监控录像里找人找车，靠人工快进翻几十路夜视画面，效率低且漏检率高。更实用的做法是按「结构化检索 → 以图搜图 → 视频浓缩复核」的顺序组合使用：先把人车目标解析成属性与特征向量入库，检索时用衣色、车型、方向等条件过滤，再用相似度排序的以图搜图缩小候选，用视频浓缩把数小时录像压到几分钟快速复核。这套组合在公网叫视频大数据或视图库应用，在大华、海康、云从等厂家的实战平台里已经跑通，检索性能可达亿级数据秒级响应。
为什么人工快进翻录像不划算
监控画面大部分时间没有运动目标。按行业工程经验，普通固定场景一天 24 小时录像里，真正发生事件的有效帧占比通常不到一成，其余都是静止背景和重复画面。这意味着人工以 8 倍速看 24 小时录像，要把时间花在大量无价值画面上，还容易漏过几秒内出现的关键目标。
| 查找方式 | 耗时量级 | 漏检风险 | 适用场景 |
|---|---|---|---|
| 人工快进回放 | 与录像时长同量级 | 高 | 单路短时段的简单核实 |
| 视频浓缩摘要 | 数小时压到几分钟 | 中 | 事后排查、不知道目标长相 |
| 结构化属性检索 | 秒级到分钟级 | 低 | 知道衣色、车型、时间地点 |
| 以图搜图 | 秒级输出相似排序 | 低 | 手里有一张目标照片 |
结论是：只要录像数量上了几十路，就该先检索后看片，而不是先看片后找人。
目标检索是怎么工作的：结构化加特征向量
目标检索分两步。第一步是解析：用视频结构化算法对录像里的人、车、非机动车做检测和跟踪，输出两类数据。一类是结构化文本，比如行人属性（上衣颜色、性别、背包）、车辆属性（车牌、车型、车身颜色）、运动方向与时间；另一类是高维图像特征向量，描述的是目标长相，用于后续相似度比较。第二步是入库：把属性文本和特征向量写进视图库或分析平台，供查询时做条件过滤和向量比对。
公安部第三研究所的专利方案公开了这一流程：创建视频追踪任务后，对指定点位和时间范围的视频做解析，文本筛选按结构化属性查，图像筛选按上传图片做以图搜图，命中结果按相似度从高到低排序，再以线索为中心建立追踪子任务。这套流程在实战平台中已经是标准能力。
| 数据形态 | 内容 | 检索用途 |
|---|---|---|
| 结构化文本 | 衣色、性别、车型、车牌、方向 | 属性精确过滤 |
| 特征向量 | 目标图像的高维表征 | 以图搜图相似排序 |
| 时间地点索引 | 点位编码、时段 | 检索范围裁剪 |
视频浓缩与摘要回放能把时间压到什么程度
视频浓缩是把运动目标从原录像中抠出来，按时间轴重排成一段新视频，同场景不同时段的人车会同时出现在同一画面。海康的视频摘要系统宣传的典型效果是「原来需要数小时查看的文件几分钟内浏览完」，摘要回放里每个事件都能反向链接到原始视频；千视公开的指标是「2 分钟浏览 24 小时视频的活动目标状况」。这些数字属于厂商宣传口径，实际浓缩比受场景活动密度影响很大，空旷场景压缩比高，人流密集区域压缩比有限。
| 环节 | 典型能力 | 说明 |
|---|---|---|
| 摘要回放 | 数小时→几分钟 | 事件索引可回溯原始录像 |
| 目标快照 | 自动抓取候选目标图 | 辅助快速确认 |
| 属性过滤 | 大小、方向、颜色筛选 | 缩小候选范围 |
| 案件管理 | 编目、比对、标注、下载 | 供取证的后续动作 |
浓缩适合「不知道目标长什么样、但确定时段」的场景，比如查某路段某两小时内经过的人；一旦手里有目标照片或明确属性，优先走检索。
以图搜图怎么用：相似度排序与精确命中分开
以图搜图的本质是特征向量相似度检索，返回结果按相似度排序。工程上要注意：车牌、时间这类能精确匹配的条件，必须走精确查询，不能交给向量相似度。因为向量检索擅长「相似」，而业务需要的是「命中」，把「浙 A 12345」当相似文本去比对，结果不可控。成熟平台的实现是把自然语言请求转成结构化查询：时间范围、区域编码、目标类型、精确属性各归各字段，说不清的部分才转向量召回。
实战中的检索套路是叠加条件：地点选出入口或卡口，时间框到精确范围，再叠衣色或车型。条件越多，候选越少，再结合目标快照做人工确认。这一步在 GB/T 1400 视图库体系里对应库内查询与跨库检索接口，平台层面可与视图库对接。
| 条件类型 | 匹配方式 | 工程要点 |
|---|---|---|
| 车牌、时间、区域 | 精确匹配 | 按字段精确查询 |
| 长相、衣着、车型相似 | 向量相似排序 | 以图搜图加人工确认 |
落地目标检索的 4 个前提条件
- 前端图像质量够：目标在画面里要清晰可解析，人脸抓拍机与卡口相机按结构化场景选型，普通全景机位只适合做浓缩来源。
- 录像可被解析：平台能通过 GB/T 28181 或 RTSP 等协议取流，对历史录像做离线批量分析，解析任务支持分时段、分点位调度。
- 存储与算力匹配：分析平台通常按路数配置 GPU 解析算力与视图库存储，本地算力不足可只对重点点位做结构化，其余点位保留原始录像。
- 检索入口统一：人、车、非机动车统一定义属性字典，跨点位数据能汇聚到同一检索入口，避免各子系统各自为政。
四项都满足，目标检索才谈得上秒级可用；缺前端质量或算力，宁可先保重点点位也不能全拍全析。
TL;DR 检查清单
- 找人找车优先走结构化检索，再视频浓缩复核，人工快进只做兜底
- 检索用属性精确条件加以图搜图相似排序，车牌时间必须精确匹配
- 视频浓缩适合无照片、确定时段的场景，效果受活动密度影响
- 落地前提：前端质量、取流解析、算力存储、统一检索入口，四项缺一不可
参考资料
- ga1400-view-library-guide
- video-analytics-function-selection