基于大数据与人工智能分析的现代人口管控技术与应用研究

2018-05-07 09:20:43 来源:安防知识网 作者:李夏风
资讯频道文章B

[摘要] 本文提出了一种基于大数据与人工智能分析的现代人口管控技术,研究了复杂条件下人像识别技术,并将成果成功应用于基层公安实战,探索了一条结合集成实际的公安信息化建设的道路。

  前言:本文提出了一种基于大数据与人工智能分析的现代人口管控技术,研究了复杂条件下人像识别技术,并将成果成功应用于基层公安实战,探索了一条结合集成实际的公安信息化建设的道路。其成果能够有效整合跨警种、跨部门的人员信息资源,有效的提升公共安全领域的信息化水平,并在实战中取得优异成绩。

  文/李夏风  云从科技研发总监

  (一)背景/引言:

  随着经济的高速发展以及城镇化进程的加快,我国城市人口日趋密集,城市人口流动性也大大增加,但是各种犯罪活动也爆发式增长,犯罪手段也越来越丰富隐秘,如通过使用多重身份证、假身份证实行犯罪,逃避抓捕等,加之交通便利、人口流动性大,更加大了公安工作人员打击抓捕犯罪嫌疑人的难度与力度。

  当前城市治安视频监控系统正处在大规模建设阶段的后期,地方也投入大量资金人力去建设平安城市,但是仅仅依靠采集到的视频图像。当前应用的现状是仅仅各级监控中心走马观花的看看各监控点的视频,和在发生案件后刑侦部门为查找线索翻翻录像资料。这种简单的应用对于几千万甚至几个亿的建设投资,或每年成百上千万租赁费用来讲,显然是远远不够的。同时在大规模视频监控系统中,因其缺乏对视频的智能分析,要在海量的监控视频以及百万计的照片库中找出犯罪嫌疑人,不仅费时费力,还有可能造成遗漏等情况,破案的效率大打折扣。对治安事件无法实时记录和预警;长期观察监控视频也突显了人员疲劳的局限性;而且海量的录像数据难以管理和有效查看。对公安刑侦视频破案、对犯罪嫌疑人、重点高危人员实时布控等需要智能信息技术的支撑。

  进一步,由于没有统一建设一个信息化平台,造成了公安机关各部门的信息资源不能得到充分的利用,也不能为领导的决策提供及时、准确、详细的可靠依据。各级各部门的信息化建设目前基本处在各自应用的水平,没有达到各警种各部门之间的信息共享,各类信息的应用资源没有得到充分的挖掘和合理有效的综合利用,还不能为领导决策提供科学及时的服务,也不能为一线民警提供全天候、全方位、全过程的综合信息支持。

  在进入人工智能时代,人脸识别技术在以上情况下解决视频、图片等非结构化信息到人员照片、身份信息等结构化的转变。针对目前现存的社会维稳、反恐工作压力巨大,警力资源有限,传统工作模式和技术手段难以支撑等各种问题,需要建立一套专业的公安人脸大数据实战应用平台,助力公安办案业务智能化。比如,对案发嫌疑人进行视频侦查需要对嫌疑人的动态活动轨迹、社会关系等的数据的及时采集和分析,对重点场所的防控离不开对场所的人流趋势、风险因素等深度分析;对重点人群的服务离不开对重点人群的组成、行为习惯等的分析;对社会矛盾的化解离不开对幕后推手的深挖。

  因此,结合公安实战,研究基于大数据与人工智能分析的现代人口管控技术与应用,就可以最大限度发挥各类人像数据资源的作用,为各级公安机关和各警种提供服务,实现以“人脸”找人,深挖各类影像数据的实战价值,为公安实战提供简单、高效、实用的技术手段。

  同时将人像比对应用“嵌入”到平安城视频监控系统中,在治安和刑侦业务开展环节,实现可疑身份、在逃份子等有效监管,能够有效利用现有视频监控资源。通过后期查询抓拍库的人员,确认出现在某个摄像机下的人员身份,能够有效震慑犯罪,消除社会治安隐患。

(二)关键技术

  人像比对就是在寻找一种人像的描述方式,能够不受各种因素影响。但是,无论是最早使用的几何描述方式还是后来比较常用的代数描述方式,都不可避免地存在各种干扰。正因为在人脸识别的过程中存在上述的各种各样的问题,因此在实际的检测和识别过程中,当这些因素叠加到一起的时候,情况就变得更加复杂,轻微的光线变化就有可能导致识别失败。本文的研究是基于深度神经网络,通过引入深度学习技术,提升人像比对准确率,适应公安实战需要。

  一、分层矢量化模型

  图:单层的特征编码的流程图

  为了解决深度神经网络需要大量数据的问题,我们提出了分层矢量化多媒体信息表达体系。分层矢量化实际上是一个多层的特征编码的过程。一个单层的特征编码由以下几个步骤组成:首先,对图片库里所有的人脸图像进行分块;其次对每块区域提取局部特征(如LBP、SIFT)形成局部特征描述子;然后,对所有局部特征进行量化形成字典;最后,根据字典信息和人脸图像的映射,编码形成人脸图像的特征向量,我们定义该特征向量为人脸DNA。

  人脸DNA特征能够很好的描述特定人脸的不变量,该特征对人脸光线、角度、表情以及各种图片噪声具有一定的抗干扰性,再由双层异构深度神经网络进行优化与学习,人脸的区分性更强,识别效果更佳。

  举个例子:我们认一个人,最简单的从这个人的身高、体型出发、发型等来判断是谁(认知第一层);更深一层从这个人的人脸、骨骼、虹膜、指纹来确认这个人的身份(认知第二层);更深层次,我们可以通过这个人的DNA来确认这个人的真实身份(认知第三层)。所以认知一个人,随着逐层深入,一层比一层更加可靠。

  人脸DNA类似,在计算机人脸识别过程中,我们可以将人脸的最外在特征眼睛大小形状(丹凤眼、浓眉大眼等),鼻子形状(鹰钩鼻、平鼻),嘴的大小形状(樱桃小嘴)理解成第一层;可以将眼睛的距离,五官的位置,脸的轮廓等理解成第二层;将人脸信息更抽象,提炼出人脸不随光照、角度、年龄等影响的特征,就是更深的层,我们定义为人脸DNA。

        二、双层异构深度神经网络

  为了将两张照片映射到同一特征空间中进行比较,在异构深度神经网络基础上,我们提出了双层异构深度神经网络模型。此模型中每层都是一个深度网络(分别以两张照片为输入),在训练时采用二分类损失函数并对两个网络中对应权值的差异性进行正则化,可实现不同图像空间到相同特征空间的映射。在特征空间中,相同身份人脸图像的类内差异变小,而不同身份人脸图像的类间差异变大,从而增强了特征的判别性。

  以人证合一为例:人的证件照要和现场的抓拍照或者普通照片上的人脸进行比对,我们不能直接拿来比对,这样因为年龄、光照等各种信息影响,识别不准。我们应该将证件照送到深度神经网络的一层,现场照送到深度神经网络的另一层,两张照片通过两层不同的网相互交换信息(年龄差距、角度差距、光照影响等),逐渐的去掉这些对人脸识别不利的因素,将两张人脸照片映射到同一个可比的空间再进行比较。 

图:双层异构深度神经网络示意图

0 0
[责任编辑:汪琴丽]

《安防知识网》一个服务号 二个订阅号 微信服务全面升级

不得转载声明: 凡文章来源标明“安防知识网”的文章著作权均为本站所有,禁止转载,除非取得了著作权人的书面同意且注明出处。违者本网保留追究相关法律责任的权利。

您可能需要

专栏推荐

阅读推荐