查找:                      转第 显示法宝之窗 隐藏相关资料 下载下载 收藏收藏 打印打印 转发转发 小字 小字 大字 大字
【期刊名称】 《中国刑警学院学报》
动态人脸识别在侦查工作中的应用
【作者】 栾润生刘国防王超强
【作者单位】 安徽公安职业学院侦查系{讲师}合肥市公安局视频侦查支队安徽公安职业学院侦查系
【分类】 刑事侦察学【中文关键词】 视频侦查人脸识别系统架构预警
【文章编码】 2095-7939(2019)05-0122-07
【文献标识码】 A DOI: 10.14060/j.issn.2095-7939.2019.05.017
【期刊年份】 2019年【期号】 5
【页码】 122
【摘要】

人脸识别在刑事案件侦查工作中的应用和创新做法,促进了视频侦查技术——人脸识别在实战应用中高效率、智能化的应用与发展。以视频侦查建设和实际应用中的H市公安局视频侦查支队为例,对动态人脸识别建设及其深度应用中的做法、成功案例和今后的识别率提高、优化发展升级等方面进行介绍分析,结合当前国内外人脸识别的发展趋势,提出了实战型“动态人脸识别”架构模式,实现在大数据时代人脸识别的动态化、人工智能化的目的,对公安工作和刑事治理的动态研究和判断具有一定的参考价值。

【全文】法宝引证码CLI.A.1281979    
  
  

1前言

随着技术的进步和社会需求的发展,行业化、商业化推动了人脸识别的高速发展。随着公安系统、小区门禁、智能门锁、智能考勤、智能汽车、智能手机等一系列行业应用和智能家居、设备的普及、催生,越来越多的应用都将人脸识别这一固有的生物识别技术普及、应用、发展提高。在公安工作中,从我国刑事犯罪的发展与侦查治理来看,当前我国仍处于刑事犯罪的高发时期,刑事案件仍旧高位运行,刑事犯罪正在从“网下”传统接触式走向“网上”非接触式。诸如黑恶势力“网络化”、网络暴力、电信网络新型违法犯罪、网络贩枪和传统盗抢骗的有组织化、网络化、动态化等,正在形成新时代下刑事犯罪新形态{1}。而云取证、互联网+、物联网、大数据+、人工智能、智能家居、智能汽车、无人机等一批智能前沿设备的发展应用并逐渐成为主流的这一特征,使得人脸识别向自动化、智能化方向发展是必然的趋势。

人脸识别技术的应用始于20世纪60年代,国外对人脸识别技术的相关研究,限于当时的技术水平和应用领域,仅仅是在一般模式识别领域和人脸几何特征算法方面的研究{2},主要是从认知、感知和心理学方向进行探索{3},从面部轮廓曲线、基于面部的几何结构中提取特征。到20世纪90年代初期,人脸识别技术开始从人脸的面部弹性图特征匹配、灰度图像、形状分离及人脸模型可变等方面进行研究{4},这一阶段的人脸识别较初期有了长足的发展,无论是在识别率上还是识别条件都有巨大改进和丰硕成果。随着计算机技术、信息网络、芯片工艺、光学成像等技术的发展成熟,到20世纪90年代后期,人们开始了人脸识别的主要行业落地应用,并建立了一些商业人脸识别系统,这一时期不仅在技术层面上有了很大的提升,诸如多维特征矢量法、局部特征分析法、弹性图标匹配技术等,而且随着人工智能的深入应用,人脸识别逐渐能够达到主动学习、自动识别的效果{5}。21世纪以来,人们不断探索,从硬件性能提升到软件算法改进,诸如人脸空间建模、人脸3D识别法、基于各种外部因素的人脸识别方法[1]、深度学习、大数据、人工智能等理论,使得当前人脸识别达到空前热度和成熟度,基本达到快速、精准、误差的鲁棒性能等特征。一些关于人脸识别的技术综述有详细的阐述。

科学技术的突飞猛进使人脸识别得到了长足的发展,现在的网络信息化、大数据、高清视频的迅猛发展催生了大量对人脸识别的课题研究、论文发表、应用方向,很多知名理工大学、IT行业产业都有专门的研究组对这一领域进行大量深入的研究、探索,当前对人脸识别的研究应用几乎达到了“泛滥”的程度{6}。

纵观人脸识别的发展,其核心要素包括硬件设备,如芯片、处理器的运算能力和前端采集设备、线路端的图像传输设备,以及系统后端的数据存储、分析、控制、输出和显示设备等一系列硬件的集合;软件环境,如高报警准确率[2]的内核引擎、高响应度的应用系统和核心算法的优化升级等;基础数据,如数据的采集设施[3]、一定量级和有价值的比对数据库等。只有同时优化提高这3方面的技术指标,才能保证人脸识别应用的准确性、高效性、实用性。因此,“人脸识别系统”集成了数据采集、机器识别、机器学习、模型理论、专家系统、图像处理、大数据分析、云计算与存储和人工智能等。并结合中间值处理理论与实现机制,可以说,它是当今生物特征识别技术应用领域的又一里程碑式的新突破。借助于高度集成与迅猛发展的信息化科学技术、立足于大数据采集分析、借助于5G网络高带宽传输,将共识算法、身份认证、智能合约、云计算、区块链等多类技术不断优化升级,定会推动并加快人脸识别应用由弱人工智能向中强人工智能深度应用时代迈进的步伐。

2背景

随着国民经济的快速发展和城市化进程的加快,从20世纪80年代初到2015年,全国各地的城市人口大量涌现,中国的流动人口总数呈增长趋势。统计显示:2017年全国流动人口总量为2.445亿[4]。由于流动人口的规模导致了区域人员构成相对复杂,这对城市公共安全领域的人员安全防范与管控等方面提出了巨大挑战。按照原有的工作模式——仅凭传统的人工查看视频的方式,试图从海量非结构化视频数据中检索分析、逐一排查进行业务处理和案件办理,犹如大海捞针,费时费力、收效甚微,不论是从工作效率上还是对一线警情压力上,与当前社会的大数据理念和快节奏的生活、工作方式都是不匹配的。因此,亟需创新工作模式、改进传统工作方法,借力于当前科技发展和信息网络力量。一套成熟度高、可靠性好的人脸识别系统可以实现对人脸大数据的快速采集检索、秒级分析、联动研判、精准落地等高效应用,可以解决传统警务工作模式中的低效、延时问题,突破人员管控的瓶颈难题。2014年底,公安部下发的《关于做好公安“十三五”规划编制工作的补充通知》中明确提出:“十三五”期间,人员数据智能数据采集系统(简称“雄关计划”)的建设将在县级以上城市进行。在重点城市,重点关注重点区域和重要出入口,通过人员卡口、电子围栏、视频监控、移动卡口等前端设备建立多模式高通量人员特征信息采集与识别系统。加强预测和警告关键人员异常行为的能力。这指出了国家公安机关开展面对大数据建设的方向和要求。“前端智能采集+云端解析应用”人脸大数据研究与判断系统的建设必将把视频监控系统推向一个新的高度。

3动态人脸识别的概念、特点和架构

根据公安服务的实际应用需求,动态人脸识别是一种利用人脸识别、深度学习、大数据和云计算的技术。设计了动态人脸大数据分析应用系统、结合实战经验、犯罪心理学、犯罪行为学等实践经验和理论研究。通过建立科学合理的数据分析模型,提供相应的数据或事件检索、关联、分析、比较、标签、存储等服务,发现隐藏在数据和事件之间的高价值数据或线索,并升级传统的“从案例到汽车,从汽车到人”检测模式,创新扩展到一种新的运作模式——“从案到人,从人到人,从人到身份,从身份到人”。

3.1动态人脸识别的概念

按照人类对事物的认识规律,识别,即是人类通过感官系统(比如眼睛、耳朵等)对外界事物的信息接收与获取,然后将信息传递给大脑进行分析、识别、判断,最终决定采取相应响应动作的一个过程。动态人脸识别(Dynamic Face Recognition),就是把照相机、摄像机和图形图像采集等仪器设备作为我们的眼睛和耳朵,获取和接收人脸图像信息,通过传输,存储到后台服务器来执行实时特征提取和特征点比对分析。通过与既有数据库原型数据进行相似度识别判断,得出相似度数值并输出的过程。

动态人脸识别系统主要包括人脸检测、跟踪、特征值提取、识别等模块{7}。所谓动态,是相对于静态而言,它是在实时检测、采集到人脸数据的同时运行数据处理分析模块,采用深度学习算法和图形处理器(CPU)功能,一种面部结构数据系统,用于从诸如由前端设备收集的视频和图像的非结构化数据中提取面部属性和构建视频图像,通过实时和深度挖掘技术提取特征和构建模型,以形成可由机器快速识别的分析数据。并在各种、各级、各类已建在建资源库数据中进行检索比对实时预警的过程。动态人脸识别是建立在初期人脸识别概念、中期自动人脸识别研究和现阶段大数据实时采集、分析、处理、输出的一个系统,突出“动态”特性。

3.2动态人脸识别的特点及技术实现

3.2.1深度学习技术

夫妻本是同林鸟

深度学习是机器学习的重要分支,是传统神经网络的重要延伸。作为一个多层次的非线性神经网络模型,它具有强大的学习能力,结合大数据,云计算和GPU并行计算。它已广泛应用于图形图像处理、视觉、语音和生物识别等领域和专门行业{8}。自2007年以来,人脸数据库LFW (Labeled Faces in the Wild){9}作为权威人脸识别测试数据库,大量基于深度学习的人脸识别方法在LFW数据集上获得了突破性的结果。Face++提出的Megvii Face Recognition System{10}采用常规的深度卷积网络模型,训练数据是通过网络搜集的500万张人脸图像,训练后的模型在LFW人脸数据集上准确率达到了惊人的0.9950,超过了人眼0.9427~0.9920的识别精度。Deep Face通过额外的3d模型重构正脸头像,在LFW人脸数据集上达到了0.9735的精度{11}。百度的方法结合了util-patchdeep CNN和deepmetriclearning来提取人脸特征,训练数据为1.8万人的120万人脸图像,在人脸数据集LFW上达到了0.9977的超高精度{12}。

3.2.2大数据技术

如今全球数据化时代,数据的产生和存储量在逐年增加。根据国际数据公司(IDC)跟踪分析显示:2012年全球产生的数据总量已达到1.8ZB[5],预计到2020年将达到35ZB,其中约22%将来自中国{13}。借助大数据4V功能[6],结合公安管控业务的实际需求,基于分布式计算、全文搜索引擎等技术,解决并提供系统内海量数据的结构化、半结构化类型的存储、快速检索、分析统计等应用。通过大数据的深度学习、关联分析、聚类融合等技术手段,对事件(务)的发展趋势做出研判、预测并给予客观科学、可靠性决策建议。

3.2.3高性能计算技术

对于传统的计算密集型应用程序,它通常适用于使用传统刀片集群的大规模多节点并行性。对于无法执行多节点跨节点并行性的多线程应用程序,内存、I/O(输入和输出)要求很高,即使具有特殊附加卡要求的应用程序也需要更高的单节点处理性能,更高的内存和I/O(输入和输出)可扩展性要求及附加卡可扩展性要求。通常,SMP胖节点配置为满足应用程序要求。同时,在图形领域,GPU可以提供更高的性能和更好的能效比,并配置大量的高密度GPU节点,以满足图形计算的需求(如图1)。

3.3动态人脸识别系统架构

3.3.1物理架构

(图略)

图1 GPU加速工作原理和GPU+CPU组成模块并行计算架构

动态人像应用系统由视图接入系统、视图解析引擎、比对引擎、大数据分析引擎、应用系统、图片存储等部分组成。主要完成人脸抓拍机、网络摄像机、视频平台或者图片平台的接入和协议适配;解码、取景、面部追踪和视频的脸部捕捉;根据人脸所在位置、人脸大小、人脸偏转情况及光线环境等情况自动对人脸图片质量进行判断,屏幕并标记最佳质量的图像,用于特征提取,面部建模和数据结构化。搜索要实时比较的面部特征值流对并在单个目标库中搜索目标,为布控功能提供基础计算能力支持。

3.3.2逻辑架构

动态人像应用系统及其周边系统从逻辑上由基础设施层(Iaas)、智能视频服务层(Paas)、智能视频应用层(Saas)、用户场景层组成。包括数据采集基础设施、网络传输基础设施、数据中心基础设施;人脸抓拍机、高清网络摄像机、视频门禁、警务通、执法记录仪、人证采集设备、人脸闸机、卡口电警;数据接入服务、基础服务,数据接入服务处理原始视图数据的接入、编解码、流媒体转发以及异构网络的摆渡服务等。视图解析引擎、大数据分析引擎、深度学习训练引擎、比对引擎四大引擎及一套视图分布式存储系统。通过对下层服务的抽象和封装、结合业务流程,对外提供包括基本的注册认证权限功能,以及人员轨迹研判、人员身份研判、重点人员布控、大数据技战法功能、数据统计功能等。支持通过SDK等方式与公安常见的业务系统,比如八大库、PGIS等进行交互,实现技战法的综合应用。

4抓捕机制与实战效果

H市公安局视频侦查支队在人脸识别领域开拓创新,通过人脸识别技术,已经实现抓捕人数的大幅度增长,其中包含全国在逃人员(包括在逃10年以上)、本地三车人员、扒窃人员、吸毒人员等。在

  ······

法宝用户,请登录后查看全部内容。
还不是用户?点击单篇购买;单位用户可在线填写“申请试用表”申请试用或直接致电400-810-8266成为法宝付费用户。
【注释】                                                                                                     
【参考文献】

{1}乔顺利,刘冲.中国行为法学会侦查学分会第十次全国学术研讨会综述[J].中国刑警学院学报,2019(3):86-94.

{2}曹林.人脸识别与人体动作识别技术及应用[M].北京:电子工业出版社,2015:2-10

{3}简讯.人脸识别技术综述[J].电脑知识与技术,2019(2):171-172.

{4}Kaufman G J, Breeding K J. The automatic recognition of human faces from profile silhouettes[J]. IEEE Transactions on Systems Man and Cybernetics, 1976(2):113-121.来自北大法宝

{5}刘卫凯,郝雅倩,郑晗,等.人脸识别综述[J].信息记录材料,2018(7):13-14.

{6}山世光.人脸识别中若干关键问题的研究[D].北京:中国科学院研究生院(计算技术研究所), 2004:14-15.

{7}茹志鹃.基于动态视频的人脸识别技术研究[J].电子测试,2016(19):61-62.

{8}刘凡平.神经网络与深度学习应用实战[M].北京:电子工业出版社,2018:3-4.

{9}Gao W, Cao B, Shan S G, etal. The CAS-PEAL Large Scale Chinese Face Database and Baseline Evaluations[J].IEEE Transactions on Systems Man and Cybernetics: Systems, 2008(1):149-161.

{10}Geng X, Zhou Z, Smith-Miles K. Individual Stable Space: An Approach to Face Recognition Under

Uncontrolled Conditions[J]. IEEE Transactions on Neural Networks, 2008(8):1354-1368.

{11}Taigman Y, Ming Y, Ranzato M, etal. Deep Face: Closing the Gap to Human-Level Performance in Face Verification[C]//Wang XG.2014 IEEE Conference on Computer Vision and Pattern Recognition. Columbus OH: IEEE, 2014:1701-1708.

{12}Winarno E, Hadikurniawati W, AminI H A, etal. Anticheating presence system based on 3WPCA-dual vision face recognition[C]//Riyanarto Sarno.20174th International Conference on Electrical Engineering, Computer Science and Informatics (EECSI). Yogyakarta: IEEE, 2017:1-5.

{13}李军.大数据:从海量到精准[M].北京:清华大学出版社,2014:22-31.

{14}翟海,江平.大数据时代的智慧侦查:维度分析及实现路径[J].中国刑警学院学报,2018(3):58-63.

©北大法宝:(www.pkulaw.cn)专业提供法律信息、法学知识和法律软件领域各类解决方案。北大法宝为您提供丰富的参考资料,正式引用法规条文时请与标准文本核对
欢迎查看所有产品和服务。法宝快讯:如何快速找到您需要的检索结果?    法宝V5有何新特色?
扫码阅读
本篇【法宝引证码CLI.A.1281979      关注法宝动态: