以人为中心的数据收敛和智能研判——视频数据为警务研判带来的飞跃

公安机关性质与任务决定了中心工作都是围绕人来开展，“人”是案件或者事件的主体。案件发生后，公安机关首先需要研判的“谁”是作案嫌疑人，而“谁”需要“ID”来唯一标识。在日常生活工作中， “姓名”可以来唯一指向一个对象，但是“姓名”ID标识因重名存在缺陷。警务工作中，常用的ID更为广泛，笔者认为大致可以分为三类：第一类是人体生物特征，比如指纹、虹膜、DNA等；第二类是主体人经常使用的，比如身份证号码、手机号码等；第三类是互联网的虚拟身份，包括微信、QQ、支付宝、抖音等各种APP的账号。不同的ID有不同的优劣势，比如第一类相对准确真实，但是采集困难；第二类最普及，但是伪装性强；第三类为新型ID，随着互联网特别是移动互联网的兴起，警务工作能够采集的线索（含ID）也急速扩张，特别是在APP需要手机号码唯一注册后，与主体“人”的关联性在逐步增强。APP里的内容也隐藏了大量的线索，比如微信的聊天记录可能透露嫌疑人的位置，抖音的视频获取嫌疑人的头像等等。出于数据安全考虑，互联网APP的虚拟身份和内容一般都经过了加密处理。

通过ID唯一指向嫌疑人，然后围绕ID，依托人事物、地点组织、关系、生物特征、电子轨迹、活动轨迹等多维数据，对嫌疑人展开静态属性、动态属性、规律属性等“属性分析”，以得知嫌疑人住在哪里，去了什么地方，甚至预测嫌疑人将要去什么地方，会有什么动作等，发挥大数据最核心的价值——预警预判，真正实现情报主导警务。如下图所示：

公安内网的业务数据（如车管所数据、人口库数据等）采集的是人的静态属性，得知“对象是谁”；物联网中的视频数据（以及互联网数据）采集的主要是人的动态属性，得知“对象在哪”。可通过多维数据时间和空间上的叠加构建算法模型，得知“对象规律”。

传统警务大数据的特点是准确性和丰富性，那么视频大数据的特点是真实性和可视化。传统警务大数据省级体量往往在1PB左右，数据种类多至上百种。数据准确高；而视频数据的采集往往是在群众不被告知的情况下被动采集，所以数据往往真实性高，但是因为受限于算法精度、安装环境等因素，视频数据的准确性不高。比如，同一款人脸智能摄像机，安装的合理，捕获和识别率可以到95%以上，不合理，则可能到不了50%。

可视化是视频数据的另一个特点。公安机关特别是基层民警在警务工作中，经常需要调阅视频，因为视频记录还原了那一刻“最真实的事实”，而且最直观。但是非结构化的视频是不能用于大数据分析挖掘的，需要经过智能视频算法提取视频中的结构化内容，包括人车对象、异常行为等；视频数据种类相对比较少，导致在视频结构化变成数据过程中，损失了大量的价值信息，比如案发当天下暴雨（室外），步态异常（室内）等。所以目前，原始视频必须被按一定期限保留，保留价值最全的数据载体。

视频对象结构化数据根据价值梯度分为三个圈，如下图所示。第一个圈内的数据（车牌号码、人脸模型、车辆模型、人体模型）具有ID属性，价值最高；第二个圈内的数据（人脸属性、车辆属性等）不具有ID唯一指向对象的属性，价值相对较低，但是具有缩小嫌疑对象范围的能力；第三个圈内的数据是系统稳定可靠运行的支撑。

第一个圈内的数据价值最大，但是具有不同的优势特点。从易读性、准确性等维度对比如下（附加移动终端特征和RFID）： 

ID属性对比 人脸模型 人体模型 车牌号码 车辆模型 移动终端特征 RFID

（人眼）易读性 弱 弱 强 弱 弱 强

（ID）准确性 中 弱 强 中 强 强

（场景）丰富度 弱 强 强 强 强 强

（与人）匹配度 强 弱 弱 弱 弱 中

（ID）伪装力 强 弱 强 弱 强 弱

（ID）易损性 弱 弱 强 弱 弱 强

（人眼）易读性：模型数据作为半结构化数据，无法用人类语言表述出来，导致民警无法进行口语描述和文字传递（比如全文检索），而车牌号码就可以由案发现场的A民警告知办案中心的B民警，再由B民警将车牌号码录入布控中心，发起全城布控，此业务场景就是ID易读性带来的优势。

（ID）准确性：受限于算法精度和安装环境等因素限制，模型数据的识别率通常不高，而人体模型因为ID特征点不明显，建模困难，企业研发投入相对不足等原因，准确率相比车牌号码低很多，而且不稳定。

（场景）丰富度：目前，摄像头的布建，越来越依托业务场景，即有目的性

的去采集视频中的对象和行为，所以两者（场景和对象ID）耦合度不断增强。比如人脸对象的采集：因为算法对人脸像素和人脸角度的要求比较高，所以适合安装人脸智能IPC的场景并不多，局限于狭长式的人员通道、规则的人员出入口等。但是捕获人体的场景就相对丰富，大部分室外开放式的场景都合适，对人脸像素和人脸角度基本无要求。结合（ID）准确性这项，可以得知人体模型是弱ID，但是场景丰富，适合采集对象人的轨迹。

（与人）匹配度：本文一开始提到警务工作是围绕“人”为中心展开的，所以不同的ID最终是需要关联到“人”，因为“人脸模型”是直接采集的人身上自带的ID，所以和主体“人”的匹配度最高，采集人脸图像建模后和公安内网的人口库作比对实现身份确认。对于车辆对象，因为特定时间的司机不一定是车主（车主信息可以由公安内网车管所获得），所以车牌号码和车辆模型两个ID和“人”的匹配度是相对低的，特别是真实的案件中，嫌疑人往往不会使用自己名下登记的车辆。

（ID）伪装力：真实案件中，嫌疑人经常会带上口罩，嫌疑车的车牌号码被遮挡污损或者直接套牌无牌等，容易伪装。但是对于人体模型和车辆模型两个ID，一方面难以伪装，另一方面目前的作案人员还没有这个意识去针对这两种ID进行伪装，所以伪装力弱，已采集。

（ID）易损性：人脸、人体、车辆等模型数据，因为直接附着在对象身上，所以嫌疑对象不会自己主动发起破坏，比如把自己的脸刮伤，把车给砸坏等，基本不太可能。但是比如车牌号码、或者RFID等电子标签，因为成本低，相对容易被故意损耗和破坏。

综上可以看出，不同的视频类ID具有不同的优劣势，如果在警务实战过程中将不同ID的优势进行互补，强强结合，将发挥出1+1>2的实战价值，这也是大数据战略中非常关键的一环。

应用场景：（1）调取现场视频监控，锁定嫌疑人；（2）结构化大量视频，提取人体模型，对嫌疑人构建丰富的轨迹；（3）利用轨迹中多维智能抓拍机同时捕获清晰正面人脸和人体，将人脸模型和人体模型进行关联，人脸模型和公安业务人口库比对确认嫌疑人身份和登记住处；（4）通过人体模型形成的轨迹，分析嫌疑人的落脚点，和登记的住处相吻合，最终捕获嫌疑人。案例侦破中，结合利用了人脸模型（与人）匹配度高和人体模型的（场景）丰富度高两个不同的优势，通过人脸模型知道“是谁”，通过人体模型知道“在哪”。

未来，随着越来越多的数据汇聚到大数据池中，通过“数据拼图”，构建“数据魔方”，形成能力倍增器，为各警种提供易懂、可视、高度共享的价值链。

本文来源：《企业科技与发展》：http://www.zzqklm.com/w/qk/21223.html