CN116362936A - 一种潜在风险人员识别方法 - Google Patents

Abstract

本发明公开了一种潜在风险人员识别方法，包括以下步骤：S1、通过感知设备收集潜在风险人员的感知数据；S2、根据潜在风险人员的感知数据来计算潜在风险人员因子；S3、根据潜在风险人员因子来计算潜在风险人员风险值；S4、判断潜在风险人员风险值是否超出潜在风险人员风险阈值，如果是，则识别为潜在风险人员；其中所述潜在风险人员是指有历史异常行为、多区域出现的人员。本发明能够快速识别潜在风险人员，有效的预防潜在风险人员出现危险行为，节省了多个信息流程。

Description

一种潜在风险人员识别方法

技术领域

本发明涉及人员识别技术领域，特别是涉及一种潜在风险人员识别方法。

背景技术

社区与居民生活息息相关，随着技术的不断变革，智慧社区成为社区管理服务的一种新型模式，智慧社区基于管理平台运行，同时充分借助移动互联网、大数据、云服务等电子信息技术，深度嵌入到社区智能楼宇、智能家居、安防监控等诸多领域。

智慧社区管理中人员管理还是主要依赖人工为主，辅以信息化手段，通过在社区安保人员对人员进行人工询问，保护社区居民的安全

其中人员包括潜在风险人员，潜在风险人员的认定是安保人员根据楼栋实际需要注意的人员自行判断，包括但不限于重病患者、残疾人员、外来异常举止人员等，对于潜在风险人员的管理，是楼栋管理的一大难点。最大的难点是如何知道哪些人员是潜在风险人员。

现有技术中，一般利用物联网设备及视频对社区进行智慧化管理(如CN115604319A基于多维度传感器的智慧社区管理平台)，集中利用多个、多种传感器的协同配合进行社区智慧化管理，构建异常威胁的判断模型。传统的智慧化管理难以管理社区人员，导致社区安保人员(安保人员等)需要投入更多的时间排查社区人员，同时对一些可能发生的恶性事件(如阿尔茨海默症患者无法获取帮助、外来人员异常举止等)无法进行提前干预及降低发生可能性。

发明内容

本发明的目的在于解决如何减少人力判定潜在风险人员的问题，提出一种潜在风险人员识别方法。

本发明的技术问题通过以下的技术方案予以解决：

一种潜在风险人员识别方法，包括以下步骤：

S1、通过感知设备收集潜在风险人员的感知数据；

S2、根据潜在风险人员的感知数据来计算潜在风险人员因子；

S3、根据潜在风险人员因子来计算潜在风险人员风险值；

S4、判断潜在风险人员风险值是否超出潜在风险人员风险阈值，如果是，则识别为潜在风险人员；

其中所述潜在风险人员是指有历史异常行为、多区域出现的人员。

在一些实施例中，步骤S3包括以下步骤：

S3-1、将所述潜在风险人员因子分为三类：核心因子、正向因子、负向因子；

S3-2、根据核心因子、正向因子、负向因子计算潜在风险人员风险值。

在一些实施例中，步骤S3-1中所述核心因子包括：被标记为潜在风险人员因子、是否多楼栋出现因子；所述正向因子包括：出现楼栋数量因子、被标记为潜在风险人员标记次数因子、楼栋逗留平均时长因子；所述负向因子包括：衣物颜色因子、是否戴头盔因子。

在一些实施例中，步骤S3-2中所述潜在风险人员风险值的计算公式如下：

score＝risk_type*multi_zone

*α^{zone_num*risk_times*zone_stay_duration}*β^{cloth_color+helmet_had}

其中score为潜在风险人员风险值，zone_num为出现楼栋数量因子，multi_zone为是否多楼栋出现因子，risk_type为被标记为潜在风险人员因子，risk_times为被标记为潜在风险人员次数因子，zone_stay_duration为楼栋逗留平均时长因子，cloth_color为衣物颜色因子，helmet_had为是否戴头盔因子；α为正向因子的基础权重，α∈[1,∞)；β为负向因子的基础权重，β∈(0,1)。

在一些实施例中，所述潜在风险人员因子值的计算公式包括：

zone_num＝length(set(addr for addr in addrs if addr∈community_addrs))，

其中addrs是潜在风险人员的被感知设备感知到的地址，community_addrs为楼栋内设备列表；

risk_times＝min(log₂(risk_num+1),3)，

其中risk_num为被标记为潜在风险人员的次数；

其中time_t为t时刻，time_t+1为t+1时刻，addr_t为t时刻的地址，N为非0个数；

在一些实施例中，步骤S3-1中所述核心因子包括：risk_type、multi_zone；所述正向因子包括：zone_num、risk_times、zone_stay_duration；所述负向因子包括：cloth_color、helmet_had。

在一些实施例中，步骤S1中所述感知设备包括：人脸抓拍机和围栏设备，步骤S1包括以下步骤：

S1-1、对所述人脸抓拍机感知的人脸图片进行聚类，并对聚类后的人脸进行身份识别，找到对应具体人ID；

S1-2、对所述围栏设备感知的国际移动用户识别码进行翻译，找到对应具体人ID。

在一些实施例中，所述潜在风险人员的感知数据包含：人员标识person、时间time、地点addr、抓拍图片pic；同一潜在风险人员的轨迹记为：

time_t、addr_t、pic_t，

其中t是时间，轨迹加上下标t表示按照时间排序的第t条轨迹。

在一些实施例中，步骤S2包括以下步骤：

S2-1、将感知设备打上标签；

S2-2、将潜在风险人员的基础信息进行分类；

S2-3、罗列因子清单；

S2-4、计算因子清单中各因子值。

在一些实施例中，步骤S4中所述潜在风险人员风险阈值为100。

本发明还提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时能实现上述的方法的步骤。

本发明具有如下有益效果：

本发明提出的一种潜在风险人员识别方法，通过感知设备收集潜在风险人员的感知数据；根据潜在风险人员的感知数据来计算潜在风险人员因子，根据潜在风险人员因子来计算潜在风险人员风险值；能够快速识别潜在风险人员，有效的预防潜在风险人员出现危险行为，节省了多个信息流程。

附图说明

图1是本发明实施例中的潜在风险人员识别方法流程图；

图2是本发明实施例中的潜在风险人员识别方法具体流程图。

具体实施方式

下面对照附图并结合优选的实施方式对本发明作进一步说明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。

需要说明的是，本实施例中的左、右、上、下、顶、底等方位用语，仅是互为相对概念，或是以产品的正常使用状态为参考的，而不应该认为是具有限制性的。

本实施例利用人脸抓拍机、围栏感知等设备，感知到潜在风险人员出现的时空，进行跨区域识别。

本实施例的潜在风险人员识别系统包含：

感知端，用于感知数据，以供后续使用；

因子计算端，对感知到的数据，按照本发明实施例设定的因子进行计算；

风险计算，在因子的基础上，针对潜在风险人员抽取因子，计算出潜在风险人员风险值；

本发明实施例利用物联网感知的设备，计算潜在风险人员风险值，识别潜在风险人员。

如图1所示，本实施例的方案为：

S1、通过感知设备收集潜在风险人员的感知数据；

S2、根据潜在风险人员的感知数据来计算潜在风险人员因子；

S3、根据潜在风险人员因子来计算潜在风险人员风险值；

S4、判断潜在风险人员风险值是否超出潜在风险人员风险阈值，如果是，则识别为潜在风险人员；

潜在风险人员：因为感知数据是要映射到人，人脸感知的图片会与具体人照片比对、围栏感知到的IMSI会翻译成具体人ID；潜在风险人员是指有历史异常行为、多区域出现的人员。

因子：将感知数据归属到潜在风险人员后，综合计算潜在风险人员的所有因子。

如图2所示，潜在风险人员识别方法具体流程为：

S1、通过感知设备收集潜在风险人员的感知数据；

感知设备包括：人脸抓拍机和围栏设备。

S1-1、对人脸抓拍机感知的人脸图片进行聚类，并对聚类后的人脸进行身份识别，找到对应具体人ID；

S1-2、对围栏设备感知的IMSI(国际移动用户识别码)进行翻译，找到对应具体人ID；

其中形成潜在风险人员的感知数据，具体包含：人员标识person、时间time、地点addr、抓拍图片(可空)pic；同一人的轨迹记为：

time_t、addr_t、pic_t

其中t是时间，轨迹加上下标t表示按照时间排序的第t条轨迹；

S2、根据潜在风险人员的感知数据来计算潜在风险人员因子；

S2-1、在计算因子前，首先将感知设备打上标签，包含：

楼栋内设备列表：community_addrs

楼栋外设备列表：road_addrs

设备所属楼栋名称：addrcomm

在计算逗留时间时，只有设备的addr一致才会计算时间；addr为设备的一个标签；同时在看出现楼栋个数时，也要看设备的addr，通过设备打上标签，得知潜在风险人员出现的设备信息，可以算出潜在风险人员出现地点。

S2-2、潜在风险人员的基础信息记为：

人员标识person；

被标记为潜在风险人员的类型risk；

被标记为潜在风险人员的次数risk_num；

衣物颜色cloth_color；

是否戴头盔helmet_had；

其中一般使用人脸识别获取人员标识。

S2-3、具体纳入的因子清单为：出现楼栋数量因子(zone_num)、是否多楼栋出现因子(multi_zone)、潜在风险人员因子(risk_type)、被标记为潜在风险人员次数因子(risk_times)、楼栋逗留平均时长因子(zone_stay_duration)、衣物颜色因子(cloth_color)、是否戴头盔因子(helmet_had)。

S2-4、各因子计算公式如下：

zone_num＝length(set(addr for addr in addrs ifaddr∈community_addrs))；

risk_times＝min(log₂(risk_num+1),3)；

其中time_t为t时刻，time_t+1为t+1时刻，addr_t为t时刻的地址，N为非0个数；

出现楼栋数量因子(zone_num)，潜在风险人员的人员轨迹中的所有地址addrs，楼栋内设备列表：community_addrs(社区地址)，将潜在风险人员的轨迹中所有地址拿来遍历，将属于楼栋内的设备收集的数据提取出来，来计算出现楼栋数量。即将潜在风险人员的所有轨迹拿出来判断在其多少个楼栋内出现过。

是否多楼栋出现因子(multi_zone)，将潜在风险人员的轨迹中所有地址addrs拿来遍历，将属于楼栋内的设备收集的数据提取出来，来计算出现楼栋数量，当出现楼栋数量大于1时，是否多楼栋出现因子取值为1；当出现楼栋数量小于等于1时，是否多楼栋出现因子取值为0。

潜在风险人员因子(risk_type)，判断潜在风险人员是否被安保人员标记，假如潜在风险人员被安保人员标记过，则潜在风险人员因子取值为1；假如潜在风险人员未被安保人员标记过，则潜在风险人员因子取值为0。

被标记为潜在风险人员次数因子(risk_times)，将潜在风险人员的被标记为潜在风险人员次数基础信息带入被标记为潜在风险人员次数函数f_{risk_times}＝log₂(risk_num+1)，并将f_{risk_times}与3作比较取最小值，是因为被标记为潜在风险人员次数因子用于正向因子的指数计算，数值过大会影响最终结果，因此用对数计算被标记为潜在风险人员次数并与3比较，使其最大值为3，最小值为0。

楼栋逗留平均时长因子(zone_stay_duration)，将潜在风险人员在某个设定的楼栋第一次被感知的时刻进行累加，累加到该潜在风险人员离开该楼栋的时间，从而计算出潜在风险人员楼栋逗留平均时长,单位为分钟；若上一时刻感知到的地址与下一时刻感知到的地址不一样，则楼栋逗留平均时长因子保持不变。

排除常驻人员和送外卖人员，常驻人员出现楼栋数量较少，逗留时间较长；送外卖人员出现楼栋数量较多，逗留时间较少。其中常驻人员和送外卖人员可以用较小的是否多楼栋出现因子和楼栋逗留平均时长因子来降低该类人员的潜在风险人员风险值。

衣物颜色因子(cloth_color)，主要是降低送外卖人员的潜在风险人员风险值，通过判断潜在风险人员的衣物颜色是否为黄色或蓝色来降低潜在风险人员风险值。若衣物为黄色或蓝色，则衣物颜色因子为1；若衣物不是黄色或蓝色，则衣物颜色因子为0。

是否戴头盔因子(helmet_had)，同样主要是降低送外卖人员的潜在风险人员风险值，通过判断潜在风险人员是否佩戴头盔来降低潜在风险人员风险值。若佩戴头盔，则是否戴头盔因子为1；若没有佩戴头盔，则是否戴头盔因子为0。

S3、根据潜在风险人员因子来计算潜在风险人员风险值；

S3-1、将上述因子分为三类：核心因子、正向因子、负向因子，分别为：

核心因子：risk_type、multi_zone；

正向因子：zone_num、risk_times、zone_stay_duration；

负向因子：cloth_color、helmet_had；

S3-2、潜在风险人员风险值的计算公式如下所示：

score＝risk_type*multi_zone

*α^{zone_num*risk_times*zone-stay_duration}*β^{cloth_color+helmet_had}；

其中：

α∈[1，)；β∈(0，1)；

α：正向因子的基础权重，常取1.1，

β：负向因子的基础权重，常取0.9。

核心函数需要同时满足在潜在风险人员因子属于被安保人员标记过和多个楼栋出现两个条件才会进行计算，其中正向因子的基础权重α常取1.1，负向因子的基础权重β常取0.9。

正向因子的指数为出现楼栋数量因子、被标记为潜在风险人员次数因子、楼栋逗留平均时长因子的乘积，所以当出现楼栋数量、被标记为潜在风险人员次数越多，楼栋逗留平均时长越长时，即出现楼栋数量因子、被标记为潜在风险人员次数因子、楼栋逗留平均时长因子越大时，该潜在风险人员风险值越大，代表其危险系数越高，将其归类于潜在风险人员。

负向因子的指数为衣物颜色因子和是否戴头盔因子之和，所以当潜在风险人员佩戴帽子或衣物为黄色或蓝色时，即衣物颜色因子、是否戴头盔因子为1时，该潜在风险人员风险值越小，负向因子主要用于排除送外卖人员。

S4、判断潜在风险人员风险值是否超出潜在风险人员风险阈值，如果是，则识别为潜在风险人员；

潜在风险人员风险值越高，代表其危险系数越高，也就是潜在风险人员。判断潜在风险人员风险值是否超出潜在风险人员风险阈值，如果是，则识别为潜在风险人员；其中潜在风险人员风险阈值为100。

实验例

前端感知端有人像和围栏，通过人力翻译到具体人ID，即具体到某个人，得到一个人的轨迹数据，在哪里，被谁感知到了，衣物颜色等等信息，还有基础信息，比如是否被安保人员标记过潜在风险人员。根据上述信息来计算因子。根据因子计算潜在风险人员风险值。

例如潜在风险人员(如得了阿尔茨海默症的老年人)的基础信息为：

9:00a楼栋；

10:00a楼栋；

11:00b楼栋；

12:00c楼栋；

13:00d楼栋；

有被标记过阿尔茨海默症潜在风险人员；

被标记为阿尔茨海默症潜在风险人员次数是2；

衣物颜色是黑色；

不带有头盔；

即出现楼栋数量因子(zone_num)：4；

是否多楼栋出现因子(multi_zone)：1；

潜在风险人员因子(risk_type)：1；

被标记为潜在风险人员标记次数因子(risk_times)：log₂3＝1.585；

楼栋逗留平均时长因子(zone_stay_duration)：60；

衣物颜色因子(cloth_color):0；

是否戴头盔因子(helmet_had):0；

则潜在风险人员风险值为：score＝1*1*1.1^4*1.585*60*0.9⁰⁺⁰＝518.49；

潜在风险人员风险值518.49大于潜在风险人员风险阈值100，因此识别为潜在风险人员。

假设有两万有历史异常行为人员，计算潜在风险人员风险值，将潜在风险人员风险值大于0的人员筛选出来，即将有风险的人员筛选出来，可能为五百人，设定阈值，设定潜在风险人员风险值大于3的人员为潜在风险人员，可能为两百人。将这两百人，交给安保人员研判，当安保人员研判该人员存在潜在风险时，可以得到该人员活动范围实施帮扶或询问。改变了现有的社区风险人员管理流程，异常行为。本发明实施例有效的预防潜在风险人员出现危险行为，节省了多个信息流程。

比较例

CN109615573A公开一种基于大数据的外地人员分析方法及系统。现有技术是利用常住人口的集合与感知人口的集合做差集，得到流动的人口，但是与本实施例的具体差异在于：

1.现有技术无法计算出流动人口的具体分值而本实施例能够计算出具体分值从而进行更准确的识别；

2.现有技术会纳入一般人员，而本实施例只针对历史异常行为人员；

3.现有技术的感知手段只有围栏，而本实施例有人像、围栏；

4.现有技术感知对象是一个手机特征，无法管控，而本实施例将人像、围栏翻译到身份证，感知对象变为具体人，安保人员管理更方便。

5.现有技术更偏向于利用一个简单系统框架找到流动人口，而本实施例更聚焦将多区域多感知的历史异常行为人员进行分级化管理。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的技术人员来说，在不脱离本发明构思的前提下，还可以做出若干等同替代或明显变型，而且性能或用途相同，都应当视为属于本发明的保护范围。

Claims (10)

1.一种潜在风险人员识别的方法，其特征在于，包括以下步骤：

S1、通过感知设备收集潜在风险人员的感知数据；

S2、根据潜在风险人员的感知数据来计算潜在风险人员因子；

S3、根据潜在风险人员因子来计算潜在风险人员风险值；

S4、判断潜在风险人员风险值是否超出潜在风险人员风险阈值，如果是，则识别为潜在风险人员；

其中所述潜在风险人员是指有历史异常行为、多区域出现的人员。

2.如权利要求1所述的方法，其特征在于，步骤S3包括以下步骤：

S3-1、将所述潜在风险人员因子分为三类：核心因子、正向因子、负向因子；

S3-2、根据核心因子、正向因子、负向因子计算潜在风险人员风险值。

3.如权利要求2所述的方法，其特征在于，步骤S3-1中所述核心因子包括：被标记为潜在风险人员因子、是否多楼栋出现因子；所述正向因子包括：出现楼栋数量因子、被标记为潜在风险人员标记次数因子、楼栋逗留平均时长因子；所述负向因子包括：衣物颜色因子、是否戴头盔因子。

4.如权利要求3所述的方法，其特征在于，步骤S3-2中所述潜在风险人员风险值的计算公式如下：

score＝risk_type*multi_zone*α^{zone_num*risk_times*zone_stay_duration}*β^{cloth_color+helmet_had}；

其中score为潜在风险人员风险值，zone_num为出现楼栋数量因子，multi_zone为是否多楼栋出现因子，risk_type为被标记为潜在风险人员因子，risk_times为被标记为潜在风险人员标记次数因子，zone_stay_duration为楼栋逗留平均时长因子，cloth_color为衣物颜色因子，helmet_had为是否戴头盔因子；α为正向因子的基础权重，α∈[1,∞)；β为负向因子的基础权重，β∈(0,1)。

5.如权利要求4所述的方法，其特征在于，所述潜在风险人员因子值的计算公式包括：

zone_num＝length(set(addr for addrin addrsifaddr∈community_addrs))，

其中addrs是潜在风险人员的被感知设备感知到的地址，community_addrs为楼栋内设备列表；

risk_times＝min(log₂(risk_num+1),3)，

其中risk_num为被标记为潜在风险人员的次数；

其中time_t为t时刻，time_t+1为t+1时刻，addr_t为t时刻的地址，N为非0个数；

6.如权利要求1所述的方法，其特征在于，步骤S1中所述感知设备包括：人脸抓拍机和围栏设备，步骤S1包括以下步骤：

S1-1、对所述人脸抓拍机感知的人脸图片进行聚类，并对聚类后的人脸进行身份识别，找到对应具体人ID；

S1-2、对所述围栏设备感知的国际移动用户识别码进行翻译，找到对应具体人ID。

7.如权利要求6所述的方法，其特征在于，所述潜在风险人员的感知数据包含：人员标识person、时间time、地点addr、抓拍图片pic；同一潜在风险人员的轨迹记为：

time_t、addr_t、pic_t，

其中t是时间，轨迹加上下标t表示按照时间排序的第t条轨迹。

8.如权利要求1所述的方法，其特征在于，步骤S2包括以下步骤：

S2-1、将感知设备打上标签；

S2-2、将潜在风险人员的基础信息进行分类；

S2-3、罗列因子清单；

S2-4、计算因子清单中各因子值。

9.如权利要求1所述的方法，其特征在于，步骤S4中所述潜在风险人员风险阈值为100。

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，该计算机程序被处理器执行时能实现权利要求1-9任一项所述的方法的步骤。

Images