人工智能在公安视频监控领域的应用研究

摘  要：2016年以来，人工智能得到长足的发展，国家也开始大力发展人工智能产业。人工智能算法日趋成熟并进入商用阶段，智能硬件具备更高的算力足以支撑千亿人脸大库。与此同时，公安拥有海量的数据可供应用开发。面对日趋复杂的公共安全治安形势，对如何利用新兴人工智能技术支撑实战应用提出了更高的要求，只有不断对其探索和研究才能建立更主动、更智慧的平安城市立体化安全防御体系。

关键词：人工智能;视频监控;人脸识别;算法;计算机视觉

中图分类号：TP18;TN948.6      文獻标识码：A 文章编号：2096-4706（2019）13-0091-03

Application Research of Artificial Intelligence in the Field of

Public Security Video Surveillance

YU Dayong

（PCI-Suntek Technology Co.，Ltd.，Guangzhou  510653，China）

Abstract：Since 2016，artificial intelligence has been greatly developed，and the country has begun to vigorously develop the artificial intelligence industry. The algorithm is maturing and entering the commercial stage，and the hardware has a higher computing power to support the 100 billion face database. At the same time，the public security has a huge amount of data for application development. In the face of the increasingly complex public security situation，how to use the new artificial intelligence technology to support practical applications puts forward higher requirements，in order to establish a more active and smarter three-dimensional security defense system for safe cities.

Keywords：artificial intelligence;video surveillance;face recognition;algorithms;computer vision

0  引  言

根据中国安全防范产品行业协会统计的数据，至2017年底，全国安装视频监控的公共区域摄像机数量超过2800万台，覆盖了城市的重点区域、重点场所、主干道路、重点建筑，也涉及公安、应急、交通、城管多个行业，构筑了视频监控的“天网工程”。大量的视频监控摄像机产生了海量的视频录像数据，这些录像数据就像“沉睡”的金矿，传统方式下，单纯依靠人工监视和录像回放已无法满足公安业务的实战要求，如何让计算机能够直接读懂视频监控画面中的信息，就依赖于计算机视觉识别技术，依赖于人工智能技术的发展，人脸识别、车牌识别、特征识别、视频结构化、ReID、结构光、TOF等技术成为有效化解制约瓶颈的有效途径。AI技术与视频监控技术的结合，是视频监控系统智能化应用研究的重要方向。

1  AI在公安视频监控领域的应用

目前成熟应用于公安视频监控领域的AI技术主要包括车辆识别、人脸识别和ReID三种技术，结构光、TOF（飞行时间测距法）也在研究当中。

第一，车辆识别技术。车辆识别包括车牌识别和车辆特征二次识别两大技术。车牌识别多应用在卡口、电子警察和停车场的出入口。以车牌识别数据为基础，并通过与车辆信息库关联，开展相应的业务应用。车牌识别属于OCR文字识别的范畴;车辆特征二次识别可以识别车牌之外的特征信息，包括：车辆类型、车辆品牌、车辆子品牌、车牌类型、车身颜色、安全带、遮阳板、打手机、车辆特征（包含年检标志、纸巾盒、遮阳板、摆件、挂件、车身喷字）等特征信息数据，对无牌照或遮挡牌照车辆也可进行车型识别，还可识别部分拍摄残缺照片（车头缺失不超过1/2），可以说大大挖掘了视频和图像的潜力，而且车标、颜色、标志物相对来说属于分类识别，也比较容易实现，于是市场上出现了多种车辆大数据平台，也出现了各种车辆技战法和应用，这都是AI赋能的结果。

第二，人脸识别技术。人脸识别技术是基于人的脸部特征信息进行身份识别的一种生物识别技术。在公安领域的实战应用更注重动态人脸识别技术，安装人脸抓拍机（人脸抓拍摄像机适合安装在宽度2.5-3.5米的单一通道），人脸识别算法和相应技术多用于人员防控、人员管控和身份认证。把视频抓拍的照片送至人脸识别系统进行比对，记录比对结果，对发现的高危人员和重点人员进行标注后，产生实时告警并联动相应的业务流程。不同光照、角度下的人脸识别的效率和性能有所不同。

第三，ReID技术。ReID就是行人再识别（也叫跨镜追踪），全写是Re-identification，从其字面意思可以理解出，就是对于监控摄像机下的物体进行重新识别和辨认。如对人物的识别，能够辨认出人的服装穿着、体态和人体其他代表性特征。它可以通过跨摄像机镜头，来对行人进行识别、追踪和检索。用来作为对人脸识别技术的重要补充，对于无法捕捉到清晰人脸的行人，可以采用跨镜头持续进行跟踪。跨镜追踪技术发挥空间大，有着很大的实用价值，在公安视频监控领域大有所为。

2  AI在近年来的突破

AI是2018年的热点技术，结合这一年以来AI的发展情况以及笔者对AI的理解，关于AI在公安领域的应用研究如下。

2.1  自然语言处理（NLP）

自然语言处理（NLP）是指计算机拥有识别理解人类文本语言的能力，是计算机科学与人类语言学的交叉学科。自然语言是人与动物之间的最大区别，人类的思维建立在语言之上，所以自然语言处理也就代表了人工智能的最终目标。机器若想实现真正的智能自然语言处理是必不可少的一环。[1]NLP在公安的最佳应用是语音识别，通过声音可以判定人的身份（声纹），通过NLP获取语音中的文字信息，为公安技侦应用提供技术支撑，未来有望形成大面积落地应用。

2.2  计算机视觉（CV）

计算机视觉（Computer Version，CV）是从图像或者视频中提出符号或者数值信息，分析计算该信息以进行目标的识别、检测和跟踪等。更形象地说，计算机视觉就是让计算机像人类一样能看到图像，并看懂理解图像。到80、90年代，计算机视觉迅速发展，形成感知特征的新理论框架并逐渐应用到工业环境中。到21世纪，计算机视觉领域呈现许多新的趋势，计算机视觉与计算机图形学深度结合，基于计算机视觉的应用也呈爆炸性增长，除了在手机、电脑上的应用，计算机视觉技术在交通、安防、医疗、机器人上有各种各样形态的应用[2]。计算机视觉的四大基本任务包括：分类、定位、语义分割和实例分割，近期又引入3D结构光和TOF技术做深度计算，以3D识别代替2D识别。CV技术在公安行业的典型应用包括：人脸识别、车辆识别、行为识别和特征属性识别。

2.3  工具和框架

2.3.1  TensorFlow

TensorFlow是谷歌开发的用于深度学习或人工神经网络的开源软件库。它由Google AI团队内的Google Brain团队开发，并于2015年11月9日在Apache 2.0开源许可下发布。TensorFlow使用数据流图进行数值计算。它具有非常灵活的体系结构，可以轻松部署跨各种平台（CPU，GPU，TPU）以及从台式机到服务器群集到移动和边缘设备的计算。

2.3.2  PyTorch

PyTorch，是2017年Facebook在GitHub上开源的深度学习框架，PyTorch发布的较晚，但是热度强劲，PyTorch是一个设计极为先进的框架，遵循“Python优先”的原则。PyTorch不是简单的封装Torch的接口，而是对Tensor之上的所有模块进行改造，新增了最先进也是PyTorch最显著的特点自动求导，成为目前最流行的深度学习框架。

2.3.3  CNTK

微软认知工具包（以前称为CNTK）由微软研究院开发。CNTK具高度的可定制性，因为它具有更快的训练时间和易于使用的体系结构。无论是在只有CPU，单个GPU，多个GPU或具有多个GPU的多个机器上运行，它都拥有出色的性能。它允许你选择自己的参数、算法和网络。它是用Python和C++编写的。虽然它在语音识别领域更受欢迎，但CNTK也可以用于文本、图像和RNN训练（递归神经网络：一种神经网络）。

2.3.4  Theano

Theano是一个专为深度学习而设计的Python库。它允许你定义、优化和评估涉及高效率的多维数组的数学表达式。它可以使用GPU并执行有效的符号区分。该工具具有与NumPy集成、动态C代码生成和符号区分等功能。该工具支持Linux，Mac OS X和Windows等平台。

2.3.5  Keras

Keras是一个用Python编写的开放源码库，这种高水平的神经网络API旨在使用深度神经网络进行快速实验。它侧重于用户友好、模块化和可扩展性。该工具针对CPU和GPU进行了优化。

2.4  强化学习

强化学习是人工智能中策略学习的一种，是一种重要的机器学习方法，在智能控制机器人及分析预测等领域有许多应用。又称再励学习、评价学习，是从动物学习、参数扰动自适应控制等理论发展而来的。常用的强化学习算法包括TD（Temporal Difference）算法、Q-learning算法、Sarsa算法等。

3  算法和硬件

3.1  AI算法

在机器学习领域，有几种主要的学习方式，即监督式学习、非监督式学习、半监督式学习。有了算法，有了被训练的数据（清洗过的数据），经过多次训练（算力）后，经过模型评估和算法人员调试后，会获得训练模型。当新的数据输入后，那么训练模型就会给出结果。业务要求的最基础的功能就算实现了。

3.2  AI芯片

目前，主流的AI芯片基本以GPU、FPGA、ASIC以及类脑芯片为主，它们各自发挥优势，多种类型的芯片组合应用，呈现多技术路径并行发展态势。深度学习引领了本轮AI发展热潮。随着深度学习模型算法对大规模并行计算能力的需求不断激增，GPU、FPGA等通用芯片存在性能、功耗等方面的瓶颈，无法满足AI巨大的算力需求。ASIC等专用芯片应运而生，满足不同应用、不同算法和不同终端的需求。但目前AI算法仍處于快速演进阶段，还不存在适应所有应用的通用AI算法，AI芯片也就没有确定的架构。这使得定制化的ASIC专用芯片开发周期长，迭代进化快，资金和技术风险都很高。因此，AI芯片技术还存在着巨大的探索空间和创新空间，尤其是在算法基础理论研究和芯片设计架构创新方面[3]。

4  结  论

人工智能的应用研究迎来了转折点，国家大力发展人工智能产业，在人工智能领域我国拥有海量的可被计算、训练和挖掘的数据，尤其是在更高的计算能力、深度学习模型的建立等因素的推动下，使得人工智能算法应用领域取得了重大突破。人工智能未来发展的前景广阔，充分利用深度学习技术挖掘可用数据潜力、改善决策的过程，产生更高阶的智能，从而获得更便捷的服务，全方面改善我们的生活，不断提高我们对世界的认知。

面对日趋复杂的公共安全形势，对于新兴人工智能的实战支撑能力提出了更高的要求，单单针对单一维度、单一类型的大数据挖掘分析无法满足公共安全领域业务发展的需要。只有立足实战，多种资源关联叠加，构建了资源服务体系和应用体系，实现多维感知数据的汇聚、解析和存储之后，才能实现AI、视频大数据、公安业务的融合和应用。

参考文献：

[1] 崔雍浩，商聪，陈锶奇，郝建业.人工智能综述：AI的发展 [J].无线电通信技术，2019，45（3）：225-231.

[2] 倪晨旭.计算机视觉研究综述 [J].电子世界，2018（1）：91+93.

[3] 李丽婷.人工智能芯片技术进展及产业发展研究报告 [J].厦门科技，2019（1）：1-9.

作者简介：于大勇（1982.12-），男，汉族，黑龙江肇东人，总经理助理，本科，研究方向：AI算法在安防领域的赋能以及业务应用支撑。