隨著高清IP攝像機的普及，視頻監控系統平臺的視頻接入和存儲也越來越多，如何有效利用這些視頻資源，挖掘其潛在價值，是用戶當前面臨的首要問題。未來無疑是智能化的時代，海量數據挖掘的時代，一個更加便捷的時代。這一切的前提都依賴于智能算法、數據挖掘技術不斷突破和成熟。

　　文/宇視科技首席智能架構師 譚熾烈

傳統的視頻監控解決了視頻的存儲和回放，以及各廠商視頻流的互聯互通，但仍然無法準確識別、定位和查找視頻中的人，車，物等目標信息。目前，要實現全方位的實時監控，指揮調度，視頻錄像中可疑目標的檢索查證，還必須依靠大量的工作人員時刻緊盯屏幕，監視所有攝像機的實況視頻，以及回放相關視頻錄像，查找可疑人員，車輛目標和線索。這顯然需要耗費大量人力，而且難免也會因為疲勞和疏忽，而錯漏掉某些稍縱即逝的重要信息。

因此，圍繞公安業務需求的公安實戰平臺，結合視頻圖像偵查業務，對監控畫面中感興趣的目標視頻進行智能分析，提取可疑的人、車、物等目標信息，生成結構化的語義描述，從而實現特定目標的快速定位、查找和檢索。例如，當某現場發生案件，收集案發現場監控視頻，及所有聯網的公安視頻圖像、政府建設視頻、社會監控視頻。對涉案視頻進行智能分析，其相關聯的視頻中人、車目標進行信息提取。并對每個圖片和視頻進行目標對象可人工標注描述，實現視頻、圖片與對應人、車、物信息的關聯。然后上傳到視頻信息數據庫，作為基礎數據資源用于情報信息研判。還可利用GIS地圖可視化，結合時空信息，詳細刻畫可疑目標的活動軌跡，為偵破案件提供重要支持。公安實戰平臺有效的提升監控視頻資源利用，協助快速而準確的研判，提升工作效率。

智能分析技術應用

視頻智能分析是利用計算機圖像視覺處理、模式識別和機器學習等算法，分析和識別運動目標信息。作為公安實戰平臺中最為重要的環節，如下幾種智能分析需求應用更為迫切。

人臉識別

為了應對公共安全突發事件，比如波士頓馬拉松爆炸案，校園槍擊案，公安業務部門對人臉識別技術的尤為關注。另一方面，隨著圖像視覺和機器學習技術的不斷進步和產業化，人臉識別效果已逐漸受到公安部門的認可。

公安部門借助人臉卡口IPC攝像機的智能人臉檢測技術，在城市道路、廣場、娛樂場所及各類重點場所的人員目標的人臉識別，提取包括人的性別、戴眼鏡、年齡段等特征信息。從而實現人臉的實時布控、高危人員比對、以圖搜圖、語義搜索等方面的業務應用。比如，人臉布控業務是通過對場景中視頻的進行實時人臉采集和視頻分析，并與各種人臉庫提供的圖片(警綜、信綜、出入境、人口庫、追逃庫、犯罪人員庫等)進行實時比對。如果發現重點關注人員，將推送到公安實戰平臺客戶端或手機終端。另外公安實戰平臺與全國人口庫、常住人口庫、居住證人口庫等數據關聯，實現城市地鐵、機場、酒店的人臉識別系統的聯動。結合地圖業務應用，可實現軌跡回放、告警、查詢的可視化。

另外，事實上，在安防領域的人臉識別處于一種非常復雜的狀態的制約。實際監控場所得到的人臉圖片質量不高，距離研究領域的圖片，例如LFW數據庫，還相距甚遠。例如，光照，姿態，表情，飾物，遮擋，運動模糊，分辨率等都影響著人臉識別算法的實際應用推廣。已有的訓練算法，或者說已有的訓練數據無法表達出一個具有很強泛化能力的算法模型。

未來人臉識別模型如果需要取得突破，一方面需要更多更豐富的海量的樣本數據，如各種光照，姿態，表情下的人臉圖像。另一方面，深度學習模型還可以進一步優化和調整。不過到底什么樣的模型才算是最優的，目前業界并沒有很好的答案。

車輛識別

近年來，隨著智能交通的高清卡口相機的廣泛建設和應用，借助于智能識別算法和大規模集成電路技術的迅速發展，以及配套設施的工程施工標準化，對電警、卡口、停車場出入口等場所進行包括車牌識別在內的車輛特征識別，把車輛相關結構化信息存入基礎信息庫。智能分析識別的車輛特征信息越來越豐富，通常包括有車牌、車牌顏色、車標、車身顏色、車型、車款等。配合業務需求，還能檢測識別遮陽板、系安全帶、司乘人員的人臉檢測和抓拍、駕駛員打電話等細微信息。

基于這些車輛關鍵的特征信息，形成上億條過車記錄數據。也推動了后臺大數據分析服務的發展應用，和行業數據挖掘，形成例如套牌車分析識別、高危車輛積分模型、車輛行駛軌跡分析，時空碰撞等實戰技戰法的應用。對車輛特征數據的大數據搜索，即可迅速找到所有符合條件的車輛信息，包括行駛時間與方向，行駛速度，車牌號碼，車標，年款。結合以圖搜圖的檢索方法，在公安實戰平臺上調取卡口視頻和圖像文件，快速查詢到有關嫌疑車輛信息，還原車輛行駛的軌跡歷史信息，而且可以實現嫌疑車輛在整個城市的全程運行軌跡查詢，同時結合視頻監控信息，實現車輛全程化得可視化軌跡回放，以及對涉事車輛的精確布控和查詢。聯合車管所車輛信息庫，得到車輛和車主的信息、車輛活動信息、跟車信息等記錄。

視頻濃縮摘要

視頻濃縮摘要是通過對視頻錄像的智能分析，將其中有運動目標部分視頻截取下來，丟棄沒有運動目標的片段，通過視頻剪輯，形成一段段簡短的濃縮摘要視頻內容。視場景運動目標的分布有關，甚至于它可以將24小時內具有運動目標濃縮在短短十幾分鐘，甚至幾分鐘內的短片形式。

通過視頻解碼，提取目標的圖像特征信息，先定義好事件規則，過濾掉大部分用戶不關心的信息，保留行人、車輛或其他目標的活動細節。

圖像增強與復原

圖像增強與復原，是指通過圖像處理算法，把模糊等惡化的圖像通過增強工具進行清晰化處理。利用多種圖像處理算法，例如對視頻、圖片的亮度、白平衡、去霧、去模糊等多種智能處理，幫助還原現場的車輛和行人的本來面目，幫助快速梳理和清晰化相關線索。

視頻診斷

視頻診斷是檢測攝像機的圖像畫質異常，比如圖像模糊，鏡頭虛焦，攝像機外罩臟，亮度、對比度、偏色、橫條紋，雪花噪聲等圖像異常狀態檢測。隨著監控設備的不斷建設和擴容，像城市的眼睛一樣的前端IPC攝像機故障的影響越來越大，對其的檢測和維護也是必不可少。

面臨的問題

盡管各行業對智能分析的需求旺盛，但在實際的應用中主要存在以下方面問題：

準確率受環境影響大

視頻檢測、識別和報警功能在關鍵的場合已能發揮作用，但無法廣泛部署和規模的市場應 用。究其原因，視頻圖像分析算法仍然對環境敏感。環境中存在對智能分析算法的干擾因素較多，對智能分析的效果影響較大。例如，智能分析算法對環境中的光照變化敏感，針對不同角度復雜異常運動建模困難;目標與背景接近會導致目標檢測和特征信息提取困難;運動目標被遮擋會造成目標信息缺失;目標移動速度過快或算法過于復雜導致跟蹤的有效性較低。如果無法解決誤警率、漏報率高，目標跟蹤丟失等環境適應性的困難，市場仍將很難規模推廣應用。

海量數據分析速度慢

面對海量的前端攝像機送回的視頻、圖片數據，雖然后端智能分析平臺的性能不斷提升，但目標檢索速度仍然滿足不了公安業務部門的要求。而為了提升檢出率和降低誤報率，算法復雜度也在不斷提升，數據的分析，目標檢索速度仍然有提升的需求空間。