CN114495244A - 电像计算数据异常检测方法、装置、设备及存储介质 - Google Patents

Abstract

本发明公开了一种电像计算数据异常检测方法、装置、设备及存储介质。电像计算数据异常检测方法包括：根据采集的车牌相片与手机IMSI信息，分别计算对应车辆和手机的运动信息；筛选运动信息中的第一目标数据，根据第一目标数据的异常程度得到第一目标得分S₁；判断人车码关联的第二目标数据，并根据第二目标数据的异常程度得到第二目标得分S₂；根据训练完成的人车码多模态的单分类模型，得到第三目标数据的第三目标得分S₃；计算综合目标得分S₀=S₁+S₂+S₃，并根据综合目标得分判断各目标数据是否为异常数据。实现有效识别异常数据，对异常数据进行及时处理，提升整体数据的质量的效果。

Description

电像计算数据异常检测方法、装置、设备及存储介质

技术领域

本发明实施例涉及数据处理技术，尤其涉及一种电像计算数据异常检测方法、装置、设备及存储介质。

背景技术

电像计算是指感知源如手机IMSI、IMEI与像（抓拍到的人脸、车牌图片）进行数据融合，经过后台大数据与人工智能系统的分析，建立起抓拍对象与智能感知信号之间的对应关系，并进一步建立起人、车、码三者之间的对应关系。电像计算系统可以为侦查工作提供线索、为防控工作提供预警，在相关部门有着广泛的应用。

在电像计算问题中，有手机IMSI、车牌、人脸等多个模态的数据，这些数据在采集、传输的过程中不可避免地会产生一些错误。如果关键数据出现错误，就会影响相关部门的侦破工作。此外手机IMSI、车牌等多个模态的数据之间是相互关联的，传统的异常检测方法并未充分考虑多模态数据之间的关联，尤其是没有考虑到电像计算问题中多模态数据之间的关联。无法有效地识别出数据中的异常数据，无法及时处理异常数据，降低整体数据的质量。

发明内容

本发明提供一种电像计算数据异常检测方法、装置、设备及存储介质，以实现有效识别异常数据，对异常数据进行及时处理，提升整体数据的质量的效果。

第一方面，本发明实施例提供了一种电像计算数据异常检测方法，包括：

根据采集的车牌相片与手机IMSI信息，分别计算对应车辆和手机的运动信息；

筛选所述运动信息中的第一目标数据，根据所述第一目标数据的异常程度得到第一目标得分S₁；

根据预设的人员、车辆和手机的关联规则或关联模型，判断人车码关联的第二目标数据，并根据所述第二目标数据的异常程度得到第二目标得分S₂；

根据训练完成的人车码多模态的单分类模型，得到第三目标数据的第三目标得分S₃；

计算综合目标得分S₀= S₁+ S₂+ S₃，并根据所述综合目标得分判断各目标数据是否为异常数据。

可选的，在所述根据采集的车牌相片与手机IMSI信息，分别计算对应车辆和手机的运动信息之前，还包括：

获取实时抓拍采集的车牌相片、人脸图片与手机IMSI信息；

通过图像分组算法，将同一人的人脸图片和同一车辆的车牌相片进行归类，建立档案；分别记录采集数据的时间信息、位置信息以及建档信息，并将数据进行存储。

可选的，所述根据所述综合目标得分判断各目标数据是否为异常数据，包括：

比较所述综合目标得分与第一阈值的大小；

若所述综合目标得分超过所述第一阈值，则确定所述各目标数据为异常数据，并根据所述综合目标得分与第二阈值的关系判断所述各目标数据的异常类型；

若所述综合目标得分未超过所述第一阈值，则确定所述各目标数据为正常数据。

可选的，所述根据所述综合目标得分与第二阈值的关系判断所述各目标数据的异常类型，包括：

若所述综合目标得分小于所述第二阈值，则确定所述各目标数据为轻度异常；

若所述综合目标得分大于等于所述第二阈值，则确定所述各目标数据为重度异常数据。

可选的，在所述根据所述综合目标得分与第二阈值的关系判断所述各目标数据的异常类型之后，包括：

当所述各目标数据为轻度异常数据时，用插值法修正所述各目标数据的时间信息和位置信息；

当所述各目标数据为重度异常数据时，将所述各目标数据删除。

可选的，在所述根据训练完成的人车码多模态的单分类模型，得到第三目标数据的第三目标得分S₃之前，还包括：

获取人员、车辆和手机的正常数据进行标注作为训练数据；

根据所述训练数据训练预设单分类模型，所述预设单分类模型学习所述正常数据的分类边界；

获取包含正常数据和异常数据的测试数据；

将所述测试数据输入所述预设单分类模型，当所述预设单分类模型能够区分正常数据与异常数据，则认定单分类模型训练完成。

第二方面，本发明实施例还提供了一种电像计算数据异常检测装置，包括：

运动信息确定模块，用于根据采集的车牌相片与手机IMSI信息，分别计算对应车辆和手机的运动信息；

第一目标得分确定模块，用于筛选所述运动信息中的第一目标数据，根据所述第一目标数据的异常程度得到第一目标得分S₁；

第二目标得分确定模块，用于根据预设的人员、车辆和手机的关联规则或关联模型，判断人车码关联的第二目标数据，并根据所述第二目标数据的异常程度得到第二目标得分S₂；

第三目标得分确定模块，用于根据训练完成的人车码多模态的单分类模型，得到第三目标数据的第三目标得分S₃；

异常数据判断模块，用于计算综合目标得分S₀=S₁+S₂+S₃，并根据所述综合目标得分判断各目标数据是否为异常数据。

第三方面，本发明实施例还提供了一种电像计算数据异常检测设备，所述电像计算数据异常检测设备包括：

一个或多个处理器；

存储装置，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第一方面中任一所述的电像计算数据异常检测方法。

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如第一方面中任一所述的电像计算数据异常检测方法。

本发明通过一种电像计算数据异常检测方法，包括：根据采集的车牌相片与手机IMSI信息，分别计算对应车辆和手机的运动信息；筛选运动信息中的第一目标数据，根据第一目标数据的异常程度得到第一目标得分S1；根据预设的人员、车辆和手机的关联规则或关联模型，判断人车码关联的第二目标数据，并根据第二目标数据的异常程度得到第二目标得分S2；根据训练完成的人车码多模态的单分类模型，得到第三目标数据的第三目标得分S3；计算综合目标得分S0=S1+S2+S3，并根据综合目标得分判断各目标数据是否为异常数据。解决没有考虑到电像计算问题中多模态数据之间的关联，导致的无法有效地识别出数据中的异常数据，无法及时处理异常数据，降低整体数据的质量的问题，实现充分考虑电像计算中多模态数据的特性，有效识别异常数据，对异常数据进行及时处理，提升整体数据的质量的效果。

附图说明

图1为本发明实施例一提供的一种电像计算数据异常检测方法的流程示意图；

图2为本发明实施例二提供的一种电像计算数据异常检测装置的结构示意图；

图3为本发明实施例三提供的一种电像计算数据异常检测设备的结构示意图。

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。

实施例一

图1为本发明实施例一提供的一种电像计算数据异常检测方法的流程示意图，本实施例可适用于对采集的电像计算数据进行检测的情况，该方法可以由电像计算数据异常检测装置来执行，具体包括如下步骤：

步骤110、根据采集的车牌相片与手机IMSI信息，分别计算对应车辆和手机的运动信息。

在生活中，人们一般拥有至少一个台手机，有的人会拥有至少一辆机动车，人员信息与手机IMSI和车辆信息存在关联，例如，人脸图像信息属于每个人特有的，手机IMSI是不重复的国际移动用户识别码，车牌号码也是唯一的，因此，将人员信息、手机IMSI和车牌信息进行数据融合后，相关部门可以通过手机IMSI和车辆信息对目标人员进行定位和查找。在人员信息、手机IMSI和车牌信息的采集、传输的过程中不可避免地会产生一些错误，如果关键数据出现错误，就会影响相关部门的侦破工作。

其中，在步骤110之前，还包括：

获取实时抓拍采集的车牌相片、人脸图片与手机IMSI信息；

通过图像分组算法，将同一人的人脸图片和同一车辆的车牌相片进行归类，建立档案；分别记录采集数据的时间信息、位置信息以及建档信息，并将数据进行存储。

在城市的重要路口及人口流动密集的区域安装摄像机和多运营商特征采集设备，通过摄像机采集人脸图片和车辆车牌信息，通过运营商特征采集设备采集手机IMSI数据。通过摄像机采集车牌相片和人脸图片之后，需要通过图像分组算法，将同一人的人脸图片和同一车辆的车牌相片进行归类，建立档案，便于管理和建立不同类数据之间的关联关系。摄像机和运营商特征采集设备在采集数据时，同时记录采集数据的时间信息和位置信息，并将采集的数据以及对应的时间信息和位置信息进行存储，同时，在建立档案后，将人脸、车牌对应的建档信息进行存储。

在人员乘坐或驾驶车辆时，摄像头拍摄人员的人脸图片不易获取，还可能存在不准确的情况，因此，可以通过手机IMSI和车牌信息进行绑定，以及通过分析手机IMSI和车牌信息对获取的数据进行验证。根据采集的车牌相片与手机IMSI信息，分别计算对应车辆和手机的运动信息，可以通过分析车辆和手机的运动信息判断获取的车辆数据和手机IMSI信息是否正常，以及根据关联关系判断目标人员的行动数据是否正常。

步骤120、筛选所述运动信息中的第一目标数据，根据所述第一目标数据的异常程度得到第一目标得分S₁。

车辆的运动信息包括位置信息、加速度、速度、行进方向和路线等，手机的运动信息也包括位置信息、加速度、速度、行进方向和路线等。将运动信息中的速度、加速度和行进方向作为第一目标数据，根据预设的判断条件对车辆和手机的第一目标数据进行判断，示例性的，在城市道路场景中，机动车限速一般为30km/h至70km/h，本实施例中针对速度的预设的判断条件为速度小于60km/h，若计算出来的手机的移动速度和/或车辆的运动速度小于60km/h，则认定第一目标数据为正常数据；若计算出来的手机的移动速度和/或车辆的运动速度大于等于60km/h，小于等于100 km/h，则认定第一目标数据中的速度数据为第一异常数据，异常得分设定在0-0.6之间，具体数值与速度正相关；若计算出来的手机的移动速度和/或车辆的运动速度大于100 km/h，则认定第一目标数据中的速度数据为第二异常数据，异常得分设定为大于0.6，具体数值与速度正相关，即速度偏离预设的正常值越多，异常得分越大。其中，第二异常数据的异常程度大于第一异常数据的异常程度。

进一步的，在城市道路场景中，若车辆加速度过大或行进方向变化过于剧烈，可能数据采集或传输存在异常，也可能存在事故，需要将此类数据进行核查，若该第一目标数据对应的位置区域未发生事故，则认定为异常数据，异常程度和异常得分根据加速度和行进方向变化速率与预设范围的差值确定，与预设范围正相关。根据上述内容可知，加速度和行进方向变化速率偏离预设范围越大，异常得分越大。根据速度、加速度和行进方向的异常得分，相加得到第一目标数据的第一目标得分S₁。

步骤130、根据预设的人员、车辆和手机的关联规则或关联模型，判断人车码关联的第二目标数据，并根据所述第二目标数据的异常程度得到第二目标得分S₂。

通过预设的人员、车辆和手机的关联规则或关联模型，可以将人员的人脸图片、车辆车牌信息和手机IMSI信息建立起对应的关系，便于相关部门通过其中一种信息快速获取相关联的信息。示例性，追踪目标人员时，可以通过摄像头获取的目标人员的人脸图片进行识别追踪，当目标人员佩戴口罩、帽子、围巾等遮挡面部导致无法获得有效的人脸图片时，可以通过识别追踪目标人员对应的车牌信息和手机IMSI信息，从而对目标人员进行定位和追踪，同理，在无法有效追踪目标人员对应的车牌信息或手机IMSI信息时，可以通过目标人员的人脸图片以及手机IMSI信息或车牌信息进行定位和追踪。

在获取人脸图片、车辆车牌信息和手机IMSI信息时，自动关联具有对应关系的人员、车辆和手机IMSI，将人车码关联信息作为第二目标数据，例如，目标人员关联车辆数量，以及关联的车辆车牌号，目标人员关联的手机数量，以及关联的手机IMSI信息。通过预设的关联规则或关联模型进行筛选，根据关联不合理的数据的异常程度确定第二目标数据的第二目标得分S₂。

示例性的，以人关联车为例，大多数人是关联一辆车的，可能部分人会关联多辆车(例如公交转车等)，但是一个人关联车辆太多是不合理的。根据人关联的车的数量，在目标人员关联的车数量小于6辆时，认为数据没有异常，异常得分0；在目标人员关联的车数量大于等于6辆且小于等于10辆时，认为数据存在轻微异常，即为第一异常数据，异常得分在0至0.6之间，且联的车数量越多，S₂越大；在目标人员关联的车数量大于10辆时，认为数据存在严重异常，即为第二异常数据，异常得分大于0.6，且第二目标得分与车辆数量正相关，车辆数量越多，第二目标得分越高。其中，第二异常数据的异常程度大于第一异常数据的异常程度。

人员的人脸图片与手机IMSI的关联关系，以及异常得分的判定与上述内容逻辑一致，在此不再进行赘述。

根据人员的人脸图片和车辆的关联数据的异常得分，以及人员的人脸图片与手机IMSI的关联数据的异常得分，相加得到第二目标得分S₂，从而判断获取的第二目标数据的异常程度。

步骤140、根据训练完成的人车码多模态的单分类模型，得到第三目标数据的第三目标得分S₃。

单分类模型从海量正常数据中自动学会的打分方式，单分类模型会从数据中自动学会异常数据的模式，在单分类模型训练完成后，自动对采集的人员信息、手机IMSI和车牌信息进行评分，得到第三目标得分S₃。

其中，在步骤140之前还包括：

步骤S1、获取人员、车辆和手机的正常数据进行标注作为训练数据。

步骤S2、根据所述训练数据训练预设单分类模型，所述预设单分类模型学习所述正常数据的分类边界。

步骤S3、获取包含正常数据和异常数据的测试数据。

步骤S4、将所述测试数据输入所述预设单分类模型，当所述预设单分类模型能够区分正常数据与异常数据，则认定单分类模型训练完成。

获取保存在数据库中的人员、车辆和手机的正常数据，根据数据类型的特点将正常数据进行标注，生成训练数据。

在异常检测问题中，通常有大量的正常数据，同时没有异常数据或只有少量异常数据，通过单分类方法训练让模型学到正常数据的分类边界，从而能够区分正常数据与异常数据。

每组训练数据仅包含一个类别的数据

,单分类方 法通过让单分类模型学会已知类别数据的分类边界，从而实现区分已知类别和未知类别的 功能。

在单分类模型训练完成后，需要对训练后的单分类模型进行验证，获取包含正常数据和异常数据的测试数据，将测试数据输入训练后的单分类模型进行验证，若训练后的单分类模型能够区分正常数据与异常数据，则认定单分类模型训练完成。

步骤150、计算综合目标得分S₀= S₁+ S₂+ S₃，并根据所述综合目标得分判断各目标数据是否为异常数据。

由于人员信息、手机IMSI和车牌信息存在关联，需要结合第一目标数据、第二目标数据和第三目标数据的异常程度和异常得分判断关联的人员信息、手机IMSI和车牌信息是否存在异常。根据综合目标得分S₀= S₁+ S₂+ S₃求得存在关联的人员信息、手机IMSI和车牌信息的综合目标得分，并根据综合目标得分与设定的得分阈值之间的大小关系，判断各目标数据是否为异常数据。将异常数据进行处理，提升整体数据的质量，防止相关工作因为关键数据异常而受阻，从而协助相关部门的侦查工作。

本实施例的技术方案，通过一种电像计算数据异常检测方法，包括：根据采集的车牌相片与手机IMSI信息，分别计算对应车辆和手机的运动信息；筛选运动信息中的第一目标数据，根据第一目标数据的异常程度得到第一目标得分S₁；根据预设的人员、车辆和手机的关联规则或关联模型，判断人车码关联的第二目标数据，并根据第二目标数据的异常程度得到第二目标得分S₂；根据训练完成的人车码多模态的单分类模型，得到第三目标数据的第三目标得分S₃；计算综合目标得分S₀= S₁+ S₂+ S₃，并根据综合目标得分判断各目标数据是否为异常数据。解决没有考虑到电像计算问题中多模态数据之间的关联，导致的无法有效地识别出数据中的异常数据，无法及时处理异常数据，降低整体数据的质量的问题，实现考虑电像计算中多模态数据的特性，有效识别异常数据，对异常数据进行及时处理，提升整体数据的质量的效果。

在上述实施例的基础上，可选的，步骤150还包括：

步骤151、比较所述综合目标得分与第一阈值的大小。

步骤152、若所述综合目标得分超过所述第一阈值，则确定所述各目标数据为异常数据，并根据所述综合目标得分与第二阈值的关系判断所述各目标数据的异常类型。

步骤153、若所述综合目标得分未超过所述第一阈值，则确定所述各目标数据为正常数据。

根据业务经验设置异常得分的第一阈值为q₁，第二阈值为q₂，其中，q₁<q₂。示例性的，设置了第一阈值q₁为0.5, 第二阈值q₂为1.1。比较综合目标得分与第一阈值q₁的大小，若综合目标得分S₀小于第一阈值q₁，异常偏离程度很小，则确定各目标数据为正常数据，目标数据可以直接应用；若综合目标得分S₀超过第一阈值q₁，则确定各目标数据为异常数据，异常数据的异常程度还需进一步判断，再根据综合目标得分S₀与第二阈值q₂的大小关系，判断各目标数据的异常类型。

可选的，根据所述综合目标得分与第二阈值的关系判断所述各目标数据的异常类型，包括：

A1、若所述综合目标得分小于所述第二阈值，则确定所述各目标数据为轻度异常数据。

若综合目标得分S₀小于第二阈值q₂，此时各目标数据的异常得分总和较低，数据存在一定的异常偏离，但偏离程度不算太大，各目标数据的异常程度较轻，可以修正。

A2、若所述综合目标得分大于等于所述第二阈值，则确定所述各目标数据为重度异常数据。

若综合目标得分S₀大于等于第二阈值q₂，此时各目标数据的异常得分总和较高，则各目标数据的异常程度较高，数据偏差较大，无法修正。

进一步的，当所述各目标数据为轻度异常数据时，用插值法修正所述各目标数据的时间信息和位置信息。

在各目标数据为轻度异常数据，可以通过插值法修正各目标数据的时间信息和位置信息，将目标数据修正为正常数据，保证数据的整体质量。

当所述各目标数据为重度异常数据时，将所述各目标数据删除。

在各目标数据为重度异常数据时，修正数据也无法提高数据的整体质量，因此，需要将对应的各目标数据舍去，保证数据的整体质量。

实施例二

图2为本发明实施例二提供的一种电像计算数据异常检测装置的结构示意图。如图2所示，一种电像计算数据异常检测装置，包括：

运动信息确定模块210，用于根据采集的车牌相片与手机IMSI信息，分别计算对应车辆和手机的运动信息。

其中，电像计算数据异常检测装置还包括：

数据采集模块，用于获取实时抓拍采集的车牌相片、人脸图片与手机IMSI信息；

存储模块，用于通过图像分组算法，将同一人的人脸图片和同一车辆的车牌相片进行归类，建立档案；分别记录采集数据的时间信息、位置信息以及建档信息，并将数据进行存储。

在城市的重要路口及人口流动密集的区域安装摄像机和多运营商特征采集设备，通过摄像机采集人脸图片和车辆车牌信息，通过运营商特征采集设备采集手机IMSI数据。通过摄像机采集车牌相片和人脸图片之后，需要通过图像分组算法，将同一人的人脸图片和同一车辆的车牌相片进行归类，建立档案，便于管理和建立不同类数据之间的关联关系。摄像机和运营商特征采集设备在采集数据时，同时记录采集数据的时间信息和位置信息，并将采集的数据以及对应的时间信息和位置信息进行存储，同时，在建立档案后，将人脸、车牌对应的建档信息进行存储。

在人员乘坐或驾驶车辆时，摄像头拍摄人员的人脸图片不易获取，还可能存在不准确的情况，因此，可以通过手机IMSI和车牌信息进行绑定，以及通过分析手机IMSI和车牌信息对获取的数据进行验证。根据采集的车牌相片与手机IMSI信息，分别计算对应车辆和手机的运动信息，可以通过分析车辆和手机的运动信息判断获取的车辆数据和手机IMSI信息是否正常，以及根据关联关系判断目标人员的行动数据是否正常。

第一目标得分确定模块220，用于筛选所述运动信息中的第一目标数据，根据所述第一目标数据的异常程度得到第一目标得分S₁。

将运动信息中的速度、加速度和行进方向作为第一目标数据，根据预设的判断条件对车辆和手机的第一目标数据进行判断，示例性的，在城市道路场景中，机动车限速一般为30km/h至70km/h，本实施例中针对速度的预设的判断条件为速度小于60km/h，若计算出来的手机的移动速度和/或车辆的运动速度小于60km/h，则认定第一目标数据为正常数据；若计算出来的手机的移动速度和/或车辆的运动速度大于等于60km/h，小于等于100 km/h，则认定第一目标数据中的速度数据为第一异常数据，异常得分设定在0-0.6之间，具体数值与速度正相关；若计算出来的手机的移动速度和/或车辆的运动速度大于100 km/h，则认定第一目标数据中的速度数据为第二异常数据，异常得分设定为大于0.6，具体数值与速度正相关，即速度偏离预设的正常值越多，异常得分越大。其中，第二异常数据的异常程度大于第一异常数据的异常程度。

进一步的，在城市道路场景中，若车辆加速度过大或行进方向变化过于剧烈，可能数据采集或传输存在异常，也可能存在事故，需要将此类数据进行核查，若该第一目标数据对应的位置区域未发生事故，则认定为异常数据，异常程度和异常得分根据加速度和行进方向变化速率与预设范围的差值确定，与预设范围正相关。根据上述内容可知，加速度和行进方向变化速率偏离预设范围越大，异常得分越大。根据速度、加速度和行进方向的异常得分，相加得到第一目标数据的第一目标得分S₁。

第二目标得分确定模块230，用于根据预设的人员、车辆和手机的关联规则或关联模型，判断人车码关联的第二目标数据，并根据所述第二目标数据的异常程度得到第二目标得分S₂。

通过预设的人员、车辆和手机的关联规则或关联模型，可以将人员的人脸图片、车辆车牌信息和手机IMSI信息建立起对应的关系，便于相关部门通过其中一种信息快速获取相关联的信息。在获取人脸图片、车辆车牌信息和手机IMSI信息时，自动关联具有对应关系的人员、车辆和手机IMSI，将人车码关联信息作为第二目标数据，例如，目标人员关联车辆数量，以及关联的车辆车牌号，目标人员关联的手机数量，以及关联的手机IMSI信息。通过预设的关联规则或关联模型进行筛选，根据关联不合理的数据的异常程度确定第二目标数据的第二目标得分S₂。

示例性的，以人关联车为例，大多数人是关联一辆车的，可能部分人会关联多辆车(例如公交转车等)，但是一个人关联车辆太多是不合理的。根据人关联的车的数量，在目标人员关联的车数量小于6辆时，认为数据没有异常，异常得分0；在目标人员关联的车数量大于等于6辆且小于等于10辆时，认为数据存在轻微异常，即为第一异常数据，异常得分在0至0.6之间，且联的车数量越多，S₂越大；在目标人员关联的车数量大于10辆时，认为数据存在严重异常，即为第二异常数据，异常得分大于0.6，且第二目标得分与车辆数量正相关，即目标人员关联的车数量偏离预设数量越大，异常得分越大。

人员的人脸图片与手机IMSI的关联关系，以及异常得分的判定与上述内容逻辑一致，在此不再进行赘述。

根据人员的人脸图片和车辆的关联数据的异常得分，以及人员的人脸图片与手机IMSI的关联数据的异常得分，相加得到第二目标得分S₂，从而判断获取的第二目标数据的异常程度。

第三目标得分确定模块240，用于根据训练完成的人车码多模态的单分类模型，得到第三目标数据的第三目标得分S₃。

单分类模型从海量正常数据中自动学会的打分方式，单分类模型会从数据中自动学会异常数据的模式，在单分类模型训练完成后，自动对采集的人员信息、手机IMSI和车牌信息进行评分，得到第三目标得分S₃。

可选的，电像计算数据异常检测装置还包括：

训练数据获取模块，用于获取人员、车辆和手机的正常数据进行标注作为训练数据。

训练模块，用于根据所述训练数据训练预设单分类模型，所述预设单分类模型学习所述正常数据的分类边界。

测试数据获取模块，用于获取包含正常数据和异常数据的测试数据。

模型检测模块，用于将所述测试数据输入所述预设单分类模型，当所述预设单分类模型能够区分正常数据与异常数据，则认定单分类模型训练完成。

获取保存在数据库中的人员、车辆和手机的正常数据，根据数据类型的特点将正常数据进行标注，生成训练数据。

在异常检测问题中，通常有大量的正常数据，同时没有异常数据或只有少量异常数据，通过单分类方法训练让模型学到正常数据的分类边界，从而能够区分正常数据与异常数据。

每组训练数据仅包含一个类别的数据

,单分类方 法通过让单分类模型学会已知类别数据的分类边界，从而实现区分已知类别和未知类别的 功能。

在单分类模型训练完成后，需要对训练后的单分类模型进行验证，获取包含正常数据和异常数据的测试数据，将测试数据输入训练后的单分类模型进行验证，若训练后的单分类模型能够区分正常数据与异常数据，则认定单分类模型训练完成。

异常数据判断模块250，用于计算综合目标得分S₀= S₁+ S₂+ S₃，并根据所述综合目标得分判断各目标数据是否为异常数据。

由于人员信息、手机IMSI和车牌信息存在关联，需要结合第一目标数据、第二目标数据和第三目标数据的异常程度和异常得分判断关联的人员信息、手机IMSI和车牌信息是否存在异常。根据综合目标得分S₀= S₁+ S₂+ S₃求得存在关联的人员信息、手机IMSI和车牌信息的综合目标得分，并根据综合目标得分与设定的得分阈值之间的大小关系，判断各目标数据是否为异常数据。将异常数据进行处理，提升整体数据的质量，防止相关工作因为关键数据异常而受阻，从而协助相关部门的侦查工作。

可选的，异常数据判断模块250包括：

第一阈值判断子模块，用于比较所述综合目标得分与第一阈值的大小。

异常数据执行子模块，用于若所述综合目标得分超过所述第一阈值，则确定所述各目标数据为异常数据。

第二判断子模块，用于根据所述综合目标得分与第二阈值的关系判断所述各目标数据的异常类型。

正数据执行子模块，用于若所述综合目标得分未超过所述第一阈值，则确定所述各目标数据为正常数据。

可选的，第二判断子模块包括：

第一确定单元，用于若所述综合目标得分小于所述第二阈值，则确定所述各目标数据为轻度异常数据。

第二确定单元，用于若所述综合目标得分大于等于所述第二阈值，则确定所述各目标数据为重度异常数据。

可选的，电像计算数据异常检测装置还包括：

第一执行模块，用于当所述各目标数据为轻度异常时，用插值法修正所述各目标数据的时间信息和位置信息。

第二执行模块，用于当所述各目标数据为重度异常时，将所述各目标数据删除。

本发明实施例所提供的电像计算数据异常检测装置可执行本发明任意实施例所提供的电像计算数据异常检测方法，具备执行方法相应的功能模块和有益效果。

实施例三

图3为本发明实施例三提供的一种电像计算数据异常检测设备的结构示意图，如图3所示，该电像计算数据异常检测设备包括处理器30、存储器31、输入装置32和输出装置33；电像计算数据异常检测设备中处理器30的数量可以是一个或多个，图3中以一个处理器30为例；电像计算数据异常检测设备中的处理器30、存储器31、输入装置32和输出装置33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31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电像计算数据异常检测方法对应的程序指令/模块（例如，电像计算数据异常检测装置中的运动信息确定模块210、第一目标得分确定模块220、第二目标得分确定模块230、第三目标得分确定模块240和异常数据判断模块250）。处理器30通过运行存储在存储器31中的软件程序、指令以及模块，从而执行电像计算数据异常检测设备的各种功能应用以及数据处理，即实现上述的电像计算数据异常检测方法。

存储器31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终端的使用所创建的数据等。此外，存储器31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31可进一步包括相对于处理器30远程设置的存储器，这些远程存储器可以通过网络连接至电像计算数据异常检测设备。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32可用于接收输入的数字或字符信息，以及产生与电像计算数据异常检测设备的用户设置以及功能控制有关的键信号输入。输出装置33可包括显示屏等显示设备。

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，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一种电像计算数据异常检测方法，该方法包括：

根据采集的车牌相片与手机IMSI信息，分别计算对应车辆和手机的运动信息；

筛选所述运动信息中的第一目标数据，根据所述第一目标数据的异常程度得到第一目标得分S₁；

根据预设的人员、车辆和手机的关联规则或关联模型，判断人车码关联的第二目标数据，并根据所述第二目标数据的异常程度得到第二目标得分S₂；

根据训练完成的人车码多模态的单分类模型，得到第三目标数据的第三目标得分S₃；

计算综合目标得分S₀= S₁+ S₂+ S₃，并根据所述综合目标得分判断各目标数据是否为异常数据。

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电像计算数据异常检测方法中的相关操作。

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。

值得注意的是，上述电像计算数据异常检测装置的实施例中，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。

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 (9)

1.一种电像计算数据异常检测方法，其特征在于，包括：

根据采集的车牌相片与手机IMSI信息，分别计算对应车辆和手机的运动信息；

筛选所述运动信息中的第一目标数据，根据所述第一目标数据的异常程度得到第一目标得分S₁；

根据预设的人员、车辆和手机的关联规则或关联模型，判断人车码关联的第二目标数据，并根据所述第二目标数据的异常程度得到第二目标得分S₂；

根据训练完成的人车码多模态的单分类模型，得到第三目标数据的第三目标得分S₃；

计算综合目标得分S₀= S₁+ S₂+ S₃，并根据所述综合目标得分判断各目标数据是否为异常数据。

2.根据权利要求1所述的电像计算数据异常检测方法，其特征在于，在所述根据采集的车牌相片与手机IMSI信息，分别计算对应车辆和手机的运动信息之前，还包括：

获取实时抓拍采集的车牌相片、人脸图片与手机IMSI信息；

通过图像分组算法，将同一人的人脸图片和同一车辆的车牌相片进行归类，建立档案；分别记录采集数据的时间信息、位置信息以及建档信息，并将数据进行存储。

3.根据权利要求2所述的电像计算数据异常检测方法，其特征在于，所述根据所述综合目标得分判断各目标数据是否为异常数据，包括：

比较所述综合目标得分与第一阈值的大小；

若所述综合目标得分超过所述第一阈值，则确定所述各目标数据为异常数据，并根据所述综合目标得分与第二阈值的关系判断所述各目标数据的异常类型；

若所述综合目标得分未超过所述第一阈值，则确定所述各目标数据为正常数据。

4.根据权利要求3所述的电像计算数据异常检测方法，其特征在于，所述根据所述综合目标得分与第二阈值的关系判断所述各目标数据的异常类型，包括：

若所述综合目标得分小于所述第二阈值，则确定所述各目标数据为轻度异常数据；

若所述综合目标得分大于等于所述第二阈值，则确定所述各目标数据为重度异常数据。

5.根据权利要求4所述的电像计算数据异常检测方法，其特征在于，在所述根据所述综合目标得分与第二阈值的关系判断所述各目标数据的异常类型之后，包括：

当所述各目标数据为轻度异常数据时，用插值法修正所述各目标数据的时间信息和位置信息；

当所述各目标数据为重度异常数据时，将所述各目标数据删除。

6.根据权利要求1所述的电像计算数据异常检测方法，其特征在于，在所述根据训练完成的人车码多模态的单分类模型，得到第三目标数据的第三目标得分S3之前，还包括：

获取人员、车辆和手机的正常数据进行标注作为训练数据；

根据所述训练数据训练预设单分类模型，所述预设单分类模型学习所述正常数据的分类边界；

获取包含正常数据和异常数据的测试数据；

将所述测试数据输入所述预设单分类模型，当所述预设单分类模型能够区分正常数据与异常数据，则认定单分类模型训练完成。

7.一种电像计算数据异常检测装置，其特征在于，包括：

运动信息确定模块，用于根据采集的车牌相片与手机IMSI信息，分别计算对应车辆和手机的运动信息；

第一目标得分确定模块，用于筛选所述运动信息中的第一目标数据，根据所述第一目标数据的异常程度得到第一目标得分S1；

第二目标得分确定模块，用于根据预设的人员、车辆和手机的关联规则或关联模型，判断人车码关联的第二目标数据，并根据所述第二目标数据的异常程度得到第二目标得分S2；

第三目标得分确定模块，用于根据训练完成的人车码多模态的单分类模型，得到第三目标数据的第三目标得分S3；

异常数据判断模块，用于计算综合目标得分S0=S1+S2+S3，并根据所述综合目标得分判断各目标数据是否为异常数据。

8.一种电像计算数据异常检测设备，其特征在于，所述电像计算数据异常检测设备包括：

一个或多个处理器；

存储装置，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1-6中任一所述的电像计算数据异常检测方法。

9.一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1-6中任一所述的电像计算数据异常检测方法。

Images