视频侦查领域的应用需求分析与优化解决方案

在全国公安机关社会管理创新工作座谈会上，中央政法委书记孟建柱明确提出：视频监控技术已经成为继刑侦、技侦、网侦技术之后公安机关战斗力的新增长点。统计显示，90%多的刑事案件都会调阅现场相关的监控视频。目前，全国公安机关共建设了21个省级图像信息联网平台，有332个地市级公安机关建设了市级联网平台，比例达72%，约有63万个联网的监控摄像机。全国各省市公安机关视频图像联网的应用已初具规模，但是，目前的视频数据应用还是主要采用人工为主，简单的智能视频分析为辅，存在“视频在，找不到”“找得到，找太久”“有服务，不可靠”等海量视频应用的瓶颈。人工检索为主的方式正在成为视频成功应用的最大障碍，视频图像资源与“大情报”系统无法实现深度共享和整合应用，“情报主导警务”的案件侦破和治安管控要求在现有的视频监控系统中还难以得到实现。视频监控领域中存在的主要问题如下：

1）缺乏针对业务需求的专业视频信息提取和分析工具

目前，视频监控系统资源有效信息提取能力还比较落后。对视频数据的应用主要以人工为主，辅以简单的智能视频分析。这种人工检索为主的方式已经逐渐成为视频成功应用的关键瓶颈。实践证明，人工处理的视频数据个数最多不超过9个。仅仅处理200万个视频监控设备，就需要20万以上的专用警务人员。特别是近年来的大案要案都涉及了对大量视频设备的实时监控和分析研判，现有的案件侦破工作极大地依赖人工方式，占用了大量警力人工查看案件发生时的相关视频，“视频在、不可靠”的问题尤为突出。同时，随着监控视频网络建设的快速发展，监控视频图像数据呈爆炸式增长，数据规模空前庞大。从海量视频监控图像资源中提取有效信息的方法十分落后，没有实现由计算机系统综合进行智能或仅仅实现了浅层的智能化分析能力（如目前已试点包括违章自动检测，车牌号自动识别，交通事件监测等功能，但因实时画面车辆速度过快、有效检测率下降、预警车道“人工划分”等问题，并没有推广到大规模应用），仍旧依赖人工浏览，通过人工标记来描述视频图像的内容。此外，查看视频时有一些技术上的问题，如图像像素不够，视频不清晰；存在色差、视频缺失等问题，不容易对跨多摄像头中的多个不连续图像来确定是否是同一个观测目标，也将影响最后对于案情的高效研判。现有技术虽然能够在一定程度上获取机动车号牌信息（特定环境下识别率达到95%以上），但是对视频监控系统中人员、车辆、事件等相对较复杂信息的标准化提取和描述还没有，同实战要求还有一定差距。此外，由于人员流动性大，交通和通信手段便捷，跨地域跨时域性的案件越来越多。面对不同时间、不同地点发生的案件，公安机关很难通过视频快速高效地将它们关联起来，形成其他手段串并案的一个有益补充，同时对视频协同侦查、视频警务知识共享提供帮助。视频资源的图像理解，视频解析，行为分析等精确度还较低，无法完全满足视频侦查的需求。针对海量视频数据的结构化组织和视频分析处理技术是公共安全和公安业务中迫切需求的。

2）海量视频资源组织和管理平台缺失

如前所述，现在视频监控系统的实际应用存在“视频在，找不到”“找得到，找太久”“服务在，成本大”等问题。全国很多省市成立了视频侦查队伍，通过专业手段来辅助其他警种通过视频信息来破案，比如武汉、西安和苏州等城市相继成立了专业的图侦大队。据不完全统计，全国目前装备视频监控设备在2 000万个以上，公安部门直接控制的在200万个以上。武汉的视频侦查支队，50余名警察在城市视频监控系统运维中心通过25万个高清探头持续巡查、定位、布控，实战效能显著。现阶段，视频监控系统建设不断推进，获取的视频资源规模不断增长，海量视频信息资源面对低效能应用的问题。视频监控系统采集到的海量视频信息中，包含着很多潜在的有效信息，对违法犯罪案件的侦破有极大帮助。这些海量的视频资源中包含的有效信息只有被充分的利用，才能够提高视频侦查的准确性及有效性，否则变成只占用了存储资源的无效信息。此外，虽然公安业务面很广，但在不同警种间的视频监控系统基本是独立的模式，与其他平台的资源整合、共享与互操作困难，如交通监控系统和治安监控系统独立运行，其视频图像资源往往很难整合共享。因此，视频监控系统中的视频需要进行有效的共享，需要使得那些想要相关视频的破案人员能够找到现有的相关视频。从海量视频图像资源中快速找到目标视频图像是公安工作中的迫切需求。针对海量视频图像资源高效精准搜索的方法一直还处在实验室原型阶段，距离大规模级的实战应用还有距离。当案情发生时，公安机关只能集中警力通过人海战术来查阅检索相关的视频图像资料，甚至要查阅上千GB的视频图像。虽然通过视频浓缩与摘要技术能够减轻一定的工作量，但仍然很难满足视频侦查实际应用的需求。海量视频资源的管理缺乏有效性和科学性，资源分散不集中，给查询造成了很大困难。海量视频图像的数据存储和传输是整个视频监控系统建设中的一个重要环节。目前，视频监控网络中视频图像数据都是以单向广播方式，通过安全通道逐级传输到公安专网，平行节点之间没有专门通道传输数据，实现高清视频图像资源的流畅传输需要极大的带宽，需要巨大的建设投入。一个典型的视频监控中心的存储容量通常是PB级，大约耗资500～1 000万元，即使这样，也只能保证1 000路标清视频产生数据20～30天的存储时间，更何况是产生数据量更大的高清视频。高成本的存储与传输制约了视频侦查的有效性和准确性。

3）缺乏一个用于案例视频资源积累、存储、演化、分析的专业知识库与标准

存在“视频多，挖掘浅”“重突击，轻积累”等问题。虽然视频监控资源的数量不断增长，但是如何有效利用这些资源，并且挖掘出有用的信息，依然缺乏有效的方法，直接导致关联视频资源整合不够，视频资源同其他信息系统资源缺乏互联，对违法犯罪行为的主动发现和动态控制能力和对重大事件预警防范能力不强，研判水平不高等问题。各种视频监控资源分散在各个部门导致汇总整合的手段较为复杂；数据格式不统一、编码方式不统一；不严格遵守数据标准规范或标准制订、修订滞后，给跨地区跨系统数据整合、清理带来很多困难。数据质量参差不齐和时效性难以保证导致整合后的数据可用性不足。案件的侦破往往需要大量的关联视频资源，跨摄像头、跨信息系统的数据都有可能需要使用。但是目前缺乏专业的警务知识库，缺乏基于数据建模、数据挖掘等的相关技术以及利用网络布局、分组布局、层次布局、时间序列布局等多种图形化数据展现和交互的方式。公安业务数据和隐含的情报线索管理无法进行可视化展现，继而无法形成基于图像的情报线索链和证据链，针对不同情报主题间或同一主题内部的关联关系复杂度无法体现，不能帮助使用者在海量杂乱的数据中发现案情的线索、关联、规律及走向。(www.xing528.com)

针对上述问题，视频资源的深度智慧处置，是实战应用的迫切需要。以上应用难点的解决，有赖于以下几个层面的突破：

（1）前端视频信息的有效提取　在这个环节，视频系统的智能化主要体现在能够按经验知识库、预定义规则等，对视频监控中感兴趣的人员、车辆、事件等进行自动地有目的地采集保存，并将这些数据进行精细处置后长效保存，而其他监控视频数据，主要是长期静止的背景，无关的人、车、物、事件，这类型的视频资源可以短期存储，粗放处置。以上分级处置策略，能够避免大量的“僵尸资源”接入视频管控平台，有效缓解了视频管控平台下视频资源调度传输不畅的瓶颈。我们所提出的枪球联动的关注人员目标的检测跟踪系统，从前端信息采集上保证了视频信息的有效提取。

（2）海量视频资源高效检索　在视频资源的高效检索、集中管理层面，我们所提出的语义网架构下监控内容中关注目标的结构化文本表达，能够有效地解决海量视频高效快速检索难题，实现“以文本搜视频”的愿景。

（3）视频事件处置规则规范表达和智慧生成　一方面，我们需要将现有的领域知识、专家经验进行语义规范化表达形成警务处置规则；另外一方面，我们需要提供足量的样本，强化语义网的推理功能，实现海量异构视频资源支撑下规则的自动生成。

本书结合公共安全防范领域关于视频监控中关注目标的持续跟踪和人像捕捉识别的迫切需求，跟踪安防视频监控智能分析技术的深度应用发展趋势，对枪球联动的关注人员检测跟踪识别机制进行研究。更进一步，我们还研究了语义网架构下的人脸信息的结构化表达，阐述了人像信息的快速检索的语义库和搜索引擎的构建原理。全书章节安排如下：第一章：分析了视频监控在安防领域的重要性，阐述传统视频监控的不足和缺陷，介绍了安防领域多摄像机协同检测跟踪的重要意义。同时对国内外当前视频监控和双摄像机系统的研究现状进行了分析，最后阐述了双摄像机协同系统的优点及关键技术。第二章：研究了固定场景下运动目标检测常用的方法，并特地研究了行人目标的常见检测算法，选择DPM方法实现对行人目标实时检测。第三章：以枪球联动为应用背景介绍了常见的全景生成技术，对枪球联动架构进行了研究，分析了双摄像机系统的标定的物理模型，证明在目标运动景深变化较小的情况下查表法的可行性，最后采用查找表的方式标定双摄像机系统，获取到运动摄像机相应的旋转角度。此外，还对双摄像机协同控制策略进行了研究。第四章：研究了监控场景中的人脸检测机制，介绍了LBP、Haar等常见特征和AdaBoost算法，并对深度学习机制下的人脸检测技术进行了阐述。第五章：对深度学习机制下的目标识别进行了系统介绍，并以安防场景中最常见的人脸验证应用为例介绍了我们的工作进展。第六章：从物理模型和特征匹配等方面较为全面地介绍了安防监控中多摄像机协同的标定算法。第七章：介绍视频结构化描述技术体系，并以人员目标的结构化描述和检索为例进行实例阐述。第八章：介绍监控大数据的发展以及由此带来的安防理念的进化，展示主动安防感知融合框架的初步应用模式。第九章：介绍了视频一体化指挥应用，展示智能视频监控在社会公共安全保障方面的平台集成应用模式。第十章：总结和展望，对全书的内容进行概要总结，并对下一步的应用发展趋势进行展望。