车脸识别在警务实战中的系统实现与应用.docxVIP

PAGE 1 PAGE 1 车脸识别在警务实战中的系统实现与应用 引 言  传统公安实战业务中，车辆的识别主要依靠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精确、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”，将是将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  依据Y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，依据不同的层级设定不同的管理用户和访问权限。  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别并形成一个多达4000维的车辆特征信息库。  （二）大数据平台  依据详细需求实现对图像识别的数据资源的集中存储与管理，并依据系统设计需求面向各个业务部门供应不同的应用支持。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，同时为处理便利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  对客户端的恳求进行分析后，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、动态安排、容灾备份等智能操作模式。系统将依据任务的不同安排相应的运算资源，从而起到合理安排资源、效率最大化的目的。  （四）应用层  应用层主要为使用对象供应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供应规律支撑，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。供应车辆轨迹分析、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，不依靠车牌识别信息，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供应牢靠的技术支撑。  （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）增加学习与机器学习  增加学习（Reinforcement Learning，RL）又叫做强化学习，是近年来机器学习和智能掌握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，特地研究计算机怎样模拟人类的学习行为，并不断获取新的学问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