以人為中心的數據收斂和智能研判——視頻數據為警務研判帶來的飛躍

公安機關性質與任務決定了中心工作都是圍繞人來開展，“人”是案件或者事件的主體。案件發生后，公安機關首先需要研判的“誰”是作案嫌疑人，而“誰”需要“ID”來唯一標識。在日常生活工作中， “姓名”可以來唯一指向一個對象，但是“姓名”ID標識因重名存在缺陷。警務工作中，常用的ID更為廣泛，筆者認為大致可以分為三類：第一類是人體生物特征，比如指紋、虹膜、DNA等；第二類是主體人經常使用的，比如身份證號碼、手機號碼等；第三類是互聯網的虛擬身份，包括微信、QQ、支付寶、抖音等各種APP的賬號。不同的ID有不同的優劣勢，比如第一類相對準確真實，但是采集困難；第二類最普及，但是偽裝性強；第三類為新型ID，隨著互聯網特別是移動互聯網的興起，警務工作能夠采集的線索（含ID）也急速擴張，特別是在APP需要手機號碼唯一注冊后，與主體“人”的關聯性在逐步增強。APP里的內容也隱藏了大量的線索，比如微信的聊天記錄可能透露嫌疑人的位置，抖音的視頻獲取嫌疑人的頭像等等。出于數據安全考慮，互聯網APP的虛擬身份和內容一般都經過了加密處理。

通過ID唯一指向嫌疑人，然后圍繞ID，依托人事物、地點組織、關系、生物特征、電子軌跡、活動軌跡等多維數據，對嫌疑人展開靜態屬性、動態屬性、規律屬性等“屬性分析”，以得知嫌疑人住在哪里，去了什么地方，甚至預測嫌疑人將要去什么地方，會有什么動作等，發揮大數據最核心的價值——預警預判，真正實現情報主導警務。如下圖所示：

公安內網的業務數據（如車管所數據、人口庫數據等）采集的是人的靜態屬性，得知“對象是誰”；物聯網中的視頻數據（以及互聯網數據）采集的主要是人的動態屬性，得知“對象在哪”。可通過多維數據時間和空間上的疊加構建算法模型，得知“對象規律”。

傳統警務大數據的特點是準確性和豐富性，那么視頻大數據的特點是真實性和可視化。傳統警務大數據省級體量往往在1PB左右，數據種類多至上百種。數據準確高；而視頻數據的采集往往是在群眾不被告知的情況下被動采集，所以數據往往真實性高，但是因為受限于算法精度、安裝環境等因素，視頻數據的準確性不高。比如，同一款人臉智能攝像機，安裝的合理，捕獲和識別率可以到95%以上，不合理，則可能到不了50%。

可視化是視頻數據的另一個特點。公安機關特別是基層民警在警務工作中，經常需要調閱視頻，因為視頻記錄還原了那一刻“最真實的事實”，而且最直觀。但是非結構化的視頻是不能用于大數據分析挖掘的，需要經過智能視頻算法提取視頻中的結構化內容，包括人車對象、異常行為等；視頻數據種類相對比較少，導致在視頻結構化變成數據過程中，損失了大量的價值信息，比如案發當天下暴雨（室外），步態異常（室內）等。所以目前，原始視頻必須被按一定期限保留，保留價值最全的數據載體。

視頻對象結構化數據根據價值梯度分為三個圈，如下圖所示。第一個圈內的數據（車牌號碼、人臉模型、車輛模型、人體模型）具有ID屬性，價值最高；第二個圈內的數據（人臉屬性、車輛屬性等）不具有ID唯一指向對象的屬性，價值相對較低，但是具有縮小嫌疑對象范圍的能力；第三個圈內的數據是系統穩定可靠運行的支撐。

第一個圈內的數據價值最大，但是具有不同的優勢特點。從易讀性、準確性等維度對比如下（附加移動終端特征和RFID）： 

ID屬性對比 人臉模型 人體模型 車牌號碼 車輛模型 移動終端特征 RFID

（人眼）易讀性 弱 弱 強 弱 弱 強

（ID）準確性 中 弱 強 中 強 強

（場景）豐富度 弱 強 強 強 強 強

（與人）匹配度 強 弱 弱 弱 弱 中

（ID）偽裝力 強 弱 強 弱 強 弱

（ID）易損性 弱 弱 強 弱 弱 強

（人眼）易讀性：模型數據作為半結構化數據，無法用人類語言表述出來，導致民警無法進行口語描述和文字傳遞（比如全文檢索），而車牌號碼就可以由案發現場的A民警告知辦案中心的B民警，再由B民警將車牌號碼錄入布控中心，發起全城布控，此業務場景就是ID易讀性帶來的優勢。

（ID）準確性：受限于算法精度和安裝環境等因素限制，模型數據的識別率通常不高，而人體模型因為ID特征點不明顯，建模困難，企業研發投入相對不足等原因，準確率相比車牌號碼低很多，而且不穩定。

（場景）豐富度：目前，攝像頭的布建，越來越依托業務場景，即有目的性

的去采集視頻中的對象和行為，所以兩者（場景和對象ID）耦合度不斷增強。比如人臉對象的采集：因為算法對人臉像素和人臉角度的要求比較高，所以適合安裝人臉智能IPC的場景并不多，局限于狹長式的人員通道、規則的人員出入口等。但是捕獲人體的場景就相對豐富，大部分室外開放式的場景都合適，對人臉像素和人臉角度基本無要求。結合（ID）準確性這項，可以得知人體模型是弱ID，但是場景豐富，適合采集對象人的軌跡。

（與人）匹配度：本文一開始提到警務工作是圍繞“人”為中心展開的，所以不同的ID最終是需要關聯到“人”，因為“人臉模型”是直接采集的人身上自帶的ID，所以和主體“人”的匹配度最高，采集人臉圖像建模后和公安內網的人口庫作比對實現身份確認。對于車輛對象，因為特定時間的司機不一定是車主（車主信息可以由公安內網車管所獲得），所以車牌號碼和車輛模型兩個ID和“人”的匹配度是相對低的，特別是真實的案件中，嫌疑人往往不會使用自己名下登記的車輛。

（ID）偽裝力：真實案件中，嫌疑人經常會帶上口罩，嫌疑車的車牌號碼被遮擋污損或者直接套牌無牌等，容易偽裝。但是對于人體模型和車輛模型兩個ID，一方面難以偽裝，另一方面目前的作案人員還沒有這個意識去針對這兩種ID進行偽裝，所以偽裝力弱，已采集。

（ID）易損性：人臉、人體、車輛等模型數據，因為直接附著在對象身上，所以嫌疑對象不會自己主動發起破壞，比如把自己的臉刮傷，把車給砸壞等，基本不太可能。但是比如車牌號碼、或者RFID等電子標簽，因為成本低，相對容易被故意損耗和破壞。

綜上可以看出，不同的視頻類ID具有不同的優劣勢，如果在警務實戰過程中將不同ID的優勢進行互補，強強結合，將發揮出1+1>2的實戰價值，這也是大數據戰略中非常關鍵的一環。

應用場景：（1）調取現場視頻監控，鎖定嫌疑人；（2）結構化大量視頻，提取人體模型，對嫌疑人構建豐富的軌跡；（3）利用軌跡中多維智能抓拍機同時捕獲清晰正面人臉和人體，將人臉模型和人體模型進行關聯，人臉模型和公安業務人口庫比對確認嫌疑人身份和登記住處；（4）通過人體模型形成的軌跡，分析嫌疑人的落腳點，和登記的住處相吻合，最終捕獲嫌疑人。案例偵破中，結合利用了人臉模型（與人）匹配度高和人體模型的（場景）豐富度高兩個不同的優勢，通過人臉模型知道“是誰”，通過人體模型知道“在哪”。

未來，隨著越來越多的數據匯聚到大數據池中，通過“數據拼圖”，構建“數據魔方”，形成能力倍增器，為各警種提供易懂、可視、高度共享的價值鏈。

本文來源：《企業科技與發展》：http://www.007hgw.com/w/qk/21223.html