视频侦查中人像智能分析应用及算法优化

doi:10.3969/j.issn.1671-1122.2020.05.011

信息网络安全 ›› 2020, Vol. 20 ›› Issue (5): 88-93.doi: 10.3969/j.issn.1671-1122.2020.05.011

视频侦查中人像智能分析应用及算法优化

张蕾华¹, 黄进², 张涛³^,^*(), 王生玉⁴

^1. 山西警察学院,太原 030401
^2. 杭州当虹科技股份有限公司,杭州 310012
^3. 公安部第三研究所,上海200031
^4. 青海省公安厅,青海西宁 810007

收稿日期:2020-03-22 出版日期:2020-05-10 发布日期:2020-06-05
通讯作者: 张涛 E-mail:zhangtao@stars.org.cn
作者简介:张蕾华（1974—）,女,山西,副教授,硕士,主要研究方向为侦查和情报等|黄进（1976—）,男,福建,硕士,主要研究方向为化工机械|张涛（1982—）,男,江苏,副研究员,硕士,主要研究方向为网络安全、大数据分析;|王生玉（1980—）,男,青海,本科,主要研究方向为网络安全管理
基金资助:
信息网络安全公安部重点实验室开放课题(C19611)

Portrait Intelligent Analysis Application and Algorithm Optimization in Video Investigation

ZHANG Leihua¹, HUANG Jin², ZHANG Tao³^,^*(), WANG Shengyu⁴

^1. Shanxi Police College, Taiyuan 030401, China
^2. Hangzhou Danghong Technology Co., Ltd., Hangzhou 310012, China
^3. The Third Research Institute of the Ministry of Public Security, Shanghai 200031, China
^4. Department of Public Security of Qinghai Province, Xining Qinghai 810007, China

Received:2020-03-22 Online:2020-05-10 Published:2020-06-05
Contact: Tao ZHANG E-mail:zhangtao@stars.org.cn

摘要/Abstract

摘要：

人像智能分析指的是对视频或录像中的人像进行结构化和可视化分析,对目标人物进行性别、年龄、发型等特征的智能识别,这项技术在视频侦查中有极高的应用价值。人像识别早期的算法是通过人工提取特征,通过学习低级视觉特征来针对不同属性进行分类学习,这种基于传统方法的模型表现常常不尽如人意。在计算机视觉领域,通过海量图像数据学习的神经网络比传统方法有更丰富的信息量和特征可以被提取。文章尝试通过深度学习技术训练神经网络模型对行人进行检测和识别,对于衣着不同的行人进行智能识别,具有更好的鲁棒性,提升了视频人像识别的准确率,拓展了人工智能技术在身份识别领域的应用。

关键词: 视频侦查, 人像识别, 深度学习, 卷积神经网络

Abstract:

Intelligent portrait analysis refers to the structural and visual analysis of portraits in video or video, and intelligent identification of the target person’s gender, age, hairstyle, etc. This technology has extremely high application value in video reconnaissance. The early algorithm of portrait recognition is to manually extract features and learn low-level visual features to classify and learn different attributes. This model based on traditional methods is often not satisfactory. In the field of computer vision, neural networks learned from massive image data have richer information and feature extraction than traditional methods. This paper attempts to train neural network models to detect and recognize pedestrians through deep learning technology, and intelligently treat pedestrians with different clothes. Recognition has better robustness, improves the accuracy of video portrait recognition, and expands the artificial intelligence technology for identity recognition.

Key words: video detection, portrait recognition, deep learning, convolutional neural network

中图分类号:

TP309

张蕾华, 黄进, 张涛, 王生玉. 视频侦查中人像智能分析应用及算法优化[J]. 信息网络安全, 2020, 20(5): 88-93.

ZHANG Leihua, HUANG Jin, ZHANG Tao, WANG Shengyu. Portrait Intelligent Analysis Application and Algorithm Optimization in Video Investigation[J]. Netinfo Security, 2020, 20(5): 88-93.

图/表 5

图1

图2

表1

图3

图4

参考文献 10

[1]	WANG Fang, JIN Chengcheng, ZHAO Wenwu . Application of Dynamic Portrait Analysis System in Public Security Actual Combat[J]. Police Technology, 2018,34(S):95-97.
	王芳, 金成城, 赵文武 . 动态人像分析系统在公安实战中的运用[J]. 警察技术, 2018,34(S):95-97.
[2]	CHEN Chaowu . Application of Smart Video in Public Security Business and Introduction of SVAC Standards[J]. China Public Safety, 2009,8(3):15-36.
	陈朝武 . 智能视频在公安业务中能应用及SVAC标准介绍[J]. 中国公共安全, 2009,8(3):15-36.
[3]	SHEN Peng . Applied Research on Combining Practical Techniques and Techniques of Video Investigation with Practical Image Technology[J]. Police Technology, 2018,34(S):84-87.
	沈鹏 . 视频侦查实用技战法与实用图像技术结合的应用研究[J]. 警察技术, 2018,34(S):84-87.
[4]	JIANG Rongfeng, HAN Chunjun, HUANG Ling . The Construction and Application of Portrait Bayonet in the Actual Combat of Police Affairs[J]. Police Technology, 2018,34(S):73-76.
	姜荣峰, 韩春军, 黄凌 . 人像卡口在警务实战中的建设与应用[J]. 警察技术, 2018,34(S):73-76.
[5]	YE Xueqiang, CHU Leimin . Application of Deep Learning Algorithm in Public Security Dynamic Face Recognition technology[J]. Police Technology, 34(S):118-120.
	叶学强, 褚磊民 . 深度学习算法在公安动态人脸识别技术中的应用[J]. 警察技术, 2018,34(S):118-120.
[6]	SUDOWE P, SPITZER H, LEIBE B . Person Attribute Recognition with a Jointly-Trained Holistic CNN Model [C]//IEEE. 2015 IEEE International Conference on Computer Vision Workshop(ICCVW), December 7-13, 2015, Santiago, Chile. New Jersey: IEEE, 2015: 45-52.
[7]	LI Dangwei, CHEN Xiaotang, HUANG Kaiqi . Multi-attribute Learning for Pedestrian Attribute Recognition in Surveillance Scenarios [C]//IEEE. 3rd IAPR Asian Conference on Pattern Recognition, November 3-6, 2015, Kuala Lumpur, Malaysia. New Jersey: IEEE, 2015: 111-115.
[8]	YANG Luwei, ZHU Ligeng, WEI Yichen , et al. Attribute Recognition from Adaptive Parts [C]//IEEE. The 29th IEEE Conference on Computer Vision and Pattern Recognition, June 26- July 1, 2016, Las Vegas, USA. New Jersey: IEEE, 2016: 1-11.
[9]	LIN T Y, GOYAL P, GIRSHICK R , et al. Focal Loss for Dense Object Detection[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2020,42(2):318-327.
[10]	WANG Lei . Exploration and Construction of Portrait Recognition Technology in Smart Communities[J]. Police Technology, 2018,34(S):30-33.
	王雷 . 人像识别技术在智慧小区的探索与建设[J]. 警察技术, 2018,34(S):30-33.

重采样（全部采用 SoftmaxWithLoss）		朝向	背包	单双肩包	手提包	帽子	性别	口罩	年龄	上身颜色	上身风格	下身颜色	下身风格	手持物品	眼镜
	F1-score	0.7	0.49	0.497	0.496	0.539	0.8	0.64	0.33	0.19	0.4	0.1	0.33	0.70	0.59
	Acc（准确率）	0.88	0.88	0.877	0.98	0.96	0.81	0.98	0.567	0.51	0.95	0.69	0.98	0.735	0.699
SofmaxWithLoss/ Focal-Loss	F1-score	0.91	0.75	0.69	0.8	0.78	0.87	0.85	0.67	0.82	0.79	0.62	0.85	0.8	0.82
SofmaxWithLoss/ Focal-Loss	Acc （准确率）	0.96	0.89	0.88	0.93	0.95	0.92	0.99	0.63	0.85	0.96	0.87	0.96	0.92	0.95

[1]	李桥, 龙春, 魏金侠, 赵静. 一种基于LMDR和CNN的混合入侵检测模型[J]. 信息网络安全, 2020, 20(9): 117-121.
[2]	吴警, 芦天亮, 杜彦辉. 基于Char-RNN改进模型的恶意域名训练数据生成技术[J]. 信息网络安全, 2020, 20(9): 6-11.
[3]	王文华, 郝新, 刘焱, 王洋. AI系统的安全测评和防御加固方案[J]. 信息网络安全, 2020, 20(9): 87-91.
[4]	王湘懿, 张健. 基于图像和机器学习的虚拟化平台异常检测[J]. 信息网络安全, 2020, 20(9): 92-96.
[5]	刘静, 张学谦, 刘全明. 混合Gabor的轻量级卷积神经网络的验证码识别研究[J]. 信息网络安全, 2020, 20(7): 77-84.
[6]	王蓉, 马春光, 武朋. 基于联邦学习和卷积神经网络的入侵检测方法[J]. 信息网络安全, 2020, 20(4): 47-54.
[7]	谢永恒, 冯宇波, 董清风, 王梅. 基于深度学习的数据接入方法研究[J]. 信息网络安全, 2019, 19(9): 36-40.
[8]	马春光, 郭瑶瑶, 武朋, 刘海波. 生成式对抗网络图像增强研究综述[J]. 信息网络安全, 2019, 19(5): 10-12.
[9]	方勇, 朱光夏天, 刘露平, 贾鹏. 基于深度学习的浏览器Fuzz样本生成技术研究[J]. 信息网络安全, 2019, 19(3): 26-33.
[10]	朱海麒, 姜峰. 人工智能时代面向运维数据的异常检测技术研究与分析[J]. 信息网络安全, 2019, 19(11): 24-35.
[11]	龙敏, 龙啸海, 马莉. 基于深度卷积神经网络的指纹活体检测算法研究[J]. 信息网络安全, 2018, 18(6): 28-35.
[12]	段大高, 谢永恒, 盖新新, 刘占斌. 基于神经网络的微博虚假消息识别模型[J]. 信息网络安全, 2017, 17(9): 134-137.
[13]	任浩, 罗森林, 潘丽敏, 高君丰. 基于图结构的文本表示方法研究[J]. 信息网络安全, 2017, 17(3): 46-52.
[14]	夏玉明, 胡绍勇, 朱少民, 刘丽丽. 基于卷积神经网络的网络攻击检测方法研究[J]. 信息网络安全, 2017, 17(11): 32-36.
[15]	雷青, 荆丽桦, 赵德明, 郑继龙. 基于深度学习的安卓APP视频枪支检测技术研究[J]. 信息网络安全, 2016, 16(9): 149-153.

视频侦查中人像智能分析应用及算法优化

Portrait Intelligent Analysis Application and Algorithm Optimization in Video Investigation

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 5

参考文献 10

相关文章 15

编辑推荐

Metrics

本文评价