基于背景审查的旅客风险分级

针对目前我国安检措施存在的不足,以及缺少个人背景特征研究的现状,提出基于个人背景审查的旅客风险分级方法.利用公开的恐怖分子数据集,将样本按照危险等级分为高、中、低3类,首先使用SMOTE(Synthetic Minority Oversampling Technique)方法对训练集进行过采样,之后对比朴素贝叶斯、逻辑回归、支持向量机、多层感知机和决策树几个机器学习分类方法,根据个人背景特征对旅客进行危险等级评估.数据集测试表明,使用多层感知机作为分类器准确率最高,分类准确率为80.5％,平均F1为0.80,表明能够根据个人特征对人员进行风险分级.而且在旅客分级时,应当重点审查其从事职业、出生地和社会背景3个方面.     

Bi-PPYOLO tiny:一种轻量型的机场无人机检测方法

机场“黑飞”无人机的检测关系着整个机场的安全问题，机场现有基于雷达手段的无人机探测方法无法正确识别无人机的类型及个数。基于现有雷达探测无人机方法存在的缺点，对PPYOLO tiny目标检测方法在无人机检测中存在的问题进行改进，结合机场“黑飞”无人机的特性和硬件设备部署中模型参数量小的特性，提出了基于Bi-PPYOLO tiny的轻量型无人机检测方法，提出双锥台特征融合结构，并优化检测头部的锚框大小，有效提升了无人机的检测精度。经试验验证，该方法将平均检测精度P_mA从68.07%提升至76.71%,模型参数量为4.06 MB,推理速度为32.21帧/s。所提方法有助于轻量型无人机检测方法在光电设备上的部署与实施，与现有机场无人机探测手段共同保障机场安全。