目录

第 一 章 背景及需求 1

1.1 应用背景 1

1.2 业务现状 1

1.3 需求分析 2

1.3.1 业务需求 2

1.3.2 系统需求 2

1.4 总体目标 3

第 二 章 系统总体思路 4

2.1 设计原则 4

2.2 设计依据 5

2.3 设计思路 5

2.3.1 打造智能化人员数据采集系统 5

2.3.2 构建海量人脸特征信息数据库 5

2.3.3 建成一体化人脸信息综合应用平台 5

2.3.4 创新基于人脸识别的实战技战法应用 6

第 三 章 系统总体设计 7

3.1 总体架构 7

3.1.1 系统拓扑 7

3.1.2 系统组成 7

3.2 系统功能 8

3.2.1 人脸动态比对预警及追踪 8

3.2.2 以脸搜脸 9

3.2.3 人员轨迹分析研判 9

3.3 系统特点 10

3.3.1 端到端的整体解决方案顶层规划 10

3.3.2 人脸识别算法全球领先 10

3.3.3 集成GPU嵌入深度学习算法的人脸抓拍机 10

3.3.4 紧密贴合实战需求的人脸识别应用 11

3.4 关键技术 11

3.4.1 深度学习技术 11

3.4.2 人脸识别技术 12

3.4.3 大数据技术 14

3.4.4 云存储技术 16

第 四 章 前端人脸数据智能采集系统 17

4.1 采集方式 17

4.1.1 集成GPU人脸抓拍机采集 17

4.1.2 普通高清相机+视频流人脸分析服务器采集 17

4.2 功能设计 18

4.3 布点选择 18

4.3.1 入口楼梯下端 18

4.3.2 入口闸机 19

4.3.3 出口闸机 20

4.4 人脸抓拍机安装要求 21

4.4.1 安装环境选择 21

4.4.2 安装要求 21

4.4.3 镜头选择 22

4.4.4 安装位置及镜头查询表 22

4.5 主要设备选型 23

4.5.1 人脸抓拍机 23

4.5.2 视频流人脸分析服务器 27

第 五 章 后端人脸智能云分析系统 29

5.1 系统组成 29

5.2 组成说明 29

5.2.1 人脸识别云分析单元 29

5.2.2 图片云存储单元 30

5.2.3 大数据单元 30

5.3 存储容量计算 30

5.3.1 人脸图片存储 30

5.3.2 人脸结构化数据存储 30

5.4 主要设备选型 31

5.4.1 脸谱 31

第 六 章 人脸信息综合应用平台 34

6.1 设计概述 34

6.2 系统组成 34

6.3 平台功能 35

6.3.1 人脸动态比对报警 35

6.3.2 人员实时轨迹追踪 36

6.3.3 人员信息分析研判 37

6.3.4 人员身份鉴别查询 40

6.3.5 系统管理 40

6.4 平台运行环境 41

6.4.1 软件环境 41

6.4.2 硬件环境 41

第 七 章 系统应用风险及实施建议 42

7.1 系统应用风险 42

7.1.1 抓拍质量过差 42

7.1.2 导入照片质量过差 42

7.1.3 导入照片年限跨度太长 43

7.2 系统实施建议 43

7.2.1 保证抓拍图像质量 43

7.2.2 保证导入照片质量 43

7.3 保证导入照片年限跨度 44

第 八 章 成功案例 45

8.1 某地铁2号线警用通信——视频智能化助力打造平安地铁 45

8.1.1 案例看点 45

表格目录

表1 人脸抓拍机安装位置及镜头查询表 23

表2 人脸抓拍机参数表 27

表3 视频流人脸分析服务器参数表 28

表4 脸谱参数表 33

图片目录

图1. 系统拓扑图 7

图2. 人脸动态比对预警及追踪功能 9

图3. 以脸搜脸功能 9

图4. 人员轨迹分析研判功能 10

图5. 深度学习原理示意图 12

图6. 人脸识别技术示意图 13

图7. 大数据特征示意图 14

图8. 分布式计算过程示意图 15

图9. 全文搜索原理示意图 16

图10. 人脸抓拍机工作流程 17

图11. 普通高清相机接入方式 18

图12. 布点选择-入口楼梯下端 19

图13. 布点设计-入口闸机 20

图14. 布点设计-出口闸机 20

图15. 人脸抓拍机安装示意图 22

图16. 人脸抓拍机图片 23

图17. 视频流人脸分析服务器图片 27

图18. 脸谱服务器组成 29

图19. 脸谱图片 31

图20. 人脸信息综合应用平台架构图 34

图21. 人脸动态比对报警功能效果图 36

图22. 人员实时轨迹追踪功能效果图 37

图23. 特征搜人功能效果图 38

图24. 照片搜人功能效果图 39

图25. 人员轨迹研判功能效果图 39

图26. 人员身份鉴别查询功能效果图 40

图27. 镜头未拉近，覆盖范围太广，人脸像素过小 42

图28. 某地铁2号线示意图 45

背景及需求

应用背景

地铁以其高速、稳定、方便、快捷的特点，在如今大中城市的交通运输中发挥着越来越重要的作用，成为居民出行必不可少的交通工具之一。由于客流量大、密度大、背景杂，环境相对封闭，且与周边环境有高度关联性，在日益严峻的反恐形势下，地铁成为了恐怖分子首选的打击目标之一。

2015年12月27日《中华人民共和国反恐怖主义法》正式发布，从2016年1月1日开始施行，其中明确指出地铁属于重点目标，需制定防范和应对处置恐怖活动的预案和措施。

我公司产品地铁人脸识别系统是一套针对地铁场景人员进出通道进行监控的系统，是视频分析、运动跟踪、人脸检测和识别技术在视频监控领域的全新综合应用。通过部署安装人脸抓拍摄像机设卡，对经过卡口的人员进行人脸抓拍、人脸特征的提取和分析识别，并将数据送入后端人脸信息综合应用平台，实现人脸动态比对预警及追踪、以脸搜脸、人员轨迹分析研判等功能。通过本系统的部署，对海量人脸精准、高效的排查，实现对涉恐、涉稳、犯罪分子的提前布控和实时预警，帮助提升地铁安全，防止恐怖事件发生，对于提升公安工作能力与水平具有重要意义。

业务现状

在地铁反恐维稳方面，大多数地铁公安仍然在采用常规侦查手段，依靠个人经验判断重点人员对其进行盘查，准确性和效率都较低，在地铁公安警力配备不足的普遍现状下，更容易引起嫌疑人员漏网，给地铁带来安全隐患。

目前地铁视频监控系统还处于常规监控建设阶段，正在逐渐完成从模拟到高清的过度，新建线路基本实现了高清化的要求，既有线路也在进行高清改造。面对众多视频监控资源，如何有效获取信息，使视频监控建设的投入得到高效利用是亟待解决的问题。

需求分析

业务需求

1. 迅速从进入地铁区域的人员中甄别出嫌疑人员，可出动警力进行人工盘查，提高盘查工作效率和准确度。
2. 考虑到嫌疑人员可能乘车前往其他车站，范围不确定容易失控，且列车作为封闭空间更是反恐重点区域，系统需快速响应并提供便捷的操作，帮助警务值班人员迅速定位并找到嫌疑人员。
3. 在嫌疑人员立刻地铁区域时，系统应能给出提示，以便及时撤警，节省警力资源。
4. 系统应能长期保存抓拍的人脸图片，供事后研判分析使用，为人脸大数据应用提供基础。

系统需求

1. 人脸实时采集：能通过部署在地铁通道、闸机口的摄像机实时采集到经过人员人脸照片，满足人脸比对要求。
2. 人脸布控报警：能将前端子系统采集到的人脸照片与布控人脸库进行实时比对，有相似度超过阈值的情况实时在客户端显示报警。
3. 目标快速追踪：用户可在客户端收到布控实时报警后，通过操作界面和功能细节的优化实现嫌疑人员快速追踪定位，帮助值班警员迅速找到嫌疑人员。
4. 离开区域提示：在抓捕嫌疑人员的过程中，当嫌疑人员离开地铁区域时给出提示，便于及时撤警。
5. 人脸图片存储：前端采集到的人脸图片需长期保存在服务器上，且具备高速读写的能力，满足图片写入和并发读取的实时要求。
6. 人员轨迹研判：根据抓拍时间段、抓拍卡点位置，在海量人脸抓拍库中，按照相似度条件进行碰撞比对，分析人员行动轨迹。
7. 人员身份鉴别：输入一张人脸图片，可在静态人脸特征数据库中根据人像特征点比对算法，检索出与其最相似的人员，帮助公安快速锁定不明人员的身份信息。

总体目标

以打造“平安地铁”为目标，密切结合公安实战应用需求，充分运用高清监控技术、视频分析技术、人脸检测与识别技术、业务系统集成技术等先进技术，解决当前地铁公安在地铁反恐和人员管控中碰到的难题。

1. 设计一套高清人脸识别系统，实现高质量的人脸自动抓拍、自动识别、自动比对、自动报警、轨迹回放等功能，做到“人过留像、留特征、留轨迹”，实现“由像到人”、“由人到案”业务模式的改变和创新。
2. 在地铁站人员进出站的通行路径上合理设置高清人脸数据采集监控点，形成覆盖地铁范围的人员监控，实现严密的监控覆盖，全面记录进出地铁站的通行人员。
3. 运用成熟的SOA体系框架，搭建地铁人脸管理平台，实现人脸数据的实时转发、统一存储、深入分析、深度应用。
4. 地铁人脸管理平台与公安业务信息库建立联接，提供人脸动态比对预警及追踪、以脸搜脸、人员轨迹分析研判等功能，实现对涉恐、涉稳、犯罪分子的提前布控和实时预警，帮助提升地铁安全，防止恐怖事件发生。

系统总体思路

设计原则

本系统的建设，应以“先进性、可靠性、开放性、实用性、安全性、经济性”为基本原则。

1. 先进性：系统所采用的设计方法和技术路线在人脸识别技术中处于领先地位，并涵盖人脸识别技术所涉及的一系列相关技术，如：人脸检测、特征提取、人脸比对等，同时这一系列技术能按照用户的要求可以同时或分别用于鉴别、检索等业务功能。软件的设计应先进灵活，便于升级以及与其他系统的互联互通。
2. 可靠性：需充分考虑系统的高可靠性，选用高集成设备，采用自动检测、自动报警、自动监控等技术来有效地保证系统的高可用性和可靠性。软件采用模块化、分层隔离的设计思想，支持集群技术和负载均衡技术，充分确保系统的高可靠性和稳定性。
3. 开放性：系统的建设在符合国家和行业相关标准要求的基础上，采用业界主流的软硬件平台、操作系统平台、数据库平台以及标准的协议，保证系统的开放性。
4. 实用性：系统的建设必须突出应用，选择实用性强的系列产品，采用模块化结构设计，既可满足当前的需要又可为今后系统发展扩展留有余地；系统用户界面友好，安装、操作、使用、维护简便。
5. 安全性：系统应具有防破坏和防入侵的安全性功能。整个系统、设备、中心机房和前端均应考虑断电和人为破坏，软件不受病毒感染、黑客攻击，应具有高度的安全和保密性。系统还应具有防误操作特性，有较强的抗干扰、抗静电能力，同时提供数据备份、恢复措施。提供用户等级权限保护，有效排除人为因素的干扰。
6. 经济性：在确保实用性、可靠性、先进性、开放性和安全性的前提下，注重系统建设的成本和投入的阶段性，既能满足实际需要，又可尽量降低费用，以技术建设与应用机制的协调发展，确保系统效益。

设计依据

系统的建设依据国家相关法律规章、国家和行业相关标准、相关研究成果等资料进行规划设计，具体如下：

《GA/T 922.2-2011 安防人脸识别应用系统 第2部分：人脸图像数据》

《GA/T 1126-2013 近红外人脸识别设备技术要求》

《GA/T1212-201安防人脸识别应用防假体攻击方法》

《GB/T 26718-2011 城市轨道交通安全防范系统技术要求》

《GB/T 31488-2015 安全防范视频监控人脸识别系统技术要求》

《GA/T 1093-2013 出入口控制人脸识别系统技术要求》

设计思路

打造智能化人员数据采集系统

充分地铁公安的应用需求，统筹考虑已建线路和新建线路人脸识别系统的建设、应用、管理和维护。采取科学的布建原则，考虑相机布局选点的针对性、关联性以及整体效果，实现高质量的人脸自动抓拍、自动识别，全面记录进入地铁站的人员情况，做到“人过留像、留特征、留轨迹”，实现“由像到人”、“由人到案”业务模式的改变和创新。

构建海量人脸特征信息数据库

通过在前端部署的人脸数据智能采集系统，将实时抓拍的人脸数据传输至中心进行人脸建模，并实时建模处理，存储在专用图片云存储中，从而建立海量人脸特征数据库。为公安业务应用提供统一查询检索、交换共享等基础数据支撑服务。

建成一体化人脸信息综合应用平台

以公安实战应用为核心，依托公安图像传输专网，运用成熟的SOA体系框架，搭建人脸信息综合应用平台，实现全市人脸卡口数据的实时转发、统一存储、深入分析、深度应用。最大限度地服务警务实战，提高地铁安全服务水平。

创新基于人脸识别的实战技战法应用

将人脸识别技术与实战技战法相结合，通过与公安业务信息库建立联接，提供人脸布控及动态比对预警、人员轨迹追踪查询、人员身份鉴别查询等实战应用功能，为公安治安防控、刑侦破案、反恐防暴等工作提供有力支持。

系统总体设计

总体架构

通过在地铁站合理部署安装人脸抓拍摄像机，对经过该人脸抓拍机点位的人员进行人脸抓拍、人脸特征的提取和分析识别，并将数据送入后端大数据报警平台。

后端人脸大数据报警平台对接地铁公安分局提供的30W数量级的黑名单数据库，实现黑名单布控报警、以脸搜脸、人员轨迹分析研判等功能，出现黑名单布控报警信息时把报警信息推送至地铁公安分局调度指挥中心平台，便于即使核验和出警处理。同时联动前端人脸抓拍机实现对报警人员的录像，便于后期的取证回放应用。按照2016年开始实施的反恐法要求，图片和视频存储时间不小于90天。

系统拓扑

系统拓扑图

系统组成

系统由前端人脸数据智能采集系统、后端人脸比对云分析系统和人脸信息综合应用平台组成。

前端人脸数据智能采集系统部署在地铁出入口和咽喉处，使用内置GPU的人脸抓拍机或视频流人脸分析服务器实现对进出人员的人脸进行自动捕获、跟踪、抓拍，采集人脸特征数据及性别、年龄、是否戴眼镜等人头属性信息。

后端人脸比对云分析系统采用高密度GPU架构基于深度学习的人脸智能算法，由三部分组成：

1. 人脸识别云分析单元：支持人脸图片的建模及比对分析，可对黑名单进行实时布控。
2. 图片云存储单元：由微视云构成，支持所有人脸图片的存储。
3. 大数据单元：支持人脸相关数据的存储、检索、分析等功能。

人脸信息综合应用平台结合地铁公安实战应用，提供人脸信息相关的功能，帮助地铁公安提升业务能力。

系统功能

人脸动态比对预警及追踪

支持抓拍图片与黑名单库的实时比对，匹配度达到阈值后产生实时报警，推送到客户端。

人脸动态比对预警及追踪功能

以脸搜脸

用户可以选择某张人像图片，在抓拍库或者静态名单库中寻找相似度高的人像图片。系统根据相似度高低来排序。

待比对的图片可以本地上传，也可以是抓拍图片或者是静态图片。

在以图搜图的结果中可以一键选择一张图片作为下一次以图搜图的待搜图片。

以脸搜脸功能

人员轨迹分析研判

支持在抓拍库中选择多张人脸图像，系统会根据这些人脸图像采集的时间和地点，自动在系统地图上描绘出人员轨迹，用户可依据此功能分析重点关注人员的行动规律。

人员轨迹分析研判功能

系统特点

端到端的整体解决方案顶层规划

在充分考虑已建视频监控资源的兼容与利旧基础上，利用人脸识别、大数据、云计算等先进技术，从数据采集、传输、分析、存储、应用全过程设计系统架构，确保系统各环节的无缝衔接。

人脸识别算法全球领先

我公司产品拥有人脸卡口、人脸识别算法等多项专利，自主研发的基于深度学习的人脸识别核心算法业界领先，算法具有准确率高和效率高等特点，解决了目前的人脸识别技术准确率和稳定性差的缺陷，具有很强的环境适应能力，同时具备智能的自学习功能，可自动更新人脸模板，不受表情、姿态、发型、配饰等变化的影响，能够提供更高的准确率。

集成GPU嵌入深度学习算法的人脸抓拍机

我公司产品针对人员卡口应用开发的专业人脸抓拍摄像机，集高清视频采集、高清视频处理、人脸抓拍等核心功能于一体，集成高性能GPU模块组成，内嵌深度学习算法，支持人脸抓拍功能，可同时对30张人脸进行检测、跟踪及抓拍；支持对性别、年龄、是否戴眼镜等特征的识别。

人脸抓拍识别结果由摄像机直接输出，提高了识别准确率及识别响应时间。同时针对人脸抓拍的独特环境进行了优化，具有国内首创的人脸区域曝光技术，在摄像机成像质量上大幅提升了人脸识别准确率。

前置智能化、一体机监控识别抓拍产品相对于普通相机+后端服务器方案，主要优势有：第一，可分摊系统智能计算压力（高清摄像机拥有足够处理性能的条件下，省却了后端服务器的投资）；第二，分析所需的图像源最接近真实环境，分析结果更准确。

紧密贴合实战需求的人脸识别应用

立足于地铁实战应用，我公司产品人员卡口系统可提供丰富的人脸识别实战应用功能，如：人脸动态比对预警、人员轨迹分析追踪、人员身份鉴别等。

同时，在应用功能设计方面，也更加注重贴近实战，如：针对人员布控与动态比对预警功能，考虑到地铁公安在实际使用时，毕竟人员、警力有限，因此系统优先保证比对报警的高命中率，在允许少量漏报的情况下，降低虚警率与误报率，尽量做到既报必准，便于有限警力资源下充分挖掘系统的应用潜能。根据地铁站环境还提供了配置相机关联和视频追踪的功能，帮助指挥中心值班干警迅速定位嫌疑人，节省前端抓捕警力，提高抓捕效率。

关键技术

深度学习技术

深度学习是指机器通过模拟人脑建立的深度神经网络，模仿人脑机制来进行学习、判断、决策的技术，目前已被广泛应用于人脸识别、语音识别、笔记识别等领域。深度学习的原理如下图所示：

深度学习原理示意图

通过深层神经网络训练出来的人脸识别算法能极大地提高识别精度。简而言之，就是让已经在网络结构中预设了人脸识别先验知识的神经网络，大量“阅读”很多人在各种环境（例如光照，视角，表情）下被拍摄到的不同人脸图片，自动学习并提取人脸各个部位和尺度的低、中、高层特征，在大量学习之后，机器便能根据所提供的样板信息区分不同的人员。

人脸识别技术

人脸识别技术是基于生物特征的识别方式，所谓生物特征识别，就是利用人类自身拥有的、并且能够唯一标识其身份的生理特征或者行为特征进行身份验证的技术，一般包含人脸图像采集、人脸图像检测、人脸图像预处理、人脸图像特征提取、人脸图像匹配识别五部分：

1. 人脸图像采集：基于人员的脸部特征，通过前端摄像机采集含有人脸的视频或图像；
2. 人脸图像检测：人脸图像包含的模式特征十分丰富，如直方图特征、颜色特征、模板特征、结构特征及Haar特征等，人脸图像检测就是利用这些特征信息，对输入的视频或图像中的人脸进行检测，准确标定出人脸的位置和大小；
3. 人脸图像预处理：基于人脸检测结果，通过智能算法，对选出的人脸图像进行灰度校正、噪声过滤等优化，形成最优的人脸图像并服务于特征提取的过程。人脸图像预处理过程主要包括光线补偿、灰度变换、直方图均衡化、归一化、几何校正、滤波等；
4. 人脸图像特征提取：人脸识别可使用的特征通常分为视觉特征、像素统计特征、人脸图像变换系数特征、人脸图像代数特征等。人脸图像特征提取就是针对人脸的某些特征进行的，一般采用基于知识的表征方法实现。基于知识的表征方法主要是根据人脸器官的形状描述以及他们之间的距离特性来获得有助于人脸分类的特征数据，其特征分量通常包括特征点间的欧氏距离、曲率和角度等。人脸由眼睛、鼻子、嘴、下巴等局部构成，对这些局部和它们之间结构关系的几何描述，可作为识别人脸的重要特征；
5. 人脸图像匹配识别：人脸图像匹配是指提取的人脸图像特征数据与数据库中存储的特征模板进行搜索匹配，通过设定一个阈值，当相似度超过这一阈值，则把匹配得到的结果输出；人脸图像识别就是将待识别的人脸特征与得到的人脸特征模板进行比较，根据相似度对人脸的身份信息进行判断。这一过程又分为两类：一类是确认，是一对一进行图像比较的过程，另一类是辨认，是一对多进行图像匹配对比的过程。

人脸识别技术如下图所示：

人脸识别技术示意图

如上图所示，人脸识别过程的第一步是通过前端采集设备获取源图像，通过人脸检测方法得到有人脸的图像并对该图像进行一定的预处理，如归一化、小波分解等，滤去外界的部分干扰因素，如光照、饰物等，保留人脸最本质、对特征提取最有利的部分；然后选定一种特征提取算法对该预处理过的图像进行特征提取，最后根据与测试图像的比对来获得匹配的结果。

人脸与人体的其他生物特征（例如指纹、虹膜等）一样与生俱来，它的唯一性和不易被复制的良好特性能为身份鉴别提供必要的前提，与其它类型的生物识别技术比较，人脸识别技术具有如下特点：

1. 非强制性：采集对象不需要专门配合人脸采集设备，几乎可以在无意识的状态下就可获取人脸图像，这样的取样方式没有“强制性”；
2. 非接触性：采集对象不需要和设备直接接触就能获取人脸图像；
3. 并发性：在实际应用场景下可以进行多个人脸的分拣、判断及识别。

大数据技术

大数据是指无法在一定时间内通过传统数据库软件对其内容进行分析、处理和管理的数据集合。一般可用4个V来概括大数据的基本特征：volume（大量化）、variety（多样化）、value（价值密度低）和velocity（处理要求快，即快速化）。大数据特征描述示意如下图所示。

大数据特征示意图

大量化是指数据规模至少在TB级，存储量大、增量大；多样化，一方面指数据有不同的来源，另一方面指数据类型有结构化、半结构化等多种形式；价值密度低是指这些数据的单一来源或单一维度并不能带来有效的价值，只有形成一定规模并充分关联，才能发挥大的价值；处理要求快是指对数据分析的实时性要求高。

本系统采用的大数据技术是针对大数据的4大特点，结合公安人员管控业务实际需求，基于分布式计算、全文搜索引擎等技术进行设计的，主要解决系统海量结构化、半结构化数据的存储，提供数据的快速检索、分析统计应用，并通过大数据的深度关联分析，对事物的发展趋势作出研判、预测。

分布式计算技术

分布式计算技术能将大规模在线业务分解成小批量的任务块，分发给大数据设备进行并发计算，实现高速的数据交互统计和数据挖掘，实时返回查询结果/分析结果。分布式计算原理如下所示：

分布式计算过程示意图

全文搜索引擎技术

当前，平安城市建设中采用的普通数据库技术，在数据量达到一定规模时将遇到性能瓶颈，如Oracle关系数据库，当数据量达到亿级规模时，复杂业务查询时间将呈指数级增长，导致业务不具有实际可用性。全文搜索引擎设计基于分布式技术架构，通过多节点方式管理各个索引文件，独立或者联合响应搜索请求，服务性能随服务器数量成线性增长，能够通过简单增加服务器硬件数量使系统处理能力线性增长，具有极强的伸缩扩容能力，轻松突破百亿级别数据秒级检索。

全文搜索原理如下图所示。

全文搜索原理示意图

云存储技术

云存储是在云计算（cloud computing）的概念上延伸和发展出来的一个新概念，是指通过集群应用、网格技术或分布式文件系统等功能，应用存储虚拟化技术将网络中大量各种不同类型的存储设备通过应用软件集合起来协同工作，共同对外提供数据存储和业务访问功能的一个系统，也可将云存储理解为是配置了大容量存储设备的一个云计算系统。

本系统针对公安应用特点，采用面向业务的设计思路，融合集群化、虚拟化、离散存储等技术，规划图片云存储，可将网络中大量各种不同类型的存储设备集合起来协同工作，共同对外提供高性能、高可靠、不间断的图片存储和业务访问服务。

前端人脸数据智能采集系统

采集方式

集成GPU人脸抓拍机采集

我公司产品“深眸”系列专业智能摄像机是一个家族式的前端产品系列，内嵌专门为视频监控场景设计、优化的深度学习算法，依托强大的GPU硬件平台和海量的安防大数据，实现了精度更高、智能识别种类更多、坏境适应性更强的智能功能。

人脸抓拍机工作流程

普通高清相机+视频流人脸分析服务器采集

对于已经开通运营的线路，前端相机改造的代价巨大，此时可通过视频流人脸分析服务器对普通高清相机的实时视频流进行处理，输出人脸图片信息。该分析服务器基于GPU硬件平台和深度学习算法，能实现视频流中人脸图像的高性能处理，满足公安实时性要求。

普通高清相机接入方式

功能设计

能够对经过设定区域的行人进行人脸检测和人脸跟踪，利用人脸质量评分算法从人脸轨迹中筛选出一张最优的人脸图像作为该行人的抓拍图像，详细功能如下：

• 支持同时对画面中30个的人脸进行检测和抓拍；
• 标准环境下，人脸抓拍准确率90%以上；
• 内置基于人脸的性别分类功能；
• 内置基于人脸的年龄段分类功能；

支持人脸区域自动曝光功能，能够根据外部不同场景以及光照变化自动控制调节曝光参数，确保在逆光等情况下抓拍人脸仍较为清晰。

布点选择

入口楼梯下端

地铁车站入口楼梯处距离站台乘车点有一段距离，期间需要经过购票（可选）、安检、进闸机、下楼、等车等过程，在入口处安装人脸采集相机，当有嫌疑人进入地铁站产生人脸布控报警时，可以有相对充裕的时间出警抓捕。

考虑到进站人员在下楼梯时会低头看台阶，抓拍点应选在入口楼梯下端，当进站人员踏到最后一级台阶时，会习惯性抬头看前方，选在此时抓拍是比较好的时机。

布点选择-入口楼梯下端

入口闸机

闸机是地铁付费区与非付费区的分割标记，进入付费区的人员有可能乘车，而车辆是地铁环境下最脆弱的环节之一，因此需要重点关注进入付费区的人员。

在经费允许的情况下，除入站楼梯下端安装人脸相机之外，入口闸机也可进行安装。

由于乘客需要刷卡进闸机，在刷卡时通常是低头的，应选择乘客通过闸机后的时刻捕获人脸信息。

布点设计-入口闸机

出口闸机

地铁公安的管辖范围在地铁范围内，当可疑人员出地铁之后，为节省警力，地铁公安应及时撤警，因此需要在出口闸机处安装人脸相机，及时监测可疑人员动向，确保有限的警力发挥最大效用。

关于出口闸机的抓拍点设计，可参考入口闸机部分。

布点设计-出口闸机

人脸抓拍机安装要求

为了尽量提升前端相机人脸抓拍的准确率，系统对于摄像机的安装部署具有以下要求：

安装环境选择

人脸识别准确率与人脸抓拍机安装位置、现场环境光线（如过暗、过亮）等因素影响极大。为保证系统有更好的效果，环境要求建议如下：

1. 需选择具有标准的人员通道或者出入口的安装环境，以规范人员具有唯一的通行方向，确保摄像机能够抓拍到该方向上所有进入或者离开人员的正脸。
2. 需选择具有稳定、充足的光照环境，在背光条件及光线不足条件下要求补光，确保人脸特征的清晰可见。

安装要求

人脸抓拍机安装位置选择规范如下：

1. 摄像机设在通道正前方，正面抓拍人脸，水平方向偏转角度<25°，越小越好。
2. 摄像机安装需具有一定俯视角度，避免一前一后人员经过通道时后方人脸被遮挡，垂直方向俯视角度α=15±5°。
3. 抓拍图片中要辨清人脸细节要求人脸瞳距覆盖的像素大于40像素点，200万摄像机人脸检测位置的实际宽度V≤3.0米。
4. 摄像机镜头至人员通道出入口中间空旷、无遮挡。

人脸抓拍机安装示意图

镜头选择

不同的相机、镜头焦距、监控的宽度也决定了其不同的监控距离和摄像机架设。其之间的换算关系如下：

• 镜头焦距选择：
• 镜头架设高度为：
• D为监控距离
• 人头部以下高度取平均值1.5米
• α为摄像机俯视角度
• 推荐俯视角度为10°，≈0.18

安装位置及镜头查询表

人脸抓拍机安装位置及镜头查询表

主要设备选型

人脸抓拍机

人脸抓拍机图片

【专业智能功能】

• 深眸人脸摄像机由白光变焦筒机与高性能GPU模块组成，内嵌深度学习算法。
• 支持人脸抓拍功能，可同时对30张人脸进行检测、跟踪及抓拍。
• 支持对性别、年龄、是否戴眼镜等特征的识别。

【Smart功能】

• Smart侦测： 3项异常侦测
• Smart录像：支持断网续传功能保证录像不丢失，配合Smart NVR/SD卡实现事件录像的智能后检索、分析和浓缩播放
• Smart编码：支持低码率、低延时、ROI感兴趣区域增强编码、SVC自适应编码技术,支持smart265编码

【图像相关】

• 支持HD1920×1080@30fps实时帧率，图像更流畅
• 支持走廊模式，增加纵向狭长环境下监控区域
• 支持区域裁剪，小带宽看清大细节
• 码流平滑设置，适应不同场景下对图像质量、流畅性的不同要求
• 支持H.265 / H.264 / MJPEG视频压缩算法，支持多级别视频质量配置、编码复杂度设置
• 支持GBK字库，支持更多汉字及生僻字叠加，支持OSD颜色自选
• 支持宽动态范围达140dB,适合逆光环境监控
• 支持透雾、电子防抖

【补光功能】

• 采用高效白光阵列灯，低功耗，照射距离最远达50米

【系统功能】

• 支持ONVIF(profile S/profile G)、CGI、PSIA、ISAPI、GB/T28181和E家协议接入
• 支持五路码流技术，双路高清，支持同时20路取流
• 可选智能温控，低功耗加热，支持低温启动(-H可选)
• 支持除雾，防止设备内部起雾
• 采用防杂光玻璃，保证画面效果，排除杂光干扰
• 支持防浪涌、防静电，IP66防护等级
• 支持宽压输入

【接口功能】

• 支持标准的128G Micro SD/SDHC/SDXC卡存储
• 支持10M/100M自适应网口
• 支持1对音频输入/输出，支持双声道立体声音频
• 支持2对报警输入/输出

人脸抓拍机参数表

视频流人脸分析服务器

视频流人脸分析服务器图片

采用高密度 GPU 架构，集成了基于深度学习的人脸智能算法。支持对视频中的人脸进行检测、跟踪、抓拍。

【技术参数】

视频流人脸分析服务器参数表

后端人脸智能云分析系统

后端人脸智能云分析系统是基于人的脸部特征信息进行身份识别的一种生物识别技术，并自动在图像中检测和提取人脸，进而对检测到的人脸进行脸部的一系列相关技术，例如人脸建模、人员跟踪、人员属性提取等。

系统组成

“脸谱”系列产品是我公司产品推出的新一代人脸产品，该产品基于高密度GPU架构硬件，运用深度学习技术，实现人脸建模、比对、检索等功能。结合行业平台可实现黑名单布控报警、人脸照片查询、身份确认、轨迹刻划等人脸大数据应用，构建人工智能、安防大数据解决方案。

纯分析脸谱，集成大数据和微视云脸谱服务器，4U机架式设备，采用模块化、可插拔设计，具有1+1冗余电源，嵌入式Linux 操作系统。

脸谱服务器组成

组成说明

人脸识别云分析单元

人脸识别云分析单元是系统核心组件，通过内嵌GPU芯片实时对人脸图片建模、人脸特征识别、黑名单人脸布控报警、1V1比对等功能。

图片云存储单元

由于人脸比对报警实时性要求非常高，需要实现秒级响应，因此对于人脸抓拍图片的存取速度有特别的要求。我公司产品图片云存储单元使用SSD硬盘，实现每秒数以百计的图片存储和提取。

大数据单元

大数据单元用于存储人脸结构化数据，包括人脸库的建模数据、实时抓拍的人脸建模数据等。

存储容量计算

人脸图片存储

本方案设计在云存储中存储的人脸图片采用JPEG格式编码，符合ISO/IEC1544∶2000要求，一般会有两类人脸图片，一类是前端人脸抓拍单元抓拍形成的人脸图片，另一类是二代身份证库、在逃人员库等业务数据库同步过来的人脸图片。200万像素前端人脸抓拍单元输出的人脸图片平均大小为300KB，业务数据库同步的人脸图片平均大小为30KB。以200万像素前端人脸抓拍单元为例，存储周期按6个月计，业务数据库同步的人脸图片存储周期为永久，则所需的存储容量计算公式如下：

总存储容量（T）=（业务数据库人脸图片数量×30KB/张+日均人脸抓拍量×300KB/张×30天/月×6个月）/1024/1024/1024

人脸结构化数据存储

脸谱设备单机支持8亿动态人像数据存储，人像数据包括人脸属性数据、人脸模型数据、索引数据三类，存储容量具体计算公式如下：

1. 考虑到数据安全机制，（人脸属性+人脸模型）数据按三备份设计存储在SATA硬盘中，单条数据大小为3KB，所需存储容量=8亿条×3KB/条×3≈6.71T。
2. 考虑到以脸搜脸应用时，模型比对对硬盘的读写、响应要求较高，为确保检索速度，人脸模型数据设计采用SSD硬盘保存一份，单条数据大小为2KB，所需存储容量=8亿条×2KB/条≈1.5T。
3. 为确保索引类结构化数据比对速度，设计采用SSD硬盘存储，考虑到数据安全机制，索引按双备份存储，单条数据大小为0.8KB，所需存储容量=8亿条×0.8KB/条×2≈1.2T。

综上分析，脸谱设备单机配置8块硬盘，其中6块SSD硬盘（单块480G容量）用于存储人脸模型数据、索引数据，2块SATA硬盘（单块容量为4T）用于存储人脸属性数据、人脸模型数据。

主要设备选型

脸谱

脸谱图片

【功能特性】

专业可靠

• 专业化：专业嵌入式硬件设计，基于深度学习的人脸分析算法；
• 智能化：支持人脸识别建模、特征提取等智能分析；
• 集群化：支持集群部署，满足负载均衡、动态扩容、故障转移。

超高性能

• 单台最大支持每秒200张人脸图片分析处理；
• 支持30万超大黑名单库；
• 单台最高支持80对图片同时进行1V1比对；
• 支持3000万张人脸图片存储，可扩展云存储、微视云；
• 支持8亿人脸数据。

智能功能

• 人脸建模：对图片中的人脸进行建模，可实现以脸搜脸功能；
• 人脸特征识别：支持性别、年龄段、是否戴眼镜等特征识别；
• 黑名单功能：支持黑名单人脸布控报警；
• 1V1比对功能：支持两张人脸图片快速精准比对。

【技术参数】

脸谱参数表

人脸信息综合应用平台

设计概述

针对海量人脸检索的特点优化设计相应的人脸建模比对算法，对前端人脸抓拍机或视频流人脸分析服务器回传的抓拍数据进行建模、存储，建立海量人脸特征数据库。平台基于强大的计算机智能人脸比对引擎，可通过与公安业务信息库的对接，结合公安人脸比对相关业务需求，实现人脸布控及动态比对预警、人员轨迹追踪查询、人员身份鉴别查询等实战应用功能，在公安机关追逃、破案、寻人等应用中发挥巨大的作用。

系统组成

人脸信息综合应用平台由管理服务器、数据接入服务器、人脸大数据应用服务器和控制终端组成，系统架构如下图所示：

人脸信息综合应用平台架构图

1. 管理服务器

管理服务器是负责所有系统资源的管理、配置、认证，提供统一的分级配置及查询分析界面；提供系统的用户管理、权限分配、统一用户认证及鉴权服务；提供日志管理、电子地图管理、跨网域访问管理等管理服务；提供客户端的登录管理、信息获取和消息转发服务；提供系统对接服务接口，便于第三方平台对集成接入。

1. 数据接入服务器

数据接收服务器作为系统的数据接收硬件，可对接人脸抓拍单元推送的实时过人数据（人脸属性、过人时间）、人脸图片等，同时满足《公安视频图像信息应用系统》标准规定的接口要求，提供数据的转发服务。

1. 人脸大数据应用服务器

部署人脸大数据应用服务软件模块，是结合公安人脸大数据实战化应用需求的核心服务器。

1. 控制终端

部署于监控席位，用于安装系统客户端软件，实现用户对系统的操作。

平台功能

人脸动态比对报警

针对在逃、涉恐、涉案等人员的重点管控需求，系统可按布控对象、布控范围、有效期、预警阈值、预警时段提供实时布控功能，一旦在布控范围内出现关注人员，系统立刻产生报警。

人脸动态比对报警功能效果图

人员实时轨迹追踪

为实现实时报警后的迅速出警，系统支持为每个抓拍点创建预案，将人员被抓拍后的可能路径范围内监控点作为关联视频添加到预案中。在单实时报警推送时，可以一键打开所有关联视频，以便人工跟踪确认嫌疑人员行动方向，并可迅速进入视频接力追踪模式，画面以一大五小的方式展现，预览主视频通道时，将其相关的其他通道在周围打开。当嫌疑人从主画面到关联画面时，可将关联画面直接拖到主画面，这时周围的通道自动切换为新的主画面的关联视频。

人员实时轨迹追踪功能效果图

人员信息分析研判

特征搜人

支持以过人时段、过人区域、人脸特征属性（包括年龄段、性别、戴眼镜、微笑）、高危人群为查询条件，对案发时间附近的可疑人员进行单一或组合条件的信息搜索，查找历史人脸图片，并可关联录像查看具体情况。

特征搜人功能效果图

照片搜人

针对海量人脸图片难以通过人工识别方式进行快速分析、检索的问题，系统满足根据人脸图片自动进行识别、解析，支持一键上传照片，快速识别建模比对，同时可结合过人时段、过人区域、相似度作为辅助条件，进而查找出人像资源库中该人员及相似人员的历史人脸信息。

照片搜人功能效果图

人员轨迹研判

针对一些公安民警重点关注的人员或涉案、涉恐人员，可利用已有的人脸图片或者系统检索出的人脸图片，搜索出一定时间段及监控范围内的相似人脸图片，选择目标人员人脸图片，结合电子地图刻画出人员时空轨迹，分析目标人员“从哪里来、到哪里去、沿途经过哪里”。

人员轨迹研判功能效果图

人员身份鉴别查询

输入一张人脸照片（前端人脸抓拍机抓拍的人脸照片或治安监控截取的清晰人脸图片），可在静态人脸特征数据库中（通过导入常住人口库、暂住人口库的照片及人员身份信息建立），根据人像特征点比对算法，检索出与其最相似的人员，按照相似度从高到低依次排列，帮忙地铁公安快速锁定不明人员的身份信息。

人员身份鉴别查询功能效果图

系统管理

系统管理功能主要实现前端人脸抓拍设备的添加，人脸名单分组管理，布控名单报警设置，人脸存储管理，人脸抓拍实时预览，人脸抓拍图片查询，人脸布控报警查询。以及对人脸库、人脸数据进行管理（支持单个图片导入、文件夹批量导入、数据库对接导入），同时可对人脸检索等功能进行参数配置。

平台运行环境

软件环境

• 服务器端操作系统：Windows Server 2008R2 SP1 64位
• 客户端操作系统：Windows XP/7各系列版本
• 数据库软件：PostgreSQL 9.2.10以上版本
• 客户端浏览器：IE6/7/8
• Web服务器和应用服务器：Apache Tomcat 6

硬件环境

• 服务器硬件配置：
• CPU：2*Xeon E5-2620V3－2.4G（6core/15M/8GT/s）
• 内存：32GB DDR4 ECC/1TB（SAS/15Krpm/3.5 英寸）
• 网卡：2*1000M NIC
• 冗余电源

系统应用风险及实施建议

系统应用风险

人脸识别系统在建设和使用过程中存在着一些风险因素，会影响到系统的良好运行以及最终应用成效、应用价值的发挥。

主要有以下几个方面：

抓拍质量过差

人脸识别准确率与抓拍图像质量密切相关，如果抓拍质量过差的话（像素不够、角度偏转较大），会导致漏抓，人脸动态比对时漏报的概率以及人员轨迹分析时数据缺失的概率也会加大。因此需要保证人脸抓拍图像的质量。

抓拍图像质量较差一般是摄像机安装不当造成，以下为典型示例。

镜头未拉近，覆盖范围太广，人脸像素过小

导入照片质量过差

1. 布控库导入照片质量过差：

全国在逃人员库大约有20多万，其中黑白、像素过小、模糊、角度偏转过大等质量过差照片近10多万，数量非常庞大，如果将这些质量过差的照片加入到布控库，人脸动态比对时将会产生大量虚报误报，导致人工确认困难，反而浪费了宝贵的警力资源。

1. 照片搜人、身份鉴别等应用导入待检索照片质量过差：

如果用于照片搜人、身份鉴别等应用的待检索照片质量太差，将直接影响检索的准确性。不宜选取人脸像素过低，角度不够正面的图片。

导入照片年限跨度太长

随着年龄的增长，人的容貌会发生变化，一般来说时间跨度越长,人的容貌变化越大，因此布控库导入照片、待检索照片、常住、暂住库照片的年限跨度不宜太长，否则人脸匹配比对准确的概率会大大降低，从而影响系统的效能发挥。

系统实施建议

为规避上述风险，保证系统最终应用成效的发挥，我们建议在系统部署实施以及使用时采取以下有效措施：

保证抓拍图像质量

要保证抓拍图像质量，前端人脸抓拍机的搭建就非常关键。建议严格按照前端科学布点要求、前端安装规范要求进行人脸抓拍机的布点和搭建

由于人员行走路线的不确定性，系统很难做到人员抓拍的完全覆盖，因此一般建议先保证人脸抓拍质量，允许少量漏抓，少量漏抓可通过增加点位来弥补。

人脸抓拍机安装完成后，应测试抓拍效果，如未达到应用要求，应根据安装规范进行相应微调。

保证导入照片质量

布控库照片、待检索照片、常住、暂住库照片等系统导入照片的质量应满足以下要求：

两眼间距不低于60像素（最低要求40像素），姿态上下左右角度偏转不超过10°，以正面数码照，二代身份证照为宜。

保证导入照片年限跨度

为保证系统的效能发挥，布控库导入照片、待检索照片、常住、暂住库照片的年限跨度一般不宜超过5年。

成功案例

某地铁2号线警用通信——视频智能化助力打造平安地铁

某地铁2号线示意图

某地铁2号线是覆盖某中心城区的一条地铁线路，全长约31.94公里，规划线路起始于天山路站，终点至十八里河站，共设车站23座，使用全套我公司产品人脸抓拍与识别深度学习系统，建设前端人脸抓拍点位265个，覆盖全线站点。

案例看点

• 及时发现黑名单人员进入地铁环境，实时报警，先发制敌；
• 分析进入地铁的人员轨迹，帮助发现可疑分子，保持主动；
• 实现根据特征图片检索，发现和定位可疑分子，帮助案件侦破。