智慧城市视频结构化技术应用

2021-01-16王倩乐山职业技术学院王大卫四川民族学院

环球市场 2021年18期

王倩乐山职业技术学院王大卫四川民族学院

一、引言

随着国家工业化程度的提升，城市建设、运营在国家发展过程中发挥越来越重要的作用[1]。人民对美好生活的需求对城市建设、治理智能化水平提出了更高的要求。2021年3月，国家十四五规划对智慧城市建设提出了明确要求，也是未来一段时间智慧城市建设的重要指导方向。智慧城市基于物联网、云计算等新一代信息技术等工具和方法的应用，营造了有利于创新涌现的生态。更为重要的是，智慧城市利用信息和通信技术让城市生活更加智能，通过高效利用资源，节约成本、能源，提升生活质量，减少对环境的负面影响，推动了低碳经济的发展，助力国家“碳达峰、碳中和”行动。近年来，智慧城市建设引起了越来越多城市管理者的重视，很多城市也开展了建设实践。

智慧安防、智慧治理是智慧城市的重要应用场景，支撑智慧城市高效运行，有助于提升城市安全和社会治理水平。视频监控是实现智慧安防和智慧治理的重要手段之一。随着城市规模的增加，智慧城市建设、运营过程中产生的视频容量越来越大，已经突破PB级。如何更高效的存储，并利用海量视频数据实现高效、快速搜索、识别，提升城市治理反应能力，是智慧城市建设后期必须面对的问题。作为视频处理技术之一，视频结构化技术既能提取海量视频数据中的重要、关键信息，降低存储空间，还有助于提升视频应用实时性。为了研究探讨视频结构化技术的应用，本文从视频结构化关键技术和应用场景出发，分析视频结构化技术在智慧城市中的应用前景。

二、视频结构化关键技术

视频结构化关键技术主要包括特征建模、图像分割、目标识别等。

特征建模是对视频图像中的浅层、深层、场景属性特征进行建模，为后续图像分割、目标识别奠定基础。浅层特征主要是指视频图像中的颜色、纹理信息，利用颜色分量或者几何算子可以提取、建模。深层特征是指视频图像中各种人、车辆、建筑、动物等目标属性、目标运动轨迹，此类特征可基于深度学习方法进行提取建模。场景属性是指视频图像中现场场景属性，例如现场是屋内、屋外，还是河边、冰场，人员情绪，属于愤怒、还是高兴等。

在特征建模的基础上，将不同特征的区域进行分割，有助于后续目标识别。图像分割是将具有相同特征额区域作为一个子区域，与具有不同特征的区域区分开来，不同区域对应不同的目标及属性。

目标识别是在图像分割的基础上，识别每个分割区域内的目标属性。例如利用人脸特征识别分割区域内的人脸目标。基于车辆的几何特征信息识别分割区域内的车辆，标定为车辆。在车辆识别基础上，还可以利用颜色、车辆几何特征等信息，利用深度学习方法识别车辆颜色、车型、车的长宽高、车牌号等更多信息。基于深度学习，还可以识别车辆所处环境属性，例如车辆属于前行还是倒车，识别人的情绪。

随着神经网络和计算机计算能力的提升，深度学习技术是实现特征建模、图像分割、目标识别的关键技术。常用的深度学习方法有卷积神经网络、循环神经网络、对抗神经网络。目前神经网络的层数越来越多，对计算能力的要求也越来越高，效果也是越来越好。神经网络分为输入层、隐藏层和输出层。输入的特征向量通过隐含层变换达到输出层，在输出层得到学习的结果。在深度学习训练阶段，参数调节是最难的，涉及神经网络的层数、权重调节等。目前，人工智能各大厂商也针对性的开发了一些自动调参的辅助工具，减少调参的工作量。但是，从实用化效果看，还存在一定差距。参数调节主要还是基于经验，从中找到合适的参数。

三、视频结构化应用场景

视频结构化的应用场景非常广泛，在智慧城市领域主要由视频存储、以图搜图、轨迹跟踪等。

视频结构化处理以后，非关键信息就无须存储，只存储核心关键目标信息即可，大大降低视频存储所需要的空间。当智慧城市中摄像头太多，视频数据达到海量时，结构化处理以后的数据节省的存储容量非常可观，有助于减少存储设备的开支，也可以增加视频数据的存储时间。

以图搜图在城市治理中发挥了很大作用，特别是案件侦破过程。利用嫌疑人照片，可以在海量监控视频中查清嫌疑人的身份信息、活动区域。车辆丢失案件，交警可以将丢失车辆的照片作为输入，从城市海量监控视频以较快的速度查找到的丢失车辆行驶路线等，以最快速度锁定嫌疑人。在以上应用场景中，视频结构化相当远提前对视频数据进行了预处理，对视频中的目标进行了初步识别。在实际应用中，可以提升应用的时效性，提升应用效果。