大數據在視頻圖像信息分析中的運用

馬 寧

遼寧警察學院鞍山分院，遼寧 鞍山 114051

目前視頻監控系統被大范圍地應用，客觀真實地記錄著在特定時空范圍內發生著的一切，視頻圖像信息在公安工作中發揮著越來越重要的作用。隨之而來的是，面對龐大且快速增長的視頻數據，完全依賴公安民警，運用傳統人力分析的模式已經不能適應當前大規模視頻分析的需要，只有充分運用大數據技術，才能有效整合海量視頻圖像信息，切實提高視頻分析的效率和精度，從而提升公安機關的打擊和預防犯罪能力。

一、視頻圖像信息的特點

(一)數據體量巨大

首先，我國視頻數據生成點的規模在不斷擴大。目前我國已安裝的監控攝像頭已超過3000萬個，而且視頻監控的覆蓋范圍和監控點、卡口的數量正在以30%以上的增長率在快速增加。第二，高清化帶來單個監控點的數據量以指數級增長。高清視頻的編解碼能力不斷提高，導致數據生成的厚度和精度不斷提升，進而導致視頻數據體量增大。第三，視頻監控系統正在由單攝像機監控向多攝像機監控網絡轉變。在“視頻監控大聯網”背景下，所有視頻監控數據將實現深度共享和統一處理，從單攝像機監控向多攝像機監控網絡系統的融合將催生更豐富的數據，使得視頻數據量變得更為龐大。

(二)非結構化的數據類型

從數據類型上看，視頻圖像數據都是無法用二維表形式描述的非結構化數據，數據模型復雜，不能直接被計算機系統處理，從而很難從中自動分析出其蘊含的豐富信息。當案件事實涉及的時空范圍比較廣，需要查看分析海量的視頻數據時，單純依靠人工的方式，消耗大量的人力資源且效果也不理想。因此將海量的非結構化視頻數據轉化為機器能夠自動處理的結構化數據，是目前視頻圖像信息應用的必由之路。

(三)數據價值密度低

高清攝像頭24小時不停地工作，客觀真實地記錄著鏡頭覆蓋范圍內所發生著的一切，然而海量的視頻數據中與案件有關的有價值信息往往只出現在某一瞬間，其他絕大部分時間內產生的數據所反映的信息跟案件并無關系。在視頻監控業務中，數據價值密度的高低與數據總量的大小成反比。數據價值密度低的特點，決定著海量視頻數據需要通過強大的機器算法，迅速地完成數據的價值“提純”。

(四)處理效率要求高

在視頻監控系統，對視頻處理的效率決定了視頻圖像信息的價值，更低的延遲、更準確的分析是視頻信息分析的普遍需求。隨著視頻數據體量的不斷增加，即使是對TB數量級別的數據進行視頻內容的分析和檢索，采用傳統的串行計算模式也需要花費數小時的計算，顯然已經不能適應海量視頻圖像信息的檢索和分析要求，只有借助大數據系統，提升視頻圖像信息的處理速度，才能滿足海量數據實時分析的高效率需求。

二、視頻圖像信息分析中的大數據技術

(一)大規模視頻解析計算技術

大規模視頻解析計算技術是指“云+計算”，即云端的存儲空間與海量數據的計算分析相結合。視頻數據體量巨大，任何單個節點的存儲設備都無法滿足海量視頻數據的管理要求，數據存儲必須通過云存儲模式解決。云存儲是將網絡中大量不同類型的存儲設備通過軟件集合起來，共同對外提供數據存儲和業務訪問功能的系統。視頻云存儲系統是將多個存儲服務器的磁盤空間和內存資源聚集成一的虛擬存儲資源池，對外提供整體的存儲空間而屏蔽了底層的物理硬件，實現了大容量存儲系統的集中管理。另一方面視頻數據價值密度低而處理效率要求高，要實現海量數據的高效處理，必須借助于機器強大的計算能力。云計算是通過網絡系統將龐大的計算處理程序自動分拆成無數個較小的子程序，交由多臺服務器所組成的系統進行計算分析，并將處理結果回傳給用戶，達到和“超級計算機”同樣強大的功能和服務。

(二)人像識別技術

人像識別技術作為視頻圖像領域的一項新興技術，隨著深度學習的引入，在公安實戰應用中發揮著越來越大的作用。人像識別技術是從視頻圖像信息中檢測出人像，提取人像特征并進行比對的過程。它是以傳統的人臉識別技術為基礎，依托大數據中深度學習的人像結構化算法，模擬神經網絡對整體人像信息進行學習，在識別標準人臉基礎上，實現對側臉、半遮臉、模糊人臉等情況的檢測，并且對視頻圖像中的人像信息進行結構化處理，實現對可疑人員的身高體態、步頻步速、習慣性動作、異常行為等特征信息進行實時識別。綜合人臉與人體特征信息，通過整體特征比對進行識別判斷，實現人像智能存儲、檢索和比對，由像到人，查明人員真實身份，進而實施有效預警和防范打擊。

(三)視頻結構化描述

視頻圖像信息是計算機不能直接分析和處理的非結構化數據，視頻結構化描述是通過時空分割、對象識別、特征提取等方法對原始視頻數據中關注的人員、車輛、行為進行智能分析，提取出關鍵信息，并組織成計算機系統可以分析和處理的結構化數據的過程[1]。對于人員的描述包括人員的面部精確定位、面部特征提取、面部特征比對，人員的性別、年齡范圍、大致身高、發飾、衣著、物品攜帶、步履形態等多種可結構化描述信息；對于車輛的描述信息包括：車牌、車顏色、車型、品牌、子品牌、車貼、車飾物信息等多種車輛描述信息；對于行為的描述信息包括：越界、區域、徘徊、遺留、聚集等多種行為描述信息。視頻結構化處理后，在結構化數據基礎上進行檢索查詢，既滿足了快速目標查找的要求，同時又大大降低了存儲容量，解決了視頻長期存儲的問題。

三、大數據在視頻圖像信息分析中的運用

(一)人、車、物品特征辨認

所謂特征辨認是對視頻圖像信息中犯罪嫌疑人的體貌特征、步態特征、行為舉止特征或對可疑車輛車標、型號、年款、年檢標志、車內掛件、擺件等特征以及可疑物品的形狀、尺寸、大小、顏色等特征進行刻畫[2]，依托大規模視頻解析計算技術，通過人像識別、視頻結構化描述等技術實現對視頻圖像信息進行自動分析、提取和比對，并結合辨認、摸排等傳統偵查措施，將特定的目標從海量視頻背景信息中分離出來，進而確定進一步分析的目標，提高整個案件偵辦的效率和水平。

(二)人員關系多維分析

將匯集到系統中的人臉、人體特征信息和結構化屬性信息進行深度的數據分析，整合公安系統內常駐人口、暫住人口、全國在逃、重點人員以及其他各類資源庫內數據，構成以時間、地點、特征為基礎的人員排

查、布控大數據視頻應用系統。對目標群體內部人員之間的未知關系進行梳理和確認，通過人員活動軌跡、區域內頻繁出沒分析、人員出現頻次分析、人員之間伴隨關系分析、特定區域碰撞分析、人員落腳點分析等多個不同維度，快速分析出群體內各個目標對象之間存在的關聯關系。

(三)車輛軌跡時空分析

將匯集到系統中的所有與可疑車輛相關的視頻圖像信息和結構化屬性信息進行深度的數據分析，整合公安系統內被盜搶汽車信息庫、車駕管庫等系統數據，構建以時間、地點、車牌、車型、特征為基礎的車輛分析排查、布控大數據視頻應用系統。以可疑車輛為關系主體，通過車輛活動軌跡分析、車輛出現頻次分析、車輛尾隨跟蹤分析、特殊區域徘徊分析、晝伏夜出情況分析、車輛落腳點分析等車輛軌跡時空分析，快速分析出車輛之間相關關系、車輛與人員之間關系等，由車到人進一步鎖定可疑人員。

傳統視頻監控系統解決的是“看得見”的問題，高清攝像設備解決了系統“看得清”的問題，大數據在視頻圖像信息分析中的運用，實現了對海量視頻圖像信息的關鍵信息提取、自動比對、智能分析和深度挖掘，解決了系統“看得懂”的問題，節約了警力資源，提高了工作效能，是視頻監控系統發揮其最大效能的必然選擇。