车脸识别在警务实战中的系统实现与应用
  • admin
  • 2020-07-24

车脸识别在警务实战中的系统实现与应用

      摘要:通过对某市公安信息化系统建设状及智能视图的需求分析,提出采用车脸识别和Wi-Fi并轨分析技术,构建车辆视图大数据分析的技术思路。通过对系统架构、关键技术、技术方案及特点、功能实和应用成果的详细分析和展示,验证了车脸识别及视图大数据分析技术在公安警务实战中的应用价值。

      关键词:车脸识别、车辆识别、车辆视图、行车轨迹、车辆布控、并轨分析

引    言

      传统公安实战业务中,车辆的识别主要依赖车牌图像识别技术实现。伴随着城市经济的高速发展和机动车规模急剧增长,与车辆相关的违法犯罪活动也日益猖獗,给公安车辆视图实战工作带来极大的挑战。

      首先,在大部分案件中嫌疑车辆的车牌大多以套牌、假牌等手段进行伪装,单独采用车牌识别的方法并不能准确、快速确认车辆身份。其次,受光线、安装条件的影响,现有前端系统车牌识别率不高,导致以车牌为线索的布控精度降低。再次,以车牌为核心的图像识别系统获得的信息量太少,无法充分有效地挖掘图像监控信息潜在的价值。

      当前大数据、人工智能等高新技术蓬勃发展,面对人、车日益增长的复杂社会局面和治安态势,充分利用人工智能和大数据分析技术,破除传统的以车牌为核心的查询分析桎梏,变“事后查询处置”为“事前主动研判、预警”,将是未来以车辆视图分析为核心的警务实战应用的主流发展趋势。

      一、系统架构

      根据兰州市公安系统技术现状和业务需求,结合当前先进的Hadoop分布式大数据平台设计理念进行本系统的规划设计。系统是公安机关业务数据运算分析和人机交互的平台,分为派出所、区县分局、市局三级业务系统,根据不同的层级设定不同的管理用户和访问权限。

1.png

图1系统整体架构图

      (一)数据源

      主要实现卡口图像、Wi-Fi数据、其它资源数据的接入,并完成数据的抽取、清洗、加工、整理并加载到数据仓库和大数据平台。这些数据包括车辆图像结构化数据、半结构化数据以及非结构化数据。视频流、图片等非结构化数据则首先通过深度学习车脸识别分析技术将其进行一次、二次、三次识别,并将图像与从中提取到的车辆牌照、抓拍位置、抓拍时间、车辆特征及车内特征进行分离并形成一个多达4000维的车辆特征信息库。

      (二)大数据平台

      根据具体需求实现对图像识别的数据资源的集中存储与管理,并根据系统设计需求面向各个业务部门提供不同的应用支持。大数据平台包括数据仓库和大数据平台。数据仓库主要处理结构化数据,包含过车信息、设备信息、营运信息、车辆信息、驾驶员信息、违章信息、违章处理信息、车道卡口信息、车辆识别信息、车辆的一次二次三次识别信息等明细数据,也包含日常分析所涉及的日汇总、月汇总数据,以及某些个性化数据。大数据平台则主要处理非结构化数据,如视频流、图片等,同时为处理方便也将一些数据仓库的结构化数据纳入其中进行处理。

      (三)智能调度引擎

      对客户端的请求进行分析后,以任务为单位或针对前台应用访问需求,结合系统当前运行状态选择最适合的操作模式,通常包括自动调度、自动切换、动态分配、容灾备份等智能操作模式。系统将根据任务的不同分配相应的运算资源,从而起到合理分配资源、效率最大化的目的。

      (四)应用层

       应用层主要为使用对象提供了多种数据可视化模块,同时为一线业务需求和各级领导数据决策分析提供逻辑支撑,通常包括基础应 用,如视频查询、图片查询、以图搜车、特征搜车、综合查询等功能,实现各种关联业务信息的查询,如驾驶员查询、人员数据查询、通信数据关联等。提供车辆轨迹分析、跟车关联分析以及人、车、Wi-Fi并轨分析研判等功能。

       二、关键技术

      (一)深度学习车脸识别技术

      系统采用CNN图像深度学习车脸识别技术和GPU、CPU异构运算架构,不依赖车牌识别信息,通过机器学习和人工智能技术,有效提取车牌特征(颜色、结构、可见字符等)、车辆品牌(300余种)、年款或子车型(7000余种)、颜色(10种)、车辆类型(10种)、车灯、格栅、车身粘贴物、车窗粘贴物、车内挂件摆件等多达4000维微特征信息,为大数据平台实现以图搜车、以图搜图、以图布控、虚拟车牌检索等视图应用提供可靠的技术支撑。

      (二)多元数据并轨分析技术

      对接卡口数据、微卡口数据、Wi-Fi探针数据等,采用结果融合、过程融合和决策融合等手段,实现多种人车轨迹数据的互查、互补和并轨分析。可以有效弥补因专业卡口点位不足、拍摄精度不高等造成的人车轨迹过粗、间隙过大、漏洞过多等问题。

      (三)增强学习与机器学习

       增强学习(Reinforcement  Learning,RL)又叫做强化学习,是近年来机器学习和智能控制领域的主要方法之一,也是当前热门的研究课题。机器学习则是一门多领域交叉学科,涉及概率论、统计学等多门学科,专门研究计算机怎样模拟人类的学习行为,并不断获取新的知识和技能提升自身的性能。

      (四)Hadoop分布式运算

       基于Hadoop分布式大数据架构构建公安车辆视图大数据平台,采用HDFS、Hbase、Hive、MapReduce等技术,解决目前所遇到的大数据量查询、模糊查询、非结构化数据查询等瓶颈问题。

      三、解决方案

     (一)数据接入

      系统对接雪亮工程、平安城市、天网工程等视频和综合监控系统,充分整合公安接处警、案件库、高危人员库、人口库、户政及车驾管等业务数据,以车脸分析数据为基础、Wi-Fi数据为补充,快速在系统中实现嫌疑人员、车辆定位、行为分析、轨迹分析等,实现对嫌疑人、车的积分研判、危险预警、重点查控等应用。

2.png

        (二)系统特点

        1.兼容治安卡口、微卡口、执法终端等多种复杂场景图像数据

        系统通过对车辆多角度微特征的大样本量训练和特征提取,能够充分兼容标准治安卡口、微卡口(视频监控)、电警、执法记录仪等多种视角条件下的智能车脸识别和结构化信息提取。从而增加系统对前端采集数据的广泛适应性,为大数据分析实现更精确、更细致的车辆轨迹描绘、精确检索和查询提供基础。

      2.采用深度学习技术,自动区分车头、车尾图像和不完整图像

      系统采用CNN深度卷积神经网络,基于千万级的车辆图片样本训练,可自动基于车辆图像特征对车头、车尾进行判断,采用相对应的精确模型进行分析,以便获得更加实时、准确、高效的识别信息。对通常的标准正向卡口图片、背向电警图片、复杂微卡口图片、拍摄不完整的车辆图片等,同样可以进行结构化分析,让系统真正具备“雁过留痕”的能力。

      3.车、人、Wi-Fi并轨分析,准确定位嫌疑目标轨迹

      目前治安卡口所采集的图像效果最佳,信息量最大,但是点位相对较少,完全依赖卡口图像生成的车辆轨迹不够准确和细致,而通过增加驾驶员人脸卡口、Wi-Fi探针数据则可实现人车、Wi-Fi轨迹合并分析,从而能够起到补位的效果,为大数据系统实现更准确、细致的轨迹分析提供基础。

      4.采用分布式大数据运算技术,实现海量数据查询和大数据分析

      采用CPU、GPU异构运算平台和Hadoop分布式大数据技术,借助高效的GPU服务器,能够实现高效的车脸视图分析和数据调度管理服务。Hadoop分布式运算能够很好利用现有的服务器,实现高效的数据并发运算和访问支撑,具有充分容错性能,并具有设备利旧、节省系统投资等优势。

     (三)功能实现

      1.数据可视化

      基于车牌、车流量、品牌、年款等车脸图像识别数据和积分研判分析数据等,采用计算机图形、图像、计算机视觉以及用户界面,通过表达、建模、属性及动画的展示方式,对主要业务数据(如车流量、数据挖掘、车辆分布、过车排名、违法排名、无牌车、假套牌车等)加以可视化解释。旨在借助图形化手段,清晰有效地传达与沟通信息,便于一线民警和管理者快速、有效地理解数据、分析结果,提升管理、指挥和决策能力。

      2.智能搜索

      采用深度学习车脸识别与智能分析、视频结构化分析、搜索引擎等技术,基于卡口图像数据、过车数据、车脸识别数据、Wi-Fi数据等,为平台使用者提供全方位的人、车、Wi-Fi关联搜索、综合查询等功能。用户可以通过百度搜索模式,以文本描述方式实现快速、便捷的目标车辆全文检索,还可以车辆图像线索为依据,通过图像结构化、特征比对分析等技术,实现以图搜车、特征搜车、品牌搜索、年款查询、颜色及车辆类型等单一维度或多维度的模糊查询或精确搜索功能。

      3.大数据分析研判

      涉牌车辆分析,依托车牌识别、车脸识别数据、Wi-Fi数据等,采用机器学习、增强学习等技术,基于实时分析数据和历史数据、特征信息的比对分析、车驾管数据比对等技术手段,对不按规定悬挂号牌、套用他人车牌、假冒车牌等违法车辆信息自动挖掘、行为分析和身份碰撞分析。车辆轨迹时空碰撞分析,基于车牌识别、车辆识别W-Fi数据等,根据历史轨迹数据、实时数据等进行多元时空并轨分析,实现如固定路线行驶车辆、异常聚集、热点路径等常用分析功能。

       4.技zhan法分析

      基于车脸视图分析数据、Wi-Fi数据、GIS/GPS数据,采用时空碰撞、轨迹研判分析等技术,结合公安业务实战经验形成多种车辆技zhan法工具,实现了包括人车轨迹分析、伴随行为分析、落脚点分析、异常轨迹分析、初次入城分析、出行规律、遮挡号牌等十余种常见功能,为一线民警针对涉车、涉牌案件的分析研判提供强有力的技术支撑。

      5.车辆专题分析

      系统对接车驾管、人口库、案件库、违法信息等数据,基于车辆、Wi-Fi信息等在大数据系统中形成的时空轨迹、行为特性、关系拓扑、系统关注排名等形成车辆专题分析。一线民警通过这一功能,可以车牌号牌或Wi-Fi、驾驶人或车主为线索,快速了解目标车、目标人的相关信息,以及嫌疑人近期出行轨迹、出现规律、活动范围、所驾车辆、所有车辆、系统关注度等重要信息,为重要案件的侦破和重点人、车监管提供快捷、高效的实战工具。

      四、实战应用

      系统第一期于2016年底开始研发,2017年7月正式上线运行。至今已历经三期建设,日均图片数据处理量2500万张/天,协助兰州市公安局一线民警破获了多起套牌车、无牌车违法案件。

      2018年11月1日傍晚,系统通过自动时空逻辑分析产生套牌车辆疑似数据报警,发现两辆同牌号出租车在同一数据分析时段、距离较远的两个卡口同时出现。

1595899776401061.png

图2牌车数据分析

      值班人员查看系统推送的两辆车抓拍图像,发现尾部存在明显图像差别,确认系套牌车无疑(上为原车、下为套牌车)

4.png

图3牌车图片分析

      通过以图搜车等技术,调取两辆车正面关联图像,发现两车正面图像也存在明显差异,进一步确认其为套牌车辆。

5.png

图4正面图像特征对比

      通过大数据实战工具对目标车辆的行车轨迹和驻泊地进行分析,初步确定嫌疑车辆的驻泊区域和经常出现的路段、卡口位置等。

6.png

图5驻泊地分析

      进一步使用出行规律分析工具,对嫌疑车辆的出行规律进行分析,确定布控和抓捕时间,最终通过静态布控破获该案。

1595899967683247.png

图6车辆出行规律分析

       五、结束语

       本文从公安机关面临的社会环境和技术现状入手,依托多警种合成作战和大数据研判需求,结合深度学习车脸识别和视图大数据系统的技术特点分析,提出了基于车脸识别技术的公安车辆视图大数据系统解决方案,并通过实战案例进行验证。车脸识别是一项新兴技术,优点和局限并存。作为一线警务工作者,要在实战中不断总结和完善,使其能够真正服务实战,以大数据为抓手,切实、有效地提升公安警务实战效能。


参考文献

[1]胡少云.基于平安城市的车辆大数据研判应用模型研究[J]智能建筑,2017(8):45-47.

[2]侯伟,周川.公安视频图像信息技术应用与对策[J]图像与多媒体技术,2018(1):82.

[3]武亚军.视频图像侦查在公安工作中的发展和应用[D]西北大学,2015.

[4]胡明舒,张学谦,陈志华.基于视图警务云平台的车辆大数据应用[J]中国公共安全,2014(23):015.

  • 雷达生命探测仪能找到昏迷的人嚒?
    雷达生命探测仪对于生命、只要是有呼吸、心跳、体动等生理特征,即可被成功探测到,所以不仅对动目标可成功探测到,对静止的生命目标也有极
    瑾瑾
  • 为什么检测针孔摄像机一定要用针孔检测仪?
    为什么检测针孔摄像机一定要用针孔检测仪?因为针孔摄像机的镜头一般大小为3.7MM标准, 镜头极小,难
    CC
  • 近距离的无人机,采取什么方法管制比较合适?
    近距离无人机管制,可以以声波的形式来实施有效干扰,理论上讲只要声波的分贝数足够大,即可使得无人的陀螺仪系统产生错误
    CC
  • 应急通信车主要作用是什么?
    受灾害影响,原有的通信设备可能无法正常工作,会导致现场的手机网络出现无信号、弱覆盖、网络拥塞等状况。应急通信车可为现场救援人员提供
    瑾瑾
  • 电子物证具有多少种形式?
    电子取证对象除了计算机和智能手机之外, 还包括数据源最广的网络取证, 网络电子数据类型复杂, 并处于动态可变化状态. 该取证方法与前两类方法截
    f(x)
查看更多>
热门问答
热门资讯