CN114491156A - 基于视频图像智能推送近似对象的方法 - Google Patents
基于视频图像智能推送近似对象的方法 Download PDFInfo
- Publication number
- CN114491156A CN114491156A CN202111297767.1A CN202111297767A CN114491156A CN 114491156 A CN114491156 A CN 114491156A CN 202111297767 A CN202111297767 A CN 202111297767A CN 114491156 A CN114491156 A CN 114491156A
- Authority
- CN
- China
- Prior art keywords
- persons
- data
- similar
- personnel
- scene
- 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
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 19
- 238000005259 measurement Methods 0.000 claims abstract description 19
- 238000004364 calculation method Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000012163 sequencing technique Methods 0.000 claims abstract description 4
- 230000000694 effects Effects 0.000 claims description 16
- 238000012795 verification Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000007619 statistical method Methods 0.000 claims description 5
- 238000013524 data verification Methods 0.000 claims description 3
- 230000002776 aggregation Effects 0.000 claims description 2
- 238000004220 aggregation Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 11
- 238000004458 analytical method Methods 0.000 abstract description 6
- 238000007418 data mining Methods 0.000 abstract description 3
- 238000010801 machine learning Methods 0.000 abstract description 3
- 238000005065 mining Methods 0.000 abstract 1
- 230000000875 corresponding effect Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 230000006399 behavior Effects 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 230000004308 accommodation Effects 0.000 description 3
- 238000012216 screening Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000004438 eyesight Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
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
- G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
- G06F16/78—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/783—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
- G06F16/7837—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using objects detected or recognised in the video content
- G06F16/784—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using objects detected or recognised in the video content the detected or recognised objects being people
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
- G06F16/78—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/783—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
- G06F16/7844—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using original textual content or text extracted from visual content or transcript of audio data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
- G06F16/78—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/7867—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, title and artist information, manually generated time, location and usage information, user ratings
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2216/00—Indexing scheme relating to additional aspects of information retrieval not explicitly covered by G06F16/00 and subgroups
- G06F2216/03—Data mining
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Multimedia (AREA)
- Library & Information Science (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Databases & Information Systems (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Security & Cryptography (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于视频图像智能推送近似对象的方法，通过人像比对算法找出相似的多名相关人员信息；通过基于TF‑IDF算法的统计方法从普通群体人员轨迹及背景数据中识别出与特定场景关联度较高的多个特定特征因素；对相似人员信息进行智能加权赋分综合测算处理，获得由人像比对出来的相似相关人员的综合分值，并由高到低排序，分析出潜在的高近似度近似对象，并向负责人员主动推送。本发明充分利用大数据资源体系，通过数据挖掘、机器学习等算法及手段，构建基于历史场景的人像智能挖掘分析模型，通过自动学习历史场景的相关人员场景规律，智能分析推断，精准推送新发场景的近似对象，为工作人员提供智能化的检测应用场景。
Description
技术领域
本发明涉及行为研判技术领域，更具体涉及一种基于视频图像智能推送近似对象的方法。
背景技术
随着计算机视觉人脸识别技术的迅猛发展，在视频检测中，获取现场相关人员人像并通过人脸比对锁定目标身份的技战法被广泛应用。需要工作人员通过监控录像所拍摄的视频对相关人员的行踪进行调查，但由于现场人像容易受像素不足、角度不正、遮挡等因素的影响，人脸比对比中准确目标普遍不高，正确目标对象经常出现在比对结果中排名较后的位置。对此需耗费大量的精力对比对结果进行逐一人工研判甄别，无疑降低了视频检测效率，耗费大量的工作时间。
发明内容
本发明需要解决的技术问题是提供一种基于视频图像智能推送近似对象的方法，以解决背景技术中的问题，精准推送新发场景的近似对象，为工作人员提供智能化的检测应用场景，全面提升检测研判的能力及水平。
为解决上述技术问题，本发明所采取的技术方案如下。
基于视频图像智能推送近似对象的方法，通过人像比对算法找出相似的多名相关人员信息；通过基于TF-IDF算法的统计方法从普通群体人员轨迹及背景数据中识别出与特定场景关联度较高的多个特定特征因素；对相似人员的活动轨迹、常逗留场所、社保信息、相关已有记录信息进行智能加权赋分综合测算处理，获得由人像比对出来的相似相关人员的综合分值，并由高到低排序，从而分析出潜在的高近似度近似对象，并向负责人员主动推送。
进一步优化技术方案，具体包括以下步骤：
S1、进行数据汇聚及数据预处理；
S2、进行模型构建，所述模型包括特定关联特征发现模型和人员近似度综合测算模型；
S3、识别与传统相关场景关系较大的因素，并对批量的人像比中人员进行综合测算；
S4、对前几名相似人员逐一进行人工研判核实，最终明确相关人员身份。
进一步优化技术方案，所述步骤S1包括以下步骤：
S11、建立近一年活动人员数据；
S12、建立传统相关群体数据；
S13、建立一般相关群体数据；
S14、建立传统相关群体的背景信息。
进一步优化技术方案，所述步骤S2中，基于统计方法中的tf-idf算法来构建一个特定关联特征的发现模型，建立公式为：
TF-IDF(某类特征)＝(传统相关群体该类特征的个数/传统相关群体总数) *log(一般群体总数/(一般群体该类特征个数+1))。
进一步优化技术方案，所述步骤S2中，构建一个针对人员相似行为特征的基于积分的测算模型，建立公式为：
(∑特征项(1-N)的分值*权重)*人脸相似度/100。
进一步优化技术方案，人员近似度综合测算模型的内容为：
定义特征项；
定义每一个特征项的分值并设定该特征项在不同度量指标下对应的分值；
定义每一个特征项的分值所占的权重；
定义人脸相似度。
进一步优化技术方案，所述步骤S3包括以下步骤：
S31、代入“特定关联特征发现模型”进行运算，识别对传统相关场景关系较大的因素；
S32、待测算相似人员数据获取；
S33、批量对相似人员进行测算，将各人员的身份证号码代入“人员近似度综合测算模型”，基于所述步骤S1中所形成的数据集进行运算，对人员相关的特征逐项进行测算。
进一步优化技术方案，所述步骤S32包括以下步骤：
S321、从各个人像比对***多个源头获取与特定人像相比中的人像数据；
S322、对多源获取的人像数据经过合并及去重后，形成相似人员身份信息总表，并获取其身份信息。
进一步优化技术方案，所述步骤S4包括以下步骤：
S41、数据核实：通过人工对相似人员的相关背景及轨迹数据进行核实；
S42、照片核实：通过对相似人员的户籍照片来搜索其日常活动的人脸轨迹，提取相关照片，并通过人工核实其外貌特征与场景人员是否相符；
S43、最终明确场景的相关人员。
由于采用了以上技术方案，本发明所取得技术进步如下。
本发明通过人像比对算法找出相似的多名相关人员信息，接着通过基于 TF-IDF算法的统计方法从普通群体人员轨迹及背景数据中识别出与特定场景关联度较高的多个特定特征因素，然后通过本发明中构建的人员近似度综合测算模型对这些相似人员的活动轨迹、常逗留场所、社保信息、相关已有记录信息进行智能加权赋分等综合测算处理，最终获得由人像比对出来的相似相关人员的综合分值，并由高到低排序，从而分析出潜在的高近似度近似对象，并向负责人员主动推送。同时根据场景特征的变化，灵活变动赋分规则，对于新发场景也能自动分析潜在近似对象。
本发明主要应用于对相关人员的人像、人员背景及已有记录、人员轨迹及常逗留场所等信息进行自动分析、比对、关联等运算处理，建立一套灵活可配置的计分算法机制，以测算出待选的相似人员名单与某个场景关联程度，为后续在场景检测研判过程中采用的人像智能识别处理技术加以改进，对经过人像比中后的疑似人员进行多维度加权赋分，推荐高相似度的近似对象候选名单。
本发明基于云计算、大数据等新技术，充分利用现有的大数据资源体系，通过数据挖掘、机器学***。
附图说明
图1为本发明的流程图。
具体实施方式
下面将结合附图和具体实施例对本发明进行进一步详细说明。
当前视频建设整体上已日趋完善，人像信息是场景检测研判过程中一个极为重要的信息，为场景扩展挖掘更多相似相关人员的基本信息、上网信息、住宿信息、火车信息、社保信息、航班信息、通讯信息等隐性信息。
本发明需要解决当前单纯的人像比对技术，因比对算法、照片清晰度、拍照角度、环境光线等原因而造成的缺陷，将单纯人像比对结果结合人员相关特定特征信息来进行综合运算，以测算出人员近似度。
基于视频图像智能推送近似对象的方法，通过人像比对算法找出相似的多名相关人员信息，接着通过基于TF-IDF算法的统计方法从普通群体人员轨迹及背景数据中识别出与特定场景关联度较高的多个特定特征因素，然后通过本发明中构建的人员近似度综合测算模型对这些相似人员的活动轨迹、常逗留场所、社保信息、相关已有记录信息进行智能加权赋分等综合测算处理，最终获得由人像比对出来的相似相关人员的综合分值，并由高到低排序，从而分析出潜在的高近似度近似对象，并向负责人员主动推送。同时根据场景特征的变化，灵活变动赋分规则，对于新发场景也能自动分析潜在近似对象。
本发明运用基于TF-IDF算法的统计方法以及人员近似度综合测算模型，结合人员已有记录信息、居住证信息、网吧信息、旅业信息、社保信息等数据，对接触性有已有记录人员的背景信息和轨迹信息特征进行分析，从而构建一个针对传统接触性相关群体的多维评价赋分体系，该体系通过对相关的相似人员作组合运算和加权赋分，以测算出多名相似人员的最终得分，并由高到低进行排序。
排名靠前的多名人员即为待选的、且为高近似度的场景相关近似对象。
结合图1所示，本发明具体包括以下步骤：
S1、进行数据汇聚及数据预处理，将人员相关的各类数据进行汇聚并预处理后，分别形成活动人员数据、相关群体数据、一般相关群体数据、相关群体背景数据。
步骤S1包括以下步骤：
S11、建立近一年活动人员数据。将旅业、网吧、暂住、铁路、客运、已有记录的轨迹数据，按证件号码、姓名、轨迹时间、轨迹点名称、轨迹地址、轨迹经纬度、轨迹所属区、轨迹所属场景等字段进行清洗和表合并，得到近一年有活动轨迹的人员及其轨迹数据。
S12、建立传统相关群体数据。通过相关人员登记信息，筛选出传统相关人员登记信息，并与近一年轨迹人员数据合表作交集，得到近一年传统相关人员及其轨迹数据。
S13、建立一般相关群体数据。通过相关人员登记信息与近一年轨迹人员数据合表、社保参保信息表作交集和自运算，得到近一年轨迹人员的已有记录构成、籍贯构成信息。
S14、建立传统相关群体的背景信息。通过相关人员登记信息(筛选出传统相关人员登记信息)、近一年轨迹人员数据、社保参保信息表作交集和自运算，计算出近一年活动的传统相关人员的已有记录构成、籍贯构成信息。
S2、进行模型构建，模型包括特定关联特征发现模型和人员近似度综合测算模型。
步骤S2中，基于统计方法中的tf-idf算法来构建一个特定关联特征的发现模型，建立公式为：
TF-IDF(某类特征)＝(传统相关群体该类特征的个数/传统相关群体总数) *log(一般群体总数/(一般群体该类特征个数+1))。
步骤S2中，构建一个针对人员相似行为特征的基于积分的测算模型，建立公式为：
(∑特征项(1-N)的分值*权重)*人脸相似度/100。
人员近似度综合测算模型的内容为：
1)定义特征项(即计分项)，特征项是指当某人的相关信息若满足指定条件时，则作为一个计分项。
2)定义每一个特征项(计分项)的分值并设定该特征项在不同度量指标(时差指标、时长指标、距离指标、次数)下对应的分值。
3)定义每一个特征项(计分项)的分值所占的权重。
4)定义人脸相似度，即从已有人像比对***中获取某人的人脸相似度。
S3、识别与传统相关场景关系较大的因素，并对批量的人像比中人员进行综合测算。
步骤S3包括以下步骤：
S31、运用步骤S2的相关模型来识别发现特定关联特征项，并设置相应的分值与权重。代入“特定关联特征发现模型”进行运算，识别对传统相关场景关系较大的因素。
1)根据步骤S1中所形成的数据集的所有字段项中，挑选中多个常作为分类统计用的数据字段，包括：已有记录、特定类别、活动场所、活动地区、活动时段、籍贯、户籍地区、现住地区、性别、活动类型等。
2)将以上第1)步的这些字段以及由步骤S1中所形成的数据集代入“特定关联特征发现模型”运算后发现，已有记录字段的权值最大，则与传统相关场景关系较大的因素是：人员的已有记录、活动场所、活动时段、籍贯。
3)继续关注已有记录的具体内容，从步骤S1中所形成的数据集中涉及已有记录的数据筛选出来，从中提取出已有记录中涉及的各种场景类别。
4)将第3)步的场景类别以及由步骤S1中所形成的数据集代入“特定关联特征发现模型”运算后发现某两类场景的权值最大，则与传统相关场景关系较大的其它因素包括该两类场景。
5)继续关注活动时段的具体内容，从步骤S1中所形成的数据集中，提取活动轨迹时间(这里以铁路订票信息为例说明)与场景发生时间进行比较，按照时差从小到大分类(0天、1天、2天等)，将这些时差及由步骤S1中所形成的数据集代入“特定关联特征发现模型”运算后发现订票时间越近场景发生时间则越有相关可能(越近权值越大)。
6)继续关注活动场所的具体内容，从步骤S1中所形成的数据集中，提取活动轨迹地点(这里以旅业住宿信息为例说明)与场景发生地点进行比较，按照距离差从近到远分类(0公里、0.1公里、0.2公里等)，将这些距离差及由步骤S1中所形成的数据集代入“特定关联特征发现模型”运算后发现住宿地点越近场景发生地点则越有相关可能(越近权值越大)。
7)继续关注活动场所的具体内容，从步骤S1中所形成的数据集中，提取人员常驻场所清单(这里以网吧信息为例说明)，把这些场所及由步骤S1中所形成的数据集代入“特定关联特征发现模型”运算后发现权值较大的前5名场所名称，即这些场所为场景发生前的可能聚集地点。
8)继续关注籍贯的具体内容，从步骤S1中所形成的数据集中，提取所有的籍贯信息，代入“特定关联特征发现模型”运算后发现非本地且有某几个籍贯地区的权值较大，则表明这些地区为重点关注地区。
9)将以上步骤1)至8)得到的这些因素定义为“人员近似度综合测算模型”的特征项(包括：人员有已有记录、人员已有记录场景类别属于某一类的、人员的活动时间地点与场景发生时间地点相邻、人员在重点治安场所逗留、人员籍贯是重点地区)，并设定相应的分值及权重。
S32、待测算相似人员数据获取。
S321、从各个人像比对***等多个源头获取与特定人像相比中的人像数据。
S322、对多源获取的人像数据经过合并及去重后，形成相似人员身份信息总表，并获取其身份信息(姓名、身份证、人像相似度)。
S33、批量对相似人员进行测算，将各人员的身份证号码代入“人员近似度综合测算模型”，基于步骤S1中所形成的数据集进行运算，对人员相关的特征逐项进行测算，并得到相关分数。具体测算步骤如下：
1)若该人员的有已有记录，则给予加分。
2)若该人员的已有记录若是属于某一类的场景类别，则给予加分。
3)根据该人员的铁路订票轨迹的订票时间与场景发生时间差距来给予相应加分(时差越少则给予的分值越大)。
4)根据该人员的旅店住宿地点与场景发生地点距离来给予相应加分(距离越近则给予分值越大)。
5)若该人员在场景发生前后有在前面提到的前10名重点治安场景逗留，则给予加分，逗留次数越多，时间越长则分值越大。
6)若该人员的籍贯是非本地的，且属于高风险地区的，则给予加分。
7)最终将以上分值进行加权后加总运算后，再与人像相似度相乘并除以 100，得到该人员的最终得分。
8)重复以上步骤1)至7)，直至对所有相似人员测算完成并得到分值，然后推送出分数排名最高的前几名人员(如top5)。
S4、对前几名相似人员逐一进行人工研判核实，最终明确相关人员身份。本实施例中对top5相似人员逐一进行人工研判核实。对各相似人员按照其分数由高到低排序，选取前几名高分数人员名单，并推送到相关工作人员。工作人员对前几名高分数人员进行人员研判核实，并最终明确相关人员身份。
步骤S4包括以下步骤：
S41、数据核实：通过人工对相似人员的相关背景及轨迹数据进行核实。
S42、照片核实：通过对相似人员的户籍照片来搜索其日常活动的人脸轨迹，提取相关照片，并通过人工核实其外貌特征与场景人员是否相符。
S43、最终明确场景的相关人员。
本发明是基于初步的人像比对结果数据，将比对出来的相似人员身份信息及其相关轨迹及背景数据经过数据预处理后，作为“赋分体系模型”的输入参数，然后通过该模型对这些相似人员进行多维度综合测算，最终得出这些相似人员的综合相似分值，从而推送出高近似度人员名单，以提供工作人员进行二次的研判工作。
这样能弥补传统人像比对技术的缺陷，该方法将人像比对技术与赋分体系模型相结合以发挥更大的作用，从而降低工作人员的人工判定工作，能提高研判工作效率，更能大大提升相似人员推送的精准度。
本发明基于云计算、大数据等新技术，充分利用现有的大数据资源体系，通过数据挖掘、机器学***。
Claims (9)
1.基于视频图像智能推送近似对象的方法，其特征在于，通过人像比对算法找出相似的多名相关人员信息；通过基于TF-IDF算法的统计方法从普通群体人员轨迹及背景数据中识别出与特定场景关联度较高的多个特定特征因素；对相似人员的活动轨迹、常逗留场所、社保信息、相关已有记录信息进行智能加权赋分综合测算处理，获得由人像比对出来的相似相关人员的综合分值，并由高到低排序，从而分析出潜在的高近似度近似对象，并向负责人员主动推送。
2.根据权利要求1所述的基于视频图像智能推送近似对象的方法，其特征在于，具体包括以下步骤：
S1、进行数据汇聚及数据预处理；
S2、进行模型构建，所述模型包括特定关联特征发现模型和人员近似度综合测算模型；
S3、识别与传统相关场景关系较大的因素，并对批量的人像比中人员进行综合测算；
S4、对前几名相似人员逐一进行人工研判核实，最终明确相关人员身份。
3.根据权利要求2所述的基于视频图像智能推送近似对象的方法，其特征在于，所述步骤S1包括以下步骤：
S11、建立近一年活动人员数据；
S12、建立传统相关群体数据；
S13、建立一般相关群体数据；
S14、建立传统相关群体的背景信息。
4.根据权利要求2所述的基于视频图像智能推送近似对象的方法，其特征在于，所述步骤S2中，基于统计方法中的tf-idf算法来构建一个特定关联特征的发现模型，建立公式为：
TF-IDF(某类特征)＝(传统相关群体该类特征的个数/传统相关群体总数)*log(一般群体总数/(一般群体该类特征个数+1))。
5.根据权利要求2所述的基于视频图像智能推送近似对象的方法，其特征在于，所述步骤S2中，构建一个针对人员相似行为特征的基于积分的测算模型，建立公式为：
(∑特征项(1-N)的分值*权重)*人脸相似度/100。
6.根据权利要求5所述的基于视频图像智能推送近似对象的方法，其特征在于，人员近似度综合测算模型的内容为：
定义特征项；
定义每一个特征项的分值并设定该特征项在不同度量指标下对应的分值；
定义每一个特征项的分值所占的权重；
定义人脸相似度。
7.根据权利要求2所述的基于视频图像智能推送近似对象的方法，其特征在于，所述步骤S3包括以下步骤：
S31、代入“特定关联特征发现模型”进行运算，识别对传统相关场景关系较大的因素；
S32、待测算相似人员数据获取；
S33、批量对相似人员进行测算，将各人员的身份证号码代入“人员近似度综合测算模型”，基于所述步骤S1中所形成的数据集进行运算，对人员相关的特征逐项进行测算。
8.根据权利要求7所述的基于视频图像智能推送近似对象的方法，其特征在于，所述步骤S32包括以下步骤：
S321、从各个人像比对***多个源头获取与特定人像相比中的人像数据；
S322、对多源获取的人像数据经过合并及去重后，形成相似人员身份信息总表，并获取其身份信息。
9.根据权利要求2所述的基于视频图像智能推送近似对象的方法，其特征在于，所述步骤S4包括以下步骤：
S41、数据核实：通过人工对相似人员的相关背景及轨迹数据进行核实；
S42、照片核实：通过对相似人员的户籍照片来搜索其日常活动的人脸轨迹，提取相关照片，并通过人工核实其外貌特征与场景人员是否相符；
S43、最终明确场景的相关人员。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111297767.1A CN114491156A (zh) | 2021-11-04 | 2021-11-04 | 基于视频图像智能推送近似对象的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111297767.1A CN114491156A (zh) | 2021-11-04 | 2021-11-04 | 基于视频图像智能推送近似对象的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114491156A true CN114491156A (zh) | 2022-05-13 |
Family
ID=81492843
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111297767.1A Pending CN114491156A (zh) | 2021-11-04 | 2021-11-04 | 基于视频图像智能推送近似对象的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114491156A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115687460A (zh) * | 2023-01-04 | 2023-02-03 | 北京码牛科技股份有限公司 | 利用轨迹数据挖掘重点人群的关联对象的方法及*** |
-
2021
- 2021-11-04 CN CN202111297767.1A patent/CN114491156A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115687460A (zh) * | 2023-01-04 | 2023-02-03 | 北京码牛科技股份有限公司 | 利用轨迹数据挖掘重点人群的关联对象的方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106998444B (zh) | 一种大数据人脸监控*** | |
| CN105389562B (zh) | 一种时空约束的监控视频行人重识别结果的二次优化方法 | |
| CN103324677B (zh) | 一种可分级的快速图像gps位置估计方法 | |
| CN106469181B (zh) | 一种用户行为模式分析方法及装置 | |
| CN107145862A (zh) | 一种基于霍夫森林的多特征匹配多目标跟踪方法 | |
| CN103473786A (zh) | 基于多目标模糊聚类的灰度图像分割方法 | |
| CN111126122B (zh) | 人脸识别算法评估方法及装置 | |
| Haraksim et al. | Measuring coherence of computer-assisted likelihood ratio methods | |
| CN108764943B (zh) | 基于资金交易网络的可疑用户监测分析方法 | |
| CN112464843A (zh) | 一种基于人脸人形的精准客流统计***、方法、及其装置 | |
| CN101950448B (zh) | Atm的伪装与偷窥行为检测的方法和*** | |
| CN111209446A (zh) | 一种人员检索信息的呈现方法、装置和电子设备 | |
| CN115309998A (zh) | 一种基于大数据的就业推荐方法及*** | |
| CN111753642B (zh) | 一种确定关键帧的方法及装置 | |
| CN111382948A (zh) | 对企业发展潜力进行量化评估的方法及装置 | |
| CN112766119A (zh) | 一种基于多维度人脸分析精准识别陌生人构建社区安防的方法 | |
| CN111291596A (zh) | 一种基于人脸识别的预警方法及装置 | |
| CN112016618A (zh) | 一种用于对图像语义分割模型泛化能力的度量方法 | |
| CN114491156A (zh) | 基于视频图像智能推送近似对象的方法 | |
| CN103971100A (zh) | 基于视频并针对自动提款机的伪装与偷窥行为的检测方法 | |
| CN114707685A (zh) | 一种基于大数据建模分析的事件预测方法及装置 | |
| Maglietta et al. | The promise of machine learning in the Risso’s dolphin Grampus griseus photo-identification | |
| CN112001280B (zh) | 一种实时、可在线优化的人脸识别***和方法 | |
| CN115687460B (zh) | 利用轨迹数据挖掘重点人群的关联对象的方法及*** | |
| CN111415081A (zh) | 企业数据处理方法及装置 |
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 |