新聞中心
|
車臉識別在警務實戰(zhàn)中的系統(tǒng)實現(xiàn)與應用車臉識別在警務實戰(zhàn)中的系統(tǒng)實現(xiàn)與應用 本文轉載自:《特種裝備網(wǎng)》 傳統(tǒng)公安實戰(zhàn)業(yè)務中,車輛的識別主要依賴車牌圖像識別技術實現(xiàn)。伴隨著城市經(jīng)濟的高速發(fā)展和機動車規(guī)模急劇增長,與車輛相關的違法犯罪活動也日益猖獗,給公安車輛視圖實戰(zhàn)工作帶來極大的挑戰(zhàn)。 首先,在大部分案件中嫌疑車輛的車牌大多以套牌、假牌等手段進行偽裝,單獨采用車牌識別的方法并不能準確、快速確認車輛身份。其次,受光線、安裝條件的影響,現(xiàn)有前端系統(tǒng)車牌識別率不高,導致以車牌為線索的布控精度降低。再次,以車牌為核心的圖像識別系統(tǒng)獲得的信息量太少,無法充分有效地挖掘圖像監(jiān)控信息潛在的價值。 當前大數(shù)據(jù)、人工智能等高新技術蓬勃發(fā)展,面對人、車日益增長的復雜社會局面和治安態(tài)勢,充分利用人工智能和大數(shù)據(jù)分析技術,破除傳統(tǒng)的以車牌為核心的查詢分析桎梏,變“事后查詢處置”為“事前主動研判、預警”,將是未來以車輛視圖分析為核心的警務實戰(zhàn)應用的主流發(fā)展趨勢。 一、系統(tǒng)架構 根據(jù)蘭州市公安系統(tǒng)技術現(xiàn)狀和業(yè)務需求,結合當前先進的Hadoop分布式大數(shù)據(jù)平臺設計理念進行本系統(tǒng)的規(guī)劃設計。系統(tǒng)是公安機關業(yè)務數(shù)據(jù)運算分析和人機交互的平臺,分為派出所、區(qū)縣分局、市局三級業(yè)務系統(tǒng),根據(jù)不同的層級設定不同的管理用戶和訪問權限。 (一)數(shù)據(jù)源 主要實現(xiàn)卡口圖像、Wi-Fi數(shù)據(jù)、其它資源數(shù)據(jù)的接入,并完成數(shù)據(jù)的抽取、清洗、加工、整理并加載到數(shù)據(jù)倉庫和大數(shù)據(jù)平臺。這些數(shù)據(jù)包括車輛圖像結構化數(shù)據(jù)、半結構化數(shù)據(jù)以及非結構化數(shù)據(jù)。視頻流、圖片等非結構化數(shù)據(jù)則首先通過深度學習車臉識別分析技術將其進行一次、二次、三次識別,并將圖像與從中提取到的車輛牌照、抓拍位置、抓拍時間、車輛特征及車內(nèi)特征進行分離并形成一個多達4000維的車輛特征信息庫。 (二)大數(shù)據(jù)平臺 根據(jù)具體需求實現(xiàn)對圖像識別的數(shù)據(jù)資源的集中存儲與管理,并根據(jù)系統(tǒng)設計需求面向各個業(yè)務部門提供不同的應用支持。大數(shù)據(jù)平臺包括數(shù)據(jù)倉庫和大數(shù)據(jù)平臺。數(shù)據(jù)倉庫主要處理結構化數(shù)據(jù),包含過車信息、設備信息、營運信息、車輛信息、駕駛員信息、違章信息、違章處理信息、車道卡口信息、車輛識別信息、車輛的一次二次三次識別信息等明細數(shù)據(jù),也包含日常分析所涉及的日匯總、月匯總數(shù)據(jù),以及某些個性化數(shù)據(jù)。大數(shù)據(jù)平臺則主要處理非結構化數(shù)據(jù),如視頻流、圖片等,同時為處理方便也將一些數(shù)據(jù)倉庫的結構化數(shù)據(jù)納入其中進行處理。 (三)智能調(diào)度引擎 對客戶端的請求進行分析后,以任務為單位或針對前臺應用訪問需求,結合系統(tǒng)當前運行狀態(tài)選擇最適合的操作模式,通常包括自動調(diào)度、自動切換、動態(tài)分配、容災備份等智能操作模式。系統(tǒng)將根據(jù)任務的不同分配相應的運算資源,從而起到合理分配資源、效率最大化的目的。 (四)應用層 應用層主要為使用對象提供了多種數(shù)據(jù)可視化模塊,同時為一線業(yè)務需求和各級領導數(shù)據(jù)決策分析提供邏輯支撐,通常包括基礎應用,如視頻查詢、圖片查詢、以圖搜車、特征搜車、綜合查詢等功能,實現(xiàn)各種關聯(lián)業(yè)務信息的查詢,如駕駛員查詢、人員數(shù)據(jù)查詢、通信數(shù)據(jù)關聯(lián)等。提供車輛軌跡分析、跟車關聯(lián)分析以及人、車、Wi-Fi并軌分析研判等功能。 二、關鍵技術 (一)深度學習車臉識別技術 系統(tǒng)采用CNN圖像深度學習車臉識別技術和GPU、CPU異構運算架構,不依賴車牌識別信息,通過機器學習和人工智能技術,有效提取車牌特征(顏色、結構、可見字符等)、車輛品牌(300余種)、年款或子車型(7000余種)、顏色(10種)、車輛類型(10種)、車燈、格柵、車身粘貼物、車窗粘貼物、車內(nèi)掛件擺件等多達4000維微特征信息,為大數(shù)據(jù)平臺實現(xiàn)以圖搜車、以圖搜圖、以圖布控、虛擬車牌檢索等視圖應用提供可靠的技術支撐。 (二)多元數(shù)據(jù)并軌分析技術 對接卡口數(shù)據(jù)、微卡口數(shù)據(jù)、Wi-Fi探針數(shù)據(jù)等,采用結果融合、過程融合和決策融合等手段,實現(xiàn)多種人車軌跡數(shù)據(jù)的互查、互補和并軌分析。可以有效彌補因?qū)I(yè)卡口點位不足、拍攝精度不高等造成的人車軌跡過粗、間隙過大、漏洞過多等問題。 (三)增強學習與機器學習 增強學習(Reinforcement Learning,RL)又叫做強化學習,是近年來機器學習和智能控制領域的主要方法之一,也是當前熱門的研究課題。機器學習則是一門多領域交叉學科,涉及概率論、統(tǒng)計學等多門學科,專門研究計算機怎樣模擬人類的學習行為,并不斷獲取新的知識和技能提升自身的性能。 (四)Hadoop分布式運算 基于Hadoop分布式大數(shù)據(jù)架構構建公安車輛視圖大數(shù)據(jù)平臺,采用HDFS、Hbase、Hive、MapReduce等技術,解決目前所遇到的大數(shù)據(jù)量查詢、模糊查詢、非結構化數(shù)據(jù)查詢等瓶頸問題。 三、解決方案 (一)數(shù)據(jù)接入 系統(tǒng)對接雪亮工程、平安城市、天網(wǎng)工程等視頻和綜合監(jiān)控系統(tǒng),充分整合公安接處警、案件庫、高危人員庫、人口庫、戶政及車駕管等業(yè)務數(shù)據(jù),以車臉分析數(shù)據(jù)為基礎、Wi-Fi數(shù)據(jù)為補充,快速在系統(tǒng)中實現(xiàn)嫌疑人員、車輛定位、行為分析、軌跡分析等,實現(xiàn)對嫌疑人、車的積分研判、危險預警、重點查控等應用。 (二)系統(tǒng)特點 1.兼容治安卡口、微卡口、執(zhí)法終端等多種復雜場景圖像數(shù)據(jù) 系統(tǒng)通過對車輛多角度微特征的大樣本量訓練和特征提取,能夠充分兼容標準治安卡口、微卡口(視頻監(jiān)控)、電警、執(zhí)法記錄儀等多種視角條件下的智能車臉識別和結構化信息提取。從而增加系統(tǒng)對前端采集數(shù)據(jù)的廣泛適應性,為大數(shù)據(jù)分析實現(xiàn)更精確、更細致的車輛軌跡描繪、精確檢索和查詢提供基礎。 2.采用深度學習技術,自動區(qū)分車頭、車尾圖像和不完整圖像 系統(tǒng)采用CNN深度卷積神經(jīng)網(wǎng)絡,基于千萬級的車輛圖片樣本訓練,可自動基于車輛圖像特征對車頭、車尾進行判斷,采用相對應的精確模型進行分析,以便獲得更加實時、準確、高效的識別信息。對通常的標準正向卡口圖片、背向電警圖片、復雜微卡口圖片、拍攝不完整的車輛圖片等,同樣可以進行結構化分析,讓系統(tǒng)真正具備“雁過留痕”的能力。 3.車、人、Wi-Fi并軌分析,準確定位嫌疑目標軌跡 目前治安卡口所采集的圖像效果最佳,信息量最大,但是點位相對較少,完全依賴卡口圖像生成的車輛軌跡不夠準確和細致,而通過增加駕駛員人臉卡口、Wi-Fi探針數(shù)據(jù)則可實現(xiàn)人車、Wi-Fi軌跡合并分析,從而能夠起到補位的效果,為大數(shù)據(jù)系統(tǒng)實現(xiàn)更準確、細致的軌跡分析提供基礎。 4.采用分布式大數(shù)據(jù)運算技術,實現(xiàn)海量數(shù)據(jù)查詢和大數(shù)據(jù)分析 采用CPU、GPU異構運算平臺和Hadoop分布式大數(shù)據(jù)技術,借助高效的GPU服務器,能夠?qū)崿F(xiàn)高效的車臉視圖分析和數(shù)據(jù)調(diào)度管理服務。Hadoop分布式運算能夠很好利用現(xiàn)有的服務器,實現(xiàn)高效的數(shù)據(jù)并發(fā)運算和訪問支撐,具有充分容錯性能,并具有設備利舊、節(jié)省系統(tǒng)投資等優(yōu)勢。 (三)功能實現(xiàn) 1.數(shù)據(jù)可視化 基于車牌、車流量、品牌、年款等車臉圖像識別數(shù)據(jù)和積分研判分析數(shù)據(jù)等,采用計算機圖形、圖像、計算機視覺以及用戶界面,通過表達、建模、屬性及動畫的展示方式,對主要業(yè)務數(shù)據(jù)(如車流量、數(shù)據(jù)挖掘、車輛分布、過車排名、違法排名、無牌車、假套牌車等)加以可視化解釋。旨在借助圖形化手段,清晰有效地傳達與溝通信息,便于一線民警和管理者快速、有效地理解數(shù)據(jù)、分析結果,提升管理、指揮和決策能力。 2.智能搜索 采用深度學習車臉識別與智能分析、視頻結構化分析、搜索引擎等技術,基于卡口圖像數(shù)據(jù)、過車數(shù)據(jù)、車臉識別數(shù)據(jù)、Wi-Fi數(shù)據(jù)等,為平臺使用者提供全方位的人、車、Wi-Fi關聯(lián)搜索、綜合查詢等功能。用戶可以通過百度搜索模式,以文本描述方式實現(xiàn)快速、便捷的目標車輛全文檢索,還可以車輛圖像線索為依據(jù),通過圖像結構化、特征比對分析等技術,實現(xiàn)以圖搜車、特征搜車、品牌搜索、年款查詢、顏色及車輛類型等單一維度或多維度的模糊查詢或精確搜索功能。 3.大數(shù)據(jù)分析研判 涉牌車輛分析,依托車牌識別、車臉識別數(shù)據(jù)、Wi-Fi數(shù)據(jù)等,采用機器學習、增強學習等技術,基于實時分析數(shù)據(jù)和歷史數(shù)據(jù)、特征信息的比對分析、車駕管數(shù)據(jù)比對等技術手段,對不按規(guī)定懸掛號牌、套用他人車牌、假冒車牌等違法車輛信息自動挖掘、行為分析和身份碰撞分析。車輛軌跡時空碰撞分析,基于車牌識別、車輛識別W-Fi數(shù)據(jù)等,根據(jù)歷史軌跡數(shù)據(jù)、實時數(shù)據(jù)等進行多元時空并軌分析,實現(xiàn)如固定路線行駛車輛、異常聚集、熱點路徑等常用分析功能。 4.技戰(zhàn)法分析 基于車臉視圖分析數(shù)據(jù)、Wi-Fi數(shù)據(jù)、GIS/GPS數(shù)據(jù),采用時空碰撞、軌跡研判分析等技術,結合公安業(yè)務實戰(zhàn)經(jīng)驗形成多種車輛技戰(zhàn)法工具,實現(xiàn)了包括人車軌跡分析、伴隨行為分析、落腳點分析、異常軌跡分析、初次入城分析、出行規(guī)律、遮擋號牌等十余種常見功能,為一線民警針對涉車、涉牌案件的分析研判提供強有力的技術支撐。 5.車輛專題分析 系統(tǒng)對接車駕管、人口庫、案件庫、違法信息等數(shù)據(jù),基于車輛、Wi-Fi信息等在大數(shù)據(jù)系統(tǒng)中形成的時空軌跡、行為特性、關系拓撲、系統(tǒng)關注排名等形成車輛專題分析。一線民警通過這一功能,可以車牌號牌或Wi-Fi、駕駛人或車主為線索,快速了解目標車、目標人的相關信息,以及嫌疑人近期出行軌跡、出現(xiàn)規(guī)律、活動范圍、所駕車輛、所有車輛、系統(tǒng)關注度等重要信息,為重要案件的偵破和重點人、車監(jiān)管提供快捷、高效的實戰(zhàn)工具。 四、實戰(zhàn)應用 系統(tǒng)第一期于2016年底開始研發(fā),2017年7月正式上線運行。至今已歷經(jīng)三期建設,日均圖片數(shù)據(jù)處理量2500萬張/天,協(xié)助蘭州市公安局一線民警破獲了多起套牌車、無牌車違法案件。 2018年11月1日傍晚,系統(tǒng)通過自動時空邏輯分析產(chǎn)生套牌車輛疑似數(shù)據(jù)報警,發(fā)現(xiàn)兩輛同牌號出租車在同一數(shù)據(jù)分析時段、距離較遠的兩個卡口同時出現(xiàn)。 值班人員查看系統(tǒng)推送的兩輛車抓拍圖像,發(fā)現(xiàn)尾部存在明顯圖像差別,確認系套牌車無疑(上為原車、下為套牌車) 通過以圖搜車等技術,調(diào)取兩輛車正面關聯(lián)圖像,發(fā)現(xiàn)兩車正面圖像也存在明顯差異,進一步確認其為套牌車輛。 通過大數(shù)據(jù)實戰(zhàn)工具對目標車輛的行車軌跡和駐泊地進行分析,初步確定嫌疑車輛的駐泊區(qū)域和經(jīng)常出現(xiàn)的路段、卡口位置等。 進一步使用出行規(guī)律分析工具,對嫌疑車輛的出行規(guī)律進行分析,確定布控和抓捕時間,最終通過靜態(tài)布控破獲該案。 五、結束語 本文從公安機關面臨的社會環(huán)境和技術現(xiàn)狀入手,依托多警種合成作戰(zhàn)和大數(shù)據(jù)研判需求,結合深度學習車臉識別和視圖大數(shù)據(jù)系統(tǒng)的技術特點分析,提出了基于車臉識別技術的公安車輛視圖大數(shù)據(jù)系統(tǒng)解決方案,并通過實戰(zhàn)案例進行驗證。車臉識別是一項新興技術,優(yōu)點和局限并存。作為一線警務工作者,要在實戰(zhàn)中不斷總結和完善,使其能夠真正服務實戰(zhàn),以大數(shù)據(jù)為抓手,切實、有效地提升公安警務實戰(zhàn)效能。
參考文獻 [1]胡少云.基于平安城市的車輛大數(shù)據(jù)研判應用模型研究[J]智能建筑,2017(8):45-47. [2]侯偉,周川.公安視頻圖像信息技術應用與對策[J]圖像與多媒體技術,2018(1):82. [3]武亞軍.視頻圖像偵查在公安工作中的發(fā)展和應用[D]西北大學,2015. [4]胡明舒,張學謙,陳志華.基于視圖警務云平臺的車輛大數(shù)據(jù)應用[J]中國公共安全,2014(23):015
|


