基于Hadoop 的应急联防移动处置平台设计*

张立志 ，李学文

(1.西安外事学院 工学院，陕西 西安 710077；2.西安西科安全技术有限公司，陕西 西安 710054；3.西安科技大学 安全科学与工程学院，陕西 西安 710054)

0 引言

加强城市治安工作，努力为居民营造一个安全的生活环境，一直是城市建设的一项要务。而综合运用现代电子与信息技术的新型城市管理监控系统已成为城市化社会管理的重要工具之一。其中，如何使海量视频数据安全存储与处理一直是安防领域研究的重点。云计算是海量视频数据存储与处理的基础[1]，Hadoop 在海量数据的管理和分析方面具有优势[2]。

本文提出的基于Hadoop 的身份识别应急联防移动处置平台可对采集的视频图像进行智能分析，将判定的可疑对象与公安部门已认定的危险人物及时录入“危险分子”的身份信息库(含图像和文字信息)，再接入应急联防监控系统并与监控数据进行对比，实现隐患自动识别，同时根据分析结果来实现安全预警和公安系统内各部门的应急联防联动。

1 总体框架与实现流程

1.1 总体框架

图1 平台总体架构

(1)网络层：监控视频资源在监控中心传输，并且存储到部门机房中，利用IP 视频专网和市局、分局的视频系统，构成三级视频转网[4]。在分布式监控节点虚拟机中实现流媒体服务器的安装，虚拟机实现网络带宽和计算资源的共享。利用内存映射文件技术对临时视频数据进行存储，对实时监控视频实现分辨率转码与格式转码[5]。

(2)平台接入层：各个监控点使用匀速一体球结合日夜型一体摄像机，以保证各不同光线都能够得到良好图像质量[6]。根据H.264 实现收集视频信号的编码，利用多路MPEG-Ⅱ压缩，使用视频监控联网系统安防标准实现网络传输，各个视频监控设备使用RTSP 接口互联。视频流压缩编码之后封装在网络传输IP 数据包，利用Internet 在云资源池中上传[7]。

(3)技术支撑层：对不同监控点传输视频信息进行汇聚，云存储使用MySQL 对非关系型数据库进行存储[8]。

(4)应用服务层：进行诸如车辆数据、人脸数据、视频图像、联动报警等分析服务。

(5)展示层：本平台的分析结果可依据不同终端(手机、iPad、笔记本等)的特性呈现多种不同的显示与处理方式，并可对信息展现风格进行统一适配管理。

1.2 实现流程

实现流程如下：

(1)通过视频样本采集，基于人工智能视频识别技术，建立特定场所的样本特征库；

通过仿真图可以看出，在信噪比较高时，文献[13]算法分辨率较高，文献[9]算法与本文算法分辨率相当，且三种算法都能全部检测出波达方向；当信噪比较低时，文献[9]和文献[13]算法已经不能正常检测出所有来波方向，即两个相邻到达角会出现谱峰混叠的现象，而本文算法依然能够分辨出相邻来波，即相比于文献[9]和文献[13]，本文算法在低信噪比环境下具有较高的分辨率.

(2)基于样本特征库，对监控对象进行实时对象识别；

(3)发现可疑分子，系统自动启动应急响应模式；

(4)一键式建立虚拟指挥调度中心，获取指挥小组人员的人员定位信息，并可以通过视频、文字等方式向群组、个人发送应急处置信息。

2 关键技术实现

2.1 基于Hadoop 的实时监控

为适合公安视频大数据，采用HDFS Streaming 方式，即以数据流形式源源不断地读取视频数据。客户端在实现前端实时视频监控过程中并不是利用视频监控软件直接交互，而是与HDFS[9]分布式视频存储服务器交互，根据流媒体服务器使视频数据流在处理模块实时监控模块中发送实现的[10]。实时监控模块和HDFS分布式存储服务器master 数据接收部分利用TCP/IP 协议实现通信并且得到空闲slave，然后利用监控视频的存储部分和转发模块创建连接。实时监控模块得到空闲slave 信息之后利用TCP 协议对此节点发送请求，实时监控某个路前端采集视频，接收请求salve 确认后利用标准RTSP 实时流传输协议使此路前端收集视频数据流对实时监控部分发送，监控端能够利用网页实时监控视频。实时监控流程如图2 所示。

图2 实时监控流程

实时视频监控通过RTSP 流媒体实时流传输协议、视频处理软件、转码部分等实时模块构成，在某路视频采集前端视频到一定容量的时候，存储管理系统会重新调度存储节点，选择全新的salve 节点创建监控软件的通信，从而提供视频存储服务，保证负载均衡，避免某salve 持续对某路视频监控使系统出现异常，以此使系统稳定性得到提高。

2.2 基于OpenCV 的人脸识别

从HDFS 上读取到视频数据后，再利用MapReduce框架[11]在计算集群中对视频数据进行分布式分析。

人脸识别系统主要包括图像摄取、人脸定位、图像预处理以及人脸识别四部分。人脸识别产品已广泛应用于金融、司法、军队、公安、边检、政府、医疗等多个领域。文献[12]使用OpenCV 集成的LBPH 算法创建并优化用户面部模型，提高了人脸识别正确率；文献[13]结合构建的目标信息特征库进行随机梯度优化、分类，实现视频目标的有效跟踪。

OpenCV 图像处理函数库中实现人脸识别的是Face-Recognizer 类，FaceRecognizer 类集成了费舍尔(Fisher Face Recognizer)[14]、特征脸(Eigen Face Recognizer)[15]和LBPH(LBPH Face Recognizer)[16]3 种算法。

LBPH(Local Binary PatternsHistograms)局部二进制编码直方图，建立在LBPH 基础之上的人脸识别法基本思想如下：首先以每个像素为中心，判断与周围像素灰度值大小关系，对其进行二进制编码，从而获得整幅图像的LBP 编码图像；再将LBP 图像分为个区域，获取每个区域的LBP 编码直方图，继而得到整幅图像的LBP 编码直方图，通过比较不同人脸图像LBP 编码直方图达到人脸识别的目的。

考虑到LBPH 算法运算速度快且计算量小，并可以保证人脸识别的时间有效性，本平台使用该识别算法。

3 主要功能介绍

本平台主要包括特定样本采集、身份识别、黑名单设置、身份识别、应急一键启动、应急调度指挥、信息发布等功能。下面就其中几个关键模块进行简单介绍。

3.1 特定样本采集

对特定区域的视频进行样本采集，利用Python 接口调用OpenCV 库识别所需对象，建立特征对象库。以近景样本自动采集为例，本功能模块对人员各种形态的对象信息进行采集，将采集到的视频通过OpenCV 库识别出若干对象，其中包括6 个person 对象，另有2 个chair对象，具体如图3 所示。

图3 样本自动采集

3.2 黑名单设置(Web 应用服务端)

对已知危险分子建立黑名单对象库，并建立详细的档案，基本信息包括：姓名、身份证号、体重、身高、相关联系人信息、危害级别、历史犯罪及处置记录、个人描述、处置建议等。例如建立嫌疑人员“邓超”的档案时，首先选择“邓超”的头像，如图4所示。双击后即可进入相应的编辑界面，进行有关“邓超”的详细信息的添加，可以添加多张嫌疑犯的照片，以便提高识别精度，如图5 所示。

图4 黑名单列表

图5 人员详情编辑界面

3.3 身份识别

该模块基于黑名单和样本采集信息库，与实时视频监控中的信息进行识别，对可疑分子进行报警。在图6中，视频抓拍的嫌疑人头像信息与信息库中的嫌疑犯头像信息的相似度达到了0.743 201 5，超过了平台设定的相似度阈值(此值可修改)，认为此人很大程度上就是嫌疑犯，同时应急联防处置平台给出了该嫌疑人的人员详情以及主要经历及危害级别，并建议做报警处理。

图6 身份识别

3.4 信息发布(智能终端)

当报警信息推动到管理员时，管理员可以依据实际情况，一键启动应急响应处置。处置一旦启动，即可获得虚拟指挥调度中心的人员位置信息，并可以发布视频、文字等多种信息。图7 显示的是负责人在虚拟指挥调度中心通过手机智能终端进行危险分子信息发布的情景。

图7 危险分子信息发布

3.5 应急调度指挥(智能终端)

本平台具有自动创建应急小组功能(突发事件发生后一键组群)，可以迅速将相关负责人组成应急小组，免去很多中间过程，为紧急情况下的决策创造优良环境，为处理紧急情况争取更多的时间。所有群组内的人，相互之间可以实时获取对方的GIS 位置信息，并可以进行群组联络，发布指挥调度信息。图8 所示即为应急小组中人员地理位置的分布情况，其中每一个标志点代表一个小组成员。

图8 指挥中心人员分布

4 结论

本文以城市安全为应用目标，构建了基于Hadoop的身份识别应急联防移动处置平台。通过建立个人身份特征数据库，将黑名单与监控数据实时对比分析来进行隐患自动识别，最终通过“一键式”启动实现应急响应的多终端协同处置。该平台将传统的固定式视频监控改变为“移动式”应急监控，将固定的指挥调度中心改变为虚拟指挥调度中心，将单一应急调度模式改变为手机、PC、远程服务器等多终端关联互动的综合处置模式，特别适用于突发事件和应急场所，并能减少人力投入，是一种应急处置模式的变革。