我国各种可预见和难以预见的风险因素明显增多，维护国家安全和社会稳定工作面临新的严峻挑战。在立体化治安防控体系中，核验通关人员、车辆信息的公安卡口是部署最直接、结果最有效、投入最低廉的一种防控方式。本文简述了针对公安卡口的雄关工程框架，结合地铁多维人员信息采集卡口、动态人像卡口、检查站卡口等多类案例，给出了人工智能等多种技术在其中的应用。
　　关键词：公安卡口立体化治安防控雄关工程人工智能
　　一、引言
　　当前影响和危害国家安全和社会稳定的主体日益多元，因素更加复杂，手段不断翻新。公安机关的立体治安防控手段必须赶超对手，必须向科技要警力，"立体化"主要体现在多维度和多层次两个方面，即立体化的社会治安防控体系可以理解为多维度的防控和多层次的防控。"立体化防控"更强调从多维度的视角构建防控体系，"防控立体化"更加强调体系本身所具有的多功能性。信息化是立体化防控的一维视角，通过物联网、大数据、人工智能等现代信息技术，全面掌握人、地、物、事、组织等基本信息及各类人员的吃、住、行、消费等动态信息，构建了"防控立体化"的多维数据视角。
　　公安卡口一般处于交通要道或者枢纽处，常见的公安卡口为省际交通检查站卡口、高速路进出口、公共交通枢纽、客运站、火车站等出入口。在这些人、车、物密集必经的卡口中，利用物联网、大数据和人工智能等技术，将立体防控触角延伸到外围、枢纽和核心等分级分类卡口处，将公安机关管控的"人、车、物"堵在卡口之外，起到"一夫当关、万夫莫开"的作用。图1示意了城市公安卡口分级分类的部署方式。

　　图1城市公安卡口分级分类部署示意图

　　二、人工智能
　　人工智能（ArtificialIntelligence，AI）是研究如何使计算机来模拟人类的思维过程和智能行为的学科，包括智能识别、智能检索、智能控制、专家系统、自动规划、深度学习等多方面技术和理论。目前深度学习处于人工智能领域研究的热点，但深度学习不等于人工智能，深度学习只是人工智能领域机器学习方向的一种方法，深度学习可通过学习一种深层非线性网络结构实现复杂函数逼近，表征输入数据分布式表示，并展现了强大的从少数样本集中学习数据集本质特征的能力。深度学习的实质是通过构建具有很多隐层的机器学习模型和海量的训练数据来学习更有用的特征，最终提升分类或预测的准确性。深度学习的成功不是理论方法的突破，而是在大数据和大规模计算资源驱动下的基于基础理论的技术突破。
　　针对人脸识别应用，完全可以利用深度学习神经网络算法离线训练，训练完成后再进行算法精简，即可部署在卡口摄像机中，从而形成了前端感知设备智能。类似，具有智能模块的卡口摄像机上还可以处理人脸识别、车牌识别、车脸识别、物品识别等业务问题；有些摄像机则在前端进行图像预处理或者模板文件提取，再传往后台进行图像比对，减少了网络传输负担，提高了比对效率。不久的未来，随着前端设备处理能力的增强，可以支撑更多人工智能算法，在公安行业应用中扩展到自然语言处理、异常检测、家族分析、民族分析等功能。

　　图2人工智能与深度学习

　　卷积神经网络（conventionalneuralnetwork，CNN）作为深度学习的一种，在结构上融入了局部感受野（localreceivefield）、权值共享和下采样三个核心思想，有效地将传统模式识别中的特征提取和分类两个阶段结合在一起，并应用梯度下降法和反向传播算法实现网络的训练。卷积神经网络是一个多层神经网络，每层由多个二维平面组成，每个二维平面由多个独立的神经元组成。一种典型的卷积神经网络是LeNet-5，其结构如图3所示，美国大多数银行用它来识别支票上面的手写数字。

图3典型卷积神经网络LeNet-5结构示意图

　　卷积神经网络的输入是经过简单规则化（统一大小）的二维图像，其中间的隐藏层主要由负责特征提取的卷积层（图3中的C1/C3/C5）和负责特征压缩的下采样层（图3中的S2/S4）交替组成。卷积层的每个神经元的输入与前一层的局部感受野相连，并通过可学习的卷积核提取该局部的一些基本特征，如定向边缘或者角点等，然后通过在高层将这些局部特征综合起来得到图像的全局信息，这也是卷积神经网络的局部感受野思想。卷积核对应一种基础特征，通过对同一图像应用相同的卷积核提取不同位置的相同特征构成一幅特征图，这称为卷积神经网络的权值共享，即每个特征图共享一个卷积核。权值共享不仅可以在不引起其它形式的变化下输入中的平移变化会以相同的方向和距离出现在输出中，而且大大地减少了需要训练的权值数目。通过增加卷积核的个数，对输入图像的同一位置提取不同的特征来构成不同的特征图，组合这些不同的特征图得到卷积层的输出。下采样层利用图像的局部相关性原理，对图像进行子抽样，降低特征图的分辨率，减小数据处理量，同时保留有用信息，一般每个卷积层后面都跟着一个下采样层。�崳�
　　在公安卡口应用中，人脸识别算法的水平代表着目前公安卡口人工智能应用的水平。人脸识别己经取得了很大的成就，但是人脸图像的光照、姿态、表情、遮挡、年龄等因素的多样性和复杂性，使得人脸识别的研究和发展遇到了极大困难。应用卷积神经网络算法到人脸识别中已成为研究热点，研究者主要聚焦在激励函数、下采样方式、增加权值衰减优化网络性能、优化分类器、加入Gabor滤波器等方面的研究来提高人脸识别算法的综合性能。
　　三、应用案例
　　1.地铁多维人员信息采集卡口
　　以某省会城市地铁为例，日均客流量67万人左右，目前民警主要通过手持核查终端阅读第二代居民身份证（简称二代证）实现通行人员的身份核查，日均盘查量占比不到日均客流量的1%，部分重点站点核查量略高，如地铁站一天平均进站客流为2.4万人左右，每天通过民警人工盘查大约400人左右，盘查比例也仅仅为1.7%。
　　依托有限的警力、在有限的时间段及站内部位开展手持核查终端盘查，进行人员信息采集和高危人员发现，具有明显的局限性，难以做到全覆盖、无漏洞、并且一线民警极易疲劳疏忽。地铁多维人员信息采集卡口如图4所示，以安检门的外形呈现，是一种人员身份信息自动采集与核录设备，包括二代证远距离快速采集、人脸图像多角度采集、视频监控信息实时采集、手机WiFi的MAC地址采集、金属探测和综合身份信息核查比对等主要功能。

图4感知门外形与主要功能示意图

　　目前多维人员信息感知卡口单侧天线读取的法线距离为35cm、双侧天线读取70cm，门内侧高（30cm至165cm）、宽70cm、径深60cm的全部区域可识读到二代证信息。当人员通过多维人员信息感知卡口时，以1.2m/s的平均步行速度通过60cm的径深区域，在门内的稳定电磁场内时间大概500ms。感知卡口中的二代证阅读模块是采用特殊的阅读模块，对二代证识读设备的读取协议、流程和算法进行优化，对卡片内的身份证信息进行分区识读，只读个人文字信息（人员核查后台库中，身份证号是主键），不读图像信息，读取时间基本控制在120ms以内。因此在通过门的500ms过程中，可以多次读取基本信息，保证人员核查的成功率。
　　在多维人员信息感知卡口设备上安装四个呈现口字型排布的高清视频摄像机，实现对感知卡口过往人员人脸图像的快速同步抓取。并通过四个摄像机尽可能多并且无死角地采集到高质量的人脸图像，尤其对人脸局部特写图像抓拍、自动跟踪和全景图像拍摄。然后将采集到的人脸图像与后台重点人员人脸图像模板数据库进行比对识别，人脸比对算法采用CNN做深度学习训练，做出智能化筛选。多维人员信息感知卡口还可以读取IMEI、IMSI、OFDA、WiFi-MAC等信息。
　　多维人员信息感知卡口实现两大核查功能，具体包括：
　　（1）自动核查：感知卡口采集的二代证信息自动通过公安信息网，调用后台人员核录库核录接口进行精准比对，如有报警，立即通过声光提示安保人员，让其在核查区进行拦截盘问，必要时还可以呼叫执勤民警或者支援人员。而人脸图像采用模糊比对，设置核对阈值，如超阈值，则在核查区再度进行人工盘查。
　　（2）临时布控：根据某些临时性安保实战需求，多维人员信息感知卡口也可以临时布控，实现证件、人像或者手机串码等信息的布控操作。在多维人员信息感知卡口软件平台中的二代证布控模块、人像布控模块和手机串码布控模块中增加需要布控的人员身份信息即可完成布控。当通过感知卡口采集到布控人员信息时，立即报警，提示安保人员进一步盘查核录等工作。
　　2.动态人像卡口
　　动态人像卡口及实时布控预警系统需要采用分布式架构，以深度学习算法为基础，提供高识别率的人脸实时比对、人脸特征结构化等功能，并可通过大数据分析技术，对人脸结构化数据做大数据分析，能够为各行业客户提供丰富的人脸特征数据的大数据挖掘功能。可广泛应用于公安、综治、边防、海关、检察院、保密单位、交通、金融等各类人员识别、检索和分析的场景。通过动态人像识别系统主要实现对黑名单或者其它关注人脸的实时动态抓拍、比对、识别、预警及大数据应用。
　　人像卡口及布控预警系统需要通过智能分析算法实时抓拍人脸图片，并对图片进行结构化特征提取，与底库人员进行比对。系统能够帮助用户实现嫌疑人、黑名单人员布控以及人员通过记录的查询和历史纪录的数据挖掘。

图5人像卡口部署示意图

　　（1）人像大数据应用分析
　　人像大数据应用能够研究特定人员/人脸频次分析、同行分析、轨迹分析、人像分析等。
　　频次分析：可以对动态人像系统中摄像机的过人库进行人脸聚合，计算过人库中相似照片出现的频次，满足对频次靠前人员的进一步二次研判、大数据分析和盘查管控需要。
　　同行分析：同行分析用于在查询与指定人物（特征）同时出现的重复度最高的人脸抓拍图，可以根据查询结果分析作案人员数量，判断是否与其同伙。
　　轨迹分析：在拥有海量的抓拍人脸图片后，再确认目标人员身份，获得正面标准照或清晰照片后，可以在海量的抓拍人脸图片库中进行搜索，及时确认该目标人员的行为轨迹，支持公安机关采取进一步的行动。轨迹分析主要用于疑犯排查、徘徊路人分析等频繁出现在某个时间段的侦查手段之一。
　　人像分析：人像分析可以对某张特定的人脸按照一定时间、一定空间进行落脚点分析、轨迹分析，同时能够分析出该照片前后一段时间内同行人员，在分析结果基础上根据业务实际需要能够做布控。
　　图6表达了利用人脸识别和分析，实现多维人员信息和社会人360度全景画像，结合大数据并进行深度学习，抽离其中的规律，从而对特定人员的社会行为进行分析。

　　图6多维人员信息和360度人员画像

　　（2）历史人群查询回溯
　　历史人群查询回溯是将人脸卡口区域抓拍到的人脸通过自动筛重，去掉重复和质量不好的照片后写入人脸数据库，形成历史人群库。案件追溯时该系统可以从历史人群库中检索识别目标人脸，千万级人脸库，识别出人员在秒级提供比对结果，大大缩减了人员手动检索时间。该系统帮助工作人员在实际业务中快速确定人员身份，实时实现嫌疑人员布控，有效提升工作效率，并能够充分利用大数据资源挖掘更有价值的应用。
　　历史人群查询回溯支持上亿级数据库容量静态检索。采用带GPU的专用服务器，实现超大库人像照片入库注册、存储，人脸检测、标注，1:1人脸识别比对，1:N人脸搜索。历史人群查询回溯技术是服务于公安机关单位用于建立超大规模人脸图片结构化的比对技术，能够通过智能分析算法对海量图片进行人脸特征提取，实现1：1身份验证以及1：N人脸搜索。
　　3.检查站卡口
　　北京进京检查站目前共有57个，其中31处为综合检查站，实现对进京的人、车、物进行检查和初步过滤,但大量车辆排队通过检查站时排长队，严重影响进京速度。检查站快速核查成为刚需。
　　图7所示，采用快速非接触式读取身份证和人脸识别智能算法，在通过检查站卡口时，人员不用下车，从车窗中伸出身份证，靠近读取设备，可直接快速非接触式读取身份证，并同时对司机进行人脸抓拍。检查站核验身份证信息和人脸信息，身份证信息通过人员核录库核录接口进行比对，如有报警，报警大屏进行报警，核查区出口处拦截。人脸模糊比对，设置核对阈值，如超阈值，则在核查区人工干预再度核查。如为重点人员则直接报警处理，如为普通群众，前端栏杆抬杆通过。

图7检查站快速核查二代证核查设备方案

　　在新疆等反恐一线地区，公安检查站卡口对人员核验时，通常根据实际情况，核查相关人员的指纹、虹膜、DNA等更多单一或者多维生物特征信息。
　　四、结语
　　"一夫当关，万夫莫开"，在交通要道或者交通枢纽处构建公安卡口，在公安卡口上利用物联网、大数据、人工智能等多种技术，可实现通关人员、车辆的实时、精准核验，将公安机关管控的"人、车、物"排除在卡口之外，将公安反恐预警放置在最外围，将公安情报触角延伸到最前线，提高公安机关立体化治安防控能力，夯实立体化社会治安防控体系，顺应现代警务的核心理念和改革趋势。
    作者：
    公安部第一研究所警务物联网应用技术公安部重点实验室　 李胜广 李莉    
    北京市公安局警务物联网应用技术公安部重点实验室　     周千里