI记录进行关联的情况,该方法可以由本发明实施例所提供的图码联侦关联装置来执行,该装置可以由硬件和/或软件的方式来实现,一般可集成于计算机设备中。如图1所示,具体包括如下步骤:
S11、实时采集人脸相片和移动终端的IMSI记录,并存储每张所述人脸相片及每条所述IMSI记录的采集时空参数。
具体的,可以在城区的重要路口及人口流动密集的区域安装摄像机等设备实时抓拍采集人脸相片,并安装多运营商特征采集设备实时采集移动终端的IMSI记录,在采集数据的同时,还可以记录每次采集的采集时空参数,以便后续使用该采集时空参数初步确定两种数据之间的关联关系。其中,IMSI(国际移动用户识别码,International MobileSubscriber Identity)是用于区分蜂窝网络中不同用户的、在所有蜂窝网络中不重复的识别码,移动终端可以包括手机、平板电脑以及智能手表等等,以手机为例,IMSI可以存储在手机的SIM卡中,其总长度不超过15位,手机作为人们工作、生活、社交中必不可少的日常工具,也是重点人员的主要通讯手段。采集时空参数可以包括采集时间和采集经纬度,还可以包括设备编号等可以进一步确定采集地理位置的参数,如可以预先存储各个采集设备的经纬度等等。
S12、根据所述采集时空参数确定所述人脸相片与所述IMSI记录之间的关联对。
具体的,在获取到每张人脸相片及每条IMSI记录的采集时空参数之后,即可根据该采集时空参数在人脸相片和IMSI记录之间确定关联对,即在时间和空间上可能存在关联关系的一组数据。
可选的,所述采集时空参数包括采集时间和采集经纬度;相应的,所述根据所述采集时空参数确定所述人脸相片与所述IMSI记录之间的关联对,包括:根据所述采集时间和所述采集经纬度确定每张所述人脸相片和每条所述IMSI记录之间的实际时间间隔及实际距离;根据所述实际时间间隔、所述实际距离、预设时间间隔和预设距离从采集到的所述人脸相片和所述IMSI记录中确定所述关联对。
具体的,当人脸相片与IMSI记录之间的时间间隔较短,且距离较短时,两者之间存在关联关系的可能性较高,相反则可以判定为不具有关联关系,则可以通过预设时间间隔和预设距离过滤出人脸相片与IMSI记录之间的关联对。具体可以根据记录的采集时间确定每张人脸相片与每条IMSI记录之间的实际时间间隔,再将实际时间间隔与预设时间间隔进行比较,筛选出实际时间间隔小于预设时间间隔的第一数据对,然后根据记录的采集经纬度确定每张人脸相片与每条IMSI记录之间的实际距离,再将实际距离与预设距离进行比较,筛选出实际距离小于预设距离的第二数据对,从而即可根据第一数据对与第二数据对之间的重合关系确定关联对,进一步还可以首先确定第一数据对或第二数据对再进行另一种筛选过程,以缩小比较范围提高效率。
进一步可选的,所述实时采集人脸相片和移动终端的IMSI记录,包括:通过人脸摄像机实时采集所述人脸相片,以及通过多运营商特征采集设备实时采集所述IMSI记录;相应的,所述根据所述采集时间和所述采集经纬度确定每张所述人脸相片和每条所述IMSI记录之间的实际时间间隔及实际距离,包括:根据所使用的所述人脸摄像机与所述多运营商特征采集设备之间的距离确定所述实际距离。
具体的,人脸相片与IMSI记录之间的实际距离可以通过采集设备之间的距离来确定,具体可以将采集设备的经纬度作为相应数据的经纬度,即人脸相片的采集经纬度可以为所使用的人脸摄像机的经纬度,IMSI记录的采集经纬度可以为所使用的多运营商特征采集设备的经纬度,则可以预先测算出两种设备之间的距离以便确定人脸相片与IMSI记录之间的实际距离。进一步还可以通过采集设备获取人脸相片与IMSI记录的相对距离及方向,从而结合两种采集设备之间的距离确定人脸相片与IMSI记录之间的实际距离,以提高准确性。
S13、分别提取每个所述关联对中所述人脸相片和所述IMSI记录的时空特征,以及两者之间的关联时空特征。
具体的,在确定了关联对之后,可以针对每个关联对,分别提取其中人脸相片和IMSI记录的时空特征,并提取人脸相片和IMSI记录之间的关联时空特征。其中,可选的,所述时空特征至少包括移动速度和样本密度,所述关联时空特征至少包括碰撞次数和距离。可选的,在所述分别提取每个所述关联对中所述人脸相片和所述IMSI记录的时空特征之前,还包括:对每张所述人脸相片进行人脸原始特征提取及人脸聚类,以形成人脸库,以便于进行特征提取。
可选的,所述分别提取每个所述关联对中所述人脸相片和所述IMSI记录的时空特征,以及两者之间的关联时空特征,包括:使用特征工程对所述时空特征和所述关联时空特征进行提取。具体的,可以利用时空信息构建特征工程,从而使用特征工程提取人脸相片和IMSI记录各自的时空特征,以及两者之间异构的关联时空特征。在提取到时空特征和关联时空特征之后,还可以首先对时空特征和关联时空特征进行过滤和筛选,以得到所需的较为有价值的特征。
S14、使用预先训练好的深度神经网络,根据所述时空特征和所述关联时空特征对每个所述关联对的关联置信度进行预测。
具体的,在获取到每个关联对的时空特征和关联时空特征之后,可以分别将每个关联对的时空特征和关联时空特征作为深度神经网络(DNN)的输入,从而使用深度神经网络提取深度时空特征,对其中的关联关系进行建模,并对应分别输出预测得到的每个关联对的关联置信度。
S15、根据所述关联置信度从所有所述关联对中确定目标关联对。
具体的,在得到每个关联对的关联置信度之后,即可通过比较各关联置信度来确定关联对中真正具有关联关系的人脸相片与IMSI记录。
可选的,所述根据所述关联置信度从所有所述关联对中确定目标关联对,包括:根据预设置信度阈值对所述关联对进行过滤;对过滤后的所述关联对进行排序,并根据排序结果确定所述目标关联对。具体的,在得到每个关联对的关联置信度之后,首先可以将其中关联置信度低于预设置信度阈值的关联对判定为非关联,并将其筛除,然后可以将剩余的关联对按照关联置信度的大小进行排序,并可以将其中前一个或多个关联置信度对应的关联对确定为目标关联对,或者可以针对每张人脸相片或每条IMSI记录,分别将其所属的关联对中关联置信度排在前一个或前几个的关联对确定为目标关联对,目标关联对中的人脸相片和IMSI记录之间即被判定为具有关联关系。
本发明实施例所提供的技术方案,首先采集人脸相片和移动终端的IMSI记录,并存储每张人脸相片和每条IMSI记录的采集时空参数,然后根据该采集时空参数确定人脸相片与IMSI记录之间的关联对,再分别提取每个关联对中人脸相片和IMSI记录的时空特征,以及两者之间的关联时空特征,从而使用预先训练好的深度神经网络,根据该时空特征和关联时空特征对每个关联对的关联置信度进行预测,然后即可根据该关联置信度确定最终的目标关联对,以确定所采集的人脸相片与IMSI记录之间的关联关系。从而最大限度保留了人脸与IMSI的原始时空状态,并还原了人脸与IMSI产生碰撞时的关联状态,同时通过利用深度神经网络提取人脸和IMSI的深度时空特征,使得对行走、骑行、驻留等复杂场景的图码关联具有更强的鲁棒性,即使在碰撞次数很小的场景中,也能通过特征补全预测出正确的关联关系。
实施例二
图2为本发明实施例二提供的图码联侦关联装置的结构示意图,该装置可以由硬件和/或软件的方式来实现,一般可集成于计算机设备中,用于执行本发明任意实施例所提供的图码联侦关联方法,该装置可以对外提供数据接口服务,以便用户查询使用。如图2所示,该装置包括:
数据采集模块21,用于实时采集人脸相片和移动终端的IMSI记录,并存储每张所述人脸相片及每条所述IMSI记录的采集时空参数;
关联对确定模块22,用于根据所述采集时空参数确定所述人脸相片与所述IMSI记录之间的关联对;
特征提取模块23,用于分别提取每个所述关联对中所述人脸相片和所述IMSI记录的时空特征,以及两者之间的关联时空特征;
置信度预测模块24,用于使用预先训练好的深度神经网络,根据所述时空特征和所述关联时空特征对每个所述关联对的关联置信度进行预测;
关联关系确定模块25,用于根据所述关联置信度从所有所述关联对中确定目标关联对。
本发明实施例所提供的技术方案,首先采集人脸相片和移动终端的IMSI记录,并存储每张人脸相片和每条IMSI记录的采集时空参数,然后根据该采集时空参数确定人脸相片与IMSI记录之间的关联对,再分别提取每个关联对中人脸相片和IMSI记录的时空特征,以及两者之间的关联时空特征,从而使用预先训练好的深度神经网络,根据该时空特征和关联时空特征对每个关联对的关联置信度进行预测,然后即可根据该关联置信度确定最终的目标关联对,以确定所采集的人脸相片与IMSI记录之间的关联关系。从而最大限度保留了人脸与IMSI的原始时空状态,并还原了人脸与IMSI产生碰撞时的关联状态,同时通过利用深度神经网络提取人脸和IMSI的深度时空特征,使得对行走、骑行、驻留等复杂场景的图码关联具有更强的鲁棒性,即使在碰撞次数很小的场景中,也能通过特征补全预测出正确的关联关系。
在上述技术方案的基础上,可选的,所述采集时空参数包括采集时间和采集经纬度;
相应的,关联对确定模块22,包括:
关联参数确定单元,用于根据所述采集时间和所述采集经纬度确定每张所述人脸相片和每条所述IMSI记录之间的实际时间间隔及实际距离;
关联对确定单元,用于根据所述实际时间间隔、所述实际距离、预设时间间隔和预设距离从采集到的所述人脸相片和所述IMSI记录中确定所述关联对。
在上述技术方案的基础上,可选的,数据采集模块21具体用于:
通过人脸摄像机实时采集所述人脸相片,以及通过多运营商特征采集设备实时采集所述IMSI记录;
相应的,关联参数确定单元具体用于:
根据所使用的所述人脸摄像机与所述多运营商特征采集设备之间的距离确定所述实际距离。
在上述技术方案的基础上,可选的,关联关系确定模块25,包括:
关联对过滤单元,用于根据预设置信度阈值对所述关联对进行过滤;
目标关联对确定单元,用于对过滤后的所述关联对进行排序,并根据排序结果确定所述目标关联对。
在上述技术方案的基础上,可选的,该图码联侦关联装置,还包括:
人脸聚类模块,用于在所述分别提取每个所述关联对中所述人脸相片和所述IMSI记录的时空特征之前,对每张所述人脸相片进行人脸原始特征提取及人脸聚类,以形成人脸库。
在上述技术方案的基础上,可选的,所述时空特征至少包括移动速度和样本密度,所述关联时空特征至少包括碰撞次数和距离。
在上述技术方案的基础上,可选的,特征提取模块23具体用于:
使用特征工程对所述时空特征和所述关联时空特征进行提取。
本发明实施例所提供的图码联侦关联装置可执行本发明任意实施例所提供的图码联侦关联方法,具备执行方法相应的功能模块和有益效果。
值得注意的是,在上述图码联侦关联装置的实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
实施例三
图3为本发明实施例三提供的计算机设备的结构示意图,示出了适于用来实现本发明实施方式的示例性计算机设备的框图。图3显示的计算机设备仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。如图3所示,该计算机设备包括处理器31、存储器32、输入装置33及输出装置34;计算机设备中处理器31的数量可以是一个或多个,图3中以一个处理器31为例,计算机设备中的处理器31、存储器32、输入装置33及输出装置34可以通过总线或其他方式连接,图3中以通过总线连接为例。
存储器32作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本发明实施例中的图码联侦关联方法对应的程序指令/模块(例如,图码联侦关联装置中的数据采集模块21、关联对确定模块22、特征提取模块23、置信度预测模块24及关联关系确定模块25)。处理器31通过运行存储在存储器32中的软件程序、指令以及模块,从而执行计算机设备的各种功能应用以及数据处理,即实现上述的图码联侦关联方法。
存储器32可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据计算机设备的使用所创建的数据等。此外,存储器32可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器32可进一步包括相对于处理器31远程设置的存储器,这些远程存储器可以通过网络连接至计算机设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置33可用于实时采集人脸相片和移动终端的IMSI记录,以及产生与计算机设备的用户设置和功能控制有关的键信号输入等。输出装置34可包括显示屏等设备,可用于向用户展示查询内容等等。
实施例四
本发明实施例四还提供一种包含计算机可执行指令的存储介质,该计算机可执行指令在由计算机处理器执行时用于执行一种图码联侦关联方法,该方法包括:
实时采集人脸相片和移动终端的IMSI记录,并存储每张所述人脸相片及每条所述IMSI记录的采集时空参数;
根据所述采集时空参数确定所述人脸相片与所述IMSI记录之间的关联对;
分别提取每个所述关联对中所述人脸相片和所述IMSI记录的时空特征,以及两者之间的关联时空特征;
使用预先训练好的深度神经网络,根据所述时空特征和所述关联时空特征对每个所述关联对的关联置信度进行预测;
根据所述关联置信度从所有所述关联对中确定目标关联对。
存储介质可以是任何的各种类型的存储器设备或存储设备。术语“存储介质”旨在包括:安装介质,例如CD-ROM、软盘或磁带装置;计算机系统存储器或随机存取存储器,诸如DRAM、DDR RAM、SRAM、EDO RAM、兰巴斯(Rambus)RAM等;非易失性存储器,诸如闪存、磁介质(例如硬盘或光存储);寄存器或其它相似类型的存储器元件等。存储介质可以还包括其它类型的存储器或其组合。另外,存储介质可以位于程序在其中被执行的计算机系统中,或者可以位于不同的第二计算机系统中,第二计算机系统通过网络(诸如因特网)连接到计算机系统。第二计算机系统可以提供程序指令给计算机用于执行。术语“存储介质”可以包括可以驻留在不同位置中(例如在通过网络连接的不同计算机系统中)的两个或更多存储介质。存储介质可以存储可由一个或多个处理器执行的程序指令(例如具体实现为计算机程序)。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的图码联侦关联方法中的相关操作。
计算机可读的信号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介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,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。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明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,该计算机软件产品可以存储在计算机可读存储介质中,如计算机的软盘、只读存储器(Read-Only Memory, ROM)、随机存取存储器(RandomAccess Memory, RAM)、闪存(FLASH)、硬盘或光盘等,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)执行本发明各个实施例所述的方法。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明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发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种图码联侦关联方法,其特征在于,包括:
实时采集人脸相片和移动终端的IMSI记录,并存储每张所述人脸相片及每条所述IMSI记录的采集时空参数;
根据所述采集时空参数确定所述人脸相片与所述IMSI记录之间的关联对;
分别提取每个所述关联对中所述人脸相片和所述IMSI记录的时空特征,以及两者之间的关联时空特征;
使用预先训练好的深度神经网络,根据所述时空特征和所述关联时空特征对每个所述关联对的关联置信度进行预测;
根据所述关联置信度从所有所述关联对中确定目标关联对。
2.根据权利要求1所述的图码联侦关联方法,其特征在于,所述采集时空参数包括采集时间和采集经纬度;
相应的,所述根据所述采集时空参数确定所述人脸相片与所述IMSI记录之间的关联对,包括:
根据所述采集时间和所述采集经纬度确定每张所述人脸相片和每条所述IMSI记录之间的实际时间间隔及实际距离;
根据所述实际时间间隔、所述实际距离、预设时间间隔和预设距离从采集到的所述人脸相片和所述IMSI记录中确定所述关联对。
3.根据权利要求2所述的图码联侦关联方法,其特征在于,所述实时采集人脸相片和移动终端的IMSI记录,包括:
通过人脸摄像机实时采集所述人脸相片,以及通过多运营商特征采集设备实时采集所述IMSI记录;
相应的,所述根据所述采集时间和所述采集经纬度确定每张所述人脸相片和每条所述IMSI记录之间的实际时间间隔及实际距离,包括:
根据所使用的所述人脸摄像机与所述多运营商特征采集设备之间的距离确定所述实际距离。
4.根据权利要求1所述的图码联侦关联方法,其特征在于,所述根据所述关联置信度从所有所述关联对中确定目标关联对,包括:
根据预设置信度阈值对所述关联对进行过滤;
对过滤后的所述关联对进行排序,并根据排序结果确定所述目标关联对。
5.根据权利要求1所述的图码联侦关联方法,其特征在于,在所述分别提取每个所述关联对中所述人脸相片和所述IMSI记录的时空特征之前,还包括:
对每张所述人脸相片进行人脸原始特征提取及人脸聚类,以形成人脸库。
6.根据权利要求1所述的图码联侦关联方法,其特征在于,所述时空特征至少包括移动速度和样本密度,所述关联时空特征至少包括碰撞次数和距离。
7.根据权利要求1所述的图码联侦关联方法,其特征在于,所述分别提取每个所述关联对中所述人脸相片和所述IMSI记录的时空特征,以及两者之间的关联时空特征,包括:
使用特征工程对所述时空特征和所述关联时空特征进行提取。
8.一种图码联侦关联装置,其特征在于,包括:
数据采集模块,用于实时采集人脸相片和移动终端的IMSI记录,并存储每张所述人脸相片及每条所述IMSI记录的采集时空参数;
关联对确定模块,用于根据所述采集时空参数确定所述人脸相片与所述IMSI记录之间的关联对;
特征提取模块,用于分别提取每个所述关联对中所述人脸相片和所述IMSI记录的时空特征,以及两者之间的关联时空特征;
置信度预测模块,用于使用预先训练好的深度神经网络,根据所述时空特征和所述关联时空特征对每个所述关联对的关联置信度进行预测;
关联关系确定模块,用于根据所述关联置信度从所有所述关联对中确定目标关联对。
9.一种计算机设备,其特征在于,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1-7中任一所述的图码联侦关联方法。
10.一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1-7中任一所述的图码联侦关联方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210051964.3A CN114090909A (zh) | 2022-01-18 | 2022-01-18 | 一种图码联侦关联方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210051964.3A CN114090909A (zh) | 2022-01-18 | 2022-01-18 | 一种图码联侦关联方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114090909A true CN114090909A (zh) | 2022-02-25 |
Family
ID=80308708
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210051964.3A Pending CN114090909A (zh) | 2022-01-18 | 2022-01-18 | 一种图码联侦关联方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114090909A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115169588A (zh) * | 2022-09-06 | 2022-10-11 | 深圳前海中电慧安科技有限公司 | 电像计算时空轨迹车码关联方法、装置、设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109325429A (zh) * | 2018-09-11 | 2019-02-12 | 深圳前海中电慧安科技有限公司 | 一种关联特征数据的方法、装置、存储介质及终端 |
CN109508524A (zh) * | 2018-11-14 | 2019-03-22 | 李泠瑶 | 认证方法、系统和存储介质 |
CN112632354A (zh) * | 2020-12-23 | 2021-04-09 | 东方网力科技股份有限公司 | 一种imsi和人脸深度拟合方法、装置、设备及系统 |
CN112925899A (zh) * | 2021-02-09 | 2021-06-08 | 重庆中科云从科技有限公司 | 排序模型建立方法、案件线索推荐方法、装置及介质 |
CN113870555A (zh) * | 2021-09-08 | 2021-12-31 | 南京静态交通产业技术研究院 | 基于手机imsi码与电子车牌的人车协同识别方法 |
-
2022
- 2022-01-18 CN CN202210051964.3A patent/CN114090909A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109325429A (zh) * | 2018-09-11 | 2019-02-12 | 深圳前海中电慧安科技有限公司 | 一种关联特征数据的方法、装置、存储介质及终端 |
CN109508524A (zh) * | 2018-11-14 | 2019-03-22 | 李泠瑶 | 认证方法、系统和存储介质 |
CN112632354A (zh) * | 2020-12-23 | 2021-04-09 | 东方网力科技股份有限公司 | 一种imsi和人脸深度拟合方法、装置、设备及系统 |
CN112925899A (zh) * | 2021-02-09 | 2021-06-08 | 重庆中科云从科技有限公司 | 排序模型建立方法、案件线索推荐方法、装置及介质 |
CN113870555A (zh) * | 2021-09-08 | 2021-12-31 | 南京静态交通产业技术研究院 | 基于手机imsi码与电子车牌的人车协同识别方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115169588A (zh) * | 2022-09-06 | 2022-10-11 | 深圳前海中电慧安科技有限公司 | 电像计算时空轨迹车码关联方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107292240B (zh) | 一种基于人脸与人体识别的找人方法及系统 | |
US6975346B2 (en) | Method for suspect identification using scanning of surveillance media | |
CN109325429B (zh) | 一种关联特征数据的方法、装置、存储介质及终端 | |
CN110674236A (zh) | 基于时空轨迹匹配的移动目标关联方法、装置、设备及存储介质 | |
CN111090777B (zh) | 一种视频数据的管理方法、管理设备及计算机存储介质 | |
CN114120428A (zh) | 一种图码联侦关联方法、装置、计算机设备及存储介质 | |
CN111277788B (zh) | 一种基于mac地址的监控方法和监控系统 | |
CN103020275A (zh) | 基于视频摘要、视频检索的视频分析方法 | |
CN114093014A (zh) | 一种图码关联强度计算方法、装置、设备及存储介质 | |
CN109784220B (zh) | 一种确定路人轨迹的方法及装置 | |
US11657623B2 (en) | Traffic information providing method and device, and computer program stored in medium in order to execute method | |
CN114078277A (zh) | 一人一档的人脸聚类方法、装置、计算机设备及存储介质 | |
CN112507860A (zh) | 一种视频标注方法、装置、设备及存储介质 | |
CN113269081A (zh) | 人员自动识别与视频轨迹查询的系统及方法 | |
CN112464030A (zh) | 一种可疑人员确定方法及装置 | |
RU2710308C1 (ru) | Система и способ для обработки видеоданных из архива | |
CN114090909A (zh) | 一种图码联侦关联方法、装置、计算机设备及存储介质 | |
CN109783663B (zh) | 一种归档方法及装置 | |
CN112637548B (zh) | 一种基于摄像机的信息关联预警方法及装置 | |
CN109344281B (zh) | 一种基于wifi探针与摄像头技术的数据分析方法 | |
CN114841705A (zh) | 一种基于场景识别的反欺诈监测方法 | |
CN112383751A (zh) | 一种监控视频数据处理方法、装置、终端设备和存储介质 | |
CN112418063A (zh) | 人脸识别方法、装置、电子设备及存储介质 | |
CN112132057A (zh) | 一种多维身份识别方法及系统 | |
CN115169588A (zh) | 电像计算时空轨迹车码关联方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220225 |
|
RJ01 | Rejection of invention patent application after publication |