(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210450330.5 (22)申请日 2022.04.27 (71)申请人 浙江网安信创电子技 术有限公司 地址 310000 浙江省杭州市下城区绍兴 路 161号野风现代中心南楼 2501室 (72)发明人 刘晶　唐梓文　王淳　朱昶　 (74)专利代理 机构 杭州奇炬知识产权代理事务 所(特殊普通 合伙) 33393 专利代理师 贺心韬 (51)Int.Cl. G06V 40/20(2022.01) G06V 40/16(2022.01) G06V 20/40(2022.01) G06V 20/52(2022.01) G06V 10/80(2022.01)G06V 10/774(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01) G06V 10/84(2022.01) G06K 9/62(2022.01) G06N 20/20(2019.01) G06N 5/00(2006.01) G06N 20/10(2019.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06Q 10/06(2012.01) G06Q 50/26(2012.01) (54)发明名称 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 (57)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。 权利要求书2页 说明书5页 附图1页 CN 114821785 A 2022.07.29 CN 114821785 A 1.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， 其特征在于， 该方法包 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 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。 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。 2.根据权利要求1所述的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， 其特征在于： 上述S2中的关键假定评估是情报分析中解读 证据和相关问题推理的假定的一 种方法。 由于在实际分析工作中， 信息是不完整、 诱导欺骗的， 为了填补信息空白同时划定 分析思路， 必须做出相关假定。 该方法使分析避免常见的思维错误， 如在只有较少 信息时就 过早做出结论、 不考虑信息缺乏或信息欺骗对分析带来的影响， 使分析结论更严谨、 更可 靠。 3.根据权利要求1所述的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， 其特征在于： 上述S 3中的贝叶斯学习是利用参数的先验分布， 由样本信息求来的后验分布， 直接求出总体分布。 贝叶斯学习理论使用概率去表示所有形式的不确定性， 通过概率规则 来实现学习和推理过程。 4.根据权利要求1所述的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， 其特征在于： 上述S2中的基础关键假定是指所有 人员在依据模型研判前都有实施突然袭击 的可能。 5.根据权利要求1所述的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， 其特征在于： 上述S2中的具体的子关键假定需依据具体的场景进行设定和评估， 子关键假权　利　要　求　书 1/2 页 2 CN 114821785 A 2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。 6.根据权利要求1所述的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， 其特征在于： 上述S6中的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。权　利　要　求　书 2/2 页 3 CN 114821785 A 3