[发明专利]嫌疑人检测方法及装置

说明书

本发明实施例提供一种嫌疑人检测方法及装置，所述方法包括：获取待预测的地铁乘车行为数据；对地铁乘车行为数据进行数据分析、数据预处理以及特征提取，获得经过处理的乘车行为数据；将经过处理的乘车行为数据输入至异常行为检测模型中，获得地铁乘车行为数据对应的识别结果；其中，异常行为检测模型是基于正常乘车行为数据样本训练得到的自编码器模型。本发明实施例建立无监督学习模型，对正常乘客的出行行为进行重构，通过模型提取出正常乘客行为的潜在特征，使得正常乘客数据可以通过该模型进行很好还原，但是异常乘客数据无法被很好的还原，通过二者还原的误差来实现对异常乘客进行识别，使用了更为简单的数据、部署方便且易于集成。

技术领域

本发明涉及计算机技术领域，更具体地，涉及一种嫌疑人检测方法及装置。

背景技术

随着城镇化的高速发展、城市居民的高度集中、私家车辆的高占有率等，常规的地面交通出行方式越来越不能满足人们的日常出行需求，因此越来越多的城市选择通过地铁来舒缓当前的交通状况、方便人们的日常出行。然而，在给人们带来便利的同时，地铁所引起的人群聚集性，也为一些不法分子提供了便利，如小偷等。

传统方式中，要识别、发现小偷往往是一个十分复杂且耗时耗力的工作。首先，失窃者需要明确自己是在乘坐地铁的过程中丢失了物品，还需要尽可能详细地向警方或工作人员描述所有可能导致自己失窃的场景或细节；其次，警方需要在大量相关的视频记录中逐一查找，这个过程不仅耗时耗力，结果往往也不一定能尽如人意。而且，在实际生活中，很多失窃者有时候并不能确定自己是不是在乘坐地铁的过程中丢失了物品；另外由于查找过程较为繁琐，或者失窃物品并不是十分贵重，很多失窃者可能都没有选择报警，这些情况也都为嫌疑人的抓取带来了一定的难度。

近年来，为了可以更高效的检测、识别嫌疑人，尽量减少对人力、物力资源的浪费，各种高新技术、人工智能技术纷纷被应用在公共安全方面。一种方式是通过部署高清人脸摄像头，并使用人脸识别技术来自动的从海量视频流中对一些已备案或已确定的嫌疑人进行自动识别。具体来讲，对已备案的嫌疑人来说，首先是要提前创建一个嫌疑人人像库，其次是需要自动从视频流中提取出每个乘客的人像，最后则是将提取出来的人像与嫌疑人库中的人像进行比对，从而达到嫌疑人识别的效果。而对已确定的嫌疑人来说，则是在警方或工作人员基本确定了某个嫌疑人的基础上，将该嫌疑人的人像作为输入，让系统自动识别出其行为轨迹以及照片，从而极大的减少人工查找的工作量。例如，央视《新闻直播间》就曾在2017年对宁波地铁站里的“人脸识别系统”进行报道，该系统将人脸识别技术与公安部逃犯信息进行联网，能精确识别逃犯的人脸特征，运行一年间，共帮助警方成功抓获近50名逃犯。

另一种方式则是使用乘客出行时的刷卡数据，通过一些大数据、机器学习、神经网络的模型与算法，对乘客的出行行为、出行习惯等进行统计分析，从中主动识别出一些有异常、有嫌疑的人员，并将结果反馈给警方或者工作人员，由其进行人工确认。熊辉教授在论文“Catch Me If You Can:Detecting Pickpocket Suspects from Large-Scale TransitRecords”中提供了一种在公共交通系统中识别小偷的方案。该方案使用了北京市2014年4月至6月间约17亿条公交、地铁的刷卡数据，以及1万多条扒手相关的微博数据。然后，通过对刷卡数据进行处理分析，抽象并整理出乘客的日常行为(如该乘客当天的乘车用时、乘车频率等)、社会特征(如所有乘客的平均用时等)、历史行为(如该乘客在最近一周内的乘车次数、乘车用时等)三大维度的特征。在此基础上，通过一个两步框架，即第一步是通过无监督异常检测即One-Class SVM算法将正常乘客剔除出去；第二步则是通过有监督分类方法，对第一步筛选出来的异常乘客与微博数据中的标记数据进行比对训练，最终训练出一个可用的模型来达到通过刷卡数据识别嫌疑人的目的。