互联网街景安全保密信息处理平台建构

王岩　佟健

【摘要】    本文提出了一种街景信息处理方式，构建互联网街景安全保密信息处理平台，分析该平台运用的主要技术，包括关联拓扑、差异化处理方式以及人脸图像处理方式以及车牌信息处理技巧等，对街景图像信息处理提供了一定借鉴。

【关键词】    互联网街景    保密信息    关联拓扑    人脸图像

街景能够反映城市的真实信息，还原城市的真实面貌，当前对街景信息观测与分析是互联网信息工具的重要应用场景之一，在联网街景服务快速发展的背景下，信息使用的安全性逐渐受到关注，街景安全保密信息包括国家以及公民个人层面的信息，以此街景信息处理中，要求除去安全涉密信息。

一、互联网街景安全保密信息处理平台

互联网街景安全保密信息具有较广的分布范围，信息差异较大，分布较为离散，信息特征不够明显。由此在信息处理中，应当对大量信息进行归类整理，建立对信息的多种有效处理方式。互联网街景安全保密信息处理平台包括数据预处理、信息检测、信息编辑、模糊处理、编辑一体化等模块。在对街景信息进行前期处理的基础上，制定有效的信息检测方式，实现对街景信息的有效识别，准确测量解密信息场景点，运用的主要技术包括以下几点。

1.1关联拓扑

在对涉密类街景安全保密信息处理中，运用了关联拓扑分析方式，对街景涉密信息建立安全保密信息成果库，并与图形信息分布有效结合，检测并定位涉密场景，并与人工确认相结合，最终得出涉密要素与涉密位置。

在街景图形信息分析中，由于观察角度的因素，存在着一些难以辨识的涉密内容，为了保证信息中不存在遗漏，以此消除街景中一些不容易识别的涉密类安全保密信息。建立街景数据保密信息历史库，当前已经具有近300座城市建立了街景信息数据库，该技术逐渐应用推广。当前涉密信息检出正确率已经超过98%，该技术运用中，要求核查街景信息总量与信息范围，并为信息检测设置合理的缓冲区阈值，以此提升预判结果准确度，正确处理提升检出率与降低虚警率之间的关系，提升信息检测的可靠性[1]。见图1。

1.2图像识别

图像识别在信息安全管理中应用较为常见，收集了大量的图片信息，通过迭代优化、机器训练等，提取图片中的人脸要素以及车牌信息等，对图像信息要素进行定点识别。

通过对百万数量级车牌信息以及人脸 样本进行特征训练与数据分析，当前已经形成了相对较为承受的图像识别技术。当前已经具有达到高于90%的图像信息自动化识别平均检测正确率。

1.2.1人脸识别

人脸检测中能够对 十万级非人脸 样本以及万级人脸样本信息进行分析，对人脸大小、肤色以及分布等情况进行检测，对人脸肤色信息的位置以及大小进行粗筛选，得出重点候选区域[2]。

制定两级级联分类器，得出街景全景状态下的复杂分布情况以及复杂街景下的人脸分布情况。针对街景全景运用人工神经网络作为分类器，针对复杂街景运用支持向量机分类器，并结合方向梯度直方图局部特征对人脸信息进行分析，能够达到高于85%的人脸检测成功率。俯仰旋转角度大过人脸、较小模糊人脸在检测中容易漏掉[3]。见图2。

工神经网络的重要类型之一为卷积神经网络CNN，图像分析中能够减少权值数量。提升了对网络模型的分析效率。在多维图像分析，例如人脸图像分析方面运用优势明显，直接将图像作为网络输入，有效改善了传统算法中特征较为复杂需要进行数据重建过程。卷积神经网络的运用对比例缩放、平移及其他形式变移方面能够有效分析，是针对二维形状而设计的一种分析方式，具有高度不变性的特征[4]。

1.2.2车牌识别

当前对车牌信息识别方式主要是结合灰度纹理认证进行车牌定位，并通过小波变换进行车牌定位，在车牌信息分析中，受到背景变化情况、图片本身质量以及检测目标角度等因素的影响，难以直接将其运用于街景图像识别与分析之中，在图像信息分析中，应当对此进行一定技术与处理与检测。

车牌信息分析中，包括车辆纹理、车牌颜色以及大小等因素，要求规范化收集并处理数万典型车牌样本，并与非车牌信息进行对比，通过假设产生与假设验证两个方式进行分析。见图3。

在假设产生步骤中，结合车牌颜色信息选定候选区域，对图形信息进行纹理验证，包括垂直投影、水平投影等，与其他信息联合等，构成车牌信息重点候选区域。对车牌图形信息进行分析，通过Radon变换提取车牌边缘直线，并对车牌进行旋转变换，对图形信息进行进一步分析。在假设验证阶段，对车牌信息进行最终的验证分析，主要通过对车牌特征及分类器进行信息判断，能够得出高于94%车牌检测率[5]。本次研究中，卷积神经网络训练人脸模式的运用，克服了传统显示特征取样中的局限性，提升了模式运用的泛化能力，在较为复杂街景图像分析中也可运用。街景图像具有较高的分辨率，图像分析中可以适当降低卷积神经网络隐含层层数，由此检测出更多的非人脸图像目标，结合过级联HoG+SVM分类器的运用，将多余非人脸进行滤除。

1.3差异化处理

互联网街景信息分析中，对涉密类安全保密信息运用差异化处理技术进行分析，由此判断街景周边地物的色彩信息、纹理等，通过技术处理进行图像移植分析。该技术运用的重要前提条件为对周边信息的判断与选取。街景安全保密信息周边地物可能并不具备单一性特征，若不进行差异化分析，而采用统一处理方式，在信息处理之后，图像区域中的色彩、纹理等会与周边地物等出现较大差异。容易出现较大处理痕迹，很容易被识别出来。

而差异化处理方式的运用，有效分析了图像的占比以及涉密要素的大小等信息，通过综合判断，得出是否利用周边信息等。如果需要利用周边信息，则对周边信息进行相应好处理，首先适当选取周边信息，比对不同方位的连接要素，判断相似性，综合计算得出相似度，并进行加权计算，得出相似度评估值。对比相似度评估值与相似度阈值。若两者数值超过了阈值，则对街景周边涉密区域进行移植处理，如果没有超过阈值，则按照程序标记信息，对街景图形信息进行人工确认，并对此进行进一步判断分析。该技术应用处理之后，能够达到超过95%的信息保密处理合格率[6]。

二、结束语

人脸以及车牌自动化识别技术的运用能够初步定位非涉密类安全信息场景点，对人脸及车牌在街景中的大小以及位置进行统计分析，以此过滤非人脸以及非车牌信息，在对街景图像分析中具有较高的编辑效率。互联网街景安全保密信息处理平台的构建能够对平台安全信息进行有效分类与管理，当前我国已经形成了较为成熟的街景信息分析体系，平台具有较高的准确率与有效率，应当加强对街景信息平台的运用，从而更好的发挥街景信息在多个领域中的应用价值。

参  考  文  献

[1]邵钰涵，殷雨婷，薛贞颖.基于街景大数据的北京、上海街景舒适度评价及比较[J].风景园林，2021，28（01）：53-59.

[2]刘晓天，孙冰，廖超，金佳莉，施招婉，范黎明，唐艺家，何继红，何卫忠，杨龙，孙倩，裴男才.基于街景图像的城市街道绿视率计量方法比较分析[J].江西农业大学学报，2020，42（05）：1022-1031.

[3]邵钰涵，薛贞颖，殷雨婷，马东波.街道景观视觉补偿公平性研究：以上海市城市低等级街道为例[J].风景园林，2020，27（09）：109-115.

[4]李康淳.街景设计初探——以南京市兴智科技城兴智路街景设计为例[J].现代园艺， 2020，43（16）：73-74.

[5]董夢. 基于街景影像的城市意象空间分布特征研究[D].北京建筑大学，2020.

[6]牛牧. 首都功能核心区慢行系统设计优化策略研究[D].北京建筑大学，2020.