□　文/唐文杰

公安警務(wù)領(lǐng)域視頻圖像偵查關(guān)鍵技術(shù)綜述

□文/唐文杰

引言

隨著視頻聯(lián)網(wǎng)監(jiān)控系統(tǒng)在公安警務(wù)領(lǐng)域的應(yīng)用，實(shí)時(shí)視頻監(jiān)控和歷史視頻調(diào)閱等基本功能為公安人員巡查治安、辦案取證等工作帶來(lái)了很大幫助，同時(shí)，視頻監(jiān)控系統(tǒng)的普及也為公安行業(yè)積累了海量的視頻圖像數(shù)據(jù)，如果對(duì)這些重要數(shù)據(jù)進(jìn)行智能分析和處理，快速高效的獲得精確警報(bào)或線索，能夠充分發(fā)揮視頻圖像資源的作用，使得公安日常工作和刑事偵查更加快捷高效。然而，視頻圖像數(shù)據(jù)以指數(shù)速度增長(zhǎng)，成為具有數(shù)據(jù)容量大（Volume）、數(shù)據(jù)類型繁多（Variety）、數(shù)據(jù)價(jià)值高（Value）、處理速度快（Velocity）4V特性的非結(jié)構(gòu)化大數(shù)據(jù)，導(dǎo)致以人工方式從海量視頻圖像中發(fā)現(xiàn)線索非常耗時(shí)耗力，海量視頻資源的高效能應(yīng)用正在成為公安警務(wù)領(lǐng)域案件偵破和治安管控的新要求。

視頻圖像偵查技術(shù)通過(guò)運(yùn)動(dòng)目標(biāo)檢測(cè)、目標(biāo)跟蹤、目標(biāo)分類與識(shí)別、濃縮摘要、行為分析等技術(shù)手段對(duì)視頻圖像數(shù)據(jù)進(jìn)行分析處理，得到結(jié)構(gòu)化的簡(jiǎn)短視頻和語(yǔ)義描述，轉(zhuǎn)化為公安實(shí)戰(zhàn)的重要情報(bào)。通過(guò)對(duì)實(shí)時(shí)視頻進(jìn)行智能行為分析，并與提前設(shè)定好的規(guī)則進(jìn)行比對(duì)，比如入侵、絆線、人群聚集等等，及時(shí)獲得異常事件的報(bào)警信息，使得視頻監(jiān)控工作變得高效、準(zhǔn)確及全面；通過(guò)對(duì)涉案視頻進(jìn)行濃縮摘要，自動(dòng)去除視頻中的靜止畫(huà)面，留下有價(jià)值的活動(dòng)目標(biāo)視頻，可以大大縮短辦案人員調(diào)閱歷史視頻的時(shí)間，比如一個(gè)120分鐘的視頻，在濃縮處理后，可能只需要1分鐘就可以快速瀏覽到視頻中所有的活動(dòng)目標(biāo)，大大提高了辦案效率，并解決了視頻的海量存儲(chǔ)問(wèn)題，節(jié)約了存儲(chǔ)成本；通過(guò)對(duì)視頻圖像數(shù)據(jù)進(jìn)行結(jié)構(gòu)化，對(duì)檢測(cè)到的活動(dòng)目標(biāo)進(jìn)行分類，檢測(cè)出涉案的行人、車輛及物品，與重點(diǎn)人員庫(kù)、車輛庫(kù)、物品庫(kù)等進(jìn)行專業(yè)的識(shí)別比對(duì)，幫助辦案人員迅速發(fā)現(xiàn)重要線索，追捕嫌疑人?？傊曨l圖像偵查技術(shù)已成為智能視頻監(jiān)控技術(shù)創(chuàng)新發(fā)展的一個(gè)重要方向，也是公安警務(wù)領(lǐng)域智能信息化的必由之路。

公安警務(wù)中視頻圖像偵查技術(shù)架構(gòu)

視頻圖像偵查技術(shù)源自于計(jì)算機(jī)視覺(jué)技術(shù)和人工智能技術(shù)，目標(biāo)是對(duì)視頻圖像數(shù)據(jù)進(jìn)行多維度的特征提取，進(jìn)而讓計(jì)算機(jī)讀懂視頻圖像的含義，定位跟蹤感興趣的運(yùn)動(dòng)目標(biāo)，實(shí)時(shí)分析目標(biāo)行為，并根據(jù)預(yù)定的規(guī)則進(jìn)行處理，實(shí)現(xiàn)異常事件的前期預(yù)防和快速反應(yīng)；也可以對(duì)目標(biāo)進(jìn)行分類識(shí)別，將視頻圖像按照人、車、物等線索進(jìn)行關(guān)聯(lián)，實(shí)現(xiàn)案事件的后期偵破和高效處理。

視頻圖像偵查技術(shù)在公安警務(wù)場(chǎng)景中的基本應(yīng)用有視頻濃縮摘要和檢索和行為分析預(yù)警，視頻濃縮摘要和檢索包括行人檢測(cè)、車輛檢測(cè)、人臉識(shí)別、車牌識(shí)別、特征檢索等，行為分析預(yù)警包括入侵檢測(cè)、絆線檢測(cè)、人群聚集檢測(cè)、物品丟失檢測(cè)、遺留物檢測(cè)等。公安警務(wù)領(lǐng)域的視頻圖像偵查技術(shù)架構(gòu)如圖1所示，分為三個(gè)階段：

首先，采用圖像增強(qiáng)、背景建模等技術(shù)將實(shí)時(shí)視頻流或歷史視頻中的目標(biāo)與背景分離，并對(duì)目標(biāo)進(jìn)行跟蹤。

然后，對(duì)成功跟蹤的目標(biāo)進(jìn)行分類，便于進(jìn)行識(shí)別。目標(biāo)分類將視頻檢測(cè)的運(yùn)動(dòng)目標(biāo)分類為事先定義好的類別，實(shí)質(zhì)上是提取目標(biāo)的結(jié)構(gòu)和語(yǔ)義特征，與類別特征進(jìn)行映射，類別為從語(yǔ)義意義上選取的典型物體，目前在公安警務(wù)領(lǐng)域典型物體一般分為行人、車輛、人騎車三類，然后對(duì)這三類物體形態(tài)進(jìn)行識(shí)別。

最后，在目標(biāo)檢測(cè)跟蹤、分類識(shí)別的基礎(chǔ)上，對(duì)目標(biāo)進(jìn)行進(jìn)一步的應(yīng)用，可以進(jìn)行壓縮拼接，形成摘要視頻，便于后續(xù)檢索，或者對(duì)目標(biāo)的行為進(jìn)行判定，如果有符合預(yù)先設(shè)定規(guī)則的行為，則觸發(fā)報(bào)警或進(jìn)一步處理。

▲圖1　公安警務(wù)中圖像視頻偵查技術(shù)架構(gòu)

公安警務(wù)中圖像視頻偵查關(guān)鍵技術(shù)

本文研究公安警務(wù)領(lǐng)域涉及到的視頻偵查關(guān)鍵技術(shù)，包括運(yùn)動(dòng)目標(biāo)檢測(cè)、目標(biāo)跟蹤、目標(biāo)分類和識(shí)別、濃縮摘要和行為分析。

運(yùn)動(dòng)目標(biāo)檢測(cè)

公安警務(wù)領(lǐng)域的運(yùn)動(dòng)目標(biāo)檢測(cè)通過(guò)預(yù)處理、背景建模、目標(biāo)分割等流程從視頻或圖像中提取出感興趣的目標(biāo)，比如人、車、物等，并確定當(dāng)前目標(biāo)所在畫(huà)面的位置、大小，為后續(xù)的行人識(shí)別、車輛識(shí)別等做準(zhǔn)備。運(yùn)動(dòng)目標(biāo)檢測(cè)是后續(xù)跟蹤識(shí)別等算法的基礎(chǔ)，其準(zhǔn)確率和性能直接影響了后續(xù)算法的效果，根據(jù)處理的對(duì)象不同，運(yùn)動(dòng)目標(biāo)檢測(cè)算法分為基于背景建模的檢測(cè)算法和基于目標(biāo)建模的檢測(cè)算法。

（1）基于背景建模的運(yùn)動(dòng)目標(biāo)檢測(cè)

基于背景建模的運(yùn)動(dòng)目標(biāo)檢測(cè)具有簡(jiǎn)單、速度快、受遮擋影響小等優(yōu)勢(shì)，但是背景建模要求背景固定、目標(biāo)運(yùn)動(dòng)，因此在要求實(shí)時(shí)性強(qiáng)、攝像機(jī)固定的場(chǎng)景中應(yīng)用廣泛。

基于背景建模的運(yùn)動(dòng)目標(biāo)檢測(cè)首先進(jìn)行背景建模，然后通過(guò)當(dāng)前畫(huà)面與背景圖像的相減即可得到運(yùn)動(dòng)目標(biāo)。但是模型建立后，可能對(duì)場(chǎng)景的變化比如陽(yáng)光、云影、樹(shù)葉、波浪等比較敏感，而良好的背景模型能消除或減少背景動(dòng)態(tài)變化對(duì)于運(yùn)動(dòng)目標(biāo)檢測(cè)帶來(lái)的影響。目前有很多研究致力于背景建模與維護(hù)，如卡爾曼濾波建模、均值濾波、中值濾波、最大值最小值濾波、線性濾波、非參數(shù)化模型、近似中值濾波、基于高斯假設(shè)的迭代方法、基于聚類的方法、基于隱馬爾科夫的方法、基于自回歸模型的方法、基于在線學(xué)習(xí)的方法以及基于時(shí)空背景隨機(jī)更新的VIBE方法．其中，混合多高斯背景建模方法是目前普遍應(yīng)用的一種前景提取方法．

（2）基于目標(biāo)建模的運(yùn)動(dòng)目標(biāo)檢測(cè)

相比于基于背景建模的方法，基于目標(biāo)建模的運(yùn)動(dòng)目標(biāo)檢測(cè)能良好的適應(yīng)背景的運(yùn)動(dòng)，對(duì)目標(biāo)的運(yùn)動(dòng)狀態(tài)也沒(méi)有要求，但是由于要對(duì)大量訓(xùn)練目標(biāo)進(jìn)行統(tǒng)計(jì)學(xué)習(xí)，所以速度相對(duì)較慢，一般適用于對(duì)實(shí)時(shí)性要求不強(qiáng)的應(yīng)用場(chǎng)景。基于目標(biāo)建模的運(yùn)動(dòng)目標(biāo)檢測(cè)一般采用滑動(dòng)窗口的策略，掃描每個(gè)滑動(dòng)窗口的圖像，根據(jù)模型判定圖像是目標(biāo)還是背景，目標(biāo)檢測(cè)的效果取決于模型的魯棒性。根據(jù)建模的方法不同，基于滑動(dòng)窗口的目標(biāo)檢測(cè)主要分為剛性全局模板檢測(cè)模型、基于視覺(jué)詞典的檢測(cè)模型、基于部件的檢測(cè)模型和深度學(xué)習(xí)模型，其他模型中有語(yǔ)法模型以及生物啟發(fā)特征模型等。其中剛性全局模板檢測(cè)模型中的梯度方向直方圖特征，成為近年以來(lái)最有影響力和最為成功的特征之一，而基于深度學(xué)習(xí)的目標(biāo)檢測(cè)模型正在成為研究的熱點(diǎn)。

目標(biāo)跟蹤

公安警務(wù)領(lǐng)域的目標(biāo)跟蹤主要是跟蹤感興趣的行人、車輛、物品等目標(biāo)，獲得目標(biāo)的前景動(dòng)態(tài)信息，如時(shí)間、位置、運(yùn)動(dòng)軌跡、方向等等，本質(zhì)上是在連續(xù)視頻之間建立基于位置、速度、形狀等特征的對(duì)應(yīng)匹配，目的是在連續(xù)視頻圖像的幀之間建立目標(biāo)的對(duì)應(yīng)關(guān)系，便于后續(xù)對(duì)目標(biāo)進(jìn)行辨認(rèn)。目標(biāo)跟蹤是視頻圖像偵查中最關(guān)鍵的過(guò)程，是后續(xù)分類、識(shí)別、壓縮及分析的重要前提。公安警務(wù)領(lǐng)域目標(biāo)跟蹤多為單場(chǎng)景單目標(biāo)或單場(chǎng)景多目標(biāo)跟蹤，單場(chǎng)景單目標(biāo)跟蹤是指對(duì)同一個(gè)攝像機(jī)拍攝的單一視頻場(chǎng)景中指定的某一個(gè)目標(biāo)進(jìn)行連續(xù)跟蹤，單場(chǎng)景多目標(biāo)跟蹤相對(duì)復(fù)雜，是指對(duì)同一個(gè)攝像機(jī)拍攝的單一視頻場(chǎng)景中多個(gè)目標(biāo)進(jìn)行跟蹤。

單目標(biāo)跟蹤主要有基于點(diǎn)的跟蹤、基于核或面的跟蹤、基于主動(dòng)輪廓的跟蹤以及基于模型的跟蹤，其中比較常用的方法是預(yù)測(cè)運(yùn)動(dòng)體下一幀可能出現(xiàn)的位置，在其相關(guān)區(qū)域內(nèi)尋找最優(yōu)點(diǎn)。諸多研究成果集中在均值漂移算法，卡爾曼濾波，粒子濾波，粒子濾波改進(jìn)算法。另外也有研究提出基于檢測(cè)的跟蹤，代表性方法有基于在線特征提升的跟蹤算法，基于多示例學(xué)習(xí)的跟蹤方法，利用在線的空時(shí)上下文結(jié)構(gòu)信息來(lái)輔助跟蹤等。

多目標(biāo)跟蹤問(wèn)題更加復(fù)雜，有研究將其描述為一個(gè)候選區(qū)域和已有目標(biāo)軌跡之間的數(shù)據(jù)關(guān)聯(lián)問(wèn)題，代表性方法如多假設(shè)跟蹤器和聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)濾波，也有一些研究將跟蹤問(wèn)題看成是貝葉斯?fàn)顟B(tài)空間推斷問(wèn)題，如貝葉斯多目標(biāo)跟蹤器。目前的多目標(biāo)跟蹤算法普遍計(jì)算效率不高，如何考慮目標(biāo)間的交互，并且提高多目標(biāo)跟蹤的效率是一個(gè)值得研究的問(wèn)題。

目標(biāo)分類與識(shí)別

公安警務(wù)領(lǐng)域的目標(biāo)分類與識(shí)別目的是對(duì)跟蹤到的目標(biāo)進(jìn)行辨識(shí)，比如識(shí)別到車輛的顏色、車牌號(hào)、車型車款、車飾物等特征，便于車輛布控、車輛違規(guī)檢測(cè)等工作的進(jìn)一步執(zhí)行。目標(biāo)分類與識(shí)別技術(shù)首先利用大量的目標(biāo)樣本對(duì)系統(tǒng)進(jìn)行模型訓(xùn)練，學(xué)習(xí)出不同目標(biāo)的特征，然后在這些模型上驗(yàn)證新的樣本是否匹配。

一般將視頻圖像中的目標(biāo)特征分為底層特征和高層語(yǔ)義特征，底層特征包括全局特征、局部特征、結(jié)構(gòu)特征等，其中全局特征又細(xì)分為顏色特征、形狀特征、紋理特征等，局部特征包括SIFT特征、SURF特征等；高層語(yǔ)義特征是指以底層特征為基礎(chǔ)，在語(yǔ)義模型上識(shí)別出的更高層次的特征，比如行為特征即為語(yǔ)義特征。本節(jié)重點(diǎn)闡述面向目標(biāo)底層特征的分類與識(shí)別，在公安警務(wù)領(lǐng)域，目標(biāo)底層特征包括行人衣著顏色、頭發(fā)顏色、車輛顏色、車牌號(hào)等等。

目標(biāo)分類與識(shí)別是視頻圖像偵查技術(shù)應(yīng)用的重要環(huán)節(jié)，也是最具有挑戰(zhàn)性的環(huán)節(jié)。好的目標(biāo)分類與識(shí)別算法對(duì)模型的要求非常高，目前研究和應(yīng)用較多的是相似度模型和深度學(xué)習(xí)模型。

（1）相似度模型

相似度模型首先將目標(biāo)對(duì)象進(jìn)行特征表示，即特征編碼，然后根據(jù)一定的相似度計(jì)算方法計(jì)算特征集合之間的相似關(guān)系。其中，特征編碼密集提取的底層特征中包含了大量的冗余與噪聲，為提高特征表達(dá)的魯棒性，需要使用一種特征變換算法對(duì)底層特征進(jìn)行編碼，從而獲得更具區(qū)分性、更加魯棒的特征表達(dá)，這一步對(duì)目標(biāo)識(shí)別的性能具有至關(guān)重要的作用。因而，大量的研究工作都集中在尋找更加強(qiáng)大的特征編碼方法上，重要的特征編碼算法包括向量量化編碼、核詞典編碼、稀疏編碼、局部線性約束編碼、顯著性編碼、Fisher向量編碼、超向量編碼等；相似度度計(jì)算主要包括向量空間模型、基于哈希的相似度計(jì)算以及基于主題的相似度計(jì)算。

（2）深度學(xué)習(xí)模型

經(jīng)研究，人腦之所以能迅速看懂輸入的視頻圖像，是視網(wǎng)膜上的圖像映射經(jīng)過(guò)層層神經(jīng)元的提取和計(jì)算，每個(gè)層次都降低前一個(gè)層次處理的數(shù)據(jù)量，并且保留物體有用的結(jié)構(gòu)信息。為了讓計(jì)算機(jī)也具有類似人類感知系統(tǒng)能夠更深入理解視頻圖像的能力，需要構(gòu)建多層非線性處理組成的模型，即深度結(jié)構(gòu)。從最早提出的含多個(gè)隱藏層的多層神經(jīng)網(wǎng)絡(luò)以及向后傳播訓(xùn)練算法，對(duì)深度學(xué)習(xí)模型的研究從未間斷，應(yīng)用較好的有卷積神經(jīng)網(wǎng)絡(luò)，Sigmoid信度網(wǎng)，深度信度網(wǎng)，以及深度信度網(wǎng)的變種，比如深度玻爾茲曼機(jī)、深度自動(dòng)編碼機(jī)以及深度神經(jīng)網(wǎng)絡(luò)等等。其中，深度卷積神經(jīng)網(wǎng)絡(luò)在圖像識(shí)別應(yīng)用上取得了較好的效果，盡管用監(jiān)督學(xué)習(xí)的方式直接訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)非常困難，但是卷積神經(jīng)網(wǎng)絡(luò)卻成為了一個(gè)例外，相比傳統(tǒng)的多層神經(jīng)網(wǎng)絡(luò)和相應(yīng)的向后傳播學(xué)習(xí)算法，卷積神經(jīng)網(wǎng)絡(luò)可以更容易的從非線性空間找到最優(yōu)點(diǎn)。深度學(xué)習(xí)模型是目前目標(biāo)分類與識(shí)別中最準(zhǔn)確的方法。

濃縮摘要

公安人員在辦案過(guò)程中往往需要觀看與案發(fā)時(shí)間、地點(diǎn)等相關(guān)的所有視頻，傳統(tǒng)方式下，24小時(shí)的視頻要花費(fèi)同樣24小時(shí)才能查閱完畢，而且可能發(fā)生遺漏，視頻濃縮摘要大大改善了這種工作模式，提高了視頻查證的效率和全面性。視頻濃縮摘要是指從原始視頻中提取有用的前景目標(biāo)的活動(dòng)信息，然后和背景視頻合成剪輯而成較短的視頻片斷，其中包含了原始視頻中所有重要的活動(dòng)目標(biāo)和快照，視頻濃縮摘要通常分為基于靜態(tài)關(guān)鍵幀的方法和動(dòng)態(tài)的視頻縮略方法。

（1）基于靜態(tài)關(guān)鍵幀的方法

關(guān)鍵幀是能夠反映視頻主要信息的圖像幀，關(guān)鍵幀序列可組成故事板，它以簡(jiǎn)潔的形式反映了視頻的主要內(nèi)容。目前視頻關(guān)鍵幀的提取方法主要有基于顏色直方圖的方法，基于顏色熵的方法，基于運(yùn)動(dòng)活動(dòng)性的方法，基于宏塊統(tǒng)計(jì)特性的方法等等。由于視頻圖像序列的相似性很強(qiáng)，存在很多冗余，因此現(xiàn)有的關(guān)鍵幀算法大多是基于鏡頭來(lái)進(jìn)行的。

（2）動(dòng)態(tài)視頻縮略方法

動(dòng)態(tài)的視頻縮略可以看作是原始視頻的一種特殊編輯,它保留了視頻的主要內(nèi)容和時(shí)間推進(jìn)線索。目前研究者提出了很多視頻縮略算法，有基于聚類的方法，比如基于鏡頭序列或圖像色彩的相似性分析，光流法，擬合法等等；還有基于模型的方法，比如EDU模型，CPR模型，時(shí)空運(yùn)動(dòng)模型，馬爾科夫模型等等；基于語(yǔ)義的方法是根據(jù)高層語(yǔ)義概念特征對(duì)視頻進(jìn)行切分和提取。

行為識(shí)別

行為分析技術(shù)可以實(shí)時(shí)發(fā)現(xiàn)視頻流中的異常行為，比如闖入電子圍欄、打架斗毆、闖紅燈等等，并及時(shí)處置，極大的改善了公安監(jiān)控人員的日常監(jiān)控工作，將公安監(jiān)控人員從“死盯屏幕”的工作狀態(tài)中解脫出來(lái)。行為分析技術(shù)分為模板匹配法和狀態(tài)空間法。

（1）模板匹配法

模板匹配法將從輸入視頻圖像序列提取的特征與在訓(xùn)練階段預(yù)先保存好的模板進(jìn)行相似度對(duì)比，行為分析的結(jié)果即為與測(cè)試序列距離最小的已知模板的類別。常用描述行為的模板有運(yùn)動(dòng)能量圖像，運(yùn)動(dòng)歷史圖像等，后續(xù)的相似度匹配常采用最近鄰方法、馬氏距離計(jì)算法等等，另外，也有研究提出基于動(dòng)態(tài)時(shí)間規(guī)整的模板匹配法。模板匹配法計(jì)算復(fù)雜度低、實(shí)現(xiàn)簡(jiǎn)單，但對(duì)噪聲和運(yùn)動(dòng)時(shí)間間隔的變化比較敏感。

（2）狀態(tài)空間法

狀態(tài)空間法，又叫概率轉(zhuǎn)移法，該方法將行為的每一個(gè)姿態(tài)或運(yùn)動(dòng)狀態(tài)作為狀態(tài)圖的一個(gè)節(jié)點(diǎn)，通過(guò)某種概率將對(duì)應(yīng)于各個(gè)姿勢(shì)或狀態(tài)節(jié)點(diǎn)之間的依存關(guān)系聯(lián)系起來(lái)，這樣任何人體行為運(yùn)動(dòng)序列可以看作在圖中若干節(jié)點(diǎn)或狀態(tài)之間的一次遍歷過(guò)程。應(yīng)用較為廣泛的狀態(tài)空間模型為隱馬爾可夫模型和動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)，多為這兩類模型的改進(jìn)版，比如耦合隱馬爾可夫模型，可變長(zhǎng)馬爾可夫模型；抽象隱馬爾可夫模型；基于典型樣本的隱馬爾可夫模型；此外，熵隱馬爾可夫模型、分層隱馬爾可夫模型、最大熵馬爾可夫模型等也被用于復(fù)雜行為識(shí)別。貝葉斯網(wǎng)絡(luò)模型有基元?jiǎng)討B(tài)貝葉斯網(wǎng)絡(luò)，分級(jí)貝葉斯網(wǎng)絡(luò)，含有多層狀態(tài)的分層且?guī)яv留時(shí)間狀態(tài)的動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)，此外還用神經(jīng)網(wǎng)絡(luò)、條件隨機(jī)場(chǎng)、有限狀態(tài)機(jī)、置信網(wǎng)絡(luò)等方法來(lái)識(shí)別人體行為。

總結(jié)與展望

隨著視頻圖像分析在公安警務(wù)領(lǐng)域的普遍應(yīng)用，視頻圖像偵查已成為繼刑偵、技偵、網(wǎng)偵之后的第四大偵查技術(shù)，所以提高視頻圖像偵查技術(shù)的準(zhǔn)確度和速度已成為公安部門(mén)的迫切需求。本文總結(jié)描述了公安警務(wù)領(lǐng)域視頻圖像偵查關(guān)鍵技術(shù)的架構(gòu)以及具體技術(shù)的相關(guān)算法，如運(yùn)動(dòng)目標(biāo)檢測(cè)、目標(biāo)跟蹤、目標(biāo)分類和識(shí)別、濃縮摘要和行為分析。值得一提的是，深度學(xué)習(xí)模型在視頻圖像偵查中的應(yīng)用非常值得期待，如何在大數(shù)據(jù)等高新技術(shù)的幫助下，使得深度復(fù)雜模型在保證準(zhǔn)確率的前提下，提高計(jì)算效率成為新的研究方向。

作者單位：中國(guó)電子進(jìn)出口總公司