摘 要：近年來，隨著城市的發(fā)展，居民購房遷移、外地人口大量涌入，流動人口規(guī)模急劇膨脹，人戶分離情況尤為突出，給城市社區(qū)的管理帶來新的挑戰(zhàn)。文章以社區(qū)網(wǎng)格化管理中的人員管理為切入點，利用深度學習方法下的ReID行人再識別、人臉識別算法與多算法融合技術(shù)，對社區(qū)內(nèi)的人員進行人臉、人體圖像采集，并進行特征比對、圖像聚類處理，形成一人一檔數(shù)據(jù)，實現(xiàn)對社區(qū)人員活動軌跡的刻畫。某住宅小區(qū)自應用以來，已新增登記常住人口561人、暫住人口298人，小區(qū)實有人口登記率從41%提升至80%以上。

　　關(guān)鍵詞：行人再識別；人臉識別；多算法融合；社區(qū)網(wǎng)格化管理

　　中圖分類號： TP391.4 文獻標識碼：B

　　1 引言

　　隨著工業(yè)化、城鎮(zhèn)化的快速推進，流動人口規(guī)模急劇增長，人戶分離情況尤為突出，給實有人口管理帶來新的挑戰(zhàn)。人工智能時代的到來，使得人們從視頻圖像中獲取更多結(jié)構(gòu)化、智能化信息成為可能，各類人工智能技術(shù)都已進入在實體場景中落地的階段[1]。人臉識別、大數(shù)據(jù)等技術(shù)加載到社區(qū)場景應用中，完美結(jié)合落地[2]。社會面治安監(jiān)控設施遍布大街小巷，為人工智能算法提供了豐富的數(shù)據(jù)基礎。因此，如何整合利用海量視頻圖像信息，打破數(shù)據(jù)壁壘，通過ReID行人再識別、人臉識別與多算法融合技術(shù)，實現(xiàn)社區(qū)網(wǎng)格化人員高效管理，成為當前AI賦能的重要課題。

　　2 行人再識別及網(wǎng)格化管理的現(xiàn)狀

　　2.1 行人再識別研究現(xiàn)狀

　　行人再識別（Person Re-identification，ReID）技術(shù)起源于多攝像頭跟蹤，用于判斷非重疊視域中拍攝到不同圖像中的行人是否屬于同一個人。作為人臉識別技術(shù)的重要補充，其發(fā)展內(nèi)核便是在不同視頻中，在無法獲取清晰人臉特征信息的前提下，機器通過穿著、發(fā)型、體態(tài)等信息將同一個人識別出來，增強數(shù)據(jù)的時空連接性。把目標的表觀信息、各場景之間的空間信息、時間信息等各種信息相融合，最終實現(xiàn)運動目標在不同攝像機下的連續(xù)跟蹤[3]。

　　近年來，深度學習這一利器在自然語言處理、計算機視覺等領(lǐng)域表現(xiàn)突出[4]。行人再識別技術(shù)水平已經(jīng)取得了極大提高，行業(yè)準確率普遍高于90%，達到商用水平。目前，諸多主攻機器視覺方向的人工智能企業(yè)，已經(jīng)在不同行業(yè)的多個業(yè)務場景中落地行人再識別技術(shù)的應用。

　　由于行人再識別側(cè)重對人體特征的描述，單純的依賴ReID技術(shù)，無法將人體圖片與人員身份信息有效關(guān)聯(lián)，不足以支撐實有人口的管理工作。

　　2.2 網(wǎng)格化管理現(xiàn)狀

　　隨著城市的發(fā)展，本地居民購房遷移、外地人口大量地涌入，流動人口規(guī)模急劇膨脹，人戶分離情況尤為突出，給社區(qū)實有人口管理帶來新的挑戰(zhàn)。傳統(tǒng)的“以房管人、以證管人”，通過民警網(wǎng)格員上門登記等手段來做人口基礎工作變得越來越困難。特別是在人口密集、流動頻繁、群租現(xiàn)象普遍的住宅小區(qū)，上門采集往往事倍功半。一方面小區(qū)民警工作任務繁重，易造成人口漏登記、數(shù)據(jù)更新不及時；另一方面民警網(wǎng)格員無法及時掌握社區(qū)動態(tài)，對小區(qū)內(nèi)新產(chǎn)生的問題無法立即知曉，延遲了解決問題的時機，不僅難以后續(xù)彌補，也可能引起居民的不滿[5]。亟需通過人工智能圖像處理技術(shù)，建設社區(qū)實有人口一人一檔，支撐智能化推薦登記與重點人員管控，提升警務效率，提高居民的滿意度。

　　3 以ReID為核心的多算法模型設計

　　綜合上述現(xiàn)狀分析，引入行人再識別、人臉識別與多算法融合技術(shù)，實現(xiàn)對社區(qū)人員的人臉、人體圖像智能化采集、聚類、歸檔，形成社區(qū)人員專屬數(shù)字化檔案。

　　3.1 行人再識別算法優(yōu)化

　　住宅小區(qū)的監(jiān)控多數(shù)以大角度取景為主，主要用于居民軌跡的回溯，要對這些視頻監(jiān)控進行分析使用，需要對視頻中的人體進行分析。視頻中存在嚴重的著裝相似、光照和視角變化、復雜背景和遮擋現(xiàn)象，因此識別難度很大，如圖1所示。

　　針對小區(qū)場景做了專門的算法優(yōu)化，主要有三點。

　?。?）受遮擋、姿態(tài)變化、視角變化等因素的影響，視頻序列中行人的特征是不連續(xù)的。用全局特征來度量每一幀圖片的權(quán)重往往會損失掉許多重要的信息。采用分割重組策略將特定局部特征重組成多個視頻序列進行學習，進而極大地減少了局部特征損失對最終特征的影響。

　?。?）提出了全新的雙向圖注意力機制模塊。將圖卷積神經(jīng)網(wǎng)絡和SENet完美結(jié)合，在整個序列上進行通道域的模式選擇學習。由于圖卷積網(wǎng)絡的特性，每一幀圖片的注意力特征都是與其他幀相互學習結(jié)合的結(jié)果，從而極大地提高了特征的代表性。

　?。?）利用幀間相似度進行序列融合。與大多數(shù)利用循環(huán)神經(jīng)網(wǎng)絡進行融合算法相比，最大的優(yōu)勢是不需要訓練額外的模型參數(shù)，僅通過數(shù)學計算的方式就可以達到融合的目的。在結(jié)合三元損失函數(shù)進行訓練后，類間相似度得到了降低，進而提高再識別效果。

　　基于視頻的行人再識別與單幀圖片的行人再識別任務目的是相同的，即在視角不重疊的多攝像機網(wǎng)絡下進行行人的匹配。由于單幀圖片只包含有限的行人信息，網(wǎng)絡提取的特征不具備足夠的代表性，檢測結(jié)果往往受圖片質(zhì)量的影響較大。與此相比，便凸出了視頻序列的優(yōu)勢。一個短視頻序列往往包含行人多運動狀態(tài)下的更多特征，并且利用時序信息，可以將背景、遮擋等干擾因素的影響降到最低，提升識別的準確度，如圖2所示。

　　3.2 人臉識別算法優(yōu)化

　　人臉識別主要步驟為人臉檢測、人臉裁剪、特征提取、特征比對得出余弦距離，根據(jù)閾值判斷是否為同一個人[6]。人臉識別技術(shù)在布控抓逃、刑偵破案等方面已經(jīng)發(fā)揮了巨大作用。但是，人臉識別技術(shù)的局限性也很明顯，光照、姿態(tài)、表情、分辨率、遮擋等都會對人臉識別的效果產(chǎn)生影響，極大地限制了人臉識別的適用范圍，為增強人臉識別算法的適應性，需要從多個角度進行優(yōu)化，提升算法效果，如圖3所示。

　　優(yōu)化人臉檢測、跟蹤過程，采集圖像效果最佳的人臉圖片；通過算法去除抓拍圖片中的噪聲，增強圖像效果；通過遷移學習，異構(gòu)多模型融合，雙代理對抗生成網(wǎng)絡生成多面部姿態(tài)數(shù)據(jù)等方法提高識別的準確率。

　　3.3 多算法融合設計

　　系統(tǒng)采用多算法引擎設計，兼容人臉識別與ReID行人再識別算法，具備強大的場景適應性。在業(yè)務維度上通過綜合展示，輸出多個算法引擎的計算結(jié)果。

　　3.3.1算法接口設計

　　系統(tǒng)通過互聯(lián)服務以信令方式提供API接口，API接口應實現(xiàn)注冊、注銷、接收、傳輸和發(fā)送信令流程消息。將數(shù)據(jù)存儲、數(shù)據(jù)調(diào)用插件封裝為API接口提供給算法引擎調(diào)用。API接口與算法引擎之間的通信，按照標準的傳輸控制協(xié)議進行交互[7]。

　　3.3.2算法應用設計

　　在應用中，通常以獲取人臉圖片為首要目標，在只有人體圖片的時候，通過檢索相似人體并從中挑選得到人臉圖片，通過人臉圖片查詢?nèi)四樮壽E，此時可以獲得人員較大范圍的軌跡。由于人臉識別場景要求較高，其采集點位通常比人體識別少，通過人體識別可以對每個人臉點位的附近軌跡進行完善（需要人工輔助判別），從而細化人員運動軌跡。

　　3.4 圖像聚類

　　通過海量圖像聚類技術(shù)，將匯聚的“人臉圖片、人體圖片”自動歸檔，生成一臉一檔信息，通過戶籍信息（含底庫圖片）碰撞比對，生成實名制一人一檔信息，如圖4所示。

　　4 結(jié)果與分析

　　為探索以ReID行人再識別算法為核心的多算法研究在網(wǎng)格化管理中的應用可行性，在某小區(qū)進行試點測試。通過對某住宅小區(qū)內(nèi)已有攝像機的安裝角度、光線、位置及圖像質(zhì)量等因素的利舊分析，研究以行人再識別ReID算法為核心的多算法融合，論證行人再識別算法在住宅小區(qū)場景下應用的可行性。

　　首先利用人臉識別算法獲取人臉圖片，針對小區(qū)場景中由于著裝相似、光照變化大、背景復雜和遮擋現(xiàn)象造成人臉難識別的問題，利用ReID行人再識別算法獲取人體圖片。通過人臉、人體圖片碰撞分析，可獲得人員在小區(qū)內(nèi)較大范圍的軌跡，同時圖像自動聚類生成小區(qū)一人一檔。

　　小區(qū)共有27幢（小高層15幢、別墅12幢），能夠容納居民2200余人，已經(jīng)登記實有人口910人，有效登記率約為41%。該住宅小區(qū)試點測試以來，通過系統(tǒng)的人臉抓拍數(shù)據(jù)與已經(jīng)登記的人口數(shù)據(jù)碰撞分析后，精準推送未登記人員信息1023條。目前，已新增登記常住人口561人、暫住人口298人，小區(qū)實有人口登記率提升至80%以上。

　　5 結(jié)束語

　　網(wǎng)格化管理的AI智能化升級需要在實踐中接受檢驗。利用以行人再識別技術(shù)為核心的多算法融合在網(wǎng)格化實有人口管理中的應用實踐，不斷鉆研新型社區(qū)管理警務模式，整合社區(qū)管理力量和警力資源，打造多種AI圖像感知技術(shù)為基礎、大數(shù)據(jù)分析為核心的應用平臺。一方面解決了社區(qū)網(wǎng)格化管理的部分痛點，為居民提供安全的智能化社區(qū)生活環(huán)境，保障社區(qū)居民安全；另一方面大幅地提升了公安機關(guān)的工作效率，能夠更好地服務人民群眾、維護社會穩(wěn)定。

　　參考文獻

　　[1] 杜玉.人工智能商業(yè)化研究報告[R].36Kr，2019.

　　[2] 羅智波.智慧小區(qū)建設帶給安防行業(yè)的發(fā)展機遇與挑戰(zhàn)[J].中國安防，2018（11）：26-31.

　　[3] 康運鋒，謝元濤，張世渝.人臉屬性識別關(guān)鍵技術(shù)研究進展及應用探索[J].警察技術(shù)，2018（02）：12-16.

　　[4] 張賽男，李千目，桑笑楠，呂超賢，董瀟.面部圖像安全特征的多屬性融合分析[J].網(wǎng)絡空間安全，2019（04）：73-82.

　　[5] 陳軍明，王寧.智能安防社區(qū)在警務實戰(zhàn)中的思考[J].警察技術(shù)，2019（01）：68-71.

　　[6] 胡亞洲，周亞麗，張奇志.基于深度學習的人臉識別算法研究[J].計算機應用研究，2019，35（5）

　　[7] 葉統(tǒng)生.淺談人臉大數(shù)據(jù)多算法融合技術(shù)[J].通訊世界， 2018（4）：87-88.

張錦堂 劉文鋼

關(guān)注讀覽天下微信， 100萬篇深度好文， 等你來看……