城市智慧公安综合视频系统关键技术研究——基于集成服务总线、视频结构化、深度学习的视角

■文/甘肃政法大学 贾志城

关键字：智慧公安 公安视频 集成服务总线 视频结构 深度学习

1 引言

随着我国现代化建设的快速发展，先进科学技术在社会管理的各个领域得到广泛应用，社会治理的运行水平普遍提高，国内社会治安宏观态势整体良好。但伴随社会经济增长率的快速提高、城镇化跃升速度显著加强，以及人员流动性不断加大，各种社会不稳定因素也随之增多，社会治安形式日渐复杂，形式繁多的违法犯罪活动层出不穷。正是在这样的社会背景下，诸如雪亮工程、平安城市监控、道路管控等民生工程应运而生。尽管这些工程在不同程度上解决了许多社会问题，但对于大多数城市而言，其城市管理体系滞后于社会发展实际需求，社会管理人员良莠不齐等因素均制约着城市的发展步伐。其中，各类视频监控系统问题较为突出，多部门建设、分散管理、数据孤岛等问题制约了智慧城市建设速度。即便在负责社会公共安全管理的公安系统内，多部门信息不能互通的问题也仍然存在。

构建能够实现视频监控数据互联互通的公共安全协同视频平台——城市智慧公安综合视频系统，将成为扫除目前社会治安及交通管理视频大数据障碍的关键所在。该系统可以实现公共安全部门内的数据共享，在拓展视频实战、基础数据采集、人脸识别比对、步态监控、视频资源综合运维、视频道路信息采集等多种协同安全防范业务的同时，积极提升智慧化城市治安防控体系建设的整体水准。同时，城市智慧公安综合视频系统模型，应该具备智慧警务数据汇总、多渠道信息采集、平台内部数据标准化共享化，以及多系统间多路接口规范化等基础功能。其中，城市智慧公安综合视频系统建设需要用到的集成服务总线技术、视频结构化技术和深度学习技术都是富有挑战性的关键性应用技术。

2 集成服务总线技术

现代信息技术已经成为物联网发展的引擎。高级语言在坚定的面向简单化、面向对象、分布式、健壮性、安全性、平台独立与可移植性、多线程、动态性等科学化规范化的发展路径时，创建了集应用程序、Web 应用程序、分布式系统和嵌入式系统应用程序等多程序一体化的总线技术。而将原本独立的微服务与API（Application Program Interface，应用程序接口） 网关的融合即是集成服务总线技术的先导。

各自独立发展的多种结构类型的驱动设计、持续交付、按需虚拟化、基础设施自动化、微型化自治团队，以及逐渐成长的大型甚至是特大型服务集群的快速应用，催生了微服务应运而生。微服务及其应用的架构方法成就了系统规划的生命延续，其高效的架构特色成功地将独立功能业务融合于对应自治工作子模块并完成解耦，依据任务需求实现了子功能或子系统的决定性的组件化和服务化，能够完全基于物联网组网需求灵巧地构建服务功能，还可以依据需求变更实时刷新现有组网并裁剪服务。通常，微型化自治团队模块足以完成其功能对应的独立应用服务，由于其服务实体独立性和针对性的存在，因此可以将其独立部署于PaaS（Platform As A Service，平台即服务）上，微服务完全可以依靠API完成独立部署结构和数据服务，并按需更新组配。API的存在本质是其作为应用系统的唯一性的网关价值，由于API 的封装结构，应用客户端只需满足API 网关基本的数据交换即可，无需调用转职服务，其存在的内部架构因封装而对外屏蔽，简化了应用调用逻辑，因此，API 能够给予各类服务以高性能、高可用、高安全性的API 数据托管，成就了自构规模、自构功能、自我管理和自我部署的API 应用需求。这种数据服务支撑下的应用场景，能够实现便捷迅速、低成本、低风险的API 系统集成，并完成成熟业务开放能力及业务能力的迅捷变现。

可见，微服务与API 应用集成是中间件技术、XML以及Web 服务等技术的聚合产物，消除了跨平台、跨编程语言、跨编程模型的应用障碍，融合了各类应用间的路由数据，统一了应用数据格式和驱动处理规则转换等数据交换和控制方式，并借助这些规则成就了 SOA（Service-Oriented Architecture，面向服务的结构）核心思想。成长于SOA 思想的集成服务总线技术外在表现性能优异，在消减了重复开发的基础上，割除了信息孤岛，降低了数据整合、配置管理、数据维护、业务耦合等多种应用障碍处理的复杂度，整合了多种业务应用和应用服务的连接，促成了不同应用服务之间数据共享和通信。同时，集成服务总线技术还应用了ZooKeeper、Dubbo 等技术，共享CAS、IMP、PRS、PKI 等服务，坚持统一的面向用户公共服务、授权鉴权体系和单点登录方式。

3 视频结构化技术

视频数据的处理与分析，其本质就是分离出若干有价值的数据帧。具体过程是，首先分解视频数据帧，再将数据帧的点阵灰度值或彩色值逐一分析，获得视频数据帧的关键数据集后，用于解释与此强关联的事件本意表达，并将其宏观理解作为情报予以呈现。通常，智慧警务视频数据是将捕捉目标的运动行为作为职能数据，并从中提取和识别数据。由于视频数据源自指定布控地点的异型结构和多厂商的视频数据终端，属于海量数据集，视频数据呈现出较为显著的非结构化特征，该数据特征往往成为数据链缺失的信息表达。因此，必须完成必要的视频图像抽取和识别，这就是视频数据的结构化处理，也是城市智慧公安综合视频系统必须解决的问题。

视频数据的结构化表达就是将各种类型的视频数据通过专指语义、语法予以提取并描述。通常将视频数据帧通过镜头分割、特征提取、对象识别、语义提取、底层特征与高层语义映射、视频标准化（结构化描述模型）描述等流程进行预处理，再针对视频数据帧进行语义化分析，由此将视频数据帧按照时间序列进行视频内容描述。为了协同标准化的信息组织和存储，必须将该数据帧再度序化，以便图像数据的检索和压缩。在构建全面的智慧公安视频结构化基础上，将视频数据转化为公安实战可用情报，用于警方修订侦查导向和打防控管，实现特殊定置区域的视频远程智能监控、无人值守和自动报警，以及部分或完全替代视频数据人工排检等数据支持服务，凭借技术支撑全面提高我国公共安全打防控管及安全维稳的综合能力，提升我国在公共安全智能视频领域的国际影响力。同时，对于完善科技强警的安防模式，具有突破性和创新性。

4 深度学习技术

如果说视频数据的结构化表达是其第一要素，那么，其所包含的另一要素就是结构化描述。通常，使用某种手段将非结构化视频数据变换为结构化数据，无论变换结果如何，宏观可见的每一次变换都将损失原有部分数据，这不符合智能化的时代需求。因此，在实现视频数据结构化描述之时，嵌入深度学习技术，借此在视频数据帧中实施智慧化的关联数据分析与发掘，进而构建出能够实现特征提取、数据映射、数据标准化、自动排检、预测检测等具有智慧化特征的警务视频数据。通过技术实践，变革警务组织业务结构，强化依赖于数据结构化、分析智慧化、学习深度化等智慧化信息系统的约束条件，摆脱全面依赖人海战术的工作困局，实现更为高效的警方决策支持。

深度学习的研究源自人工神经网络的探究，是普遍利用计算设备效仿人类本身学习能力提升的算法研究。深度学习的基本思路是依靠研习基础数据蕴含的数据特征和抽象层次，构建出学习目标数据模型，再根据其测试数据对其完成类型划分。深度学习的实质是实现了较为复杂的计算设备效仿算法。相较于浅层学习，深度学习结构模式较为复杂，多隐层多层感知器的使用是其特色。深度学习是构建智慧化公安视频系统的核心所在。深度学习综合应用了人工智能、神经分析学、多层组合的多输入、输出网络以及分层结构，破除传统浅层学习结构，通过模仿人脑学习模式，联合贯通多级多节点的数据关联，积极拓展机器学习的主动性和能动性，将机器学习能力拟合于人类头脑的学习机制。

深度学习常用框架的出现，让研究达到了事半功倍的效果。常见的深度学习模型包括深度信念网络、卷积神经网络和循环神经网络等三种类型，以及深度学习模型翻译系统、推荐系统等智慧应用基础。

5 结语

集成服务总线、视频结构化、深度学习是构建城市智慧公安综合视频系统的三项顶层应用技术。面向服务结构SOA 的基础理念成就了优异的集成服务总线技术应用，而视频结构化全面实现了智慧化公安实际应用场景，尤其是深度学习率先成为智慧公安视频系统的核心，成为科技强警的基础，能够实现各类警务平台和视频监控系统的智能化联动。