一种智能侦查研判方法、系统、计算机设备及存储介质

技术领域

本申请属于治安侦查技术领域，尤其涉及一种智能侦查研判方法、系统、计算机设备及存储介质。

背景技术

随着人工智能技术的发展，基于人脸识别技术的应用已经运用到了社会中的各个领域，特别是在治安侦查方面。在实际侦查过程，人脸技术最多应用在人脸检索方面，虽然目前的数据自由碰撞对比技战法可以在一定的时空范围内发现嫌疑人，但是该方法计算出嫌疑人集合的范围比较大，这样办案的工作量仍然很大。并且该方法也没有对嫌疑人进行定量分析，缺乏科学性和准确性。

因此，寻找一种能够定量分析嫌疑人行为数据，为公安机关侦查人员提供研判辅助的方法成为本领域技术人员亟需解决的问题。

发明内容

本申请实施例提供了一种智能侦查研判方法、系统、计算机设备及存储介质，可以解决侦查研判中存在的缺乏科学依据和效率低下的问题。

第一方面，本申请实施例提供了一种智能侦查研判系统，包括：

信息收集模块，用于收集犯罪嫌疑人在公安机关的业务信息和社会留在的数据信息；

数据整理模块，用于将收集得到的所述业务信息和数据信息划分为结构化数据和非结构化数据；

数据处理模块，用于对所述结构化数据和非结构化数据进行ETL处理，得到处理后的结构化数据和非结构化数据作为基础数据；

规则模型选取模块，用于从预设的规则模型库中选取与侦查目标对应的规则模型；

深度学习分析模块，用于通过预设的深度学习引擎调用选取出的规则模型对所述基础数据进行分析处理，得到所述侦查目标的分析研判结果。

可见本申请从收集得到的业务信息和数据信息出发，对犯罪嫌疑人的行为数据进行了定量分析，通过深度学习引擎调用选取出的规则模型对数据进行分析处理，得到侦查目标的分析研判结果，为公安机关侦查人员的侦查研判工作提供了有效的辅助，具有科学性和准确性，提高了数据的利用率和侦查工作的办案效率。

优选地，所述信息收集模块包括：

图片数据收集单元，用于收集所述业务信息和数据信息中的非结构化的图片数据；

视频数据收集单元，用于收集所述业务信息和数据信息中的非结构化的视频流数据；

第三方数据收集单元，用于收集来自于第三方机构的社会留在的数据信息；

公安数据收集单元，用于收集来自于公安机关的业务信息。

可见，本申请还可以采用不同的数据收集和整理方式收集关于犯罪嫌疑人的信息，不仅有利于所述业务信息和数据信息的收集和整理，而且能够减轻后续步骤对这些信息的处理效率，方便信息的迭代更新。

优选地，还包括：

人脸结构化引擎模块，用于采用人脸识别技术对所述基础数据中的人脸图像进行处理，得到各个人脸识别结果，以结构化数据的形式存储所述各个人脸识别结果作为新的基础数据；

和/或

车牌结构化引擎模块，用于采用车牌识别技术对所述基础数据中的车牌图像进行处理，得到各个车牌识别结果，以结构化数据的形式存储所述各个车牌识别结果作为新的基础数据；

和/或

视频流结构化引擎模块，用于采用视频特征提取技术对所述基础数据中的视频数据进行处理，得到各个特征提取结果，以结构化数据的形式存储所述各个特征提取结果作为新的基础数据。

可见，本申请预先针对基础数据中的人脸图像、车牌图像和视频流进行相关处理，并将处理结果存储为新的基础数据，可以减少服务器的重复计算量，降低深度学习引擎的计算复杂度。

第二方面，本申请实施例提供了一种智能侦查研判方法，包括：

收集犯罪嫌疑人在公安机关的业务信息和社会留在的数据信息；

将收集得到的所述业务信息和数据信息划分为结构化数据和非结构化数据；

对所述结构化数据和非结构化数据进行ETL处理，得到处理后的结构化数据和非结构化数据作为基础数据；

从预设的规则模型库中选取与侦查目标对应的规则模型；

通过预设的深度学习引擎调用选取出的规则模型对所述基础数据进行分析处理，得到所述侦查目标的分析研判结果。

可见本申请从收集得到的业务信息和数据信息出发，对犯罪嫌疑人的行为数据进行了定量分析，通过深度学习引擎调用选取出的规则模型对数据进行分析处理，得到侦查目标的分析研判结果，为公安机关侦查人员的侦查研判工作提供了有效的辅助，具有科学性和准确性，提高了数据的利用率和侦查工作的办案效率。

优选地，还包括：

采用人脸识别技术对所述基础数据中的人脸图像进行处理，得到各个人脸识别结果；

以结构化数据的形式存储所述各个人脸识别结果作为新的基础数据；

和/或

采用车牌识别技术对所述基础数据中的车牌图像进行处理，得到各个车牌识别结果；

以结构化数据的形式存储所述各个车牌识别结果作为新的基础数据；

和/或

采用视频特征提取技术对所述基础数据中的视频数据进行处理，得到各个特征提取结果；

以结构化数据的形式存储所述各个特征提取结果作为新的基础数据。

可见，本申请预先针对基础数据中的人脸图像、车牌图像和视频流进行相关处理，并将处理结果存储为新的基础数据，可以减少服务器的重复计算量，降低深度学习引擎的计算复杂度。

优选地，在得到所述侦查目标的分析研判结果之后，还包括：

将所述侦查目标的分析研判结果反馈至所述规则模型库，以便所述规则模型库衍生新的规则模型；

根据所述分析研判结果对所述与侦查目标对应的规则模型进行优化调整。

可见，本申请中，深度学习引擎和规则模型两者之间相辅相成，规则模型可以提供给深度学习引擎作为分析使用的规则和标准，深度学习引擎可以在调用具体的规则模型后，把输出的分析研判结果反馈给该规则模型，以便维护人员根据反馈结果优化规则模型，甚至衍生出新的规则模型，以适用于新的侦查目标。

优选地，在得到所述侦查目标的分析研判结果之后，还包括：

判断所述分析研判结果是否满足所述规则模型对应的预设告警条件；

若满足，则向指定终端发出告警信息。

可见，本申请进一步可以给出及时的提醒，以便公安机关跟进侦查目标，完成侦查任务。

优选地，还包括：

将所述基础数据以预设的可视化展示方式输出至显示设备。

可见，本申请进一步可以将基础数据可视化展示，有助于办案人员查阅这些基础数据，辅助办案人员快速完成案件的侦查。

第三方面，本申请实施例提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的智能侦查研判方法。

第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述的智能侦查研判方法。

可以理解的是，上述第三方面至第四方面的有益效果可以参见上述第一方面和第二方面中的相关描述，在此不再赘述。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本申请一实施例中智能侦查研判方法的一应用环境示意图；

图2是本申请一实施例中智能侦查研判方法的一流程图；

图3是本申请一实施例中智能侦查研判方法在一个应用场景下反馈分析研判结果的流程示意图；

图4是本申请一实施例中智能侦查研判方法在一个应用场景下判断并告警的流程示意图；

图5是本申请一实施例中智能侦查研判系统的结构示意图；

图6是本申请一实施例中计算机设备的一示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。

应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。

另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。

本申请提供的智能侦查研判方法，可应用在如图1的应用环境中，其中，服务器通过网络与多个终端、其它服务器进行通信，比如，经过公安网关与摄像机、无人机、手机等终端通信并获取数据；通过网络与公安机关的服务器连接获取公安结构化数据等。其中，服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现，其内可以包括分布式文件存储服务器、深度学习引擎、规则模型等功能模块，以实现该服务器上的各种功能和应用。

在一实施例中，如图2所示，提供一种智能侦查研判方法，以该方法应用在图1中的服务器为例进行说明，包括如下步骤：

101、收集犯罪嫌疑人在公安机关的业务信息和社会留在的数据信息；

收集信息是侦查研判项目中最关键、最基础的一步。马克思曾说过“人的本质不是单个人所固有的抽象物，在其现实性上，它是一切社会关系的总和”，任何人都脱离不了社会，他(她)们的一举一动必定会在时空里留下蛛丝马迹。而这些数据可以包括结构化数据和非结构数据，其中结构化数据包括旅业、交通、电信、金融和医疗数据等等，非结构化数据包括图片、视频和语音数据等等。

因此，服务器可以通过各种渠道收集犯罪嫌疑人在公安机关的业务信息和社会留在的数据信息。其中，公安机关的业务信息可以包括但不限于人口、重点人、前科人员、车辆、卡口、视频监控、旅店业、网吧、电子围栏等数据，这些数据均与犯罪嫌疑人自身或者犯罪嫌疑人的行为、活动痕迹有关；社会留在的数据信息包括但不限于金融、电信、交通、医疗、水电气等数据，这些数据一般为犯罪嫌疑人在社会上生存、活动过程中留下的信息。

针对不同的信息、数据来源，可以采用不同的数据收集和整理方式收集关于犯罪嫌疑人的信息，不仅有利于所述业务信息和数据信息的收集和整理，而且能够减轻后续步骤对这些信息的处理效率，方便信息的迭代更新等。因此，本实施例中，进一步地，步骤101还可以包括以下几种数据收集方式：

第一种，收集所述业务信息和数据信息中的非结构化的图片数据。可以理解的是，目前，很多关于犯罪嫌疑人的业务信息或数据信息均以图片的形式呈现，这些图片一般未经过数据结构化处理，其展现的信息是零散的，比如来自于摄像机、卡口、无人机、手机、旅业等渠道的图片数据，这些图片数据均属于非结构化数据，服务器可以通过网络通信与这些渠道的终端或服务器连接，获取并收集到这些图片数据。

第二种，收集所述业务信息和数据信息中的非结构化的视频流数据。与图片数据同理，目前，很多关于犯罪嫌疑人的业务信息或数据信息均以视频的形式呈现，这些视频一般未经过数据结构化处理，其展现的信息是零散的，比如来自于摄像机、监控、无人机、手机、执法仪等渠道的视频流数据，这些视频流数据均属于非结构化数据，服务器可以通过网络通信与这些渠道的终端或服务器连接，获取并收集到这些视频流数据。

第三种，收集来自于第三方机构的社会留在的数据信息。与上述图片、视频流数据等非结构化数据不同的是，第三方机构中产生的社会留在的数据信息，比如旅业、金融、交通、医疗、电信等行业的数据，一般为经过第三方机构按照指定格式整理好的数据，这些来自第三方机构的社会留在的数据信息为结构化的数据信息，服务器可以通过网路与第三方机构通信，获取其提供的这些结构化数据，按照指定的数据格式容易从其提供的数据中获取到关于犯罪嫌疑人的数据信息，且这些数据信息相比非结构化的数据更加有序，信息价值也更大。

第四种，收集来自于公安机关的业务信息。与来自第三方机构的数据信息同理，公安机关产生的关于犯罪嫌疑人的业务信息，比如人口、重点人、前科人员、案件、车辆等方面的侦查数据，一般为经过公安机关按照指定格式整理好的数据，且这些数据一般仅来自于公安机关，其它第三方机构难以获得，因此，服务器可以通过网路与公安机关的服务器通信，获取其提供的这些结构化数据，按照指定的数据格式容易从其提供的数据中获取到关于犯罪嫌疑人的业务信息。

优选地，为了提高数据的真实性、可靠性和安全性，服务器可以通过公安网关来获取上述第一种、第二种和第三种方式的数据，也就是说，服务器经过公安网关与摄像机、卡口、无人机、手机、旅业等渠道的终端或服务器通信、经过公安网关与第三方机构通信，然后获取来自这些渠道和第三方机构的数据，从而一定程度上可以提升数据的真实性、可靠性和安全性，也避免服务器被不法分子入侵或攻击。

102、将收集得到的所述业务信息和数据信息划分为结构化数据和非结构化数据；

可以理解的是，服务器为了方便整理和处理这些业务信息和数据信息，可以根据数据结构化程度的不同，将收集得到的所述业务信息和数据信息划分为结构化数据和非结构化数据。由上述内容也可以知道，服务器收集到的图片数据和视频流数据可以划分为非结构化数据，从第三方机构和公安机关收集到的数据可以划分为结构化数据。

103、对所述结构化数据和非结构化数据进行ETL(Extract-Transform-Load)处理，得到处理后的结构化数据和非结构化数据作为基础数据；

为了便于后续深度学习引擎和规则模型对这些数据的利用和分析，服务器应当对所述结构化数据和非结构化数据进行ETL处理，得到处理后的结构化数据和非结构化数据作为基础数据。

可以理解的是，对于数据我们要秉持严谨、理性、科学的态度。为此，本实施例中，服务器可以将通过ETL(Extract-Transform-Load)的方式将数据收集到分布式文件存储服务器里，其中，E指的是抽取方式，抽取方式有很多，包括订阅、抽取、上传等等；L指的是加载，即数据不同维度的汇总；T指的是数据转换和清洗，其中数据转换是将格式不一致的数据处理成统一格式(例如人脸图片需要人脸结构化引擎处理，车牌图片需要车牌结构引擎处理，视频流需要视频流结构化引擎处理等)，但数据也有好坏之分，这就需要对数据进行数据清洗。本实施例中，为了使得基础数据能够体现犯罪嫌疑人在犯罪过程中和犯罪前后的特征，基础数据的转换结果可以包含以下四个维度，时间、人物、地点和标签，这四个维度可以从时空间关系上体现犯罪嫌疑人在作案的准备阶段、作案过程以及作案后的逃离阶段的特征，有助于后续深度学习引擎从中挖掘出犯罪嫌疑人的综合犯罪隶属度。

本实施例中，由于后续需要对犯罪嫌疑人的行为特征进行分析，研判目标问题的结论，常常需要使用到与目标问题相关的人脸特征、车牌号码和视频流特征等，因此，服务器为了减少重复的计算量，降低深度学习引擎的计算复杂度，可以预先针对基础数据中的人脸图像、车牌图像和视频流进行相关处理，并将处理结果存储为新的基础数据，从而后续步骤当需要获取相关的人脸特征、车牌号码和视频流特征时，可以直接从基础数据中获取到相关的内容，不仅降低了服务器运算的复杂度，而且提高了分析效率和成功率，有助于目标问题的分析研判。为此，进一步地，本方法还可以包括以下A、B、C中的至少一个，特别地，A、B、C部分内容可以分别由服务器上的人脸结构化引擎、车牌结构化引擎和视频流结构化引擎执行。

A：采用人脸识别技术对所述基础数据中的人脸图像进行处理，得到各个人脸识别结果；以结构化数据的形式存储所述各个人脸识别结果作为新的基础数据。可以理解的是，基础数据中包含了大量的人脸图像，这些人脸图像中包含了犯罪嫌疑人的人脸，也包含了其它相关人员或无关人员的人脸，服务器可以采用人脸识别技术对所述基础数据中的人脸图像进行处理，得到各个人脸识别结果，这些人脸识别结果包括各个人脸特征，服务器将这些人脸特征与公安机关提供的犯罪嫌疑人、重点关注人员的人脸特征进行比对，可以完成对这些人脸特征进行预先标定，标定哪些人脸特征是犯罪嫌疑人的，哪些人脸特征是相关人员的。服务器在得到各个人脸识别结果之后，可以根据预先设置好的结构化数据的形式存储这些人脸识别结果，这些人脸识别结果可以存储上分布式文件存储服务器上作为新的基础数据使用。

B：采用车牌识别技术对所述基础数据中的车牌图像进行处理，得到各个车牌识别结果；以结构化数据的形式存储所述各个车牌识别结果作为新的基础数据。可以理解的是，基础数据中包含了大量的车牌图像，这些车牌图像中包含了犯罪嫌疑人驾驶的车辆车牌，也包含了其它相关人员或无关人员驾驶的车辆车牌，服务器可以采用车牌识别技术对所述基础数据中的车牌图像进行处理，得到各个车牌识别结果，这些车牌识别结果包括各个侦查案件相关的车牌号码，服务器将这些车牌号码与公安机关记录在案的车牌号码进行比对，可以完成对这些车牌号码进行预先标定，标定哪些车牌号码是犯罪嫌疑人的，哪些车牌号码是相关人员的。服务器在得到各个车牌识别结果之后，可以根据预先设置好的结构化数据的形式存储这些车牌识别结果，这些车牌识别结果可以存储上分布式文件存储服务器上作为新的基础数据使用。

C：采用视频特征提取技术对所述基础数据中的视频数据进行处理，得到各个特征提取结果；以结构化数据的形式存储所述各个特征提取结果作为新的基础数据。可以理解的是，基础数据中包含了大量的视频数据，这些视频中包含了犯罪嫌疑人的人脸、体型、活动轨迹等信息，也包含了其它相关人员或无关人员的相关活动信息，服务器可以采用视频特征提取技术对所述基础数据中的视频数据进行处理，得到各个特征提取结果，这些特征提取结果包括犯罪嫌疑人的人脸特征、体型特征、活动轨迹等特征信息，服务器将这些特征信息与公安机关提供的犯罪嫌疑人、重点关注人员的相关特征或行为数据进行比对，可以完成对犯罪嫌疑人、重点关注人员的活动范围进行预先标定，标定哪些视频流数据中出现了犯罪嫌疑人或重点关注人员。服务器在得到各个各个特征提取结果之后，可以根据预先设置好的结构化数据的形式存储这些各个特征提取结果，这些各个特征提取结果可以存储上分布式文件存储服务器上作为新的基础数据使用。

104、从预设的规则模型库中选取与侦查目标对应的规则模型；

可以理解的是，本实施例中，服务器可以预先在规则模型库中设定多种规则模型，不同的规则模型是针对不同的数据分析问题而设置的，用于提供给深度学习引擎作为分析具体问题的规则或标准。因此，该规则模型库中存储的各个规则模型均一一与具体的侦查目标(即要具体的数据分析问题)所对应，当需要时，服务器获取到本次分析研判的侦查目标之后，可以从预设的规则模型库中选取出与该侦查目标对应的规则模型。

为便于理解，下面将对本实施例中的规则模型的逻辑设置和具体应用进行描述。

本实施例所说的规则模型是一种数据分析模型，包括但不限于以下几个维度，时间、人物(包括人脸、车牌、身份证、姓名、指纹、手机号和信用卡等等)、地点和标签等维度。可以理解的是，根据数字逻辑一个重点定理——所有逻辑关系都可以用与、或、非来表达，服务器上的规则模型可以通过组合不同规则来实现不同的侦查目标需求，下面举几个例子。

异常徘徊分析：异常徘徊表示某人物在某时间段内在一个地方重复出现，常用于“水客”、“黑车”、“黄牛”、“犯罪踩点”和“走鬼”等方面的侦查，可以根据时间维度和地点维度来实现规则的设置。在一个应用场景下，该规则具体设置如下：

“时间段”&&“目标区域”&&“抓拍次数>3次”

例如我们可以预先设定一个目标时间段(例如，10点至12点)，监测这个目标时间段内某一个目标区域的视频监控图像，服务器从基础数据中的人脸识别结果或视频流的特征提取结果获知在该目标区域的每个人；然后服务器统计每个人在目标时间段内出现的次数，当某个人出现次数大于预设次数阈值(例如3次)时，则可以认定该人员是异常徘徊。进一步地，服务器还可以具备白名单功能，将一些保安等工作人员加入到白名单中，防止误报警，同理，也可以设置黑名单或者重点检测对象名单，将一些重点嫌疑人员放入名单中，当检测到该人员出现时立即报警。

同行分析：同行指的是同一时间同一地点，某人和某人、或者某物和某人、或者某物和某物同时出现多次。同行分析是异常徘徊分析的衍生分析，与异常徘徊分析相比，同一时间内人物范围更大，常用于团伙作案等。在一个具体应用场景下，该规则具体设置如下：

(“时间段”&&“目标区域”&&“抓拍次数>3次”)group by(“时间段”与“目标区域”)

重点治安场所分析：在现实场景中，商场治安相对容易维护，但对于涉毒、涉黄，以及涉稳的场所，比如KTV、沐足、洗浴中心这些场所往往治安维护难度较大。针对这些场所，服务器可利用人脸识别的人脸碰撞和标签技术，可以解决该侦查问题。具体地，服务器可以将前科人员作为历史样本，将这些历史样本放在历史图片、视频和文字信息里进行操作，再根据标签对数据进行筛选即可得到这些场所中人员的汇集及治安情况，再结合动态人脸技术对样本进行布控，即可得到很好的运维效果，上述过程可以通过设置具体的规则模型投入至深度学习引擎中实现，此处不再赘述。

105、通过预设的深度学习引擎调用选取出的规则模型对所述基础数据进行分析处理，得到所述侦查目标的分析研判结果。

服务器在选取得到与侦查目标对应的规则模型之后，可以通过预设的深度学习引擎调用选取出的规则模型对所述基础数据进行分析处理，得到所述侦查目标的分析研判结果。可以理解的是，本实施例中所说的深度学习引擎由深度学习模型经过学习训练后得到，具体可以选用卷积神经网络、循环神经网络、深度神经网络、无监督的预训练网络等，在具体使用过程中，可以针对不同的应用场景选择合适的深度学习模型，此处不作具体限定。

需要说明的是，本实施例中分析研判结果是针对侦查目标给出的，比如，若侦查目标为异常徘徊分析，则输出的分析研判结果为对某人是否在某时间段于同一地点多次出现作出的判断，至少包括是或否两种结果；若侦查目标为同行分析，则输出的分析研判结果为同一时间同一地点，某些人是否同时多次出现的判断，至少包括是或否两种结果。结合上述内容可知，深度学习引擎输出的分析研判结果的格式和结论范围，由其调用的规则模型决定。

进一步地，本实施例中的深度学习引擎和规则模型两者之间是相辅相成的，预先设置的规则模型可以提供给深度学习引擎作为分析使用的规则和标准，与之相对的，深度学习引擎可以在调用具体的规则模型后，把输出的分析研判结果反馈给该规则模型，以便维护人员根据反馈结果优化规则模型，甚至衍生出新的规则模型，以适用于新的侦查目标。为此，如图3所示，在得到所述侦查目标的分析研判结果之后，本方法还可以包括：

201、将所述侦查目标的分析研判结果反馈至所述规则模型库，以便所述规则模型库衍生新的规则模型；

202、根据所述分析研判结果对所述与侦查目标对应的规则模型进行优化调整。

对于上述步骤201，可以理解的是，服务器可以将所述侦查目标的分析研判结果反馈至所述规则模型库，所述规则模型库在大量的反馈结果的基础上，可以由维护人员手动或者自动衍生新的规则模型，实现规则模型的自我进化。

对于上述步骤202，可以理解的是，规则模型在预先设置之后，其是否适用于各种情况下的侦查目标，一般需要进过反复的使用和验证，服务器在得到分析研判结果，可以根据所述分析研判结果对所述与侦查目标对应的规则模型进行优化调整，以使得规则模型更有效的针对具体的侦查目标。具体地，维护人员可以针对具体的侦查目标设定一期望值，在得到反馈的分析研判结果之后，将该分析研判结果与期望值进行比较，判断两者误差是否在可接受范围内，若否，则通过不断调整规则模型中的参数，并重新调用输出新的分析研判结果，使得新的分析研判结果不断逼近期望值，直到两者误差在可接受范围内，从而实现规则模型的不断优化。

考虑到公安机关的侦查任务有时候是非常追求时效性和实时性的，因此，服务器应当在得到分析研判结果之后，适当给出及时的提醒，以便公安机关跟进侦查目标，完成侦查任务。因此，进一步地，如图4所示，在得到所述侦查目标的分析研判结果之后，本方法还可以包括：

301、判断所述分析研判结果是否满足所述规则模型对应的预设告警条件，若是，则执行步骤302，若否，则执行步骤303；

302、向指定终端发出告警信息；

303、无需理会。

对于上述步骤301-303，可以理解的是，服务器在得到分析研判结果之后，可以判断所述分析研判结果是否满足所述规则模型对应的预设告警条件，若是，则执行步骤302，向指定终端发出告警信息，若否，则无需理会。

数据的可视化是数据有效利用的重要手段之一，在侦查过程中，公安机关往往需要依据具体的数据进行核实和侦查，以进一步确认案件的具体情况。而本实施例中的服务器存储了大量的基础数据，这些基础数据中有办案人员所需的重要数据，将这些数据进行可视化呈现有助于办案人员快速完成案件的侦查。因此，进一步地，本方法还可以包括：将所述基础数据以预设的可视化展示方式输出至显示设备。可知，服务器上可以预先设置多种可视化展示方式，比如表格展示、结构树展示、三维空间展示等等，针对不同的数据，服务器可以通过不同的可视化展示方式输出至办案人员的显示设备上，以便办案人员浏览这些基础数据。当然，办案人员还可以根据自身需要，手动选择可视化展示方式。

本申请实施例中，首先，收集犯罪嫌疑人在公安机关的业务信息和社会留在的数据信息；然后，将收集得到的所述业务信息和数据信息划分为结构化数据和非结构化数据；接着，对所述结构化数据和非结构化数据进行ETL处理，得到处理后的结构化数据和非结构化数据作为基础数据；再之，从预设的规则模型库中选取与侦查目标对应的规则模型；最后，通过预设的深度学习引擎调用选取出的规则模型对所述基础数据进行分析处理，得到所述侦查目标的分析研判结果。可见本申请从收集得到的业务信息和数据信息出发，对犯罪嫌疑人的行为数据进行了定量分析，通过深度学习引擎调用选取出的规则模型对数据进行分析处理，得到侦查目标的分析研判结果，为公安机关侦查人员的侦查研判工作提供了有效的辅助，具有科学性和准确性，提高了数据的利用率和侦查工作的办案效率。进一步地，本申请中，通过ETL方式将数据收集到分布式文件存储服务器里，利用ETL方式，可以实现对数据的抽取、加载、转换和清洗，使得基础数据能够体现犯罪嫌疑人在犯罪过程中和犯罪前后的特征，通过ETL方式对数据进行转换，使得基础数据的转换结果可以包含以下四个维度，时间、人物、地点和标签，这四个维度可以从时空间关系上体现犯罪嫌疑人在作案的准备阶段、作案过程以及作案后的逃离阶段的特征，有助于后续深度学习引擎从中挖掘出犯罪嫌疑人的综合犯罪隶属度。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

在一实施例中，提供一种智能侦查研判系统，该智能侦查研判系统与上述实施例中智能侦查研判方法一一对应。如图5所示，该智能侦查研判系统包括信息收集模块401、数据整理模块402、数据处理模块403、规则模型选取模块404和深度学习分析模块405。各功能模块详细说明如下：

信息收集模块401，用于收集犯罪嫌疑人在公安机关的业务信息和社会留在的数据信息；

数据整理模块402，用于将收集得到的所述业务信息和数据信息划分为结构化数据和非结构化数据；

数据处理模块403，用于对所述结构化数据和非结构化数据进行ETL处理，得到处理后的结构化数据和非结构化数据作为基础数据；

规则模型选取模块404，用于从预设的规则模型库中选取与侦查目标对应的规则模型；

深度学习分析模块405，用于通过预设的深度学习引擎调用选取出的规则模型对所述基础数据进行分析处理，得到所述侦查目标的分析研判结果。

进一步地，所述信息收集模块可以包括：

图片数据收集单元，用于收集所述业务信息和数据信息中的非结构化的图片数据；

视频数据收集单元，用于收集所述业务信息和数据信息中的非结构化的视频流数据；

第三方数据收集单元，用于收集来自于第三方机构的社会留在的数据信息；

公安数据收集单元，用于收集来自于公安机关的业务信息。

进一步地，智能侦查研判系统还可以包括：

人脸结构化引擎模块，用于采用人脸识别技术对所述基础数据中的人脸图像进行处理，得到各个人脸识别结果，以结构化数据的形式存储所述各个人脸识别结果作为新的基础数据；

和/或

车牌结构化引擎模块，用于采用车牌识别技术对所述基础数据中的车牌图像进行处理，得到各个车牌识别结果，以结构化数据的形式存储所述各个车牌识别结果作为新的基础数据；

和/或

视频流结构化引擎模块，用于采用视频特征提取技术对所述基础数据中的视频数据进行处理，得到各个特征提取结果，以结构化数据的形式存储所述各个特征提取结果作为新的基础数据。

进一步地，智能侦查研判系统还可以包括：

结果反馈模块，用于将所述侦查目标的分析研判结果反馈至所述规则模型库，以便所述规则模型库衍生新的规则模型；

优化调整模块，用于根据所述分析研判结果对所述与侦查目标对应的规则模型进行优化调整。

进一步地，智能侦查研判系统还可以包括：

告警判断模块，用于判断所述分析研判结果是否满足所述规则模型对应的预设告警条件；

发出告警模块，用于若所述告警判断模块的判断结果为是，则向指定终端发出告警信息。

进一步地，智能侦查研判系统还可以包括：

可视化展示模块，用于将所述基础数据以预设的可视化展示方式输出至显示设备。

关于智能侦查研判系统的具体限定可以参见上文中对于智能侦查研判方法的限定，在此不再赘述。上述智能侦查研判系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，如图6所示，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述实施例中智能侦查研判方法的步骤，例如图2所示的步骤101至步骤105。或者，处理器执行计算机程序时实现上述实施例中智能侦查研判系统的各模块/单元的功能，例如图5所示模块401至模块405的功能。为避免重复，这里不再赘述。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述实施例中智能侦查研判方法的步骤，例如图2所示的步骤101至步骤105。或者，计算机程序被处理器执行时实现上述实施例中智能侦查研判系统的各模块/单元的功能，例如图5所示模块401至模块405的功能。为避免重复，这里不再赘述。

需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

在本申请所提供的实施例中，应该理解到，所揭露的装置/网络设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/网络设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。