人工智能在創(chuàng)新安檢模式中的應(yīng)用

王虎 王國威

摘要：介紹了公安檢查站人車安檢查控的現(xiàn)狀與存在的問題，針對安檢過程中人工指導(dǎo)停車、人工指導(dǎo)受檢人員按指示接受安檢、人臉誤采和重復(fù)采等問題，設(shè)計了一種基于人工智能的智能檢測算法，實現(xiàn)了車窗是否降落、人臉是否朝向攝像頭和司乘人員計數(shù)等，并根據(jù)檢測結(jié)果給予民警和受檢人車提醒，在提升安檢效率的基礎(chǔ)上減輕了執(zhí)勤民警在任務(wù)中的工作強度，進(jìn)一步提升了車輛安檢的智慧化水平。

關(guān)鍵詞：人工智能；安檢查控；智慧安檢

中圖分類號：TP391文獻(xiàn)標(biāo)志碼：A文章編號：1008-1739（2022）08-64-4

公安檢查站作為社會治安防控圈層的關(guān)鍵節(jié)點，是公安機關(guān)依法打擊、防范、控制違法犯罪和查緝違法違禁物品的堡壘，發(fā)揮著社會維穩(wěn)防控“過濾網(wǎng)”和“防護網(wǎng)”的作用[1]，同時也是響應(yīng)國家打擊各類犯罪的重要渠道，提升打防管控能力的要塞，提升人車安檢核查體系的實戰(zhàn)效能，是各級公安機關(guān)追求的目標(biāo)。在智慧安檢發(fā)展過程中，依靠人臉抓拍識別比對技術(shù)，一定程度上提升了安檢的智慧化水平。近年來，以深度學(xué)習(xí)算法為基礎(chǔ)的人工智能（AI）技術(shù)發(fā)展突飛猛進(jìn)，依賴AI技術(shù)更大地提升安檢智慧化水平，降低一線執(zhí)勤民警的工作強度和工作壓力，將是更高的追求。

2019年7月，公安部印發(fā)《全國公安機關(guān)社會治安防控體系建設(shè)指南（試行）》提出“構(gòu)建立體化、智能化的環(huán)國邊境、環(huán)區(qū)域、環(huán)省市‘治安防控圈’，推進(jìn)智慧公安檢查站建設(shè)項目，實現(xiàn)‘智能感知、精準(zhǔn)識別、觸圈預(yù)警、實時響應(yīng)’”。

公安檢查站主要建設(shè)在高速、國道、省道、關(guān)鍵入口等區(qū)域，一般配備了車輛安檢通道、人員安檢大廳、辦公用房等設(shè)置，并加裝信息化安檢設(shè)備。車道安檢作為公安檢查站人車安檢核查的主要陣地，對檢查站通行的各類車輛（客車、小轎車、貨車等）進(jìn)行分流安檢發(fā)揮極其重要的作用。傳統(tǒng)車道安檢主要采用人員密集型工作模式，從信息核錄、人車物檢查、應(yīng)急處置到最后的數(shù)據(jù)統(tǒng)計等每個環(huán)節(jié)都需要人工操作，查控成效較大程度上取決于執(zhí)勤人員的經(jīng)驗和責(zé)任心，查控模式也存在隨機性與主觀性。從受檢對象體驗看，由于傳統(tǒng)方式檢查速度慢、等待時間長，易引起檢查站附近交通堵塞引起受檢群眾的不滿情緒，引發(fā)警民糾紛及不必要的投訴。

隨著人臉識別、大數(shù)據(jù)等先進(jìn)技術(shù)的發(fā)展，打造了“無感知、非接觸、有尊嚴(yán)”的智慧安檢模式，推動了更高水平、更高層次的安保工作建設(shè)，為維護社會安全穩(wěn)定做出了卓越貢獻(xiàn)。

隨著非接觸、無感知智慧安檢模式[2]的推廣與應(yīng)用，結(jié)合車輛分類安檢機制的應(yīng)用，智慧安檢優(yōu)勢不斷顯現(xiàn)，部分設(shè)備可實現(xiàn)8～10 s完成單車安檢[3]。然而，當(dāng)安保任務(wù)與節(jié)假日、上下班高峰期重合時，依然暴露出諸多問題，主要如下：

①當(dāng)受檢車輛未準(zhǔn)確位于安檢位時，由于人臉抓拍攝像頭位置及角度固定，會造成智慧安檢漏拍受檢人臉。

②安檢過程中執(zhí)勤民警在車旁的運動會造成誤拍，進(jìn)一步對后臺人臉比對造成壓力。

③執(zhí)勤民警指導(dǎo)受檢車輛進(jìn)入安檢位的過程中，需要不斷地提醒車輛降下車窗、車內(nèi)人員朝向攝像頭，安檢過程中的多個環(huán)節(jié)都需要人工操作，查控成效較大程度上取決于執(zhí)勤人員的經(jīng)驗和責(zé)任心，查控模式也存在一定的隨機性與主觀性。

隨著深度學(xué)習(xí)技術(shù)的應(yīng)用和大數(shù)據(jù)技術(shù)的飛速發(fā)展，人臉識別技術(shù)和車輛識別技術(shù)進(jìn)入了快速發(fā)展期。人車識別技術(shù)廣泛應(yīng)用于安防、金融、交通、教育、醫(yī)療和電子商務(wù)等場景。對于安防場景，人臉識別最主要的應(yīng)用在于核實人員真實身份、對重點人員進(jìn)行布控預(yù)警、滿足公安實戰(zhàn)業(yè)務(wù)需求等。人臉識別技術(shù)憑借無感非接觸式采集等獨特優(yōu)勢，使得其在社會治安防控體系建設(shè)方面的應(yīng)用前景越發(fā)廣闊[4]。由于人工智能的助力，公安檢查站車輛分類安檢正呈現(xiàn)更加智能化、智慧化的發(fā)展趨勢[5]。

為進(jìn)一步提升公安檢查站人車安檢的智慧化水平，降低執(zhí)勤民警在執(zhí)法過程中的人工干預(yù)，基于深度學(xué)習(xí)算法實現(xiàn)車內(nèi)人數(shù)統(tǒng)計、車窗玻璃是否落窗檢測，助力無人值守，提高自動化運行手段。人工智能算法在安檢核查體系中的作用如下：

（1）車窗定位識別

實時接入無人值守多維核查一體機拍攝的視頻流，利用智能算法檢測受檢車輛車窗的位置信息，并在圖片、視頻上用矩形框標(biāo)出，返回車窗位置信息。對已檢測到車窗信息的圖片、視頻幀中的車窗，進(jìn)行前窗和后窗標(biāo)記。

（2）車窗開閉狀態(tài)判定

通過分析固定位置、固定角度攝像頭采集到的圖像，判斷被檢查車輛在指定位置停穩(wěn)后每個車窗是否降落，配合檢查。支持通過已有車窗定位信息的圖片、視頻幀進(jìn)行檢測，判別車窗當(dāng)前開關(guān)狀態(tài)，并在圖片、視頻幀中標(biāo)出，當(dāng)車窗未降落時，支持產(chǎn)生告警信息。

在車窗和人臉矩形框大于50 pixel×50 pixel的條件下，車窗定位和人臉檢測的平均精度均值（mAP）90%以上，車窗開閉狀態(tài)分類準(zhǔn)確率90%以上，并且支持同時檢測多張圖片，單張圖片檢測響應(yīng)時間不超過0.5 s。

（3）人臉檢測

實時接入無人值守多維核查一體機拍攝的視頻流，并在視頻流中進(jìn)行人臉檢測，支持矩形框在圖片、視頻幀中標(biāo)記出人臉，返回人臉區(qū)域位置及人員數(shù)量。

（4）車內(nèi)人員位置檢測

對于包含車窗在內(nèi)的圖片、視頻幀進(jìn)行人員位置定位，并在圖片、視頻幀中標(biāo)出，返回該人員位置，實現(xiàn)返回車內(nèi)每位乘客位置，包括不限于主駕、副駕、主駕后排、副駕后排及后排中間等位置，乘客位置判斷分類準(zhǔn)確率90%以上，可以實現(xiàn)多張圖像同時檢測，單張圖片的響應(yīng)時間不超過0.2 s。

（5）人臉去重

對于檢測到的車內(nèi)同一人員的多張人臉圖像，在保證圖像質(zhì)量與提取速度的平衡下，實現(xiàn)對檢測到的人臉圖像進(jìn)行質(zhì)量判斷及去重，并保留唯一一張正臉，即面部特征（五官）清晰且無其他人像干擾的人臉圖像，以滿足后臺圖像比對要求。

以視頻、圖像智能分析為基礎(chǔ)，以基于深度學(xué)習(xí)[6]的模型和算法為核心，面向視頻流實時需求，靈活使用圖像分割、分類和識別技術(shù)，設(shè)計一整套基于AI的智慧安檢方法，進(jìn)一步提升公安檢查站安檢的智慧化水平，減少執(zhí)勤民警在安檢查控中的人為干預(yù)，降低民警的工作強度與工作壓力。本文提供方法主要分為3個模塊：車窗升降判別模塊、車內(nèi)人員識別模塊及人臉捕捉模塊。AI安檢應(yīng)用工作流程如圖1所示。

具體流程如下：

①由車牌作為觸發(fā)信號，當(dāng)檢測到新車牌時自動觸發(fā)智能檢測流程，其中智慧檢測包含車窗升降判別、車內(nèi)人員識別及人臉捕捉；

②通過分析固定位置、固定角度攝像頭采集到的視頻數(shù)據(jù)，判斷被檢查車輛在指定位置停穩(wěn)后每個車窗是否降落；

③如果車窗未降落或降落不滿足要求時，產(chǎn)生告警信息，提醒車內(nèi)司乘人員落窗接受檢查；

④如果車窗降落滿足要求，進(jìn)入車內(nèi)人員識別模塊，即基于對應(yīng)4個車窗的攝像頭視頻數(shù)據(jù)，檢測在車窗區(qū)域內(nèi)人體的頭、頸、肩等特征，檢測到特征時人員計數(shù)+1；

⑤車內(nèi)人員計數(shù)完成后，再次基于對應(yīng)4個車窗的攝像頭視頻數(shù)據(jù)進(jìn)行人臉檢測，分別檢測各個車窗區(qū)域內(nèi)人臉的左眼、右眼、左耳、右耳和鼻等特征點，并分別設(shè)定特征點形成區(qū)域的面積及各個特征點對應(yīng)角度，當(dāng)面積及角度均滿足要求時，輸出該區(qū)域面部裁剪圖像。

3.1車窗升降檢測

（1）車窗區(qū)域分割

車窗升降分類模型以車窗區(qū)域分割模型的輸出圖像為輸入，采用基于深度學(xué)習(xí)的U-Net分類模型、曲線結(jié)構(gòu)（車窗玻璃邊緣）、反光材質(zhì)過濾模型和人員識別模型混合的方式，使用標(biāo)注的數(shù)據(jù)訓(xùn)練模型，實現(xiàn)對車窗開閉的自動檢測。

（2）車窗升降判別

車窗升降分類模型以車窗區(qū)域分割模型的輸出圖像為輸入，車窗已降落區(qū)域超過3/4時，判定車窗開啟。采用基于深度學(xué)習(xí)的U-Net分類模型、曲線結(jié)構(gòu)（車窗玻璃邊緣）、反光材質(zhì)過濾模型和人員識別模型混合的方式，訓(xùn)練模型實現(xiàn)對車窗開閉的自動檢測。

3.2人員識別

采用基于深度學(xué)習(xí)的VGG19模型，首先對出現(xiàn)在車窗區(qū)域內(nèi)人體的頭、頸、肩等特征點進(jìn)行捕捉，進(jìn)而通過計算各個特征點之間的幾何距離，結(jié)合人體結(jié)構(gòu)和攝像頭成像的透視關(guān)系，排除無關(guān)人員干擾，從而準(zhǔn)確地識別車窗對應(yīng)的位置上是否有人員乘坐。

根據(jù)智慧車道安檢區(qū)域人臉視頻采集設(shè)備安裝的位置，位于駕駛員左（右）側(cè)設(shè)備采集的視頻流中，在目標(biāo)車窗的中右（左）側(cè)呈現(xiàn)，且面積較大的人體模型視為目標(biāo)人員。結(jié)合4個視頻采集設(shè)備相對位置，計算出車內(nèi)實際乘坐人員數(shù)量。

單視頻流人員計數(shù)具體流程如下：

①通過視頻流數(shù)據(jù)，檢測在車窗區(qū)域內(nèi)人體模型，即出現(xiàn)的人體的頭、頸、肩等特征；

②檢測模型是否位于正確位置，即人體模型相對車窗的位置是否正確；

③如果人體模型位置不正確，則該攝像頭所對車窗沒有人員乘坐；

④如果人體模型位置正確，則檢測模型比例是否正常，即模型的總體面積是否滿足設(shè)定的人體面積閾值；

⑤如人體面積閾值滿足設(shè)定值，則人員計數(shù)+1；

⑥如人體面積閾值不滿足設(shè)定值，則該攝像頭所對車窗沒有人員乘坐。

針對車輛后排乘坐3人情況，需要結(jié)合左后及右后2個攝像頭視頻流進(jìn)行協(xié)同檢測，具體流程如下：

①分別計算左后視頻流及右后視頻流檢測在車窗區(qū)域內(nèi)人體模型數(shù)量，分別為1，2；

②計算1+ 2數(shù)量合計為；

③若>4，則車內(nèi)乘坐人數(shù)+1；

④判斷為車內(nèi)后排乘坐3人，提示后排中間位置乘客看向車外側(cè)攝像頭進(jìn)行人臉檢測。

3.3人臉捕獲

人臉正面圖像識別在人員識別功能確定該位置有人乘坐后啟動。采用基于深度學(xué)習(xí)的Yolo_v4模型，首先對出現(xiàn)在車窗區(qū)域內(nèi)人臉的左眼、右眼、左耳、右耳和鼻特征點進(jìn)行捕捉；進(jìn)而通過計算各個特征點之間的幾何距離，結(jié)合人體面部結(jié)構(gòu)和攝像頭成像的透視關(guān)系，識別出多張關(guān)鍵幀圖像中人臉姿態(tài)面向攝像頭、面部區(qū)域清晰的圖像，并輸出該圖像的面部特寫裁剪結(jié)果。

3.4人員位置匹配

基于視頻流中用于檢測車窗的圖片、視頻幀，配合以攝像頭安裝位置（左前、左后、右前、右后）進(jìn)行人員位置定位，實現(xiàn)返回車內(nèi)每位乘客位置，包括不限于主駕、副駕、主駕后排、副駕后排和后排中間等位置。

3.5人臉優(yōu)選

對于檢測到的車內(nèi)同一人員的多張人臉圖像，保留其中用于后臺人臉識別比對的人臉圖像，將該圖像以base64碼的格式返回。為實現(xiàn)快速檢測要求，本文中根據(jù)圖像質(zhì)量判斷方法對檢測到的人臉圖像進(jìn)行評分，當(dāng)評分滿足固定閾值時即輸出人臉圖像，并依次進(jìn)行后續(xù)3路視頻流中的人臉檢測與判斷。

通過分析固定位置、固定角度攝像頭采集到的圖像，判斷被檢查車輛在指定位置停穩(wěn)后每個車窗是否降落，配合檢查。其中，采集系統(tǒng)設(shè)置4個400萬像素廣角人臉抓拍攝像頭，其固定位置對應(yīng)被檢車輛的4個車窗。

考慮人員識別、人臉捕捉均可以在車窗區(qū)域的子集內(nèi)實現(xiàn)，同時考慮到實時處理的要求，驗證時先對車窗區(qū)域進(jìn)行分割，在提取的車窗區(qū)域內(nèi)進(jìn)行后續(xù)的檢測和識別任務(wù)，以排除其他區(qū)域的干擾，車窗區(qū)域分割測試結(jié)果如圖2所示。

車窗區(qū)域檢測完畢后，基于U-Net模型進(jìn)行車窗升降判定，車窗升降分類測試結(jié)果如圖3所示。

以車窗區(qū)域分割輸出結(jié)果圖像為人員檢測流程的輸入，通過模型算法判定車內(nèi)各位置是否有人員乘坐，基于通行車輛獲得人員檢測結(jié)果，人員檢測測試結(jié)果如圖4所示。

人員檢測完畢后，開始人臉捕獲流程，并結(jié)合人臉識別平臺相關(guān)要求，將最終人臉圖像輸出，人臉捕獲模型測試結(jié)果如圖5所示。

運用基于深度學(xué)習(xí)的AI算法，設(shè)計了一套智慧安檢提升方法，并通過實際數(shù)據(jù)實現(xiàn)了算法模型的訓(xùn)練，結(jié)合應(yīng)用場景對算法進(jìn)行了驗證。目前該方法已經(jīng)在示范公安站進(jìn)行了實地驗證，實現(xiàn)了車窗是否降落、人臉是否朝向攝像頭、司乘人員計數(shù)等的檢測，并根據(jù)檢測結(jié)果通過可視化交互軟件給予民警和受檢人車友好提醒，在提升安檢效率的基礎(chǔ)上減輕了執(zhí)勤民警在任務(wù)中的工作強度，進(jìn)一步提升了車輛安檢的智慧化水平，助力公安檢查站智慧安檢查控水平的提升。

未來將了公安檢查站車道查控中的痛點，結(jié)合5G、邊緣計算等先進(jìn)技術(shù)的優(yōu)勢，實現(xiàn)安檢模式的創(chuàng)新，結(jié)合執(zhí)勤民警的實戰(zhàn)經(jīng)驗，實現(xiàn)更高水平的安檢模式創(chuàng)新。

參考文獻(xiàn)

[1]張光雨，劉彥飛，龍洪川，等.移動式智能檢查站設(shè)計與應(yīng)用[J].警察技術(shù)，2021（2）：83-85.

[2]焦立彬，祝勝強，齊幸輝.檢查站智慧安檢新模式探索[J].警察技術(shù)，2019（4）：61-64.

[3]祝勝強，周冰.一種新型智慧車道安檢系統(tǒng)的設(shè)計與實現(xiàn)[J].計算機與網(wǎng)絡(luò)，2020，46（15）：66-69.

[4]李夏風(fēng).人臉識別技術(shù)在治安防控體系建設(shè)中的應(yīng)用探討.[J].中國安防，2020（6）：89-92.

[5]崔時泓.公安檢查站車輛安檢系統(tǒng)創(chuàng)新發(fā)展及應(yīng)用探析[J].中國公共安全，2020（5）：159-162.

[6]徐政超.基于深度學(xué)習(xí)的人臉識別技術(shù)研究[J].信息系統(tǒng)工程，2019（10）：25-26.