边缘计算在视频侦查中的应用

贾晓千，陈 刚，李白冰

中国人民公安大学，北京 100038

1 引言

视频侦查技术在公安部门“金盾工程”“雪亮工程”等系统建设工程的基础上实现了一次次突破性发展。至今，基于视频侦查技术的侦查方法、侦查思维和侦查工作体系已经相当完善，视频侦查技术成为继公安刑事技术、行动技术（即技术侦查）、网络安全保卫技术之后的第四大公安专门技术[1]。但视频监控的数据安全与公民隐私保护、数据共享、数据运算等问题严重抑制着视频侦查的发展。

视频监控的主要侦查应用价值就是其所记录的案件视频图像。通常情况下，调取案发现场周遭的视频监控就能发现案件侦破的重要线索，而这种几率与案发环境的监控探头密度息息相关。监控探头密度越大、犯罪案件侦破率越高的思维直接造成了全国范围内的监控安装竞赛[2]。监控摄像头的大规模部署，带来了犯罪侦查和犯罪防治等方面的种种益处，基本实现了主要城市街区的无死角监控。大量案件的犯罪过程被完整、清晰地记录下来，成为指控犯罪、证明案件事实的最有力证据。在东部某市的调研中，发现视频侦查已成为侦查部门应用最多的侦查技术，甚至在派出所都成立了专门的视频侦查队伍，“有犯罪看监控”成为侦查工作中的惯性操作。

但是，视频监控的部署由各省市县乡相关部门自主规划、招标，造成了监控体系下设备参数参差不齐的现状，而隐藏在背后的，是监控视频图像基础数据的异构问题，即通常所说的“数据孤岛”。大数据侦查的价值在于数据信息的挖掘与分析，不能整合应用的数据将成为数据“垃圾”。在这种情况下，建立于高层级的合成作战平台会受到底层数据非结构化问题的制约，数据共享也只能在侦查局部有限展开，视频侦查技术的应用受到人为因素的干涉。数据融合与共享障碍也是AI警务发展的最大难题与挑战之一。

此外，大规模监控摄像头的运转对应的是更大规模的视频监控数据。首先，当前对于视频监控信息的后台存储做法不一，普遍自行存储、管理的状态造成了视频监控保存期限的差异，但一般局限在2～3 个月的范围内。这对侦查办案的效率提出了极高的要求，因为新的监控信息在不断覆盖旧有信息的存储空间，有价值的侦查线索可能因不及时发现而永久灭失。其次，海量视频监控数据的另一个特征是有价值侦查信息密度相对较低，单纯依靠扩大云端或本地存储规模的做法收效甚微。在具体案件的侦办中，对视频监控数据信息的检索也无异于大海捞针，侦查资源在视频侦查过程中浪费严重。最后，在现有技术下，海量视频数据通过蜂窝网络、互联网和VPN 技术进行传输，带宽的限制致使数据传输效率难以得到保障。视频数据云端接收出现的高时延使紧急性侦查措施的实施和突发性刑事案件的处置出现滞后，而在某些情况下，这种滞后能直接影响到案件的最终侦办结果。如何在各种载体中获取有用信息，将大数据变成小数据是急需克服的问题[3]。

视频监控系统的粗放式管理还对公民的隐私权保护带来挑战。在公民权利意识逐渐觉醒的时代背景下，侦查机关因公民个人信息的不当使用和泄漏屡受质疑。视频监控系统的密集分布，不仅记录了犯罪行为和犯罪嫌疑人的痕迹，也将大量普通公民的日常行为痕迹拍摄下来。这种情况下，视频监控数据一旦被黑客或管理者不法利用，就能反为犯罪提高精度和破坏力，如何平衡扩大视频监控体系规模与维护公民个人信息成为横亘在侦查机关和全社会面前的一道难题。

综上所述，视频侦查的应用存在一定的局限性，而所有问题的根源集中在视频监控数据的收集、传输、存储、处理和共享等几个方面。而源头数据质量瑕疵将直接导致误导性甚至根本性错误[4]。因此，针对视频监控基础数据的技术处理，有望从根本上重塑视频侦查技术。基于数据分布式收集与处理的边缘计算模型，依托边缘化的服务器实现边缘端的数据预处理，强化“边云协同”，能为视频侦查技术的规制与发展提供新的技术解决路径。

2 边缘计算概述

边缘计算是在靠近物或数据源头的网络边缘侧，融合开放式分布平台，就近提供边缘智能服务的计算模型[5]。它在数据源点结合AI 等技术对数据进行初步处理。边缘计算的模型理念是将云端服务器复制到数据源附近，计算通常发生在数据源的附近[6]，使数据产生即处理。因此实现了计算流的双向运转，其基本的模型架构如图1所示[7]。这种处理模式表面上看起来是增加了一道数据流程，但是该环节的加入可以在精简数据规模的基础上，实现行业数字化的低时延传输、数据优化、可信共享和数据安全管理。

图1 边缘计算模型

边缘计算在工业领域和智慧交通建设中已经有了较为成熟的应用，正逐步向公安、政府、医疗等行业过渡。目前，已经有部分研究者提出了边缘计算助力大数据侦查[4]的理念，边缘计算在智慧监控体系中的应用也得到了初步的探索，但作为边缘计算侦查应用的前沿性模块，边缘计算与视频侦查技术的融合发展却尚未引起公安学相关研究领域的重视。而视频侦查领域是当前边缘计算与公安工作融合发展的最佳结合点，基于对视频监控数据流程的再造可以最大限度地释放侦查效能。

3 边缘计算的视频侦查应用初探

“科层制”侦查体制与边缘计算具有相容性，为边缘计算在视频侦查中的应用提供了组织基础。边缘计算的模型架构与数据处理逻辑与侦查体制具有相似性，将边缘计算应用于视频侦查领域不需要对现有组织体制、机构设置做较大变动。反过来，边缘计算的应用还能为下一步的侦查体制改革提供一些有益思路。在这种情形下，边缘计算在视频侦查领域的应用具有实践上的可行性，提出了其应用的技术架构设计和路径分析。

3.1 边缘计算应用于视频侦查的可行性分析

视频侦查为法律所规制，又为技术所调整。法律与技术在不同层面发挥着互补性作用，共同影响着视频侦查的发展。但法律依托违法制裁措施维护权威，技术的影响则从根源上实施。因此，就视频侦查的发展与完善而言，边缘计算的引进具有内在的合理性和极大的应用价值。

可适用于视频侦查技术的边缘计算模型架构大致如图2 所示。以数据的生产、传输、处理和应用顺序为逻辑，可以将边缘计算模型粗略划分为三个层次。处于模型最底层的设备端，由监控探头部分和接口部分组成。监控探头是视频侦查中最基础的数据采集设备，也是该边缘计算模型的最主要数据生成装置。视频监控数据产生后，设备端还需要通过通信技术将记录的视频数据向上进行传输。处于中间层次的是边缘端，也是边缘计算模型的核心，边缘端由边缘节点和边缘管理器组成[8]。边缘节点是实体硬件，承载着边缘计算业务的核心，而边缘管理器的功能就是对边缘节点进行统一的管理[9]。在边缘节点部分，边缘端计算/网络/存储调用API模块的存在可以解决不同类型的视频数据接入问题，同时保障必要的资源调配能力。对接受数据的管理主要通过数据控制模块进行，负责安排视频数据的处理流程，进行数据感知和执行。数据分析模块具有视频数据的预处理、流分析和函数计算等能力，设备端产生的视频数据在此分流，无价值视频数据被留置。数据优化模块是视频数据在边缘端走过的最后一道处理程序，在此可实现数据加密或数据结构的调整。在边缘管理器部分，管理器通过模型驱动的业务安排对边缘端资源进行调用，管理边缘节点设备的运行，管理视频监控数据生命周期。

图2 应用于视频侦查技术的边缘计算模型架构

边缘端通过任务调度模型将预处理后的视频传输到远端的云中心视频服务器集群，对视频流做进一步的分析处理[10]。现有的数据挖掘、分析和应用等技术已经相对较为成熟，预处理后的数据价值在云端更容易得到应用，视频数据提升为视频信息进而发展成视频情报，为各种视频侦查技战法的应用提供应用平台。大数据融合云计算和AI 警务，能为侦查工作提供有力的警务云服务，为边缘计算在视频侦查中的应用提供不同的价值场景。

3.2 边缘计算应用于视频侦查的路径分析

边缘计算可以其独特的数据处理模式对视频侦查技术进行再造。视频侦查的实践应用难题恰恰是边缘计算的优势所在，且两种技术具有相对的互补性，边缘计算可以实现视频监控数据的高效处理、传输和优化，进一步释放视频监控体系的侦查价值，为多种警务智能应用提供平台。基于此，提出了边缘计算应用于视频侦查的路径体系，如图3。

当前，我国对社会监控的安装并无限制，“各自为战”的监控设置方式带来了管理上的难题。为研究需要，有必要先对整个监控体系做简要分类。（1）公安系统管理的监控探头主要分布在城市主要街区、干道和乡镇关键点位，这些设备多由政府组织、公安承建，因此在点位选择上有一定的规划，且某一行政区划内的监控设备由政府统一招标采购，不存在数据异构的问题。为表述方便暂将这类监控称为公安监控，公安监控监管相对规范，边缘计算的应用环境好。（2）公安系统以外，大量的社会企事业单位、社会组织和社会团体驻地也普遍存在监控装置，这主要是为了保障生产、经营和工作环境的安全性。这一类监控基本由各社会主体自行安置，监控探头类型不一，但形成了一个个小的“监控单元”，暂将其称为社会监控。社会监控除部分与公安联网外，大部分管理并不统一，按照安装主体分为诸多小的封闭单元，因此，边缘计算的应用环境也相对较好。（3）在社会生活中，普通公民也会基于生产生活的需要自行安装监控设备（这在一些城乡结合部、农村地区尤为突出），社会监控体系中还可能包括一些车载的监控装备等其他的监控类型，暂将这些统称为零散监控。这类监控分布随意，设备类型纷繁多样，边缘计算的应用环境相对较差。

图3 边缘计算应用于视频侦查的路径体系

边缘服务器的配置需要结合下层监控设备数量、分布距离和视频生成速度等各种因素进行综合考量。边缘计算平台系统可按业务需求在网络中进行分层部署[11]。公安监控的布置有规划，此类边缘服务器可以街区或自然村落等为标准进行配置。社会监控分布重点集中，可以单位为基点进行边缘服务器的配置。而零散监控的分布杂乱无章，可以按照探头数量进行具体的配置。边缘服务器的配置具有灵活性，在现有状况的基础下还要考虑到周遭范围的后续发展、建设情况，因此完全可以基于实际情况或增或裁。良好的配置可以保障边缘服务器始终处于高效运转状态，真正实现分流减压的作用。

监控探头记录的视频数据在边缘端得到初步处理。从侦查角度而言，不存在运动主体的视频图像基本上无侦查价值，因为视频侦查的基础就是监控探头所拍摄的犯罪行为过程或犯罪嫌疑人的踪迹。在边缘端，无侦查价值的数据通过各种算法（如光流法、帧间差分法等[12]）在边缘端被过滤，存在运动目标（连接帧容量[13]剧烈变化）和无法处理的图像数据被筛选出来。之后，这些含有潜在侦查价值的数据在边缘端得到优化，边缘节点利用密码学原理对视频监控数据进行加密，然后通过通信手段进行加密传输。

云中心接收到视频监控数据后，可以充分发挥云计算的优势开展大数据的挖掘、分析和共享等工作。得到再次处理的监控数据上升为侦查情报，能为侦查决策、犯罪预警和侦查措施的实施提供支撑，改善视频侦查技战法的应用环境。云端平台支持下开发的各种警用APP得到根源上的优化升级，基于视频监控体系的警务智能应用也将得到进一步的发展。

4 边缘计算模型下的视频侦查数据资源管理

边缘计算应用于视频侦查的最大价值就在于对视频侦查数据资源的管理。虽然边缘计算模型在监控体系中的应用可以为公安系统各部门（如治安、交通等）所应用，但这些应用都可以建立在视频侦查技术的基础上。边缘计算模型可以规范化视频侦查的数据资源管理，为视频数据的分布式收集、存储、传输、共享和优化等提供科学路径。依托视频监控体系建立的边缘计算架构下，边缘服务器的功能应当是多样化的且处于快速发展的状态，视频侦查应用仅仅是视频监控数据的重要应用之一。在具体安排上，视频侦查可以作为一个单独的程序设置在边缘服务器。此时，就牵扯到各应用模块之间的隔离问题。对边缘端计算资源与数据资源的隔离操作可以充分借鉴云平台的处理模式，基于不同的访问权限和各应用模块之间的独立运行，使用VM切换技术[14]和Docker容器技术[15]保证隔离。

4.1 视频监控数据的分布式收集、存储

融合社会数据，扩建侦查大数据库关系着大数据侦查的未来发展。视频侦查作为一项重要的侦查技术，其效能发挥所依据的视频数据资源尚大有开发潜力。目前，社会上绝大多数的视频监控数据并不直接为侦查部门所掌握，在犯罪案件的侦办中往往需要耗费大量人力、物力四处调取监控数据。边缘计算的融入则可以借助边缘服务器实现对零散监控的整合，将无数个未知的监控探头数据源转化为具体可操的边缘端，并以开放式的独特安排为未来发展预留空间。每一个边缘端都是侦查信息收集的前沿阵地。基于此，侦查机关可以借社会监控装置的整合实现侦查信息资源的分布式收集，对视频监控数据的收集能力得到大幅提高。

同时，海量数据的存储问题始终困扰着云计算效能的发挥。在边缘计算模型下，视频监控数据首先在边缘端进行一次预处理，对视频数据进行短暂存储并自动分流，这一操作能有效减缓云端平台的存储压力。虽然每一个边缘端点的存储能力都无法与云端相提并论，但无数个边缘端的存储能力同样不容小觑。视频图像数据中可能包含着重要的侦查信息，而数据在边缘端的分布式存储还能有效保障侦查信息的安全性问题，避免因为黑客、不法分子对云端的攻击所致的侦查情报泄漏。

4.2 视频数据的加密传输、共享

监控探头所记录的各种视频信息关系社会公共安全，具有侦查价值的视频信息更影响着犯罪的打击与治理。一旦某些关键视频数据被不法截取、篡改，则可能造成侦查情报线索或关键犯罪证据效力的灭失。在边缘计算模型下，公安机关可以通过对边缘端的设计，使经过初步处理的视频数据得到一次加密，通过通信技术传输的视频数据是经加密技术保护的数据。大批量带有“防护盾”的视频数据向指定的云端平台进行输送，有关侦查信息的安全性得到充分保障，在传输过程中被窃取的可能性大大降低，如Deborah 团队开发的Open mHealth 平台[16]，可以实现对健康数据的标准化处理和存储[17]。边缘计算在视频传输领域的应用经验可以无障碍地移植到视频监控体系的建设中。边缘节点可以实现图像识别与视频分析，根据视频分析结果，联动视频数据存储策略，既高效保留价值视频数据，同时提高边缘节点存储空间利用率[18]。

边缘端数据的优化还包括对非结构化数据格式的调节。每一个边缘服务器对应着数量较少的监控探头，虽然这些探头之间可能因为各项参数配置的差异产生异构化的数据，但是对某种或简单几种类型的数据格式进行调整并不会对时延性造成明显影响。在明确了监控探头产生的数据类型后，确定一种统一的数据格式，然后在视频数据源头附近完成转换，就能保障经各边缘端处理过的数据具有兼容性。接下来，含有侦查信息的视频数据就能实现跨区域共享，侦查机关可以在本部云平台实现异地视频数据的调取，侦查机关的跨区域协作成本大大降低。视频监控信息的可信共享还能为视频侦查合成作战提供基础支撑。此外，边缘计算对视频点播技术的优化可以为视频侦查提供支持。视频侦查平台的建设需要满足高强度的实践需求，加快视频检索与分析速度能为侦查活动的开展赢得宝贵时机。

4.3 视频数据的规范化运转

视频监控数据数据的不规范运转抑制了视频侦查技术的发展。视频图像的时间序列问题就是其中之一。实践中，经常会有侦查人员在发现可疑情况后，通过种种方法校正视频图像的时间。在智能手机、PC 端使用时，设备的时间通过网络自动校准。但是，监控装置由于缺少相关装置经常会存在时间上的错误，而为每一台监控配备SIM 卡也并不现实。但在边缘计算模型下，可以通过边缘端的校正，建立时间同步的时序数据库。经过这种处理，侦查人员在依据时间线索追踪犯罪嫌疑人、被害人等轨迹时就无需再考虑时间差的问题，可以有效提高视频侦查的效率。

边缘计算模型下，视频数据规范运转。监控探头生成的视频数据，沿着边缘服务器利用通信技术向云端传输。云端可以对各边缘端、边缘端可以对各监控探头可以实现有序管理。对智能识别的紧急情况可以自动调整所辖监控探头的方向、角度，并通过与临近边缘端的协作实现突发性刑事犯罪的动态化、全方位追踪记录。同时，边缘端智能识别的突发性案件可以经有效识别后向侦查机关自动预警，使视频信息应用同步化。视频数据的规范化收集、存储、处理和传输，能够形成有序的数据库资源，在犯罪侦查中可以做到精准协作、快速反应。

5 边缘计算应用于视频侦查的价值场景

不同的数据、算法与业务的结合具有特异性，构建起数据的算法模型并基于该模型设计最佳价值场景是视频侦查技术的发展基础。边缘计算本身由海量的终端设备构成，众多终端可采用统一的开源操作系统，以便形成开源生态环境[19]。基于开源管理设计的边缘计算模型，以视频数据为对象要素，推动视频数据在运转中不断提高侦查价值，并最终服务于视频侦查各种价值场景。在边缘计算的上层模型中，从边缘端传送至云端的视频数据面向视频侦查体系的不同部门，应用主体的差异使边缘业务形态各异。这种差异根源于边云协同模式的区别与边缘端及云端所运行的程序选择不同，而正是这种区别化的技术组合，使流经边缘计算模型的视频监控数据产生多维度的应用价值，为视频侦查不同价值场景的创建提供了重要前提。

5.1 视频侦查合成作战

合成作战的精髓在于集成以侦查机关为主导的公安、社会资源，降低警种、部门间的协作成本，发挥犯罪打击的整体效能。这种理念在大数据侦查背景下应当得到进一步的发展完善。实践中，关于视频侦查的研究十分丰富，视频导侦（以视频侦查技术获取情报信息进而引导侦查）的观念得到一线部门的重视。但是也有学者认识到了当前视频侦查发展的瓶颈，并籍此提出了视频侦查技术与其他侦查技术的合成作战理念。随着边缘计算模型在视频监控体系的应用，有望实现网络带宽与时延的弹性管理，在安全、低时延和可信共享的基础上进一步释放视频侦查效能。依托视频监控数据构建视频侦查合成作战平台具有实践上的可行性与应用价值。

视频大数据分析为公安合成作战中侦查破案提供了强大的可视化信息支撑[20]。从设备端生成并向上传输的视频监控数据，在边缘端得到初步处理后，在云端结合人车分类检索技术、深度学习技术等对海量数据进行综合处理，产生人特征数据库、车特征数据库、线索数据库等各种基础性数据库。依托类型化的基础数据库，云端可以架构相应的应用平台，如基于车特征数据库可以建立车辆查稽平台，实现对监控图像中车辆信息的管控。围绕各种视频侦查平台，侦查人员可以搭建起从情报获取、痕迹追踪，到证据固定、犯罪嫌疑人抓捕的全链条式视频侦查技术方案。边缘端所实现的目标数据结构化，可以打破不同地域间视频监控数据的共享壁垒，实现视频侦查跨地域作战的实时监测指挥。视频侦查合成作战的指挥者，可以做到对不同部门、不同地域、不同警种人员的高效交流协调，充分利用各警种、部门的人员、资源，做到情报信息的集约共享，提高视频导侦精度。视频侦查合成作战平台还能够支持基于视频监控体系的战术规划，对相关部门和人员进行任务派遣，对任务完成情况进行确认和考核，对视频侦查全程进行记录、分析和总结。视频侦查合成作战平台可以依托视频监控体系，形成独立的作战模块，为各种犯罪案件的侦破提供新的解决思路。

视频侦查合成作战场景不仅仅包括依托视频监控体系所形成的侦查资源合成，还包括视频侦查技术与其他侦查技术、侦查措施的合成。边缘计算模型下，视频侦查基于视频数据的高效管理可以与当前应用较为成熟的刑事科学技术、技术侦查措施和网络侦查手段实现更好的融合。例如，通过视频监控发现犯罪嫌疑人丢弃的烟头、水瓶时，可以利用DNA 技术、指纹鉴定技术等迅速锁定犯罪嫌疑人。边缘计算模型下的视频监控数据规模大大减少，为各种侦查技术手段的融合带来了质效上的提升。

5.2 智能辅助侦查

在侦查与犯罪的博弈视角下，快速反应能力是决定双方胜败的重要因素。犯罪分子通常会选择在作案后迅速隐匿，而侦查人员则会仅仅抓住案发后的黄金破案时段。现实中，并非所有的犯罪案件的发生都可以通过主动应对得到预防和抑制，侦查机关在绝大多数情况下所扮演的都是被动应对的角色。侦查工作的特征对边缘计算应用下的数据传输、运算速度提出了要求。因为侦查中的犯罪预警、措施应对能力直接关系到案件能否顺利侦破。当前，视频侦查工作都是在案件受理后，由专人对现场周遭的监控探头情况进行实地调查，然后对可能涉及的监控探头所记录的视频信息进行人工检索。事实上，公安机关可以通过监控平台对公安联网监控探头的朝向等进行调整，但人工操作的角度调整更多的是以最佳拍摄视角为标准，普遍缺乏监控探头间配合的考量，且这种调整都是固定角度的。这种工作模式极有可能错过宝贵的侦查线索。

在边缘计算模型下，边缘端能在一定程度下实现对所辖监控探头的自动化调整。在识别运动物体后，相邻监控探头能够在同一边缘管理器的控制下实现一定范围内的配合，进而做到监控视角的自动调整、对焦或轨迹追踪。当人迹相对较少时（如夜晚时分、特殊场所等），这种运行模式能替代侦查人员对监控体系做出及时调整。在人脸、车辆识别等技术愈发成熟的背景下，某些监控探头已经具备了强大的识别能力。在此基础上，监控探头所识别、记录的人像、车辆等信息通过边缘端迅速完成与云端的匹配、比对，出现可疑人员、车辆时再通过边缘端自动下达指令，通过各边缘端、各监控探头的自动配合对可疑线索进行追踪，为侦查人员的介入争取宝贵时间。

随着边缘AI 芯片的逐渐成熟，边缘端能够自动实现的侦查功能也将越来越强大。深度学习是AI警务发展的重要推手，而边缘计算模型下的视频侦查体系为深度学习提供了良好的应用环境。从技术上讲，当前能应用于边缘端的深度学习技术仅包括部分智能推理阶段，这是因为边缘端的算力相对云端差距悬殊。但由于边缘计算CROSS 价值（ECC（边缘计算联盟）给出的边缘计算的定义中提及五大关键要素，即联接（Connectivity）、业务实时性（Real-time）、数据优化（Optimization）、应用智能（Smart）、安全与隐私保护（Security），简称边缘计算的CROSS 价值。英文CROSS 有跨越的意，突破CROSS 代表的这五道关，边缘计算的价值将得到更加充分的释放）的快速发展，基于边缘推理的边缘AI芯片不断迭代更新。可以预见，边缘计算与AI 技术的融合将极大推动边缘端智能辅助侦查能力的提升与发展。

5.3 侦查内部监督

当犯罪打击陷入窘境，适度扩张侦查权的呼声便随之高涨。侦查自由（为确保侦查行为的灵活性而相对自由的开展侦查）是侦查人员对抗监督的主要理由。基于侦查权或潜在或直接的权利威胁属性，对侦查权进行规制是法治建设的应有之义。但是，不得不承认侦查自由的主张也存在一定的合理性，实践中多次发生的检察机关不适当介入所引发的冲突即是例证。在侦查权规制的主体选择中，本文始终认为不应当忽视公安内部监督的优越性，来自同一组织成员的监督会有效减少彼此之间的恶性对抗。基于公安执法规范化建设的目标，公安机关内部安装了相对完善的监控探头体系。以东部地区某市派出所为例，除民警生活区外基本上实现了监控全覆盖。这些监控探头客观真实地记录了发生在公安机关内部的侦查行为实施过程，产生的视频监控数据为侦查权的内部规制提供了有利条件。

大量的侦查违法行为都可以通过边缘处理器自动识别并向云端预警。侦查内部监督场景下，边缘节点需要具备一定的智能识别能力。由于视频对象的特殊性，相关数据的安全性问题也必须引起足够重视。以讯问室为例，公安部门各业务警种与派出所都配备标准化的讯问室，房间内均匀分布的探头可以实现无死角监控。而依据相关规定，讯问室内的人员坐落位置是相对固定的。基于成熟的目标分析检测技术，边缘端可以实现对讯问室内人员人数的自动识别。在人像较长时间缺失、人像出现较长时间或者数据流异常增大（如目标活动强度突然变化等原因，此时可能出现刑讯、非法取证等行为）时触发自动报警，后台监管者及时介入。此外，讯问室一般都配备室温湿度LED 电子钟，边缘端基于数字识别技术可以实现对讯问室环境指标的自动分析与预警，避免讯问中侦查违法行为的发生，例如疲劳讯问、高低温变相肉刑等。在云端，监管者还可以结合音频系统、网上办案平台等及时对可疑线索进行核实确认，而边缘端的智能化将极大地解放后台监管者的人力劳动，提高侦查监督的全面性、同步性。

在以审判为中心的诉讼体制改革背景下，侦查权的规制也是检察机关和审判机关面临的重要课题。对于控辩双方程序性争议的证明，由控方承担证明责任[21]。同侦查机关在视频侦查中的做法一致，检察机关、审判机关的工作人员面对侦查行为合法性的质疑也需要对相关监控材料进行人工核验。而在边缘计算模型下，边缘端的智能处理能够有效地辅助外部监督主体发现侦查权运行中的违法问题，降低监督、证明成本。其基本原理同公安系统的内部监督基本一致，但需要更加侧重视频的完整性及人工痕迹检验。

6 结语

视频侦查数据的指数般增长，导致云端存储空间和云计算的压力快速增大。虽然相关大数据技术的发展亦十分迅速，但两者之间不成比例的增长速度仍然带来巨大难题，而在不考虑内容价值的基础上盲目扩大云端存储规模是不理性的，因此，边缘计算在视频侦查中的应用必然成为近几年的趋势，但是任何一项新技术在出现时都不可能是完美的，因此也必须充分考虑边缘计算在视频侦查中的应用困难与挑战。边缘计算在视频侦查中的应用需要其他技术的配合，其应用程度也因此受到其他因素的制约，如边缘AI芯片的研发问题等。

视频侦查技术的应用在大幅提升侦查效能的同时，占用了大量的警力资源、侦查资源，视频侦查技术的发展迫切需要引进新的算法模型。在大数据的处理模式中，边缘计算的架构天然地与视频监控体系具备相当的融合性，其模型层次也与侦查部门层级设置相契合。以边缘计算模型解决视频侦查困境，核心思路就是为边缘端赋能，从技术层面替代警力过滤无价值视频信息数据。边缘端的智能化还有望解决困扰安防行业多年的数据异构、共享问题，进一步释放视频侦查潜力。面对边缘计算在工业、商务领域中的成熟应用，侦查部门也应当保持新技术的敏感性，以更开放、更包容的姿态参与到边缘计算的发展中来，积极共建以引领司法大数据改革。尽管边缘计算在视频侦查中的应用还存在种种困难与挑战，但却能为视频侦查技术的发展瓶颈提供切实可行的解决思路。在边缘计算与视频侦查的融合中，大数据侦查也必将迎来新的发展阶段。