数据处理方法、装置、设备和存储介质与流程

1.本技术涉及互联网应用领域，特别是涉及一种数据处理方法、装置、设备和存储介质。


背景技术：

2.在当今社会生活中，盗窃事件频发。以类电动车为例，由于类电动车的技术开锁难度小、目标众多易选择、销赃快、以流窜团伙方式进行作案以及法律滞后打击效果不佳等原因，类电动车盗窃案一直居高不下。
3.传统技术中，在盗窃案件发生后，办案人员通过调取盗窃案件发生地点周边的视频数据，结合失主上报的盗窃案件发生时间对该时间段内的视频数据进行逐帧分析，以锁定实施盗窃行为的可疑人员。但是，在基层警力有限的情况下，警力资源往往成为此类案件侦查的瓶颈，严重影响盗窃案件的侦查效率。


技术实现要素：

4.基于此，有必要针对传统方式对盗窃案件的侦查效率较低的技术问题，提供一种数据处理方法、装置、设备和存储介质。
5.第一方面，本技术实施例提供一种数据处理方法，包括：
6.获取目标区域在检测时段内的活跃前科人员的人脸信息；其中，所述活跃前科人员为有盗窃车辆历史行为，且检测时段内在目标区域有活动轨迹的人员；
7.根据所述活跃前科人员的人脸信息以及所述检测时段内出入特定场所的人员的抓拍数据，获取所述检测时段内出入所述特定场所的目标活跃前科人员的行为数据；其中，所述特定场所位于所述目标区域内；
8.当根据所述行为数据确定所述目标活跃前科人员为涉及盗窃车辆的可疑人员时，向用户终端发送所述目标活跃前科人员的信息。
9.第二方面，本技术实施例提供一种数据处理装置，包括：
10.第一获取模块，用于获取目标区域在检测时段内的活跃前科人员的人脸信息；其中，所述活跃前科人员为有盗窃车辆历史行为，且检测时段内在目标区域有活动轨迹的人员；
11.第二获取模块，用于根据所述活跃前科人员的人脸信息以及所述检测时段内出入特定场所的人员的抓拍数据，获取所述检测时段内出入所述特定场所的目标活跃前科人员的行为数据；其中，所述特定场所位于所述目标区域内；
12.发送模块，用于当根据所述行为数据确定所述目标活跃前科人员为涉及盗窃车辆的可疑人员时，向用户终端发送所述目标活跃前科人员的信息。
13.第三方面，本技术实施例提供一种数据处理设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现本技术实施例第一方面提供的数据处理方法的步骤。
14.第四方面，本技术实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现本技术实施例第一方面提供的数据处理方法的步骤。
15.本技术实施例提供的技术方案，根据目标区域在检测时段内的活跃前科人员的人脸信息以及检测时段内出入特定场所的人员的抓拍数据，获取检测时段内出入所述特定场所的目标活跃前科人员的行为数据，并在根据行为数据确定目标活跃前科人员为涉及盗窃车辆的可疑人员时，向用户终端发送目标活跃前科人员的信息，以提醒办案人员对该目标活跃前科人员进行重点排查。该技术方案对有盗窃车辆历史行为的活跃前科人员进行重点分析，预警车辆盗窃可疑人员，实现了案件侦查思路从“由案到人”到“由人到案”的转变，从而大大提升了车辆盗窃案件的侦查效率，同时降低车辆盗窃案件的发生率。
附图说明
16.图1为本技术实施例提供的数据处理方法的一种流程示意图；
17.图2为本技术实施例提供的数据处理方法的另一种流程示意图；
18.图3为本技术实施例提供的确定活跃前科人员的一种流程示意图；
19.图4为本技术实施例提供的发送目标活跃前科人员的信息的一种流程示意图；
20.图5为本技术实施例提供的数据处理装置的一种结构示意图；
21.图6为本技术实施例提供的数据处理设备的一种结构示意图。
具体实施方式
22.为了使本技术的目的、技术方案及优点更加清楚明白，通过下述实施例并结合附图，对本技术实施例中的技术方案进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本技术，并不用于限定本技术。
23.需要说明的是，下述方法实施例的执行主体可以是数据处理装置，该装置可以通过软件、硬件或者软硬件结合的方式实现成为数据处理设备的部分或者全部。可选地，数据处理设备可以为移动终端或者服务器。移动终端可以为pda(个人数字助理)、pad(平板电脑)、pmp(便携式多媒体播放器)、车载终端(例如车载导航终端)以及手机等中的任意一种，服务器可以为独立的服务器或者多个服务器组成的服务器集群。下述方法实施例以执行主体是数据处理设备为例进行说明。
24.图1为本技术实施例提供的数据处理方法的一种流程示意图。如图1所示，该方法可以包括：
25.s101、获取目标区域在检测时段内的活跃前科人员的人脸信息。
26.目标区域可以理解为面向车辆盗窃分析的地域范围，该目标区域可以以行政区来进行划分，如全国、省、市、区/县以及乡镇等。当然，也可以以社区来划分目标区域。在实际应用中，可以根据实际需求对目标区域进行设置。检测时段可以理解为面向车辆盗窃分析的时域范围，其划分的粒度可以为月、周、天以及小时等，其也可以基于实际需求进行相应的设置，如将检测时段设置为一周等。可选地，车辆可以为电动车、摩托车或者自行车。
27.上述活跃前科人员为有盗窃车辆历史行为，且检测时段内在目标区域有活动轨迹的人员。通常，车辆盗窃案件以惯犯、累犯作案居多，因此，可以重点关注目标区域在检测时段内有活动轨迹的前科人员的行踪，通过对其行踪进行研判分析，以锁定涉及车辆盗窃案
件的可疑人员。在实际应用中，公安系统的数据库中存储有车辆盗窃案的前科人员的证件信息，因此，数据处理设备可以从数据库中存储的历史以往案件中获取目标区域在检测时段内的活跃前科人员的证件信息，并从证件信息中提取活跃前科人员的人脸信息。
28.s102、根据所述活跃前科人员的人脸信息以及所述检测时段内出入特定场所的人员的抓拍数据，获取所述检测时段内出入所述特定场所的目标活跃前科人员的行为数据。
29.其中，所述特定场所位于目标区域内，特定场所可以为车辆销赃点，如二手车交易市场等。目标活跃前科人员是指检测时段内出入特定场所的活跃前科人员。通常，特定场所的出入口以及内部均安装有监控设备(如摄像头)，监控设备可以对出入特定场所的人员以及车辆进行拍摄，形成抓拍数据。
30.在获取到活跃前科人员的人脸信息之后，数据处理设备可以将活跃前科人员的人脸信息与检测时段内出入特定场所的人员的抓拍数据进行匹配，以确定活跃前科人员在检测时段内是否出现在特定场所。若匹配到，则可以确定该活跃前科人员在检测时段内出现在特定场所，并将出现在特定场所的活跃前科人员确定为目标活跃前科人员。同时，基于匹配到的目标抓拍数据获取该目标活跃前科人员的行为数据。可选地，该行为数据可以包括面部表情以及行为举止等信息。
31.上述匹配的具体过程可以为：从活跃前科人员的人脸信息中，提取活跃前科人员的第一人脸特征，以及提取抓拍数据中人员的第二人脸特征(其中，人脸特征可以为五官特征和脸型特征)，计算第一人脸特征和第二人脸特征的特征相似度，若特征相似度超过预设阈值，则确定在抓拍数据中匹配到活跃前科人员的人脸信息。
32.s103、当根据所述行为数据确定所述目标活跃前科人员为涉及盗窃车辆的可疑人员时，向用户终端发送所述目标活跃前科人员的信息。
33.由于目标活跃前科人员在检测时段内出入过特定场所，因此，需要对目标活跃前科人员的行踪进行重点分析。在得到目标活跃前科人员的行为数据之后，可以根据该行为数据确定目标活跃前科人员是否为涉及盗窃车辆的可疑人员。若是，则向用户终端发送目标活跃前科人员的信息。例如，向目标区域内办案人员持有的用户终端发送目标活跃前科人员的信息。
34.以行为数据包括面部表情以及行为举止等信息为例，当目标活跃前科人员的面部表情紧张以及行为举止鬼鬼祟祟时，可以确定目标活跃前科人员为涉及盗窃车辆的可疑人员。
35.本技术实施例提供的数据处理方法，根据目标区域在检测时段内的活跃前科人员的人脸信息以及检测时段内出入特定场所的人员的抓拍数据，获取检测时段内出入所述特定场所的目标活跃前科人员的行为数据，并根据行为数据确定目标活跃前科人员为涉及盗窃车辆的可疑人员时，向用户终端发送目标活跃前科人员的信息，以提醒办案人员对该目标活跃前科人员进行重点排查。该技术方案对有盗窃车辆历史行为的活跃前科人员进行重点分析，提前预警车辆盗窃可疑人员，实现了案件侦查思路从“由案到人”到“由人到案”的转变，从而大大提升了车辆盗窃案件的侦查效率，同时降低车辆盗窃案件的发生率。
36.在一个实施例中，可选地，上述目标活跃前科人员的行为数据可以包括出现在特定场所的次数、出入特定场所时的骑行状态以及在有骑乘车辆的情况下所骑乘车辆的属性特征。其中，车辆的属性特征可以包括车型、车色以及车灯形状等。基于此，下述实施例还提
供了另一种数据处理方法。需要说明的是，下述s202
‑
s203为上述s102的一种可选地实施方式，下述s204
‑
s206为上述s103的一种可选地实施方式。如图2所示，该方法可以包括：
37.s201、获取目标区域在检测时段内的活跃前科人员的人脸信息。
38.s202、将所述活跃前科人员的人脸信息与所述检测时段内出入特定场所的人员的抓拍数据进行匹配，以获取所述检测时段内出现在所述特定场所的目标活跃前科人员的出现次数。
39.其中，数据处理设备可以将活跃前科人员的人脸信息与检测时段内出入特定场所的人员的抓拍数据进行匹配，若匹配到，则可以确定该活跃前科人员在检测时段内出现在特定场所，将出现在特定场所的活跃前科人员确定为目标活跃前科人员，并将匹配到的目标抓拍数据归档到目标活跃前科人员的活动轨迹记录中。在检测时段内的所有抓拍数据均处理完毕之后，统计目标活跃前科人员的活动轨迹记录中存储的目标抓拍数据的数量，将该数量确定为目标活跃前科人员在特定场所的出现次数。
40.s203、对匹配到的目标抓拍数据进行场景抓拍图片结构化分析，以获取所述目标活跃前科人员每次出入所述特定场所时的骑行状态以及在有骑乘车辆的情况下目标活跃前科人员所骑乘车辆的属性特征。
41.为了获取更深层次的关键信息，可以对匹配到的目标抓拍数据进行场景抓拍图片结构化分析，即对目标抓拍数据中的目标对象进行结构化分析，并进行文本的语义描述，包括行人结构化、车辆结构化以及人骑车结构化等。其中，人骑车结构化即对目标抓拍数据中的骑车行人进行结构化处理与识别，包括骑车人的衣着、车辆特性等结构化处理。经过对目标抓拍数据进行场景抓拍图片结构化分析，便可以获取到目标活跃前科人员每次出入特定场所时是否有骑乘车辆，以及在有骑乘车辆的情况下目标活跃前科人员所骑乘车辆的车型、车色、车灯形状等车辆属性特征。
42.示例性地，假设检测时段内目标活跃前科人员在特定场所的出现次数为5次，经过对目标抓拍数据进行场景抓拍图片结构化分析后，可以得到目标活跃前科人员前两次出入特定场所时均没有骑乘车辆，后三次进入特定场所时均有骑乘车辆以及离开特定场所时均没有骑乘车辆，且后三次进入特定场所时所骑乘车辆的车型、车色、车灯形状等车辆属性特征不同。
43.s204、当所述出现次数大于等于预设出现次数时，根据所述目标活跃前科人员每次出入所述特定场所时的骑行状态，确定所述目标活跃前科人员在满足预设条件下的骑乘次数。
44.其中，所述预设条件为进入特定场所时有骑乘车辆，离开特定场所时没有骑乘车辆。在实际应用中，可以基于实际业务需求对预设出现次数进行相应的设置。
45.在得到目标活跃前科人员的行为数据后，判断检测时段内目标活跃前科人员在特定场所的出现次数是否大于等于预设出现次数，若是，则根据目标活跃前科人员每次出入特定场所时的骑行状态，确定目标活跃前科人员在满足预设条件下的骑乘次数。若否，则对下一目标活跃前科人员在特定场所的行踪轨迹进行分析。其中，骑行状态用于指示目标活跃前科人员是否有骑乘车辆。
46.继续以上述s203中的例子为例，假设检测时段内目标活跃前科人员在特定场所的出现次数为5次，同时，假设预设出现次数为2次。由于目标活跃前科人员在特定场所的出现
次数大于预设出现次数，则可以基于目标活跃前科人员每次出入所述特定场所时的骑行状态，进一步确定所述目标活跃前科人员在满足预设条件下的骑乘次数。由于前两次出入特定场所时均没有骑乘车辆，后三次进入特定场所时均有骑乘车辆以及离开特定场所时均没有骑乘车辆。因此，可以确定目标活跃前科人员在满足预设条件下的骑乘次数为3次。
47.s205、若所述骑乘次数大于等于预设骑乘次数，则判断所述目标活跃前科人员每次所骑乘车辆的属性特征是否相同。
48.其中，预设骑乘次数小于等于预设出现次数。同样的，在实际应用中，可以基于实际业务需求对预设骑乘次数进行相应的设置。
49.在得到目标活跃前科人员在满足预设条件下的骑乘次数之后，判断该骑乘次数是否大于等于预设骑乘次数，若是，则进一步判断目标活跃前科人员每次所骑乘车辆的车型、车色、车灯形状等车辆属性特征是否相同。若相同，则对下一目标活跃前科人员在特定场所的行踪轨迹进行分析；若不相同，则执行下述s206。
50.s206、确定所述目标活跃前科人员为涉及盗窃车辆的可疑人员，向用户终端发送所述目标活跃前科人员的信息。
51.在本实施例中，通过对匹配到的目标抓拍数据进行场景抓拍图片结构化分析，以提取更深层次的关键信息，如目标活跃前科人员在特定场所的出现次数、每次出入特定场所时的骑行状态以及在有骑乘车辆的情况下所骑乘车辆的车型、车色、车灯形状等车辆属性特征。同时，结合目标活跃前科人员在特定场所的出现次数，每次出入特定场所时的骑行状态以及在有骑乘车辆的情况下所骑乘车辆的车型、车色、车灯形状等车辆属性特征，确定目标活跃前科人员是否为涉及车辆盗窃的可疑人员，通过对更深层次的行为数据进行判决分析，提高了分析结果的准确性，从而提高了预警的准确性。
52.在一个实施例中，还提供了一种确定目标区域在检测时段内的活跃前科人员的具体过程。在上述实施例的基础上，可选地，如图3所示，在上述s101之前，该方法还可以包括：
53.s301、获取涉及盗窃车辆案的所有前科人员的信息。
54.通常，车辆盗窃案件以惯犯、累犯作案居多，因此，可以重点关注涉及盗窃车辆案的所有前科人员。在实际应用中，公安系统的数据库中存储有车辆盗窃案的前科人员的信息，因此，数据处理设备可以从数据库中存储的历史以往案件中获取涉及盗窃车辆案的所有前科人员的信息。
55.s302、获取活动人员信息集。
56.其中，所述活动人员信息集中存储有目标区域在检测时段内有活动轨迹的人员的信息。全面汇聚目标区域在检测时段内人员的活动轨迹数据信息，包括交通出行购票信息、旅业住宿信息、网吧登记信息以及医疗门诊登记信息等，按照时间的先后顺序，将上述人员在目标区域内的活动轨迹绘制出来，并存储到活动人员信息集中。
57.s303、将各前科人员的信息分别与所述活动人员信息集进行匹配，以确定目标区域在检测时段内的活跃前科人员。
58.其中，活跃前科人员是指检测时段内在目标区域内有活动轨迹的前科人员。在得到涉及盗窃车辆案的所有前科人员的信息以及活动人员信息集之后，将各前科人员的信息分别与活动人员信息集进行匹配，筛选出检测时段内在目标区域内有活动轨迹的前科人员，即确定出活跃前科人员。后续，对该部分活跃前科人员的行踪轨迹进行重点分析，以排
查涉及车辆盗窃的可疑人员。
59.在确定出涉及车辆盗窃的可疑人员之后，为了提高对可疑人员的抓捕效率，在上述实施例的基础上，可选地，如图4所示，上述向用户终端发送目标活跃前科人员的信息的过程可以包括：
60.s401、获取所述目标活跃前科人员的活动轨迹。
61.在确定目标活跃前科人员为涉及车辆盗窃的可疑人员之后，从活动人员信息集中获取该目标活跃前科人员的活动轨迹。
62.s402、根据所述活动轨迹，确定所述目标活跃前科人员经常出现的目标地址。
63.在得到目标活跃前科人员的活动轨迹之后，通过对活动轨迹进行分析，可以确定目标活跃前科人员经常出现的目标地址。例如，基于活动轨迹中的时间，可以确定晚上出现的地点为目标活跃前科人员的常居地。这样，数据处理设备在向用户终端发送目标活跃前科人员的个人资料时，还可以将目标活跃前科人员经常出现的目标地址发送给办案人员持有的用户终端，以实现对目标活跃前科人员的精准抓捕。
64.s403、将所述目标活跃前科人员的个人资料以及所述目标地址发送给办案人员持有的用户终端。
65.在本实施例中，通过将涉及盗窃车辆案的所有前科人员的信息与活动人员信息集进行匹配，以确定目标区域在检测时段内的活跃前科人员，重点关注活跃前科人员的活动轨迹，减少了冗余数据，缩小了车辆盗窃案件的分析范围，进一步提高了盗窃案件的侦查效率。同时，在确定目标活跃前科人员为涉及车辆盗窃的可疑人员后，向办案人员持有的用户终端发送目标活跃前科人员的个人资料和经常出现的目标地址，实现了对目标活跃前科人员的精准抓捕，可以提前预防车辆盗窃案件的发生。
66.图5为本技术实施例提供的数据处理装置的一种结构示意图。如图5所示，该装置可以包括：第一获取模块501、第二获取模块502和发送模块503。
67.具体的，第一获取模块501用于获取目标区域在检测时段内的活跃前科人员的人脸信息；其中，所述活跃前科人员为有盗窃车辆历史行为，且检测时段内在目标区域有活动轨迹的人员；
68.第二获取模块502用于根据所述活跃前科人员的人脸信息以及所述检测时段内出入特定场所的人员的抓拍数据，获取所述检测时段内出入所述特定场所的目标活跃前科人员的行为数据；其中，所述特定场所位于所述目标区域内；
69.发送模块503用于当根据所述行为数据确定所述目标活跃前科人员为涉及盗窃车辆的可疑人员时，向用户终端发送所述目标活跃前科人员的信息。
70.本技术实施例提供的数据处理装置，根据目标区域在检测时段内的活跃前科人员的人脸信息以及检测时段内出入特定场所的人员的抓拍数据，获取检测时段内出入所述特定场所的目标活跃前科人员的行为数据，并根据行为数据确定目标活跃前科人员为涉及盗窃车辆的可疑人员时，向用户终端发送目标活跃前科人员的信息，以提醒办案人员对该目标活跃前科人员进行重点排查。该技术方案对有盗窃车辆历史行为的活跃前科人员进行重点分析，预警车辆盗窃可疑人员，实现了案件侦查思路从“由案到人”到“由人到案”的转变，从而大大提升了车辆盗窃案件的侦查效率，同时降低车辆盗窃案件的发生率。
71.可选地，所述行为数据包括出现在所述特定场所的次数、出入所述特定场所时的
骑行状态以及在有骑乘车辆的情况下所骑乘车辆的属性特征。
72.在上述实施例的基础上，可选地，第二获取模块502具体用于将所述活跃前科人员的人脸信息与所述检测时段内出入特定场所的人员的抓拍数据进行匹配，以获取所述检测时段内出现在所述特定场所的目标活跃前科人员的出现次数；对匹配到的目标抓拍数据进行场景抓拍图片结构化分析，以获取所述目标活跃前科人员每次出入所述特定场所时的骑行状态以及在有骑乘车辆的情况下目标活跃前科人员所骑乘车辆的属性特征。
73.在上述实施例的基础上，可选地，该装置还包括：分析模块。
74.具体的，分析模块用于当所述出现次数大于等于预设出现次数时，根据所述目标活跃前科人员每次出入所述特定场所时的骑行状态，确定所述目标活跃前科人员在满足预设条件下的骑乘次数；若所述骑乘次数大于等于预设骑乘次数，则判断所述目标活跃前科人员每次所骑乘车辆的属性特征是否相同；若不相同，则确定所述目标活跃前科人员为涉及盗窃车辆的可疑人员；其中，所述预设条件为进入所述特定场所时有骑乘车辆，离开所述特定场所时没有骑乘车辆；预设骑乘次数小于等于预设出现次数。
75.在上述实施例的基础上，可选地，该装置还包括：第三获取模块、第四获取模块、处理模块。
76.具体的，第三获取模块用于在第一获取模块501获取目标区域在检测时段内的活跃前科人员的人脸信息之前，获取涉及盗窃车辆案的所有前科人员的信息；
77.第四获取模块用于获取活动人员信息集；其中，所述活动人员信息集中存储有目标区域在检测时段内有活动轨迹的人员的信息；
78.处理模块用于将各前科人员的信息分别与所述活动人员信息集进行匹配，以确定目标区域在检测时段内的活跃前科人员。
79.在上述实施例的基础上，可选地，发送模块503具体用于获取所述目标活跃前科人员的活动轨迹；根据所述活动轨迹，确定所述目标活跃前科人员经常出现的目标地址；将所述目标活跃前科人员的个人资料以及所述目标地址发送给办案人员持有的用户终端。
80.可选地，所述车辆包括电动车、摩托车或者自行车。
81.在一个实施例中，提供了一种数据处理设备，其结构示意图可以如图6所示。该设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该设备的处理器用于提供计算和控制能力。该设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该设备的数据库用于存储数据处理过程中涉及的数据。该设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种数据处理方法。
82.本领域技术人员可以理解，图6中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的设备的限定，具体的设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
83.在一个实施例中，提供了一种数据处理设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
84.获取目标区域在检测时段内的活跃前科人员的人脸信息；其中，所述活跃前科人员为有盗窃车辆历史行为，且检测时段内在目标区域有活动轨迹的人员；
85.根据所述活跃前科人员的人脸信息以及所述检测时段内出入特定场所的人员的抓拍数据，获取所述检测时段内出入所述特定场所的目标活跃前科人员的行为数据；其中，所述特定场所位于所述目标区域内；
86.当根据所述行为数据确定所述目标活跃前科人员为涉及盗窃车辆的可疑人员时，向用户终端发送所述目标活跃前科人员的信息。
87.可选地，所述行为数据包括出现在所述特定场所的次数、出入所述特定场所时的骑行状态以及在有骑乘车辆的情况下所骑乘车辆的属性特征。
88.在一个实施例中，处理器执行计算机程序时还实现以下步骤：将所述活跃前科人员的人脸信息与所述检测时段内出入特定场所的人员的抓拍数据进行匹配，以获取所述检测时段内出现在所述特定场所的目标活跃前科人员的出现次数；对匹配到的目标抓拍数据进行场景抓拍图片结构化分析，以获取所述目标活跃前科人员每次出入所述特定场所时的骑行状态以及在有骑乘车辆的情况下目标活跃前科人员所骑乘车辆的属性特征。
89.在一个实施例中，处理器执行计算机程序时还实现以下步骤：当所述出现次数大于等于预设出现次数时，根据所述目标活跃前科人员每次出入所述特定场所时的骑行状态，确定所述目标活跃前科人员在满足预设条件下的骑乘次数；若所述骑乘次数大于等于预设骑乘次数，则判断所述目标活跃前科人员每次所骑乘车辆的属性特征是否相同；若不相同，则确定所述目标活跃前科人员为涉及盗窃车辆的可疑人员；其中，所述预设条件为进入所述特定场所时有骑乘车辆，离开所述特定场所时没有骑乘车辆；预设骑乘次数小于等于预设出现次数。
90.在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取涉及盗窃车辆案的所有前科人员的信息；获取活动人员信息集；将各前科人员的信息分别与所述活动人员信息集进行匹配，以确定目标区域在检测时段内的活跃前科人员；其中，所述活动人员信息集中存储有目标区域在检测时段内有活动轨迹的人员的信息。
91.在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取所述目标活跃前科人员的活动轨迹；根据所述活动轨迹，确定所述目标活跃前科人员经常出现的目标地址；将所述目标活跃前科人员的个人资料以及所述目标地址发送给办案人员持有的用户终端。
92.可选地，所述车辆包括电动车、摩托车或者自行车。
93.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以下步骤：
94.获取目标区域在检测时段内的活跃前科人员的人脸信息；其中，所述活跃前科人员为有盗窃车辆历史行为，且检测时段内在目标区域有活动轨迹的人员；
95.根据所述活跃前科人员的人脸信息以及所述检测时段内出入特定场所的人员的抓拍数据，获取所述检测时段内出入所述特定场所的目标活跃前科人员的行为数据；其中，所述特定场所位于所述目标区域内；
96.当根据所述行为数据确定所述目标活跃前科人员为涉及盗窃车辆的可疑人员时，向用户终端发送所述目标活跃前科人员的信息。
97.上述实施例中提供的数据处理装置、设备以及存储介质可执行本技术任意实施例所提供的数据处理方法，具备执行该方法相应的功能模块和有益效果。未在上述实施例中
详尽描述的技术细节，可参见本技术任意实施例所提供的数据处理方法。
98.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是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非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
99.以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
100.以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本技术专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。