車(chē)臉識别在警務實戰中的(de)系統實現(xiàn)與應用(yòng)

車(chē)臉識别在警務實戰中的(de)系統實現(xiàn)與應用(yòng)

本文(wén)轉載自(zì)：《特種裝備網》

傳統公安實戰業(yè)務中，車(chē)輛(liàng)的(de)識别主要(yào)依賴車(chē)牌圖像識别技(jì)術(shù)實現(xiàn)。伴随著(zhe)城(chéng)市☆(shì)經濟的(de)高(gāo)速發展和(hé)機(jī)動車(chē)規模急劇(jù)增長(cháng)，與車(chē)輛(liàng)相(xiàng)關的(de)違法犯罪活動 也(yě)日(rì)益猖獗，給公安車(chē)輛(liàng)視(shì)圖實戰工(gōng)作(zu€ò)帶來(lái)極大(dà)的(de)挑戰。

首先，在大(dà)部分(fēn)案件(jiàn)中嫌疑車(chē)輛(liàng)的(de)車(chē)™牌大(dà)多(duō)以套牌、假牌等手段進行(xíng)僞裝，單獨采用(yòng)車(chē)牌識别‌的(de)方法并不(bù)能(néng)準确、快(kuài)速确認車(chē)輛(liàng)身(shēn)份。其次，受光(guāng)線、安裝條件(jiàn£)的(de)影(yǐng)響，現(xiàn)有(yǒu)前端系統車(chē)牌識别率不(bù)高(gāo)，導δ緻以車(chē)牌為(wèi)線索的(de)布控精度降低(dī)。再次，以車(chē)牌為(wèi)核心的(de)圖像識别系統獲得(de)的(de)信息量太少(shǎo)，無★法充分(fēn)有(yǒu)效地(dì)挖掘圖像監控信息潛在的(de)價值。

當前大(dà)數(shù)據、人(rén)工(gōng)智能(néng)等高(gāo)新技(jì)術(≥shù)蓬勃發展，面對(duì)人(rén)、車(chē)日(rì)益增長(cháng)的(de)複雜(zá)社會(huì)局面和(hé)治安态勢，充分(fēn)利用(yòng)人(rén)工(g>ōng)智能(néng)和(hé)大(dà)數(shù)據分(fēn)析技(jì)術(shù)，破除傳統的(de)以©車(chē)牌為(wèi)核心的(de)查詢分(fēn)析桎梏，變“事(shì)後查詢處置”為(wèi)“事(shì)前主動研判、預警”，将是(shì)未來(lái)以車(chē)輛(liàng)視(shì)圖分(fēn)析為(wèi)核心的(de)警務實戰應用(yòng)的(de)主流發展趨勢。

一(yī)、系統架構

根據蘭州市(shì)公安系統技(jì)術(shù)現(xiàn)狀和(hé)業(yè)務需求，結合當前先進的(de)Hadoop分(fēn)布式大(dà)數(shù)據平台設計(jì)理(lǐ)念進行(xíng)本系統的(de)規劃設計(jì)。系統是(shì)公&安機(jī)關業(yè)務數(shù)據運算(suàn)分(fēn)析和(hé)人(rén)機(jī)交互的(de)平台，分(fēn)為(wèi)派出所、區(qū)縣分(fēn)局¶、市(shì)局三級業(yè)務系統，根據不(bù)同的(de)層級設定不(bù)同的(de)管理(lǐ)用(yòng)戶和(hé)訪問(¥wèn)權限。

（一(yī)）數(shù)據源

主要(yào)實現(xiàn)卡口圖像、Wi-Fi數(shù)據、其它資源數(shù)據的(de)接入，并完成數(shù)據的(de)抽取、清洗、加工(gōng)、整理(lǐ)并加¥載到(dào)數(shù)據倉庫和(hé)大(dà)數(shù)據平台。這(zhè)些(xiē)數(shù)據包括車(chē)輛(liàng)圖像結構化(huà)數(shù)據、半結構≤化(huà)數(shù)據以及非結構化(huà)數(shù)據。視(shì)頻(pín)流、圖片等非™結構化(huà)數(shù)據則首先通(tōng)過深度學習(xí)車(chē)臉識别分(fēn)析技(jì)術(shù)将其進行(xíng)一(yī)次、二次、三λ次識别，并将圖像與從(cóng)中提取到(dào)的(de)車(chē)輛(liàng)牌照(zhào)、抓拍(pāi)位置、抓拍(pāi)時(shí)間(jiπān)、車(chē)輛(liàng)特征及車(chē)內(nèi)特征進行(xíng)分(fēn)離(lí)并形成一(yī)個(gè)多(duō)達4000維的(de)車(chē)輛(liàng)特征信息庫。

（二）大(dà)數(shù)據平台

根據具體(tǐ)需求實現(xiàn)對(duì)圖像識别的(de)數(shù)據資源的(de)集中存儲與管理(lǐ)，并根據系統設計(jì)需求面向各±個(gè)業(yè)務部門(mén)提供不(bù)同的(de)應用(yòng)支持。大(dà)數(shù)據平台包括數(shù)據倉庫和(hé)大(dà)數(shù)據平台。數(s¥hù)據倉庫主要(yào)處理(lǐ)結構化(huà)數(shù)據，包含過車(chē)信息、設備信息、營運信息、車(chē)輛(l<iàng)信息、駕駛員(yuán)信息、違章(zhāng)信息、違章(zhāng)處理(lǐ)信息、車(chē)道(dào)卡口信息、車(chē)輛(liàng)識别信息、車(c≈hē)輛(liàng)的(de)一(yī)次二次三次識别信息等明(míng)細數(shù)據，也(yě)包含日(r♠ì)常分(fēn)析所涉及的(de)日(rì)彙總、月(yuè)彙總數(shù)據，以及某些(xiē)個(gè)性化(huà)數(shù)★據。大(dà)數(shù)據平台則主要(yào)處理(lǐ)非結構化(huà)數(shù)據，如(rú)視(shì)頻(pín)流、圖片等，同時(shí)Ω為(wèi)處理(lǐ)方便也(yě)将一(yī)些(xiē)數(shù)據倉庫的(de)結構化(huà)數(sh↑ù)據納入其中進行(xíng)處理(lǐ)。

（三）智能(néng)調度引擎

對(duì)客戶端的(de)請(qǐng)求進行(xíng)分(fēn)析後，以任務為(wèi)單位≈或針對(duì)前台應用(yòng)訪問(wèn)需求，結合系統當前運行(xíng)狀态選擇最适合的(de)操作(zuò)模式，通(tōng)常包括自(zì)動調度、自(zì)動÷切換、動态分(fēn)配、容災備份等智能(néng)操作(zuò)模式。系統将根據任務的(de)不(bù)同分(fēn)配相(xiàng)應的(de)運算(suàn)資源，從(βcóng)而起到(dào)合理(lǐ)分(fēn)配資源、效率最大(dà)化(huà)的(de)目的(de)。

（四）應用(yòng)層

應用(yòng)層主要(yào)為(wèi)使用(yòng)對(duì)象提供了(le)多(duō)種數(shù)據可(kě)視(shì)化(huà)模塊，同時(<shí)為(wèi)一(yī)線業(yè)務需求和(hé)各級領導數(shù)據決策分(fēn)析提供邏輯支撐，通(tōng)§常包括基礎應用(yòng)，如(rú)視(shì)頻(pín)查詢、圖片查詢、以圖搜車(chē)、特征↑搜車(chē)、綜合查詢等功能(néng)，實現(xiàn)各種關聯業(yè)務信息的(de)查詢，如(rú)駕駛員(yuán)查詢、人(rén)員(yuán)數(shù)據查詢、通(tōng)信數Ω(shù)據關聯等。提供車(chē)輛(liàng)軌迹分(fēn)析、跟車(chē)關聯分(fēn)析以及人(rén)、車(chē)、Wi-Fi并軌分(fēn)析研判等功能(néng)。

二、關鍵技(jì)術(shù)

（一(yī)）深度學習(xí)車(chē)臉識别技(jì)術(shù)

系統采用(yòng)CNN圖像深度學習(xí)車(chē)臉識别技(jì)術(shù)和(hé)GPU、CPU異構運算(suàn)架構，不(bù)依賴車(chē)牌識别信息，通(tōng)過機(jī)器(qì)學習(xí∑)和(hé)人(rén)工(gōng)智能(néng)技(jì)術(shù)，有(yǒu)效提取車(chē)牌特征（顔色、結構、可(kě)見(jiàn)字符等）、車(chē)輛↑(liàng)品牌（300餘種）、年(nián)款或子(zǐ)車(chē)型（7000餘種）、顔色（10種）、車(chē)輛(liàng)類型（10種）、車(chē)燈、格栅、車(chē)身(shēn)粘貼物(wù)、車(chē)窗(chuāng)粘貼物(∑wù)、車(chē)內(nèi)挂件(jiàn)擺件(jiàn)等多(duō)達4000維微(wēi)特征信息，為(wèi)大(dà)數(shù)據平台實現(xiàn)以圖搜車(chē)、以圖搜圖、以圖布控、虛拟車(chē)牌檢索等視(shì)圖應用(yòng)提 供可(kě)靠的(de)技(jì)術(shù)支撐。

（二）多(duō)元數(shù)據并軌分(fēn)析技(jì)術(shù)

對(duì)接卡口數(shù)據、微(wēi)卡口數(shù)據、Wi-Fi探針數(shù)據等，采用(yòng)結果融合、過程融合和(hé)決策融合等手段，實現(xiàn)多(duō)種人(rén)車(chē)軌迹數(shù)據的(de)互查 、互補和(hé)并軌分(fēn)析。可(kě)以有(yǒu)效彌補因專業(yè)卡口點位不(bù)足、拍(pāi)攝精®度不(bù)高(gāo)等造成的(de)人(rén)車(chē)軌迹過粗、間(jiān)隙過大(dà)、漏洞過多(duō)等問(wèn)題€。

（三）增強學習(xí)與機(jī)器(qì)學習(xí)

增強學習(xí)（Reinforcement  Learning，RL）又(yòu)叫做(zuò)強化(huà)學習(xí)，是(shì)近(jìn)年(nián)來(lái)機(jī)器(qì)學習(xí)和(hé)智能(néng)控♦制(zhì)領域的(de)主要(yào)方法之一(yī)，也(yě)是(shì)當前熱(rè)門(mén)的(de)研究課題。機(jī)器(qì)學習(xí)則是(shì)一(yī)門₹(mén)多(duō)領域交叉學科(kē)，涉及概率論、統計(jì)學等多(duō)門(mén)學科(kē)，專門(mén)研究計✘(jì)算(suàn)機(jī)怎樣模拟人(rén)類的(de)學習(xí)行(xíng)為(wèi)，并不(bù)斷獲取新的(de)知(zhī)識和(hé)技(jì)能(néng)提★升自(zì)身(shēn)的(de)性能(néng)。

（四）Hadoop分(fēn)布式運算(suàn)

基于Hadoop分(fēn)布式大(dà)數(shù)據架構構建公安車(chē)輛(liàng)視(shì)圖大(dà)數(shù)據平台，采用(yòng)HDFS、Hbase、Hive、MapReduce等技(jì)術(shù)，解決目前所遇到(dào)的(de)大(dà)數(shù)據量查詢、模糊查詢、非結構化(huà)數(shù)據查詢等瓶頸問(wèn)題。

三、解決方案

（一(yī)）數(shù)據接入

系統對(duì)接雪(xuě)亮(liàng)工(gōng)程、平安城(chéng)市(shì)、天網工(gōng)程等視(shì)頻(pín)和(hé)綜合監控系統，充分(fēn)整✔合公安接處警、案件(jiàn)庫、高(gāo)危人(rén)員(yuán)庫、人(rén)口庫、戶政及車(chē)駕管等業(yè)務數(shù)據，以車(chē)臉分(fēn)析數(shγù)據為(wèi)基礎、Wi-Fi數(shù)據為(wèi)補充，快(kuài)速在系統中實現(xiàn)嫌疑人(rén)員(yuán)、車(chē)輛(liàng)定位、行(xíng)為(wèi)分(fēn)ε析、軌迹分(fēn)析等，實現(xiàn)對(duì)嫌疑人(rén)、車(chē)的(de)積分(fēn)研判、危險預警、重點查控等應用(yòng)★。

（二）系統特點

1.兼容治安卡口、微(wēi)卡口、執法終端等多(duō)種複雜(zá)場(chǎng)景圖像數(shù)據

系統通(tōng)過對(duì)車(chē)輛(liàng)多(duō)角度微(wēi)特征的(de)大(dà")樣本量訓練和(hé)特征提取，能(néng)夠充分(fēn)兼容标準治安卡口、微(wēi)卡口（視(shì)頻(pín)監控）、電(diàn)警、執法記錄儀等多(duō)種視(shì₽)角條件(jiàn)下(xià)的(de)智能(néng)車(chē)臉識别和(hé)結構化(huà)信息提取。從(cóng)而增加系統對(duì)前端采集數(shù)據的(de)廣泛适應性，為(w←èi)大(dà)數(shù)據分(fēn)析實現(xiàn)更精确、更細緻的(de)車(chē)輛(liàng)軌迹描繪、精确檢索和(hé)查詢提供基礎。

2.采用(yòng)深度學習(xí)技(jì)術(shù)，自(zì)動區(qū)分(fēn)車(chē)頭、車(chē)尾圖像和(hé)不(bù)完整圖像

系統采用(yòng)CNN深度卷積神經網絡，基于千萬級的(de)車(chē)輛(liàng)圖片樣本訓練，可(kě)自(zì)動基于車(chē)輛(liàng)圖像特征對(₩duì)車(chē)頭、車(chē)尾進行(xíng)判斷，采用(yòng)相(xiàng)對(duì)應✔的(de)精确模型進行(xíng)分(fēn)析，以便獲得(de)更加實時(shí)、準确、高(gāo)效的(de)識别信÷息。對(duì)通(tōng)常的(de)标準正向卡口圖片、背向電(diàn)警圖片、複雜(zá)微(wēi)‍卡口圖片、拍(pāi)攝不(bù)完整的(de)車(chē)輛(liàng)圖片等，同樣可(kě)以進行(xíng)結構化(huà)分(fēn)析，讓系統真正具備“雁過留痕”的(de)能(néng)力。

3.車(chē)、人(rén)、Wi-Fi并軌分(fēn)析，準确定位嫌疑目标軌迹

目前治安卡口所采集的(de)圖像效果最佳，信息量最大(dà)，但(dàn)是(shì)點位相(xiàng)對(duì)較少(shǎo)，完全依賴卡口圖像生(shēng)成的(de)車(chē)↕輛(liàng)軌迹不(bù)夠準确和(hé)細緻，而通(tōng)過增加駕駛員(yuán)人(rén)臉卡口、Wi-Fi探針數(shù)據則可(kě)實現(xiàn)人(rén)車(chē)、Wi-Fi軌迹合并分(fēn)析，從(cóng)而能(néng)夠起到(dào)補位的(de)效果，為(wèi)大(♠dà)數(shù)據系統實現(xiàn)更準确、細緻的(de)軌迹分(fēn)析提供基礎。

4.采用(yòng)分(fēn)布式大(dà)數(shù)據運算(suàn)技(jì)術(shù)，實現(xiàn)海(hǎi)量數(shù)據查詢和(hé)大(dà)數(shù)據分(fēn♣)析

采用(yòng)CPU、GPU異構運算(suàn)平台和(hé)Hadoop分(fēn)布式大(dà)數(shù)據技(jì)術(shù)，借助高(gāo)效的(de)GPU服務器(qì)，能(néng)夠實現(xiàn)高(gāo)效的(de)車(chē)臉視(shì)圖分(fēn)析和(hé)數±(shù)據調度管理(lǐ)服務。Hadoop分(fēn)布式運算(suàn)能(néng)夠很(hěn)好(hǎo)利用(yòng)現(xiàn)有(yǒu)的(de)服務器(qì)，÷實現(xiàn)高(gāo)效的(de)數(shù)據并發運算(suàn)和(hé)訪問(wèn)支撐，具有'(yǒu)充分(fēn)容錯(cuò)性能(néng)，并具有(yǒu)設備利舊(jiù)、節省系統投資等優勢。

（三）功能(néng)實現(xiàn)

1.數(shù)據可(kě)視(shì)化(huà)

基于車(chē)牌、車(chē)流量、品牌、年(nián)款等車(chē)臉圖像識别數(shù)據和(hé)積分(fēn)研判分(fēεn)析數(shù)據等，采用(yòng)計(jì)算(suàn)機(jī)圖形、圖像、計(jì)算(suàn)¶機(jī)視(shì)覺以及用(yòng)戶界面，通(tōng)過表達、建模、屬性及動畫(huà)的(de)展示方式，對(αduì)主要(yào)業(yè)務數(shù)據（如(rú)車(chē)流量、數(shù)據挖掘、車(chē)輛(liàng)分(fēn)布、過車(chē)排名、違法排名、♦無牌車(chē)、假套牌車(chē)等）加以可(kě)視(shì)化(huà)解釋。旨在借助圖形化(huà)手段，清晰有(yǒu)效地(dì)傳達與溝通(tōng)信息，便于一(yī)線民(míβn)警和(hé)管理(lǐ)者快(kuài)速、有(yǒu)效地(dì)理(lǐ)解數(shù)據、分(fēn)析結果，提升管理(lǐ)、指揮和(hé)決策能(néng )力。

2.智能(néng)搜索

采用(yòng)深度學習(xí)車(chē)臉識别與智能(néng)分(fēn)析、視(shì)頻(pín)結構化(huà)分(fēn)析、搜索引擎等技(jì)術(shù)，基于卡口圖像數(s♥hù)據、過車(chē)數(shù)據、車(chē)臉識别數(shù)據、Wi-Fi數(shù)據等，為(wèi)平台使用(yòng)者提供全方位的(de)人(rén)、車(chē)、Wi-Fi關聯搜索、綜合查詢等功能(néng)。用(yòng)戶可(kě)以通(tōng)過百度搜索模式，以文(wén)本描述方式實現(xiàn)快(kuài)速、便捷的(d↓e)目标車(chē)輛(liàng)全文(wén)檢索，還(hái)可(kě)以車(chē)輛(liàng)圖像線索為(wè<i)依據，通(tōng)過圖像結構化(huà)、特征比對(duì)分(fēn)析等技(jì)術(shù)，實現(xiàn)以圖搜車(chē)、特征搜車(chē)、品牌搜索、年(nián¥)款查詢、顔色及車(chē)輛(liàng)類型等單一(yī)維度或多(duō)維度的(de)模糊查詢或精确搜索功能(♥néng)。

3.大(dà)數(shù)據分(fēn)析研判

涉牌車(chē)輛(liàng)分(fēn)析，依托車(chē)牌識别、車(chē)臉識别數(shù)據、Wi-Fi數(shù)據等，采用(yòng)機(jī)器(qì)學習(xí)、增強學習(xí)等技(jì)術(shù)，基于實時₩(shí)分(fēn)析數(shù)據和(hé)曆史數(shù)據、特征信息的(de)比對(duì)分(fēn)析、車(chē)駕管數(shù)據比對(duì)等技(jì)術(shù)手段，對(Ωduì)不(bù)按規定懸挂号牌、套用(yòng)他(tā)人(rén)車(chē)牌、假冒車(chē)牌等違法車(cγhē)輛(liàng)信息自(zì)動挖掘、行(xíng)為(wèi)分(fēn)析和(hé)身(shēαn)份碰撞分(fēn)析。車(chē)輛(liàng)軌迹時(shí)空(kōng)碰撞分(fēn)析，基于車(chē)牌識别、車(chē)輛(liàng)識别W-Fi數(shù)據等，根據曆史軌迹數(shù)據、實時(shí)數(shù)據等進行(xíng)多(duō)元時(shí)空(kōng)并軌分(fēn)析，實現(xiàn)如(×rú)固定路(lù)線行(xíng)駛車(chē)輛(liàng)、異常聚集、熱(rè)點路(lù)徑等常用(yòng)分(fēn)析功能(néng)。

4.技(jì)戰法分(fēn)析

基于車(chē)臉視(shì)圖分(fēn)析數(shù)據、Wi-Fi數(shù)據、GIS/GPS數(shù)據，采用(yòng)時(shí)空(kōng)碰撞、軌迹研判分(fēn)析等技(jì)術(shù)，結合公安業(yè)務實戰經驗形成多(duō)種車(chē)輛↑(liàng)技(jì)戰法工(gōng)具，實現(xiàn)了(le)包括人(rén)車(chē)軌迹分(fēn)析、伴随行(xíng)為(wèi)分(fēn)析、落腳®點分(fēn)析、異常軌迹分(fēn)析、初次入城(chéng)分(fēn)析、出行(xíng)規律、遮擋号牌等十餘種常見(jiàn)功能(néng)，為(wèi)一(yī)線民(mín™)警針對(duì)涉車(chē)、涉牌案件(jiàn)的(de)分(fēn)析研判提供強有(yǒu)力的(de)技(jì)術(shù)支撐¥。

5.車(chē)輛(liàng)專題分(fēn)析

系統對(duì)接車(chē)駕管、人(rén)口庫、案件(jiàn)庫、違法信息等數(shù)據，基于車(chē)輛(liàng)、Wi-Fi信息等在大(dà)數(shù)據系統中形成的(de)時(shí)空(kōng)軌迹、行(xíng)為(wèi)特性、關系拓撲、系統關注排名等形成車(chē)輛(liàng)專題分(™fēn)析。一(yī)線民(mín)警通(tōng)過這(zhè)一(yī)功能(néng)，可(kě)以車(chē)牌号✘牌或Wi-Fi、駕駛人(rén)或車(chē)主為(wèi)線索，快(kuài)速了(le)解目标車(chē)、目标人(rén)的(de)相(xiàng)關信息，以及嫌疑人₽(rén)近(jìn)期出行(xíng)軌迹、出現(xiàn)規律、活動範圍、所駕車(chē)輛(liàng)、所有(yǒu)車(chē)輛(liàng)、系統關注度等₽重要(yào)信息，為(wèi)重要(yào)案件(jiàn)的(de)偵破和(hé)重點人(rén)、車(chē)監管提供快(kuài)捷、高(gāo)效的(de)實™戰工(gōng)具。

四、實戰應用(yòng)

系統第一(yī)期于2016年(nián)底開(kāi)始研發，2017年(nián)7月(yuè)正式上(shàng)線運行(xíng)。至今已曆經三期建設，日(rì)均圖片數(shù)據處理(lǐ)量2500萬張/天，協助蘭州市(shì)公安局一(yī)線民(mín)警破獲了(le)多(duō)起套牌車(chē)、無牌車(chē)違法案件(©jiàn)。

2018年(nián)11月(yuè)1日(rì)傍晚，系統通(tōng)過自(zì)動時(shí)空(kōng)邏輯分(fēn)析産生(shēng)套牌車(chē)輛(liàng)疑似數(shù)據報(b<ào)警，發現(xiàn)兩輛(liàng)同牌号出租車(chē)在同一(yī)數(shù)據分(fēn)析時(shí)段、距離(lí)較遠(yuǎn)的(de)π兩個(gè)卡口同時(shí)出現(xiàn)。

      值班人(rén)員(yuán)查看(kàn)系統推送的(de)兩輛(liàng)車(chē)抓拍(pāi)圖像，發現♦(xiàn)尾部存在明(míng)顯圖像差别，确認系套牌車(chē)無疑（上(shàng)為(wèi)原車(chē)、下(xià)為 (wèi)套牌車(chē)）

通(tōng)過以圖搜車(chē)等技(jì)術(shù)，調取兩輛(liàng)車(chē)正面關聯圖像，發現(xià<n)兩車(chē)正面圖像也(yě)存在明(míng)顯差異，進一(yī)步确認其為(wèi)套牌車(chē)輛(liàng)。

通(tōng)過大(dà)數(shù)據實戰工(gōng)具對(duì)目标車(chē)輛(liàng)的(de)行(xíng)車(c≥hē)軌迹和(hé)駐泊地(dì)進行(xíng)分(fēn)析，初步确定嫌疑車(chē)輛(liàng)的(de)駐泊區(qū)域和(hé)經常出&現(xiàn)的(de)路(lù)段、卡口位置等。

進一(yī)步使用(yòng)出行(xíng)規律分(fēn)析工(gōng)具，對(duì)嫌疑車(chē)輛(li€àng)的(de)出行(xíng)規律進行(xíng)分(fēn)析，确定布控和(hé)抓捕時(shí)間(jiān)，最終通(tōng)過靜(jìng)态布控破獲該案。

五、結束語

本文(wén)從(cóng)公安機(jī)關面臨的(de)社會(huì)環境和(hé)技(jì)術(shù)現∏(xiàn)狀入手，依托多(duō)警種合成作(zuò)戰和(hé)大(dà)數(shù)據研判需求，結合深度學習(xí)車(chē)臉識别和(hé)視(shì)圖大(dà)∏數(shù)據系統的(de)技(jì)術(shù)特點分(fēn)析，提出了(le)基于車(chē)臉識别技(jì)術(shù)的(de)公安車(chē)輛(liàng)視(shì)圖大(₹dà)數(shù)據系統解決方案，并通(tōng)過實戰案例進行(xíng)驗證。車(chē)臉識别是(shì)一(yī)項新興技(jì)術(shù)，優點和(hé)局限并存。作>(zuò)為(wèi)一(yī)線警務工(gōng)作(zuò)者，要(yào)在實戰中不(bù)斷總結和(hé)完善β，使其能(néng)夠真正服務實戰，以大(dà)數(shù)據為(wèi)抓手，切實、有(yǒu)效地(dì)提升公安警務實戰效能(néng)。

參考文(wén)獻

[1]胡少(shǎo)雲.基于平安城(chéng)市(shì)的(de)車(chē)輛(liàng)大(dà)數(shù)據研判應用(yòng)模型研究[J]智能(néng)建築，2017(8):45-47.

[2]侯偉，周川.公安視(shì)頻(pín)圖像信息技(jì)術(shù)應用(yòng)與對(duì)策[J]圖像與多(duō)媒體(tǐ)技(jì)術(shù)，2018(1):82.

[3]武亞軍.視(shì)頻(pín)圖像偵查在公安工(gōng)作(zuò)中的(de)發展和(hé)應用(yòng)[D]西(xī)北(běi)大(dà)學，2015.

[4]胡明(míng)舒，張學謙，陳志(zhì)華.基于視(shì)圖警務雲平台的(de)車(chē)輛(liàng)大(dà)數(shù)據應用(yòngβ)[J]中國(guó)公共安全，2014(23):015