入境目标人群的检测方法、装置、设备及介质制造方法及图纸

技术编号:24093398 阅读:48 留言:0更新日期:2020-05-09 09:07
本申请提供了一种入境目标人群的检测方法、装置、设备及介质,所述方法包括:利用人工神经网络的自学习能力,建立目标人群与监控图像中的人物特征之间的对应关系;获取当前监控图像中的当前人物特征;通过所述对应关系,确定与所述当前人物特征对应的当前目标人群;具体地,确定与所述人物特征对应的当前目标人群,包括:将所述对应关系中与所述当前人物特征相同的人物特征所对应的目标人群,确定为所述当前目标人群。更有效的区分出目标人群和非目标人群,降低了海关人员对特定人物或人群的识别难度,提高了工作效率。

Detection methods, devices, equipment and media for inbound target population

【技术实现步骤摘要】
入境目标人群的检测方法、装置、设备及介质
本申请涉及出入境检测领域,特别是入境目标人群的检测方法、装置、设备及介质。
技术介绍
目前口岸现场执法工作易于存在以下矛盾:一是日益增长的工作量与执法人员不足产生的矛盾。现行查验模式以旅客携带物为标志,所有入境旅客的物品均为查验监管的对象,这种“无差别执法”使日益增长的工作量与执法人员数目相对不足的矛盾日益突出;二是顺畅通关和严格把关的矛盾。深圳海关在便利化通关的大背景下,保证严格执法存在一定的难度与障碍;三是投入资源多与执法效能低下的矛盾。目前传统的查验模式缺乏针对性和科学分类,执法力度、执法方式、执法对象和执法时间等方面的主观选择性较大。同时,“人”与“物”的查验分离导致旅客存在侥幸心理,非法携带行为屡查屡犯、屡禁不止,难以彻底消除。此外,在口岸旅客携带物的现场查验中,旅客主动申报的情况很少,口岸工作人员在现场主要是凭借经验,通过询问、肉眼观察、开包抽查等方式检查旅客是否携带了严令禁止的物品。因此,检验工作存在盲目性,易造成严重漏检现象。从风险分析的角度看,因为有相当一部分没有被查出,进而没本文档来自技高网...

【技术保护点】
1.一种入境目标人群的检测方法,其特征在于,包括:/n利用人工神经网络的自学习能力,建立目标人群与监控图像中的人物特征之间的对应关系;/n获取当前监控图像中的当前人物特征;/n通过所述对应关系,确定与所述当前人物特征对应的当前目标人群;具体地,确定与所述人物特征对应的当前目标人群,包括:将所述对应关系中与所述当前人物特征相同的人物特征所对应的目标人群,确定为所述当前目标人群。/n

【技术特征摘要】
1.一种入境目标人群的检测方法,其特征在于,包括:
利用人工神经网络的自学习能力,建立目标人群与监控图像中的人物特征之间的对应关系;
获取当前监控图像中的当前人物特征;
通过所述对应关系,确定与所述当前人物特征对应的当前目标人群;具体地,确定与所述人物特征对应的当前目标人群,包括:将所述对应关系中与所述当前人物特征相同的人物特征所对应的目标人群,确定为所述当前目标人群。


2.根据权利要求1所述的方法,其特征在于,
所述人物特征,包括:人体特征和/或环境特征,和/或由按设定规律自所述人体特征、所述环境特征中提取的特征组成的一维或两维以上的数组;其中,
所述人体特征,包括:人脸灰度,人脸纹理,人脸形状,脸部表情,头部姿态,跟随人员数量;
和/或,
所述环境特征,包括:光照强度,饰物;
和/或,
所述对应关系,包括:函数关系;所述人物特征为所述函数关系的输入参数,所述目标人群为所述函数关系的输出参数;
确定与所述当前人物特征对应的当前目标人群,还包括:
当所述对应关系包括函数关系时,将所述当前人物特征输入所述函数关系中,确定所述函数关系的输出参数为当前目标人群。


3.根据权利要求1所述的方法,其特征在于,所述建立人物特征与目标人群之间的对应关系的步骤,包括:
获取用于建立所述人物特征与所述目标人群之间的对应关系的样本数据;
分析所述人物特征的特性及其规律,根据所述特性及其规律,确定所述人工神经网络的网络结构及其网络参数;
使用所述样本数据,对所述网络结构和所述网络参数进行训练和测试,确定所述人物特征与所述目标人群的所述对应关系。


4.根据权利要求3所述的方法,其特征在于,所述获取用于建立所述人物特征与所述目标人群之间的对应关系的样本数据的步骤,包括:
收集不同肺结节状况的患者的所述人物特征和所述目标人群;
对所述人物特征进行分析、并结合预存的专家经验信息,选取与所述目标人群相关的数据作为所述人物特征;
将所述目标人群、以及选取的所述人物特征构成的数据对,作为样本数据。


5.根据权利要求4所述的方法,其特征在于,
所述网络结构,包括CNN网络,FasterR-CNN网络,FPN网络,SqeezeNet网络,VGG模型,GoogLeNet网络,ResNet网络,以及,Network-In-Network模型中的至少之一;
和/或,
所述网络参数,包括:密集块数,输出层数,卷积层数,反卷积层数,过度层数,初始权值,以及,偏置值中的至少之一。


6.根据权利...

【专利技术属性】
技术研发人员:包先雨蔡伊娜郑文丽程立勋
申请(专利权)人:深圳市检验检疫科学研究院
类型:发明
国别省市:广东;44

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1