CN114120428A - 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 PDF

Info

Publication number
CN114120428A
CN114120428A CN202210051968.1A CN202210051968A CN114120428A CN 114120428 A CN114120428 A CN 114120428A CN 202210051968 A CN202210051968 A CN 202210051968A CN 114120428 A CN114120428 A CN 114120428A
Authority
CN
China
Prior art keywords
pair
determining
imsi
relation
data set
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
CN202210051968.1A
Other languages
English (en)
Inventor
王东锋
司敏
姚相松
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.)
Zigong Public Security Bureau
Shenzhen Qianhai Zhongdian Huian Technology Co ltd
Original Assignee
Zigong Public Security Bureau
Shenzhen Qianhai Zhongdian Huian 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 Zigong Public Security Bureau, Shenzhen Qianhai Zhongdian Huian Technology Co ltd filed Critical Zigong Public Security Bureau
Priority to CN202210051968.1A priority Critical patent/CN114120428A/zh
Publication of CN114120428A publication Critical patent/CN114120428A/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
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/51—Indexing; Data structures therefor; Storage structures
    • 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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Biology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Databases & Information Systems (AREA)
  • Library & Information Science (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记录之间的关系对；分别对各个关系对进行建模，以提取各个关系对中人脸相片与IMSI记录的轨迹信息；根据轨迹信息构建高维关联时空特征，并根据高维关联时空特征确定数据集；将数据集输入训练好的二元分类器，以得到每个关系对的关联强度；根据关联强度从关系对中确定关联关系对。解决了在当前采用图侦和技侦手段进行侦查的过程中，数据出现漏采或缺失后侦破工作受到影响的问题。

Description

一种图码联侦关联方法、装置、计算机设备及存储介质
技术领域
本发明实施例涉及安防技术领域，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
在人脸识别以及电子围栏技术的应用上，已经有了比较成熟的图侦和技侦手段，但两个技术应用都是独立使用，如果某个数据漏采或缺失，则有可能导致侦破工作不能顺利进行。
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，以利用人脸信息和IMSI信息之间的强伴随关系解决当前采用图侦和技侦手段进行侦查的过程中数据出现漏采或缺失后侦破工作受到影响的问题。
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记录之间的关系对；
分别对各个所述关系对进行建模，以提取各个所述关系对中所述人脸相片与所述IMSI记录的轨迹信息；
根据所述轨迹信息构建高维关联时空特征，并根据所述高维关联时空特征确定数据集；
将所述数据集输入训练好的二元分类器，以得到每个所述关系对的关联强度；
根据所述关联强度从所述关系对中确定关联关系对。
可选的，在所述将所述数据集输入训练好的二元分类器，以得到每个所述关系对的关联强度之前，还包括：
获取所述二元分类器的训练数据集和测试数据集，并将所述训练数据集中轨迹信息相似度超过预设相似度阈值的所述关系对标注为正样本；
使用所述训练数据集对所述二元分类器进行训练，并使用所述测试数据集对训练后的所述二元分类器进行测试。
可选的，所述二元分类器为基于softmax逻辑回归的多层深度神经网络。
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记录之间的关系对，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记录中确定所述关系对。
可选的，所述根据所述关联强度从所述关系对中确定关联关系对，包括：
根据预设强度阈值对所述关系对进行过滤；
对过滤后的所述关系对进行排序，并根据排序结果确定所述关联关系对。
可选的，在所述分别对各个所述关系对进行建模，以提取各个所述关系对中所述人脸相片与所述IMSI记录的轨迹信息之前，还包括：
提取每张所述人脸相片中的人脸特征并进行人脸聚类，以形成人脸库。
可选的，所述轨迹信息至少包括移动速度、样本密度、出现次数及间隔中的一个或多个。
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；
关系对确定模块，用于根据所述采集时空参数确定所述人脸相片与所述IMSI记录之间的关系对；
轨迹信息提取模块，用于分别对各个所述关系对进行建模，以提取各个所述关系对中所述人脸相片与所述IMSI记录的轨迹信息；
数据集确定模块，用于根据所述轨迹信息构建高维关联时空特征，并根据所述高维关联时空特征确定数据集；
关联强度确定模块，用于将所述数据集输入训练好的二元分类器，以得到每个所述关系对的关联强度；
关联关系确定模块，用于根据所述关联强度从所述关系对中确定关联关系对。
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记录之间的关系对，再分别对各个关系对进行建模，以提取得到各个关系对中人脸相片与IMSI记录的轨迹信息，从而根据该轨迹信息构建高维关联时空特征，并根据该高维关联时空特征确定数据集，最后将该数据集输入训练好的二元分类器，以预测得到每个关系对的关联强度，从而可以根据该关联强度从关系对中确定关联关系对，即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，基于人脸信息和IMSI信息之间的强伴随关系提出了图码联侦的方案，能够将两种相对独立的异构时空数据进行关联，从而预测出正确的IMSI与人脸关系对，对破案线索进行了补强，从而解决了在当前采用图侦和技侦手段进行侦查的过程中，数据出现漏采或缺失后侦破工作受到影响的问题，同时通过将图码联侦的关联问题归纳为二元分类问题，更加简单有效的实现了关联关系的确定。
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记录之间的关系对。
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记录之间确定关系对，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记录之间的关系对，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记录中确定所述关系对。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，则可以通过时间距离和空间距离过滤出人脸相片与IMSI记录之间的关系对。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系对，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。其中，实际距离可以根据采集人脸相片所使用的摄像机与采集IMSI记录所使用的多运营商特征采集设备之间的距离来确定。
S13、分别对各个所述关系对进行建模，以提取各个所述关系对中所述人脸相片与所述IMSI记录的轨迹信息。
其中，可选的，所述轨迹信息至少包括移动速度、样本密度、出现次数及间隔中的一个或多个。具体的，在初步获得了关系对之后，可以通过特征工程进行建模来充分挖掘其中人脸相片与IMSI记录的速度、密度、次数及间隔等轨迹信息，当然，轨迹信息不限于上述所列举的几种。可选的，在所述分别对各个所述关系对进行建模，以提取各个所述关系对中所述人脸相片与所述IMSI记录的轨迹信息之前，还包括：提取每张所述人脸相片中的人脸特征并进行人脸聚类，以形成人脸库，以便于对轨迹信息的提取。
S14、根据所述轨迹信息构建高维关联时空特征，并根据所述高维关联时空特征确定数据集。
具体的，在获取到各自的轨迹信息之后，可以利用该轨迹信息构建每个关系对中人脸相片与IMSI记录之间的高维关联时空特征，并可以首先对高维关联时空特征进行过滤和筛选，以得到较为有价值的特征作为所需的大规模数据集。
S15、将所述数据集输入训练好的二元分类器，以得到每个所述关系对的关联强度。
分类问题是我们日常生活中最常遇到的一类问题，比如垃圾邮件的分类，识别我们所看到的是汽车还是火车亦或是别的物体，再或者去医院医生诊断病人身体中的肿瘤是否是恶性的等等，这些问题都属于分类问题的范畴。二元分类问题，通俗来讲就是只有两个类别的分类问题，如是否为垃圾邮件，是否为恶性肿瘤这类非黑即白的问题。虽然人脸信息和手机IMSI信息是人们在工作、生活、社交中产生的两个独立的数据集合，但手机作为现代人们主要的通讯手段和日常工具，已经成为生活中必不可少的物品，人脸信息和手机IMSI信息之间实际上是可以具有强伴随关系的，且人们的手机在使用时具有排他性和独占性，因此，可以将图码联侦中人脸相片与IMSI记录之间的关联问题，转化为时空特征下二元分类的计算问题。
具体的，在获得数据集之后，可以将该数据集输入到训练好的二元分类器中，具体可以将每个关系对对应完成筛选后的高维关联时空特征分别依次输入到该二元分类器中，以对各个关系对分别进行预测，从而得到每个关系对的关联强度。其中，可选的，所述二元分类器为基于softmax逻辑回归的多层深度神经网络（DNN），深度神经网络的层数可以根据需要进行预设或调整。
可选的，在所述将所述数据集输入训练好的二元分类器，以得到每个所述关系对的关联强度之前，还包括：获取所述二元分类器的训练数据集和测试数据集，并将所述训练数据集中轨迹信息相似度超过预设相似度阈值的所述关系对标注为正样本；使用所述训练数据集对所述二元分类器进行训练，并使用所述测试数据集对训练后的所述二元分类器进行测试。具体的，可以与上述数据集的获取过程采用相同的方式预先另外获取训练用的数据集，并可以将该训练用的数据集拆分为训练数据集和测试数据集，在构建完成多层的神经网络之后，可以使用softmax逻辑回归，并利用训练数据集来训练二元分类器，其中在训练数据集中，可以将轨迹信息相似度较高，并超过预设相似度阈值的关系对标注为正样本，其他可以标注为负样本以进行训练，在完成训练后，可以利用测试数据集对得到的二元分类器进行测试，以根据测试结果分析是否需要进一步进行训练的过程，从而进一步提高预测结果的准确性。
S16、根据所述关联强度从所述关系对中确定关联关系对。
具体的，在获得每个关系对的关联强度之后，即可通过比较各个关联强度来确定初步确定的关系对中真正具有关联关系的人脸相片与IMSI记录，即关联关系对。
可选的，所述根据所述关联强度从所述关系对中确定关联关系对，包括：根据预设强度阈值对所述关系对进行过滤；对过滤后的所述关系对进行排序，并根据排序结果确定所述关联关系对。具体的，在得到每个关系对的关联强度之后，首先可以将其中关联强度低于预设强度阈值的关系对判定为非关联并将其筛除，然后可以将剩余的关系对按照关联强度的大小进行排序，并可以将其中前一个或多个关联强度对应的关系对确定为关联关系对，或者也可以针对每张人脸相片或每条IMSI记录，分别将其所属的关系对中关联强度排在前一个或前几个的关系对确定为关联关系对，其中，关联关系对中的人脸相片和IMSI记录之间即可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记录之间的关系对，再分别对各个关系对进行建模，以提取得到各个关系对中人脸相片与IMSI记录的轨迹信息，从而根据该轨迹信息构建高维关联时空特征，并根据该高维关联时空特征确定数据集，最后将该数据集输入训练好的二元分类器，以预测得到每个关系对的关联强度，从而可以根据该关联强度从关系对中确定关联关系对，即确定所采集的人脸相片与IMSI记录之间的关联关系。基于人脸信息和IMSI信息之间的强伴随关系提出了图码联侦的方案，能够将两种相对独立的异构时空数据进行关联，从而预测出正确的IMSI与人脸关系对，对破案线索进行了补强，从而解决了在当前采用图侦和技侦手段进行侦查的过程中，数据出现漏采或缺失后侦破工作受到影响的问题，同时通过将图码联侦的关联问题归纳为二元分类问题，更加简单有效的实现了关联关系的确定。
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；
关系对确定模块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记录之间的关系对；
轨迹信息提取模块23，用于分别对各个所述关系对进行建模，以提取各个所述关系对中所述人脸相片与所述IMSI记录的轨迹信息；
数据集确定模块24，用于根据所述轨迹信息构建高维关联时空特征，并根据所述高维关联时空特征确定数据集；
关联强度确定模块25，用于将所述数据集输入训练好的二元分类器，以得到每个所述关系对的关联强度；
关联关系确定模块26，用于根据所述关联强度从所述关系对中确定关联关系对。
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记录之间的关系对，再分别对各个关系对进行建模，以提取得到各个关系对中人脸相片与IMSI记录的轨迹信息，从而根据该轨迹信息构建高维关联时空特征，并根据该高维关联时空特征确定数据集，最后将该数据集输入训练好的二元分类器，以预测得到每个关系对的关联强度，从而可以根据该关联强度从关系对中确定关联关系对，即确定所采集的人脸相片与IMSI记录之间的关联关系。基于人脸信息和IMSI信息之间的强伴随关系提出了图码联侦的方案，能够将两种相对独立的异构时空数据进行关联，从而预测出正确的IMSI与人脸关系对，对破案线索进行了补强，从而解决了在当前采用图侦和技侦手段进行侦查的过程中，数据出现漏采或缺失后侦破工作受到影响的问题，同时通过将图码联侦的关联问题归纳为二元分类问题，更加简单有效的实现了关联关系的确定。
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：
训练数据集获取模块，用于在所述将所述数据集输入训练好的二元分类器，以得到每个所述关系对的关联强度之前，获取所述二元分类器的训练数据集和测试数据集，并将所述训练数据集中轨迹信息相似度超过预设相似度阈值的所述关系对标注为正样本；
分类器训练模块，用于使用所述训练数据集对所述二元分类器进行训练，并使用所述测试数据集对训练后的所述二元分类器进行测试。
在上述技术方案的基础上，可选的，所述二元分类器为基于softmax逻辑回归的多层深度神经网络。
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，关系对确定模块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；
关系对确定单元，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记录中确定所述关系对。
在上述技术方案的基础上，可选的，关联关系确定模块26，包括：
关系对过滤单元，用于根据预设强度阈值对所述关系对进行过滤；
关联关系对确定单元，用于对过滤后的所述关系对进行排序，并根据排序结果确定所述关联关系对。
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，用于在所述分别对各个所述关系对进行建模，以提取各个所述关系对中所述人脸相片与所述IMSI记录的轨迹信息之前，提取每张所述人脸相片中的人脸特征并进行人脸聚类，以形成人脸库。
在上述技术方案的基础上，可选的，所述轨迹信息至少包括移动速度、样本密度、出现次数及间隔中的一个或多个。
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、关系对确定模块22、轨迹信息提取模块23、数据集确定模块24、关联强度确定模块25及关联关系确定模块26）。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记录之间的关系对；
分别对各个所述关系对进行建模，以提取各个所述关系对中所述人脸相片与所述IMSI记录的轨迹信息；
根据所述轨迹信息构建高维关联时空特征，并根据所述高维关联时空特征确定数据集；
将所述数据集输入训练好的二元分类器，以得到每个所述关系对的关联强度；
根据所述关联强度从所述关系对中确定关联关系对。
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记录之间的关系对；
分别对各个所述关系对进行建模，以提取各个所述关系对中所述人脸相片与所述IMSI记录的轨迹信息；
根据所述轨迹信息构建高维关联时空特征，并根据所述高维关联时空特征确定数据集；
将所述数据集输入训练好的二元分类器，以得到每个所述关系对的关联强度；
根据所述关联强度从所述关系对中确定关联关系对。
2.根据权利要求1所述的图码联侦关联方法，其特征在于，在所述将所述数据集输入训练好的二元分类器，以得到每个所述关系对的关联强度之前，还包括：
获取所述二元分类器的训练数据集和测试数据集，并将所述训练数据集中轨迹信息相似度超过预设相似度阈值的所述关系对标注为正样本；
使用所述训练数据集对所述二元分类器进行训练，并使用所述测试数据集对训练后的所述二元分类器进行测试。
3.根据权利要求1所述的图码联侦关联方法，其特征在于，所述二元分类器为基于softmax逻辑回归的多层深度神经网络。
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记录之间的关系对，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记录中确定所述关系对。
5.根据权利要求1所述的图码联侦关联方法，其特征在于，所述根据所述关联强度从所述关系对中确定关联关系对，包括：
根据预设强度阈值对所述关系对进行过滤；
对过滤后的所述关系对进行排序，并根据排序结果确定所述关联关系对。
6.根据权利要求1所述的图码联侦关联方法，其特征在于，在所述分别对各个所述关系对进行建模，以提取各个所述关系对中所述人脸相片与所述IMSI记录的轨迹信息之前，还包括：
提取每张所述人脸相片中的人脸特征并进行人脸聚类，以形成人脸库。
7.根据权利要求1所述的图码联侦关联方法，其特征在于，所述轨迹信息至少包括移动速度、样本密度、出现次数及间隔中的一个或多个。
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；
关系对确定模块，用于根据所述采集时空参数确定所述人脸相片与所述IMSI记录之间的关系对；
轨迹信息提取模块，用于分别对各个所述关系对进行建模，以提取各个所述关系对中所述人脸相片与所述IMSI记录的轨迹信息；
数据集确定模块，用于根据所述轨迹信息构建高维关联时空特征，并根据所述高维关联时空特征确定数据集；
关联强度确定模块，用于将所述数据集输入训练好的二元分类器，以得到每个所述关系对的关联强度；
关联关系确定模块，用于根据所述关联强度从所述关系对中确定关联关系对。
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。
CN202210051968.1A 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 Pending CN114120428A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210051968.1A CN114120428A (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
CN202210051968.1A CN114120428A (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
CN114120428A true CN114120428A (zh) 2022-03-01

Family

ID=80364130

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210051968.1A Pending CN114120428A (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) CN114120428A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114637884A (zh) * 2022-05-16 2022-06-17 深圳前海中电慧安科技有限公司 一种电像计算时空轨迹与道路网的匹配方法、装置及设备
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
CN115203354A (zh) * 2022-09-16 2022-10-18 深圳前海中电慧安科技有限公司 一种车码轨迹预关联方法、装置、计算机设备及存储介质
CN116092169A (zh) * 2023-04-04 2023-05-09 南京小唐安朴科技有限公司 一种以采集频率与范围为权重的数据关联度计算方法

Citations (5)

* Cited by examiner, † Cited by third party
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
CN109522342A (zh) * 2018-11-30 2019-03-26 北京百度网讯科技有限公司 公安警务管理方法、装置、设备和存储介质
CN110827434A (zh) * 2019-09-23 2020-02-21 重庆特斯联智慧科技股份有限公司 网格化目标识别的社区安保巡防记录系统及方法
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
US20210343027A1 (en) * 2019-07-31 2021-11-04 Tencent Technology (Shenzhen) Company Limited Object tracking method and apparatus, storage medium and electronic device

Patent Citations (5)

* Cited by examiner, † Cited by third party
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
CN109522342A (zh) * 2018-11-30 2019-03-26 北京百度网讯科技有限公司 公安警务管理方法、装置、设备和存储介质
US20210343027A1 (en) * 2019-07-31 2021-11-04 Tencent Technology (Shenzhen) Company Limited Object tracking method and apparatus, storage medium and electronic device
CN110827434A (zh) * 2019-09-23 2020-02-21 重庆特斯联智慧科技股份有限公司 网格化目标识别的社区安保巡防记录系统及方法
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

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114637884A (zh) * 2022-05-16 2022-06-17 深圳前海中电慧安科技有限公司 一种电像计算时空轨迹与道路网的匹配方法、装置及设备
CN114637884B (zh) * 2022-05-16 2022-08-23 深圳前海中电慧安科技有限公司 一种电像计算时空轨迹与道路网的匹配方法、装置及设备
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
CN115203354A (zh) * 2022-09-16 2022-10-18 深圳前海中电慧安科技有限公司 一种车码轨迹预关联方法、装置、计算机设备及存储介质
CN115203354B (zh) * 2022-09-16 2022-12-02 深圳前海中电慧安科技有限公司 一种车码轨迹预关联方法、装置、计算机设备及存储介质
CN116092169A (zh) * 2023-04-04 2023-05-09 南京小唐安朴科技有限公司 一种以采集频率与范围为权重的数据关联度计算方法
CN116092169B (zh) * 2023-04-04 2023-06-20 南京小唐安朴科技有限公司 一种以采集频率与范围为权重的数据关联度计算方法

Similar Documents

Publication Publication Date Title
CN114120428A (zh) 一种图码联侦关联方法、装置、计算机设备及存储介质
CN108388888B (zh) 一种车辆识别方法、装置和存储介质
CN109214345B (zh) 基于相似度比对查找换牌车辆的行驶轨迹的方法
CN109325429B (zh) 一种关联特征数据的方法、装置、存储介质及终端
CN109033440A (zh) 一种视频侦查多维轨迹分析方法
CN109284380A (zh) 基于大数据分析的非法用户识别方法及装置、电子设备
CN104968048A (zh) 结合移动网络记录和视频监控数据的目标人物追踪方法
CN111277788B (zh) 一种基于mac地址的监控方法和监控系统
CN111444843B (zh) 一种多模态驾驶员及车辆违法行为监测方法及系统
CN106126680A (zh) 一种视频图像侦察方法及系统
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
CN107426442A (zh) 手机全制式信息采集与人脸识别分析比对系统及使用方法
CN114093014A (zh) 一种图码关联强度计算方法、装置、设备及存储介质
CN112257740B (zh) 基于知识图谱的图像隐患识别方法及其系统
CN118643465A (zh) 基于多源数据关联分析的案件侦查辅助系统
CN112925899A (zh) 排序模型建立方法、案件线索推荐方法、装置及介质
Kiew et al. Vehicle route tracking system based on vehicle registration number recognition using template matching algorithm
CN111064928A (zh) 一种具有人脸识别功能的视频监控系统
CN111078973A (zh) 基于大数据的套牌车识别方法、设备及存储介质
CN112637548B (zh) 一种基于摄像机的信息关联预警方法及装置
CN114090909A (zh) 一种图码联侦关联方法、装置、计算机设备及存储介质
CN112218044A (zh) 一种具有安检人工智能识别功能的分析系统及分析方法
CN113449563A (zh) 一种人员跟踪标记方法、装置、电子设备及存储介质
CN111461124A (zh) 基于大数据的遮挡车牌识别方法、设备及存储介质
CN112633244B (zh) 一种社交关系的识别方法、装置、电子设备及存储介质

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: 20220301

RJ01 Rejection of invention patent application after publication