劉潔 唐娟娟

摘要：隨著視頻采集、處理、傳榆技術的發(fā)展，視頻數(shù)據(jù)成為重要的數(shù)據(jù)源，利用智能化視頻分析技術，準確獲取視頻內(nèi)容中突發(fā)事件的發(fā)生以及對突發(fā)事件進行行為分析，并實時上報到監(jiān)控中心，這樣可以縮短從突發(fā)事件發(fā)生到事件處理的時間，提高突發(fā)事件的應急能力。本文主要針對這一迫切的行業(yè)需求，闡述了現(xiàn)有輿情及視頻智能分析數(shù)據(jù)技術，并提出以視頻為數(shù)據(jù)源的面向突發(fā)事件的輿情信息智能采集架構的探索。

關鍵詞：突發(fā)事件;網(wǎng)絡輿情;視頻數(shù)據(jù);智能采集架構

中圖分類號：TP393 文獻標識碼：A

文章編號：1009-3044（2019）33-0005-03

1概述

根據(jù)突發(fā)事件網(wǎng)絡輿情的定義，突發(fā)事件網(wǎng)絡輿情涉及范圍是多種社會群體構成的公眾為受體，通常以互聯(lián)網(wǎng)為平臺，借助電子設備等相關輔助溝通工具，圍繞即將發(fā)生的或已發(fā)生的自然災害、事故災難、公共衛(wèi)生事件和社會安全事件等突發(fā)事件發(fā)布的含有多種情緒、態(tài)度和意見交錯的總和信息。突發(fā)事件網(wǎng)絡輿情是網(wǎng)絡輿情的一種特殊情況，因此，其具有一般網(wǎng)絡輿情所具有的內(nèi)容龐雜性、現(xiàn)實互動性、聚合擴散性和傳播跨界性等特點，此外，由于其突然性質并受到突發(fā)事件的影響，還具有其特殊的一面，主要包括突發(fā)性、復雜性強、難以預測性、聚焦效應明顯、公共議題轉換高等特征。為此，必須建立應對突發(fā)事件網(wǎng)絡輿情的及時有效治理體制，及時有效地建立行政監(jiān)管應急方案、實現(xiàn)媒體行業(yè)輿情引導自律、利用高科技技術提供輿情傳播的有力保障等多方面相結合的突發(fā)事件網(wǎng)絡輿情管理體制。

隨著視頻采集、處理、傳輸技術的發(fā)展，視頻數(shù)據(jù)成了人們生活中占重要分量的數(shù)據(jù)源，比如，公共安全的視頻監(jiān)控系統(tǒng)、微視頻等，而以往輿情信息的采集多是從微博、網(wǎng)絡博客、貼吧、論壇中獲取受眾對輿情事件的反饋信息，但是隨著視頻數(shù)據(jù)量在整體數(shù)據(jù)結構中的增加，在一些突發(fā)事件發(fā)生地，第一時間獲取事件發(fā)生的方式已經(jīng)從以微博和貼吧為主，轉變成以視頻數(shù)據(jù)獲取為主。因此以視頻數(shù)據(jù)為依托，利用智能化視頻分析技術，準確獲取視頻信息，并實時上報到監(jiān)控中心，這樣可以縮短從突發(fā)事件發(fā)生到事件處理的時間，提高突發(fā)事件的應急能力。本文主要針對這一需求，闡述了現(xiàn)有輿情及視頻智能分析數(shù)據(jù)技術，并提出以視頻為數(shù)據(jù)源的面向突發(fā)事件的輿情信息智能采集架構的探索。本文擬提出針對視頻數(shù)據(jù)分析的行為檢測信息采集系統(tǒng)，利用該系統(tǒng)可以第一時間獲取事件發(fā)生的多維信息，根據(jù)行為庫的定義，判斷當天發(fā)生的突發(fā)事件是何種類型，影響程度，然后實時反饋到輿情管理中心，為輿情的良性發(fā)展提出了寶貴的技術支撐。

2突發(fā)事件網(wǎng)絡輿情相關研究工作

網(wǎng)絡輿情突發(fā)事件的預警機制是網(wǎng)絡輿情危機管理的重要組成部分之一。有學者提出一種基于觀點樹的網(wǎng)絡輿情危機預警方法，實現(xiàn)對網(wǎng)絡輿情中網(wǎng)民觀點極性、強度以及屬性的挖掘。通過構建觀點樹，并根據(jù)用戶自定義預警閾值或預警指標，對網(wǎng)絡輿情危機事件進行預警。為了明確劃分網(wǎng)絡輿情預警等級，李弼程等人利用威脅估計技術對網(wǎng)絡輿情的威脅程度進行定量估計，做出網(wǎng)絡輿情的預警等級預報。其中，網(wǎng)絡輿情的預警等級被劃分為輕警情、中度警情、重警情和特重警情四個等級。此外，還有一些研究運用事件演變動力學建模、語義隸屬度模糊推理、直覺模糊推理等開展預警評估。

有研究者基于多案例的突發(fā)事件分析了網(wǎng)絡輿情演化模式。葉瓊元等人采用系統(tǒng)動力學建模方法，分別從內(nèi)部因素、外部因素兩大影響網(wǎng)絡民意演化的主要方面進行分析，以突發(fā)事件民意熱度為指標，探討突發(fā)事件民意演化影響因素及其邏輯關系，并檢驗其中的關鍵性因素，同時考慮網(wǎng)民和政府間的博弈與關聯(lián)性。趙蓉英等人采用社會網(wǎng)絡分析方法，結合具有典型代表意義的突發(fā)事件案例，試圖挖掘與識別網(wǎng)絡輿情的關鍵節(jié)點，并解釋其內(nèi)在的結構特征與演變規(guī)律。

已有的研究在突發(fā)事件的網(wǎng)絡輿情監(jiān)測與預警方面已取得了相當?shù)某晒?，但針對突發(fā)事件中的視頻輿情的研究并不多見。在當今多源媒體時代，視頻信息中負載了大量的輿情符碼不容忽視。因此，本研究擬構建基于視頻邊緣計算的輿情突發(fā)行為采集系統(tǒng)架構。

3智能化視頻處理在輿情分析中的應用

視頻數(shù)據(jù)是當前大數(shù)據(jù)時代數(shù)據(jù)領域的主要類型，視頻數(shù)據(jù)中包含了多種視頻數(shù)據(jù)信息，如何從視頻數(shù)據(jù)信息中獲取有關輿情信息是我們系統(tǒng)提到的關鍵所在。尤其是當前多元數(shù)據(jù)媒體，如自媒體、微信等盛行的時代，當視頻數(shù)據(jù)終端獲取到突然事件視頻時，期望能在第一時間將這些實時視頻數(shù)據(jù)進行分析，指導突發(fā)事件輿情的良性發(fā)展。

本文主要針對包含人的行為類突發(fā)事件的視頻數(shù)據(jù)，構建了基于視頻邊緣計算的輿情突發(fā)行為采集系統(tǒng)架構，進行視頻數(shù)據(jù)內(nèi)容的人的行為特征的提取，然后根據(jù)行為數(shù)據(jù)庫，進行人體行為數(shù)據(jù)分析，然后將行為分析的結果發(fā)送到已經(jīng)設定好的行為數(shù)據(jù)庫，根據(jù)行為數(shù)據(jù)庫內(nèi)行為類型比對操作，然后將數(shù)據(jù)實時傳輸?shù)捷浨楣芾硐到y(tǒng)，輿情管理系統(tǒng)可以根據(jù)真實的行為結果，對數(shù)據(jù)進行分析，在輿情傳播中起到合適的引導作用。在基于視頻數(shù)據(jù)的行為分析中，利用視頻終端采集設備（如，公路兩側監(jiān)控攝像頭和用戶手機端攝像頭），獲取視頻數(shù)據(jù)，對視頻內(nèi)容進行分析，這對突然事件的跟蹤至關重要。如何能從視頻數(shù)據(jù)中及時分析，實時獲取行為圖像或數(shù)據(jù)，并傳輸?shù)礁浇姆掌?，服務器對視頻行為內(nèi)容進行分析，然后得到分析結果。這些是本項目的關鍵，也是進一步突發(fā)事件（以行為特征）的輿情判別的基礎。我們分別從以下幾個方面來介紹本文所提出的系統(tǒng)。

3.1系統(tǒng)架構

1）系統(tǒng)總體架構

本系統(tǒng)主要包括三大體系模塊：面向視頻處理的邊緣計算模塊、云計算模塊、輿情管理服務模塊。圖1描述了系統(tǒng)的總體架構。面向視頻處理的邊緣計算模塊在本項目中即是智能終端設備本身，例如智能手機、智能攝像頭等，它承擔著人的行為檢測。云計算模塊主要是部署再云數(shù)據(jù)中心，完成計算需求最大的數(shù)據(jù)處理，負責部分人類行為檢測計算任務和其他系統(tǒng)的計算任務。輿情管理服務模塊是為方便輿情管理中心獲取視頻數(shù)據(jù)和及時響應突發(fā)事件輿情而設計的。

2）視頻邊緣計算模塊

本項目采用云邊協(xié)同架構，會在智能終端如智能攝像頭處對視頻流進行預處理，獲取初步信息后，返回狀態(tài)值至云中心系統(tǒng)運維中心，之后系統(tǒng)運維中心將云中心視頻處理任務管理節(jié)點訓練的神經(jīng)網(wǎng)絡模型，下放至邊緣單元處進行計算，邊緣計算單元返回計算結果。根據(jù)每個邊緣計算單元計算資源的不同，云中心系統(tǒng)運維中心會提供不同的神經(jīng)網(wǎng)絡模型。這既節(jié)省了視頻流的傳輸時間消耗問題，又可以靈活運用邊緣計算單元的計算資源。

3）云計算模塊

云計算模塊主要具備兩個功能：云中心視頻處理任務管理和云中心系統(tǒng)運維管理。

①云中心視頻處理任務管理節(jié)點，根據(jù)云中心運維管理節(jié)點提供的用戶要求訓練相應的模型，利用神經(jīng)網(wǎng)絡學習算法訓練生成數(shù)據(jù)圖像模型，同時根據(jù)各邊緣節(jié)點的計算、存儲和傳輸能力判斷卸載的比例，實現(xiàn)對云中心數(shù)據(jù)圖像模型的最優(yōu)化分割，分割后的神經(jīng)網(wǎng)絡可以合理利用各個邊緣單元的計算資源，完成相應的任務識別。最后由云中心系統(tǒng)運維管理中心將分割好的云數(shù)據(jù)圖像模型卸載到各個邊緣計算節(jié)點。

②云中心系統(tǒng)運維中心收集系統(tǒng)各個節(jié)點的狀態(tài)的信息，完成對整個系統(tǒng)節(jié)點狀態(tài)的管理，比如檢查節(jié)點是否在線，是否出現(xiàn)故障，實時監(jiān)控，維護系統(tǒng)的正常運作并將各個狀態(tài)存儲以便客戶端收集顯示。同時云中心系統(tǒng)運維管理節(jié)點負責獲取客戶端任務要求為云中心視頻處理任務管理節(jié)點提供模型訓練依據(jù)，收集邊緣計算單元計算資源信息為云中心視頻處理任務管理節(jié)點提供任務卸載依據(jù)，起到將云中心及其他節(jié)點連接在一起的橋梁作用。

4）輿情管理服務模塊

管理服務模塊向輿情管理系統(tǒng)的管理人員提供與人類行為檢測與識別相關的客戶端應用服務，通過調用云計算中心智慧應用層和應用服務接口，實現(xiàn)視頻圖像的查詢和下載、人的行為檢測和可視化分析等客戶端應用功能。輿情管理服務模塊是系統(tǒng)面向用戶的關鍵模塊，提供了用戶友好和功能豐富的客戶端應用程序，是對整個系統(tǒng)的進一步完善。

3.2關鍵技術

基于視頻數(shù)據(jù)的突發(fā)輿情事件中行為判別系統(tǒng)的關鍵，在于對視頻數(shù)據(jù)中的行為進行判斷，核心的技術點是實現(xiàn)視頻數(shù)據(jù)中行為分析的判斷，具體而言，主要包括以下關鍵技術。

1）基于深度學習的行為檢測技術

隨著人工智能領域的快速發(fā)展，深度學習越來越多的引入到目標檢測領域中?；谏疃葘W習的目標檢測的發(fā)展方向大體上可以分為兩類：1）基于區(qū)域提名的R-CNN系列;2）無須區(qū)域提名的YOLO/SSD系列。第一種算法需要先生成一個可能含有目標物體的預選框，然后再進行物體檢測。第二種則直接在網(wǎng)絡中提取特征識別物體。本項目中將采用第一種算法來進行人體行為的檢測。

原始的R-CNN算法檢測目標物體的主要思路是獲取圖片后，在圖片中提取若干個候選區(qū)域，再將這些區(qū)域分別輸入CNN（卷積神經(jīng)網(wǎng)絡）網(wǎng)絡，在CNN網(wǎng)絡中對每個區(qū)域抽取一個固定長度的特征向量，再通過向量機（SVN）來辨別目標物體以及位置。這種算法完成目標檢測的過程中需要三千模型，而且輸入到CNN網(wǎng)絡中的若干個候選區(qū)域中可能有物體，也可能沒有任何物體，這樣，就會使算法計算量大且效率低下。

Faster R-CNN是R-CNN的優(yōu)化版本，它實現(xiàn)的主要過程為：

①將圖片輸入到CNN網(wǎng)絡中，生成該圖片的特征映射。

②將特征映射輸入到Region Proposal網(wǎng)絡（RPN），返回目標區(qū)域和相應分數(shù)。

③通過Rol池化層，將所有目標區(qū)域修正為統(tǒng)一尺寸。

④將所有目標區(qū)域傳輸?shù)酵耆B接層，輸出相對應的邊界框。

與R-CNN需要三個模型不同，F(xiàn)aster R-CNN只需用一個模型就可以實現(xiàn)區(qū)域的特征提取和分類，大大提高了計算效率，減少了計算時間。在本項目中，為了能夠及時地對輿情進行控制并正確的引導輿情的發(fā)展方向，我們需要及時、迅速地獲取輿情事件中的人物行為，所以，我們會采用Faster R-CNN算法來進行人體的行為檢測。

2）云計算與邊緣計算的協(xié)同合作技術

按照云計算的特征，云計算模式是一種集中式數(shù)據(jù)處理的方式，利用網(wǎng)絡互聯(lián)，可以根據(jù)用戶需求，實現(xiàn)多用戶之間的軟硬件共享。云計算系統(tǒng)主要由云中心平臺，云存儲系統(tǒng)，云終端，以及云安全模塊。此外，對于云計算模式下的資源而言，云計算實現(xiàn)了一種資源的虛擬化，這樣資源在一定程度上可以分時被不同用戶共享，在一定調度策略的設計中，可以讓用戶覺得只有本身在用。而對于用戶本身，其又不需要關系云計算資源內(nèi)部的細節(jié)，而僅僅是直接使用云計算所提供的服務。

相比而言，邊緣計算就是在靠近數(shù)據(jù)源端的網(wǎng)絡邊緣側，融合網(wǎng)絡、計算、存儲、應用核心能力的一種新型計算模式。在數(shù)據(jù)源附近提供一種邊緣智能服務，以實現(xiàn)快速連接、實時業(yè)務、數(shù)據(jù)優(yōu)化、安全與隱私保護等技術需求。邊緣計算系統(tǒng)主要由終端設備（如，移動手機）、邊緣設備（如，路由器、機頂盒、網(wǎng)橋等）、邊緣服務器等構成，這些組件可以具有必要的性能，支持邊緣計算。

邊緣計算著重解決實時、短周期數(shù)據(jù)的分析層面，邊緣計算能夠實時實現(xiàn)本地化的數(shù)據(jù)智能化處理。在數(shù)據(jù)源端，邊緣計算能夠實現(xiàn)數(shù)據(jù)的本地化數(shù)據(jù)處理，無須將數(shù)據(jù)上傳到云端，為此，減少數(shù)據(jù)從云端到本地傳輸?shù)臅r間和帶寬開銷。

面對大規(guī)模視頻數(shù)據(jù)量，若都要在服務器端進行云計算處理，這會造成嚴重的時間延遲，無法實現(xiàn)將識別視頻信息實時反饋到用戶需求端。但是，無法在邊緣端處理龐大的視頻流信息，這主要是由于其資源受限特性，此外，邊緣端也不能滿足深度學習模型構建對計算資源的需求。故采用云計算與邊緣計算協(xié)同的方法來實現(xiàn)基于視頻內(nèi)容的分析，既可以完成神經(jīng)網(wǎng)絡模型構建的計算需求，又可實現(xiàn)輿情分析對實時性信息反饋的需求。

視頻邊緣計算以及云計算所解決的關鍵問題有所不同，云計算主要解決具有全局性的數(shù)據(jù)負載類型，該類負載對實時要求不高，但是需要實現(xiàn)對大規(guī)模連續(xù)書的處理與分析，能夠在長周期維護、業(yè)務決策支撐等領域發(fā)揮優(yōu)勢。相比而言，邊緣計算更適用局部性、實時、短周期數(shù)據(jù)的處理與分析，能更好地支撐本地業(yè)務的實時智能化決策與執(zhí)行。

3.3預期目標

實現(xiàn)一種基于視頻邊緣計算的行為識別系統(tǒng)，該系統(tǒng)通過視頻邊緣計算，對視頻數(shù)據(jù)中人的行為進行快速檢測和識別，根據(jù)真實的行為結果，對數(shù)據(jù)進行分析，提高輿情管理人員應對輿情事件的速度，引導輿情事件的良性發(fā)展。

由此可見，利用視頻數(shù)據(jù)獲取實時突發(fā)事件發(fā)生情況的機制，可以提供突發(fā)事件庫，當探測到突發(fā)事件發(fā)生，實時跟蹤突發(fā)事件的發(fā)展，并及時觸發(fā)報警功能。

4未來展望

隨著萬物互聯(lián)時代的到來，信息傳播和交互的途徑將越來越多，如何實時分析突發(fā)事件本身，并引導輿情向正向健康的方向發(fā)展，是未來突發(fā)事件輿情應對的主要考慮的問題。本文僅從視頻分析的角度來分析突發(fā)事件輿情態(tài)勢，還缺乏對異構多元數(shù)據(jù)的分析。例如，通過手機、監(jiān)控攝像頭、生物感知設備等都可以獲取突發(fā)事件中行為信息，為突發(fā)事件輿情的全面解析提供更強有力的支撐。這些設想將在后續(xù)的研究中逐步實現(xiàn)。