以行人再识别技术为核心的多算法融合模型在网格化管理中的应用

张锦堂 刘文钢

摘   要：近年来，随着城市的发展，居民购房迁移、外地人口大量涌入，流动人口规模急剧膨胀，人户分离情况尤为突出，给城市社区的管理带来新的挑战。文章以社区网格化管理中的人员管理为切入点，利用深度学习方法下的ReID行人再识别、人脸识别算法与多算法融合技术，对社区内的人员进行人脸、人体图像采集，并进行特征比对、图像聚类处理，形成一人一档数据，实现对社区人员活动轨迹的刻画。某住宅小区自应用以来，已新增登记常住人口561人、暂住人口298人，小区实有人口登记率从41%提升至80%以上。

关键词：行人再识别;人脸识别;多算法融合;社区网格化管理

中图分类号： TP391.4          文献标识码：B

1 引言

随着工业化、城镇化的快速推进，流动人口规模急剧增长，人户分离情况尤为突出，给实有人口管理带来新的挑战。人工智能时代的到来，使得人们从视频图像中获取更多结构化、智能化信息成为可能，各类人工智能技术都已进入在实体场景中落地的阶段[1]。人脸识别、大数据等技术加载到社区场景应用中，完美结合落地[2]。社会面治安监控设施遍布大街小巷，为人工智能算法提供了丰富的数据基础。因此，如何整合利用海量视频图像信息，打破数据壁垒，通过ReID行人再识别、人脸识别与多算法融合技术，实现社区网格化人员高效管理，成为当前AI赋能的重要课题。

2 行人再识别及网格化管理的现状

2.1 行人再識别研究现状

行人再识别（Person Re-identification，ReID）技术起源于多摄像头跟踪，用于判断非重叠视域中拍摄到不同图像中的行人是否属于同一个人。作为人脸识别技术的重要补充，其发展内核便是在不同视频中，在无法获取清晰人脸特征信息的前提下，机器通过穿着、发型、体态等信息将同一个人识别出来，增强数据的时空连接性。把目标的表观信息、各场景之间的空间信息、时间信息等各种信息相融合，最终实现运动目标在不同摄像机下的连续跟踪[3]。

近年来，深度学习这一利器在自然语言处理、计算机视觉等领域表现突出[4]。行人再识别技术水平已经取得了极大提高，行业准确率普遍高于90%，达到商用水平。目前，诸多主攻机器视觉方向的人工智能企业，已经在不同行业的多个业务场景中落地行人再识别技术的应用。

由于行人再识别侧重对人体特征的描述，单纯的依赖ReID技术，无法将人体图片与人员身份信息有效关联，不足以支撑实有人口的管理工作。

2.2 网格化管理现状

随着城市的发展，本地居民购房迁移、外地人口大量地涌入，流动人口规模急剧膨胀，人户分离情况尤为突出，给社区实有人口管理带来新的挑战。传统的“以房管人、以证管人”，通过民警网格员上门登记等手段来做人口基础工作变得越来越困难。特别是在人口密集、流动频繁、群租现象普遍的住宅小区，上门采集往往事倍功半。一方面小区民警工作任务繁重，易造成人口漏登记、数据更新不及时;另一方面民警网格员无法及时掌握社区动态，对小区内新产生的问题无法立即知晓，延迟了解决问题的时机，不仅难以后续弥补，也可能引起居民的不满[5]。亟需通过人工智能图像处理技术，建设社区实有人口一人一档，支撑智能化推荐登记与重点人员管控，提升警务效率，提高居民的满意度。

3 以ReID为核心的多算法模型设计

综合上述现状分析，引入行人再识别、人脸识别与多算法融合技术，实现对社区人员的人脸、人体图像智能化采集、聚类、归档，形成社区人员专属数字化档案。

3.1 行人再识别算法优化

住宅小区的监控多数以大角度取景为主，主要用于居民轨迹的回溯，要对这些视频监控进行分析使用，需要对视频中的人体进行分析。视频中存在严重的着装相似、光照和视角变化、复杂背景和遮挡现象，因此识别难度很大，如图1所示。

针对小区场景做了专门的算法优化，主要有三点。

（1）受遮挡、姿态变化、视角变化等因素的影响，视频序列中行人的特征是不连续的。用全局特征来度量每一帧图片的权重往往会损失掉许多重要的信息。采用分割重组策略将特定局部特征重组成多个视频序列进行学习，进而极大地减少了局部特征损失对最终特征的影响。

（2）提出了全新的双向图注意力机制模块。将图卷积神经网络和SENet完美结合，在整个序列上进行通道域的模式选择学习。由于图卷积网络的特性，每一帧图片的注意力特征都是与其他帧相互学习结合的结果，从而极大地提高了特征的代表性。

（3）利用帧间相似度进行序列融合。与大多数利用循环神经网络进行融合算法相比，最大的优势是不需要训练额外的模型参数，仅通过数学计算的方式就可以达到融合的目的。在结合三元损失函数进行训练后，类间相似度得到了降低，进而提高再识别效果。

基于视频的行人再识别与单帧图片的行人再识别任务目的是相同的，即在视角不重叠的多摄像机网络下进行行人的匹配。由于单帧图片只包含有限的行人信息，网络提取的特征不具备足够的代表性，检测结果往往受图片质量的影响较大。与此相比，便凸出了视频序列的优势。一个短视频序列往往包含行人多运动状态下的更多特征，并且利用时序信息，可以将背景、遮挡等干扰因素的影响降到最低，提升识别的准确度，如图2所示。

3.2 人脸识别算法优化

人脸识别主要步骤为人脸检测、人脸裁剪、特征提取、特征比对得出余弦距离，根据阈值判断是否为同一个人[6]。人脸识别技术在布控抓逃、刑侦破案等方面已经发挥了巨大作用。但是，人脸识别技术的局限性也很明显，光照、姿态、表情、分辨率、遮挡等都会对人脸识别的效果产生影响，极大地限制了人脸识别的适用范围，为增强人脸识别算法的适应性，需要从多个角度进行优化，提升算法效果，如图3所示。

优化人脸检测、跟踪过程，采集图像效果最佳的人脸图片;通过算法去除抓拍图片中的噪声，增强图像效果;通过迁移学习，异构多模型融合，双代理对抗生成网络生成多面部姿态数据等方法提高识别的准确率。

3.3 多算法融合设计

系统采用多算法引擎设计，兼容人脸识别与ReID行人再识别算法，具备强大的场景适应性。在业务维度上通过综合展示，输出多个算法引擎的计算结果。

3.3.1算法接口设计

系统通过互联服务以信令方式提供API接口，API接口应实现注册、注销、接收、传输和发送信令流程消息。将数据存储、数据调用插件封装为API接口提供给算法引擎调用。API接口与算法引擎之间的通信，按照标准的传输控制协议进行交互[7]。

3.3.2算法应用设计

在应用中，通常以获取人脸图片为首要目标，在只有人体图片的时候，通过检索相似人体并从中挑选得到人脸图片，通过人脸图片查询人脸轨迹，此时可以获得人员较大范围的轨迹。由于人脸识别场景要求较高，其采集點位通常比人体识别少，通过人体识别可以对每个人脸点位的附近轨迹进行完善（需要人工辅助判别），从而细化人员运动轨迹。

3.4 图像聚类

通过海量图像聚类技术，将汇聚的“人脸图片、人体图片”自动归档，生成一脸一档信息，通过户籍信息（含底库图片）碰撞比对，生成实名制一人一档信息，如图4所示。

4 结果与分析

为探索以ReID行人再识别算法为核心的多算法研究在网格化管理中的应用可行性，在某小区进行试点测试。通过对某住宅小区内已有摄像机的安装角度、光线、位置及图像质量等因素的利旧分析，研究以行人再识别ReID算法为核心的多算法融合，论证行人再识别算法在住宅小区场景下应用的可行性。

首先利用人脸识别算法获取人脸图片，针对小区场景中由于着装相似、光照变化大、背景复杂和遮挡现象造成人脸难识别的问题，利用ReID行人再识别算法获取人体图片。通过人脸、人体图片碰撞分析，可获得人员在小区内较大范围的轨迹，同时图像自动聚类生成小区一人一档。

小区共有27幢（小高层15幢、别墅12幢），能够容纳居民2200余人，已经登记实有人口910人，有效登记率约为41%。该住宅小区试点测试以来，通过系统的人脸抓拍数据与已经登记的人口数据碰撞分析后，精准推送未登记人员信息1023条。目前，已新增登记常住人口561人、暂住人口298人，小区实有人口登记率提升至80%以上。

5 结束语

网格化管理的AI智能化升级需要在实践中接受检验。利用以行人再识别技术为核心的多算法融合在网格化实有人口管理中的应用实践，不断钻研新型社区管理警务模式，整合社区管理力量和警力资源，打造多种AI图像感知技术为基础、大数据分析为核心的应用平台。一方面解决了社区网格化管理的部分痛点，为居民提供安全的智能化社区生活环境，保障社区居民安全;另一方面大幅地提升了公安机关的工作效率，能够更好地服务人民群众、维护社会稳定。

参考文献

[1] 杜玉.人工智能商业化研究报告[R].36Kr，2019.

[2] 罗智波.智慧小区建设带给安防行业的发展机遇与挑战[J].中国安防，2018（11）：26-31.

[3] 康运锋，谢元涛，张世渝.人脸属性识别关键技术研究进展及应用探索[J].警察技术，2018（02）：12-16.

[4] 张赛男，李千目，桑笑楠，吕超贤，董潇.面部图像安全特征的多属性融合分析[J].网络空间安全，2019（04）：73-82.

[5] 陈军明，王宁.智能安防社区在警务实战中的思考[J].警察技术，2019（01）：68-71.

[6] 胡亚洲，周亚丽，张奇志.基于深度学习的人脸识别算法研究[J].计算机应用研究，2019，35（5）

[7] 叶统生.浅谈人脸大数据多算法融合技术[J].通讯世界， 2018（4）：87-88.