基于假定评估与贝叶斯学习的潜在突发犯罪人员识别方法

摘要

本发明公开了基于假定评估与贝叶斯学习的潜在突发犯罪人员识别方法，具体涉及图像识别技术领域，包括原问题重定义、设定关键假定、初始化贝叶斯学习模型中所需的似然概率和先验概率、贝叶斯学习模型构建和训练、后验概率大于设定阈值，将相关信息同步到系统中的其它平台或组件，或作为情报信息同步到内网中、将数据用以训练、验证和测试有监督学习模型、将构建的有监督学习模型作为辅助的研判模型，与根据关键假定评估与贝叶斯学习构建的模型同时使用。本发明通过将关键假定评估与贝叶斯学习相结合的方法，以识别意图突发犯罪的潜在人员，并进一步与有监督学习模型相结合，从一定程度上解决此类突发事件的预警和研判难题。

说明书

技术领域

本发明涉及图像识别技术领域，更具体地说，本发明涉及基于假定评估与贝叶斯学习的潜在突发犯罪人员识别方法。

背景技术

以摄像头为代表的传感器设备广泛应用于实时安全监控场景中，得益于人工智能技术的高速发展，众多学界与工业界的研究人员将其运用于智慧城市与智能安防场景中，通过边缘计算或云计算能实时提取传感器流数据(如摄像头视频流)中众多特征，同时根据业务方向将报警信息、捕捉图像与提取特征等同步到后台数据中心。同时，对于诸如加油站、学校、电厂、水厂周边等公共服务场景中意图突发犯罪的潜在人员识别是一个难点，特别是针对没有犯罪前科人员或落地场景中没有敏感内网黑名单的情况下，无法使用目前的技术手段做到提前预防。

现有技术存在以下不足：现有的智能安防产品将针对视频流数据提取的结构化特征数据、捕捉图像、报警信息等输出到数据中Kafka、ElasticSearch、MySQL等开发组件，作为产品软件前端展现时的数据来源，但该部分高价值数据通常被忽略，没有基于专业业务方向做进一步的分析和建模。而客户需要知道“危险分子是不是可以有手段提前预防报警？”，基于人工智能图像识别模型提取的视频流结构化特征数据、捕捉图像和报警信息等无法直接作为决策依据，还需要结合安全场景的特殊需求，进行二次的分析和建模，才能发现潜在的突发犯罪人员，进而进行预防。

发明内容

本发明提出一种基于关键假定评估与贝叶斯学习相结合的方法，以识别意图突发犯罪的潜在人员，并进一步与有监督学习模型相结合，从一定程度上解决此类突发事件的预警和研判难题。

对于潜在的突发犯罪人员的预警，使用常规的方法无法较好实现，其技术解决方案可以分为两个版本，第一个版本可接入内网平台可获得更为充分的数据和平台分析能力；第二个版本为无法接入内网平台，落地最为直接、便捷，但同时无法获得平台数据和分析能力。同时，从后期实际落地来看，可以将第二个版本分析的输出作为输入提供给内网平台，作为较高价值的情报信息，以供进一步深入的分析、处理和决策。

针对第二种版本，如果直接以解答“危险分子是不是可以有手段提前预防报警？”的思维方式进行分析，由于这类单点、孤立的突发犯罪没有相关的信息和数据来源，无法获得犯罪分子的关键驱动力和迹象，不易进行分析模型的构建，因此，需要对原问题重新进行定义。

本发明的技术方案主要包括以下步骤：

S1：原问题重定义：受限于相关信息和平台接入困难，为了解决该分析模型构建思路的问题，可将原待解决问题转换为“XXX地方哪些人员不是危险分子？”，这样将较为困难的极端异常预测转换为较为容易的正常行为判别，由于在特定场景下(比如加油站加油)，因而可利用视频监控提取的特征信息或进一步结合其它信息进行分析模型的构建。

S2：设定关键假定，关键假定包括基础关键假定和具体的子关键假定

(1)基础关键假定：所有人员在依据模型研判前都有实施突然袭击的可能；

(2)具体的子关键假定需依据具体的场景进行设定和评估，子关键假定在初期可依据经验，但必须经受该场景中实际案例(证据)的考验，否则反驳该子关键假定。

S3：依据关键假定，初始化贝叶斯学习模型中所需的似然概率和先验概率。

S4：贝叶斯学习模型构建和训练

针对需解决的问题和基于关键假定，将针对行为人的突然袭击概率计算进行分解，每一个分解项都会对单人突然袭击后验概率的维持或降低产生影响，同时，每个分解项的计算基于相关传感器对行为人提取的特征输入。

模型初始设定所有人员实施突然袭击的概率都是99％，通过新鲜的信息不断输入后，根据贝叶斯学习原理实时计算其实施突然袭击的后验概率：

S5：若计算后的后验概率大于设定的阀值(如80％)，实施现场预警并将相关信息同步到系统中的其它平台或组件，或作为情报信息同步到内网中，作为高价值信息利用内网的其它敏感数据和模型进一步进行研判和预警等。

S6：将人工确定核实事件(突然袭击)对应的传感器提取数据以及随机抽取的正常行为人对应的传感器提取数据作为重要的数据集，用以训练、验证和测试有监督学习模型，该有监督学习模型包括含随机森林、XGBoost、支持向量机等统计学习模型，也可以是深度学习模型，也可以根据多子模型构建更为复杂的集成学习模型。

S7：将构建的有监督学习模型作为辅助的研判模型，与根据关键假定评估与贝叶斯学习构建的模型同时使用。

本发明的技术效果和优点：

1、本发明通过将关键假定评估与贝叶斯学习相结合的方法，以识别意图突发犯罪的潜在人员，并进一步与有监督学习模型相结合，从一定程度上解决此类突发事件的预警和研判难题；

2、本发明通过设立关键假定和评估，将较为困难的极端异常预测或研判转换为较为容易的正常行为预测或研判，在特定安全场景下，可利用视频监控提取的特征信息或其它传感器信息进行分析模型的构建；

3、本发明除现场利用相关算法和模型提取的传感器特征信息外，其它数据获得较为困难，通过贝叶斯学习模型来构建预测或判别模型，首先初始化基于关键假定得到的先验概率，进而不断通过获得的传感器新鲜特征信息计算后验概率，将高于后验概率的行为人及其特征信息作为第一步输出。

附图说明

图1为本发明的步骤流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。附图及实施例仅用于示例性说明，不能理解为对本专利的限制，以下结合附图和实施例对本发明做进一步的阐述。

以加油站加油场景为例，据报道一些人(非车主)会突然拔出正在加油的油枪，并使用随身携带的打火机点燃该油枪，进而焚烧车辆并逃离现场。强力部门和加油公司需要知道“危险分子是不是可以有手段提前预防报警？”。

利用边缘计算或云计算，目前针对监控视频流的图像识别技术主要具备以下识别和检测能力：

1.人脸识别，支持离线比对和断点续传；

2.活体检测；

3.非机动车检测，包括类型、颜色；

4.人体检测(人体结构化属性提取，包括上衣、裤子、鞋子、包包等22种属性)、人体ReID；

5.动作检测类：抽烟检测、打手机检测、打架检测、摔倒检测；

6.烟火检测；

7.物体堆放检测；

基于以上基础识别和检测能力，可进一步构建以下应用能力：

1.所有不在底库中的人员都会被抓拍，定义为陌生人；

2.出入口人脸布控：黑名单告警、内部区域陌生人识别；

3.脱岗检测：在设定的时间阀值内没有人员值守或人员过多，触发告警；

4.车辆通行管理：机动车车款/车标/车牌/颜色/车型识别，结构化数据推送；

5.出入口访客管理；

6.轨迹还原：以图搜图和人脸轨迹查询；

7.周界告警：人员攀爬和翻越围墙报警；

8.区域闯入告警：闯入关键区域报警；

9.机动车违停告警：在管控区如消防通道违停告警；

10.刷脸通行：重点场所刷脸通行；

11.无感点名；

12.人群异常聚集：人群密度超过阀值，系统告警。

这些识别和检测的结果主要以结构化数据和部分非结构化数据(如捕获图像)的形式输出到(外网)数据中心或边缘计算节点，作为数据来源，以做进一步的分析和处理，进而辅助决策。

步骤S1：将原待解决问题转换为“加油站哪些人员不是危险分子？”，这样将较为困难的极端异常预测转换为较为容易的正常行为判别，由于在特定场景下，因而可仅利用视频监控输出的信息进行分析模型的构建。

步骤S2：该分析模型的构建基于以下假定，相关假定的否定需要进一步研发安全级别更高的分析模型。

表1假定检查

步骤S3：模型初始设定所有人员实施突然袭击的概率都是99％，通过新鲜的信息不断输入后，根据贝叶斯学习原理实时计算其实施突然袭击的后验概率：

在加油站工作时间，以n＝2分钟时间段进行最终研判为例，若视频监控系统每隔3秒返唯一ID的结构化数据，面向该唯一ID，则模型示例如下：

回

在初始T＝0时，P(θ＝实施突然袭击)＝0.99，P(θ＝不实施突然袭击)＝0.01，并根据我们的假定设定初始似然P(D|θ)：

对加油站员工：

P(加油站工作员工人数大于等于2人│θ＝加油站员工实施突然袭击)＝0.3

P(加油站工作员工人数小于2人│θ＝加油站员工实施突然袭击)＝0.7

P(加油站工作员工人数大于等于2人│θ＝加油站员工不实施突然袭击)＝0.999

P(加油站工作员工人数小于2人│θ＝加油站员工不实施突然袭击)＝0.001

对加油车主：

P(车主加油│θ＝车主实施突然袭击)＝0.1

P(车主不加油│θ＝车主实施突然袭击)＝0.9

P(车主加油│θ＝车主不实施突然袭击)＝0.999

P(车主不加油│θ＝加油站员工不实施突然袭击)＝0.001

步骤S4：贝叶斯学习模型训练，计算后验概率，以下为核心计算逻辑的伪代码：

if车主是熟客

{P(θ|D)＝0.6}else if非加油的陌生人在累计两个以上加油站出现逗留

{P(θ|D)＝0.8}else if非工作人员接触只有工作人员操作的设备

{P(θ|D)＝0.8}else{for T in 1:(2*60/3)}

1.当T＝i时，基于此时的先验概率P(θ)、似然P(D|θ)、，由视频监控系统实时输入；

T＝i时结构化识别与检测数据D，计算此时的后验概率P(θ|D)，保存至输出列表；

2.将T＝i时的后验概率同时赋值给此时的先验概率P(θ)，用以计算T＝i+1时的后验概率P(θ|D)；

ifP(θ|D)小于70％{break}

ifP(θ|D)大于80％{现场实施预警并同步至云平台}

步骤S6：将人工确定核实事件(突然袭击)对应的传感器提取数据以及随机抽取的正常行为人对应的传感器提取数据作为重要的数据集，用以训练、验证和测试有监督学习模型，该有监督学习模型为集成学习模型，包括3个子模型，分别是XGBoost模型、支持向量机模型和LSTM深度学习模型，3个子模型分别对数据进行研判，采用投票机制，最终输出票数最多的结果。

步骤S7：将构建的有监督集成学习模型的结果作为辅助的研判参考，与根据关键假定评估与贝叶斯学习构建的模型的结果同时推送给平台和相关工作人员进行预警和研判。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。