社区安全管控应用浅析
詹岑1董辉2徐型平彳
1.湖北省公安厅科技信息处
2.东方网力科技股份有限公司
摘要：伴随着智慧社区建设的不断发展与时间的积累，在社区中由视频监控、人脸抓拍机、智能视频门禁等视频类感知设备产生的海量视频图像信息，已经成为公安基层警务实战应用的重要资源。但是在视频数据应用方面，目前还普遍存在着资源利用率低、应用单一、应用滞后等弊端，缺乏与公安业务的深度融合应用。基于视频数据治理技术，探索挖掘视频数据在社区场景下的综合应用，实现以社区视频为核心的感知系统向夕卜延发展，横向拓展视频数据应用覆盖面，
为公安在社区层面的治安防控、案件侦破、反恐防暴等实战工作提供有力支撑。
关m：姻綁智删别瞬身份类
引言
在智慧社区的建设中，兴建了大量的视频监控系统、人脸抓拍机、视频智能门禁等视频类感知设备，这些视频感知设备和系统在公安机关维护社区稳定、开展社区治安防控、预防打击违法犯罪、保障社区公共安全等方面发挥了重要作用。随着时间的积累，由这些海量视频监控终端产生的初濒图像资源信息数据量巨大，但对这些视频数据的应用仍面临着资源利用率低、应用单一、治理能力弱等问题，视图资源存储简单，数据未整理、归档、挖掘，随着时间的推移视频被覆盖造成价值数据流失，投资大，利用輕氐。
在此情况下，亟需一套全时、有效、直观、标准的视频数据治理体系，将社区中的视频大数据与人工智能、云计算技术以及公安实战相结合，提供事前高危人员预警、事中重点人员布控、事后人员踪迹查询、身份核实的全过程应用功能，实现对社区造成危害的活动及时预测、预警、预判及打处，让视频大数据真正®务社区精细化治理，实现“智慧警务，跨越发展”的目标。 本文研究探索在社区场景下，通过整合社区视频感知、物联感知数据，实现社区数据、事件的全面感知，充分运用大数据、人工智能、云计算等新技术，融合公安业务数据，开展以人蘇类技术、视频智能分析技术为核心的社区安防应用体系研究，促进视频数据在社区公安实战工作方面的深度应用，实现社区精细化治理和安全防控。
一、关键技术
（-）基于深度学习的全目标识sj技术
全目标识别技术采用先进的深度学习、高性能运算及
大数据技术，利用图像识别技术解决对人脸、人体、机动
车、耳瞅动车等全目标的行为检测、识别和快速检索，满足
社区等多种场景下的实时预警、精准布控、分析研判等业务
需求，主要包括目标检测、跟踪和分类、人脸特征识别、车
无线发射电路
辆舸期、人体特征诩劇分。
1.深度学习技术
深度学习技术通过一套模拟人类大脑感知周围世界方
式的算法，极大提升了机器在理解、感知和预测等多方面的
性能，是近年来人工智能领域最重大的突破之一。深度学习
在计算机视觉领域中的应用，使机器感知、理解和识别图片
内容的能力得到了历史性的提高。基于深度学习的全目标识
别技术包括三部分：（1）自动特征提取。深度学习技术可
自动抽取图像的深层特征，大幅提升了物体识别的准确率，
使之可以达到应用的水平；（2）多层模型。传统识别方法
一般都是基于浅层模型，而深度网络有着一层层提取物体特
征的优势，高层特征信息是低层特征信息的线性和非线性变
换。相比于浅层网络更能提取出能够刻画与分类物体的本质
特征，从而提升模型性能；（3）End-to-end学习。传统
技术的模型训练过程是割裂的，而深度学习技术是完全端到
端（End-to-end）的数据驱动。端到端的数据驱动意味着
模型的输入是原始图片，输出是分类结果，中间层的特征提
取不需要人工参与，而完全由数据自我驱动。
2.目标細与鲫、彌期
目标检测广泛应用于安防监控、智慧交通、智慧社区等
建设的案例中。目标检测基于强大的深度学习算法，如
RCNN家族、FastRCNN和Faster RCNN等，可以同时检测视
Police Technology2019年第6期15
©冷
频中的车辆、非机动车、行人或人脸目标，并准确区分类
别，通过对检测目标的多帧跟踪，进行抓拍目标的质量判
断，实现同f 目标至少抓拍出一张特写图像O 特征识®是一种依托于图像理解、模式颅及计算机视 觉、统计学和人工智能，对人的脸部特征信息进行身份识^ 的生物识M 技术。主流的人脸识别技术主要有：基于几何特
征的方法、特征脸方法(Eigenface 或PCA )、基于弹性模型
的方法、卷积神经网络方法(Neural Networks )等。图1为 全目标特征识S 啲流程虱
人戯人体\车辆
图1全目标特征识^流程图
全目标特征识别包括人脸、人体和车辆的特征识别： 人脸特征识别可检测视频和图片中的人脸目标，如性别、年
龄、民族、笑容、有无胡须、发式、口罩、眼镜款式、有无
打电话以及其他附属物识^等脸部特征属性；人体特征识^
可检测抓拍初濒中的行人，并进行细分特征的识包括性
别、民族、年龄段、头部特征、发型、包、附属物品、上身
却濒、上身却險理、上身祠账度、下身祠嫌、
下身衣瞬式、鞋子款式、鞋子颜等属性；车辆特征识^
可识别抓拍车辆的车牌、车型、车款、车身颜、年检标、
遮阳板、纸巾盒、挂件、摆件、未系安全带、开车打电话、
遮挡面部等细
(二)基于AI 的视剜据治理技术
视频数据治理过程中，需要对视频图片进行分析处
理，该处理过程包括对视频特征数据的殿计算、视频身份
置信等过程。
1.视频图像聚类技术
视频图像聚类技术基于分布式技术构建，将同一视频
对象的识别特征信息进行聚合归档。在进行聚类计划过程
中，首先对图像结构化的结果进行筛选，对质量分数符合要
求的数据，根据图片的人脸特征、人体特征、时间和空间信
息形成聚类中心，每个聚类中心代表一个视频对象的聚合，
并在之后的计算中，不断优化麋类中心。鷄I 归档形成的数
据称为据，据将颁发一个系统唯
_的身份编码。
2.酗核竝术
信息系统形成的视频身份数据的真实身份信息是未知
的，如果有相应的静态人像库，可以通过特征匕的十算来确
认视频身鹽据的真实身份。
通过对原始视频数据全目标结构化后，形成人脸特
征、人体特征和车辆特征值，在三类特征值的基础上，运用
在线/离线聚类技术，结合视频数据的时空属性进行聚类分
析，对具有相同或相僦较高的特征值聚为同f 人，并为
其及其他相同特征值的统一赋值视频身份编码，形成同_身紫铜止水片
份视频身份档案并建库，在聚类身份库的基础上，将特征值
与公安的静态人脸大库比对，进行身份核验和置信工作，置
信后的人员形成置信身份库。
视频数据
視频身份库
同-身份归档
置信身份库
图2全新的视图聚类分析技术
图3视频身份置信流程图
(三)基于知识图轍术的关系分析技术
知识图谱构建的过程主要分为信息抽取、知识表示、知
识融合、知识推理等四个部分：信息抽取，包括知诩諏、实 体抽取、语义类抽取、属性和属性值抽取
、关系抽取等五部
分，主要却n 识图躺■息关系翻
方法主以 RDF ( Ftesource Description ftama/vok 资源描述
框架)的三元组SPO ( Subject, Property, Object )来符号性
描述实体间的关系；知识融合，雄取了知识后，由于知识来
站泛，迪n 识常常飄出極肆、自治的特点，SW
冗余、噪音、不^定、非完备的特征，清洗匏耕不能解决这
些问题，所以必殛知识进行融合和验证；知i 雕理，通过各
种方辭论，和^W 足语义，其 具体龄可分为可艇性、嫌实锹。
基于知识图谱技术的关系分析广泛用于公安情报研判 和案件侦破工作，实现对人员、车辆的人脉关系、同行同伙
关系、联系关系等的图谱分析，为公安在海量的视图轨迹信
息中寻潜在的线索提供智能化、可视化的分析手段，关系
16懂察屋无3 2019年第6
期
智慧社区警务建设关键技术研究及应用
图谱对复杂的海量初濒数据进行有效的加工、处理、整合，转化为简单、清晰的“实体、关系、实体”的三元组。
（四）视频身份管理的方法
铝塑复合型材
通过管理聚类形成视频身份数据，不断提升视图数据的精度和应用效能，是整个系统价值实现的关键一环。视频身份管理方法支持对聚类数据进行合并、拆分，并提供人工对算法聚类结果进行核实的功能。
视频身份管理包括视频全量身份库、置信身份库、主题库及视频和业务融合的超级档案：
1.嘶全量翊库
视频身份库是视频数据治理后的全量资源库，汇聚存储全部视图聚类归档数据，通过人脸结构化的特征t匕对和视频图輙类技术，对前端人脸抓拍机、视图库、第三方等接入的人脸数据聚类归档，构建人员的视频身份，并对视频身份赋予唯一身份编码，实现对所有邂身份的统一管理和展示。通过该资源库可以检索任意时间段、地点范围的目标，并可查看每个目标的聚类详情及历史轨迹。
2.置信酗库
将全量视频身份数据和公安内网的信息数据（比如常口库、暂口库、全国重点人员库、在逃人员库或本地嫌疑人员库等库资源）进行关联匕制，将原本只有视频身份编码的人员进行真实身份落地，标签定义“他’的社会身份，从而落位到现实生活中的人，形成置信身份库。
3.
根据基层民警的曰常办案经验，在案件侦破过程中，由于嫌疑人故意遮挡或者面貌特征不利于辨认，往往可以通过视频中人员的典型人体特征，到关矽索，系统对抓拍照片的图片二次结构化，提取照片中的关键属性构建各类主题资源库，比如戴眼镜库、儿童库等，便于民警根据人体特征进行快速检索。
4.砸和业务融合的趣档案
视频和业务融合的超级档案包含视频身份档案和真实身份档案两部分：初濒身份档案精确刻画了目标人员的基础信息、同行人员、常去地、人物标签、人员轨迹和活动规律等；真实身份档案则对接了人员的基本身份信息、车辆信息、社会关系、活动轨迹、社会经历、落脚点等信息。
（五）据人口治理技术
基于视频人脸聚类数据的人口治理技术，是对聚类数据的进一步建模分析挖掘，洞悉人员出行规律，分析出常住人员、长期未出现人员、临时人员等。与常住人口和"一标三实”数据智能碰撞关联，还可以分析出未登记人员、已核实人员、未核实人员、待采集人员。该技术对社区的人口治
理具有极大意义，为社区人口精细化管控提供了数据支撑。
二、［据治理技术
在智慧社区警务工作中的应用
基于视频数据治理技术的智慧社区系统，立足解决社
区场景下视频数据的存储周期短、利用率低和应用难的痛点
问题，深度挖掘视频价值，按照一定的规则对视频数据进行
归氣识®，生成一组带时空属性标签的标准数据资源，并
与公安业强据进行关联，实SW实地，使^^用
变得更加简单、智能，推动一种全新数据资源的生态体系建
设。下面分别对公安在治安防控、案件侦破、反恐防暴等实
战工作中可能存在的应用来作探讨：
（-）碑鮫防舷用
基于视频数据治理技术，面向公安在社区层面的治安
防控，主要是以人、车、案为核心，以视频感知、人脸抓
拍、多维感知等动态轨迹事件的深入融合分析和研判。
1.社区的实有人口精细化管理
公安“打、防、管、控”的核心是管人，管住了人就
是管住了治安，管住了一方太平，通过社区的视频人脸识别
技术和人脸聚类技术，将社区层面掌握的人员信息与公安人
口数据进行比对，从而摸清社区实有人口底数及变化情况，
实现人口未登记、住址变更、人户分离、已离开、已注销等
多种情况的人员信息常态化管控。
2.社区重点人员管理
在社区建立重点人员库，通过视频身份与重点人员进
行碰撞分析，实时掌握辖区重点人员区域分布和活动情
况，掌握重点人员的抓拍详情、历史轨迹以及人员档案，
并可以通过人像围栏、失控预警等综合布防功能实现对其
预警布控。
3.对社区高发案件的防控
创建零发案小区模式，在社区建立入室偷盗，盗取车
内物，偷盗耳閃I动车等在社区层面高发案件的嫌疑人库，通
过邂酗与嫌进行碰撞分析，时预警或者限
制进入的手段，实现对高发案件嫌疑人员的全程掌控，从而
降低该类案件在小区内的发案率。
4.对社区范围内的涉黄管控
通过初濒感知和视频数据治理手段，实时掌握辖区涉黄
人员区域分布情况，查询涉黄人员删拍详情、活动Sh迹、同
行人员、活动规律、常去地真实身份相关信息，并耶S过
人僦栏、失防手购砂人员的预嘶控。
Police Technology2019年第6期17
5. 针对社区涉毒人员的管控
通过视频手段实时掌握辖区涉毒人员区域分布情况，
查询人员的抓拍详情、活动轨迹、同行人员、活动规律、常
去地以及真实身份相关信息，并可通过人像围栏、失控预警
等布防手段实现对人员的预警布控。针对强戒人员，根
据其行为规律建立多级管控预警模型，对复吸可能性大的人
员提前介入管控，及时、动态、高效地管理人员。
6. 多种前科人员窝点分析
导入有前科人员信息，髓希频繁度
阈值，并分析某特定时段(如夜间)某单元楼棣曲出味小区
居民明显较其他穆淋密集的，且有一定数量、赌博前科的
人员斜牛，分析瞽为輸窝点。
(二) 侦 用
基于视频数据治理技术，可以在社区层面为公安日常 侦查办案提供多样化的研判手段。
1. 提供多维度搜人搜车手段
在掌握嫌疑人和车辆信息的基础上，输入身份信息、
无机粘结剂
人脸人体图片、车辆信息、车辆图片为查询条件，对圈定范 围内的某一段时间内的视频监控、人脸抓拍记录、人脸门禁
记录，进行多维搜索，最终确立嫌疑人的活动轨迹和生活规 律，为侦查办案提供信息支撑。
2. 进行人、车的轨迹刻画
通过采集不同小区、不同点位的视频监控、人脸抓
拍、人脸门禁、车辆微卡产生的视图信息，并经特征识别和
聚类技术处理，生成相同特征人员和车辆的时间、空间序 列，从而实现对人员和车辆进行全轨迹刻虱为人员和车辆
的研判分析提供支持。
3. 提供关系图谱分析
基于多小区视频感知和智能识别技术产生的人脸、车 辆活动记录进行聚类，并与其他社区感知数据、公安业务数
据进行融合分析，分析人员、车辆的人脉关系、同行同伙关
系、联系关系，并通过可视化方式展示，出共同接触或同
行的人员和车辆，将潜在的犯罪嫌疑人挖掘出来。
4. 人车落脚点分析
基于多小区视频感知和人脸识别技术以及车辆识别技
术产生的人脸进出记录进行聚类，以时间范围、进出时间段
为条件，分析出人员和车辆频繁进出的社区，用于分析人员 和车辆可能的落脚点。
(三) 公安涉恐涉暴应用
v50值
在公安的涉恐涉暴方面，视频治理技术可以起到积极 的风险预判和预警作用，提高风险单位对涉恐涉暴等突发事
件事前预警及事后姙能力。
1. 实现对涉恐涉暴人员及牺警
基于公安涉恐涉暴人员信息，通过应用社区视频感
知、人脸识别、人脸门禁等技术，并结合手机嗅探等其他感 知技术，及时感知发现辖区涉恐、涉暴人员的动态情况，实
现对公安涉恐、涉暴人员的即时比对、布防布控、轨迹分
析、规律分析等动态管控和预警。
2. 对社区重点肇事肇祸精神病人进行预警分析
结合社区以及社区周边单位如校园、医院等多场景下，
控WmWM 分析，瞬神病
人异常牟師、滞留分析、高活动频率情况，进行及时告警。
三、结语
本文介绍了以人脸识人脸聚类、关系图谱分析、深 度学习等为核卜的初濒数据治理技术，实现公安在社区层面
深挖视频数据价值，构建在智慧社区场景下公安治安防控、
案件侦破、涉恐涉暴等实战工作的新模式，逐步将社区视频
大数据打造成为社区平安管控手段的新支撑、治安防控中震
慑犯罪和精确打击的新手段、侦查破案中线索采集和证据固
定的新来源，社会管理中便民利民和服务众的新方式。用
[1] 余莉亚，董梁•公安视频大数据数据治理初探DJ.中国妥全防
范技术与应用，2019(02).[2] 叶方卿，祝峰，刘旦•新时代视频侦查的探索与实践口中
国刑事警察,2018(02).
[3] 王连喜，蒋盛益•一种基于特征聚类的特征选择方法UJ.计算
机应用研究，201532(5):1306-1307.
[4] 武森，王蔷，姜敏•考虑加权排序的分类数据聚类算法[J].北
京科技大学学报，2013,35(8):1093-1098.
[5|何遥.公安大数据时代的视频监控[J].中国公共安全,
2O19(Z1).
[6] LIU Hua —wen, WU Xin —dong, ZHANG Shi-chao. Feature
Selection Using Hierarchical Feature Clustering [C|//Proc of the 20th ACM In-temational Conference on Information and
Knovdolge Mana^ment. New Yodc ACM Press, 2011:979— 984.
[7] WTITEND, TIBSHIRNIR . A fiamewoik for Feature Seldon
Indus —teringOJ. Journal of the American Statistical Association,客流监测系统
2010,105^90):713-726.
网王文秀，陈果，岑咏华.面向网络社区知识交流与共享的用
户关系图谱构建与可视化研究D].情报科学,2017(11).
[9] 邱瑞，朱振华.知识图谱在公共安全方面的应用口电脑知识
与技术,2018(35).[10] 孙利宇，钱家俊.公妥知识图谱助力智慧警务落地几数字
通信世界,2018(07).
[11] 李亚奇.计算机图像识别技术的发展现状与应用实践Q].信
息与电脑(理论版),2019(14).
18晝察阿2019年第6
期
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议