智能安防时代 大华为何研究视图萃取技术？

　　【中国安防展览网 企业关注】关于“AI+安防”，雷锋网是这样描述的“两年前安防领域之所以引起明星计算机视觉创业公司的关注，主要由于安防领域的痛点还得不到有效解决。但随着监控设备商对自身问题解决的需求愈发强烈，以及算法的门槛的降低，使得传统监控设备商也开始利用 AI 技术解决视频监控难题。”
 

　　格灵深瞳 CEO 赵勇在接受采访时曾说道：“目前以视频数据为核心的安防监控体系，其实给客户带来了大量的麻烦。从前端传感器直接获得的数据其实是一种非结构化信息，把非结构化的数据放在客户跟前，然后寻找线索犹如大海捞针。只有在实现结构化处理后，才能将其中有价值的数据直观、的保存、处理和应用。”伴随着安防智能化的发展趋势，人工智能技术的重要性越发凸显。为了更好地处理数据，大华近些年在研究视图萃取技术。
 

　　行业背景及需求概述
 

　　城市公共场所监控摄像头成千上万，昼夜不停地监视和录像，由此产生出海量的视频数据，在对这些海量视频通过人工进行重点目标查找的困难很大，耗费时间较长，特别是一些重点场所的监控视频，对目标查找有强烈的实时、的需求。目前使用人工手段效率很低，即便使用
 

　　视频浓缩摘要等技术处理也主要是对历史视频、图像进行分析，而且流程繁琐，出现突发紧急案件时，往往会贻误佳的破案时机，导致相关情报研判和案件侦破的响应速度跟不上要求，无法满足公安事前高危预警、即时性事件处置要求。在视频监控协作公安侦破案件过程中，理想的情况是一旦有重要事件发生，立即就可以快速查找到关键目标的人、车、物等视图线索信息，然后进行人、车布控时还能实时预警。
 

　　基于上述背景及需求，视图萃取技术可以满足这些需求，目标是将针对传统以人海战术为主的视频线索查找或事后对历史视频图像进行处理分析的方式，用实时、、自动、智能的技术实现。
 

　　视图萃取技术分析
 

　　监控摄像头产生的海量原始、粗糙的信息，很多时候是用来储存或者接受对专职人员的监控。如果通过人工处理这些视频信息，将会变得单调而乏味，同时，大部分时间的原始视频中并不包含案件所关注的目标事件。摄像头如何被用来有效的进行场景监测，并根据需要进行实时的预警，这是视频监控问题的研究目的。这就需要一种视频监控技术能够在监控场景中自动获取对正在发生的事件的描述，并根据视频分析采取相应的措施。
 

　　虽然，不同的视频监控系统有不同的监控需求，但是它们在监控处理的过程中都需要处理一些共性问题。我们从分析监控人员的工作方式入手，来探讨这些共性问题。监控人员在面对视频监控画面时，通常只是关注场景中的某些特定目标物。比如，只是关注在监控场景中新出现的目标物(陌生人)，而不会关注监控场景的景色变化或者物体摆放位置的变动等。从每一帧视频画面中分离出目标物(陌生人)，并对这一同标物进行长时间的跟踪，这就是物体的检测、分类和跟踪问题。监控人员在对目标物的跟踪过程中产生的一系列的信息并对之加以分析，然后给目标物的运动划出一个行为描述，并根据这个行为描述决定是否对当时发生在监控场景中的事件给出异常报告。这个过程对于视频监控系统来说，就是在目标物被识别并确认的基础上，分析目标物的行为，按照设定的条件对系统理解的行为分类，给出监控场景中的事件行为描述。综上，通过对监控人员的实际工作流程和工作方式的分析，我们知道视频监控过程中主要涉及到的问题包括：目标物的识别确认，目标物的跟踪和目标物的行为分析。问题核心是图像分类和图像搜索。图像分类任务如：人车目标、车辆品牌、车辆颜色识别、车辆类型识别等。
 

　　视图萃取技术的实现方式
 

　　视图萃取技术实现了对海量视图的实时结构化提取，对人、车、物识别分离，提取有效结构化数据，并对视图中的车、人脸进行深度结构化处理，实时感知城市中的高危人员、高危车辆。结构化后的高价值信息可以进行长期保存，让事后侦查搜索目标变得更便捷，大大节约视频侦查时间和人力成本。
 

　　萃取技术架构图如下：
 

图1 萃取技术架构
 

　　人车物分离
 

　　视频人车物分离针对平台/设备的视频/录像进行结构化处理，将视频中的运动目标进行人(行人、自行车、电瓶车或摩托车、三轮车)、车、物的区分，同时提取目标基本的信息，如主体颜色、目标大小、目标速度、运动方向、时间等。根据这些提取的目标信息可以自由组合进行目标搜索，显示结果以视图、列表或者地图形式展现，每条记录对应原始视频片段供细节查看。结构化的重要线索及高价值数据可以在民警分析后入视图库，同时萃取系统也能从视图库中获取其他业务系统分析后的高价值信息进行同一案件人、车线索的串并，并在地图上进行展现。
 

　　车/脸识别
 

　　车辆与人脸识别基于现有卡口电警设备、卡口平台、人车物分离出的车辆资源，实现了对过车图片的智能化特征二次提取和分析，并进行结构化解析和提取(包括：车辆品牌、型号、年款、颜色、类别、异常行为等)，以及车辆性局部特征(如年检标志、纸巾盒、遮阳板、摆件、挂件)的过车信息实时搜索分析功能，主要包括：车牌识别技术、车系型号识别技术。
 

　　车牌识别包括快速定位车牌位置，准确识别车牌字符、车牌颜色、车身颜色、车头商标、车辆类型等一系列智能交通领域所需要的技术。
 

　　车系型号识别技术，目前采用先进的深度学习技术结合了车辆大小，车身的颜色以及车牌位置与颜色等综合信息，能够准确定位识别上百种车品牌，支持上千种车辆的具体型号的准确识别，并且算法不依赖于公安的数据库，具有灵活的应用场景，为公安刑侦工作提供更加精细化的信息。(支持200种品牌、3000种细分车系、局部特征的分析输出。)
 

　　车辆特征展示
 

图2 车辆特征展示
 

　　与浓缩摘要的区别
 

　　萃取面对需求以实时结构化为主，所以应用主要针对重点区域的实时结构化需求，浓缩摘要针对所有事后视频的摘要分析。
 

　　萃取对于视频结构化中除人车分离功能外还有对车辆进行二次分析及特征布控，而浓缩摘要主要侧重人车分离，对于车脸识别及特征布控无法实现。
 

　　视频萃取技术应用
 

　　利用视图萃取技术开发的产品，主要定位于公安的业务应用，应用上可以分为下面几个类型：
 

　　事前重点点位实时结构化
 

　　支持通过电子地图的方式进行配置，将重点部位周边的符合智能化分析的点位进行实时结构化，支持按照全时段、重要时段(如上午7-9点学校，中午11-13点银行，下午3-5点学校)等方式进行配置。一旦发生事件后，可时间通过检索结构化信息的方式快速定位*、车信息。
 

　　事中即时性案件处理
 

　　针对接到报警后需要马上通过视频进行追踪的场景，支持通过电子地图框选案发地周边点位后直接进行萃取，并可通过布控*员、车辆特征(红色衣服-人员，黑色三厢轿车等)的方式，快速掌握*员移动轨迹。
 

　　同时，也可根据*、车的移动方向，逐步调整进行结构化分析的摄像头，以实时跟踪*轨迹。
 

　　事后研判，轨迹还原
 

　　可以在地图上进行时空分析，将萃取系统分析的人员、车辆信息形成目标的时空轨迹，帮助办案民警进行分析和研判。
 

　　行业技术应用现状
 

　　目前，主流的安防产品解决方案提供商主要采用的是视频信息智能分析技术，常用的智能视频分析技术通过目标提取、目标跟踪、特征提取等算法实现对移动目标的检测、识别及特征细化等功能。安防企业也都正在基于此类技术推出产品进行业务应用，这充分说明该技术能给业务应用带来便利。