在云计算、大数据、人工智能等技术快速发展的大背景下，推进信息化、智能化建设已经成为现代警务模式改革的必经之路。

由于轨道交通是社会人流的重要“通道”，必然会存在诸多不确定因素。随着国家对外开放的力度不断加大，境外进出人员更是隐含各种复杂因素，因此国家更需要在轨道交通的方方面面加强安保技术和措施。

目前，国家对于人工智能在安防领域的具体部署中也明确强调，要围绕社会综合治理、新型犯罪侦查、反恐等迫切需求，研发集成多种探测传感技术、视频图像信息分析识别技术、生物特征识别技术的智能安防与警用产品，建立智能化监测平台。

已有学者发明了一种能够结合人脸识别、行人识别、车辆识别、智能视频分析的旷视技术。该技术可以对重点场所（尤其是轨道交通的进/出口）布控，为城市安保工作提供基本视频数据（见图5-11）。

图5-11　AI安防大系统基本模型

安防工作有别于单纯的“单信号”（图像、视频、语音、声音、动作行为等）的处理、分析、识别与决策，安防工作对信息的处理是一个综合化过程，最终需要通过智能算法提炼出目标数据。其信息的关注视角与分析处理方法是通过结构化技术予以实现的。

1.信息结构化技术

以图像与视频信息为例，视频结构化技术针对的是海量的数据信息而衍生出来的信息技术。

由于视频的非结构化特征，原始的信息不足以形成数据链，如果不能解决这样的问题，智能系统是解决不了问题的，不管是视频还是图像，都需要进行及时的抽取和识别，也就是需要结构化处理，将视频信息转换为结构信息，并有效地应用于计算机体系当中。这就涉及第二个问题——结构化描述问题。

传统的方式一般都是将非结构化的内容转换为结构化的语言，但是这不能满足智能分析系统的要求，于是结构化技术引入了深度学习，根据语义关系进行智能化的发掘和联动，从而能够形成自动检索、自动提取等具有智能化特征的内容（见图5-12）。智能化的视频技术挖掘决定了非结构数据的智能化分析深度。

图5-12　非结构化数据的信息描述(www.daowen.com)

2.深度学习技术

深度学习（deep learning）的概念源于人工神经网络的研究，是计算机模拟人学习机制的一种算法。深度学习的结构相比较于浅层学习更加复杂，其中包含一个多隐层的多层感知器。

深度学习不同于以往的浅层学习，深度学习采用了人工智能，引入了神经分析学，利用分层结构，深入地进入智能学习，整个深度学习系统突破传统结构，引入了包括输入、输出等多层组合的网络，不仅打通节点层之间的联系，还能够推动不同节点之间的链接。更为重要的是找到模仿人脑的关键，并将学习变为主动的学习和主动的延伸，更加贴近人工大脑的作用（见图5-13）。

3.大数据技术

大数据技术是指对大量结构化、半结构化和非结构化的数据进行分析处理的技术，从中获得新的价值，需要用到大量的存储设备和计算资源。大数据技术框架具有分布式、集群化、统一存储、统一访问、动态扩容的特点，其技术框架如图5-14所示。

图5-13　浅层学习与深度学习的区别

图5-14　大数据技术框架

4.视频云存储

视频云存储技术是通用云存储系统的一种演化形态，又不同于通用云存储，它采用面向业务应用系统按需分配的设计思路，融合了计算资源集群应用、负载均衡调度、计算/内存/网络资源虚拟化、云服务化、分布式存储等技术，可将数据中心不同类型的存储资源设备通过分布式存储软件进行集群，对外提供统一外部存储，实现高性能、高可靠、高容量、高可用的业务访问服务［69］。

智能安防是当前建设新型智慧城市、平安城市的大趋势。未来，人工智能不仅是维护社会稳定的关键利器，更会上升到国防应用的新高度。将智能识别、大数据、云存储、云计算等先进技术广泛地覆盖社会和政府等各类场所，建设互联互通的耦合式系统架构，并充分挖掘利用“人、车、物、案”四要素的数据价值，建立事前、事中、事后一体化的业务操作流程是公安机关实现治安防控转型和升级的核心。此类安防思维创新更加适合于轨道交通中每一个通行环节。