虽然近些年AI算法具有质的突破，但明确实施到安防现实场景中，准确率往往比在实验室里残忍的多。那么人工智能在安防领域的落地到底到了哪一步？参考传统安防巨头的空战用于效果比看算法方案商的DEMO更加有说服力。近日，由深圳市安全性防止行业协会主办、CPS中安网主办的人工智能安防行业应用于暨空战演练论坛中，威富集团董事长张少林、大华先进设备技术研究院研发总监郑韬、天地伟业总工程师杨清永，了解介绍了三家安防巨头各自在AI安防方向的探寻与实践中。一、安防空战中的数据挑战硬盘公司从业者向雷锋网透漏，他们生产的硬盘，每两块就有一块转入到安防行业。

以北京为事例，归属于政府和社会公共机构的摄像头总数多达200万个，这些摄像头每分每秒都在维持视频，每天不会产生长达200多万天的视频，折算成年为5000多年。所以整个安防体系，从摄像头到存储都是一个享有很大数据量的网络。

这里明确提出一个疑惑：数据由摄像头产生，那么这些数据是由谁消费？在当前的安防监控视频网络中，绝大部分消费者是监控中心里的工作人员，非常简单来说就是警方。他们在侦破时会去查阅很多视频，而数据生产的速度远超过数据消化的速度，这造成今天安防监控行业的一个主要矛盾：我们产生了过于多的视频，可这些视频却没有办法消化。威富集团董事长张少林也谈及了传统安防面对的挑战：1.被动式应用于：监控人员须要同时面临数十甚至上百路视频，无法及时发现视频画面中的忽然和出现异常事件，监控视频录像一般不能用作事后核查，且视频求证过程必须花费大量人力和时间。2.数据无法有效地利用：海量的视频数据无法展开有效地的数据挖掘和深度分析，不仅使得监控系统运营效率低落，而且对视频设备和数据资源也导致很大浪费。

3.存储压力极大：海量的非结构化数据，大部分是多余数据，给存储设备带给很大的压力，不仅浪费存储空间，减少存储成本，也有利于数据的较慢检索。目前以视频数据为核心的安防监控体系，显然给客户带给了大量的困难。

把这些数据放到客户跟前，然后用显人工去找寻线索只不过大海捞针。但随着AI的成熟期，比起于其他行业，安防行业的两大特性，让人工智能在安防领域具有相当大的充分发挥空间。

一是安防的数据基础符合人工智能的大数据特性，视频数据有两大特点：源数据信息量大、数据层次非常丰富。其次是，安防业务的本质表达意见与人工智能的技术逻辑高度一致：事后查出——事中号召——事前防治大数据——深度自学——智能辨别所以整个行业都把期望竭尽在人工智能上，引入AI这个“消费者”，自动把这些视频数据里面的内容和目标变为结构化数据。何为结构化数据？结构化数据就是数据需要必要传达目标的性状、属性以及身份。这种数据可以大规模去检索，大规模地分析、统计资料。

智能化是期望AI需要变为以视频数据为核心的物联网里面，这些数据的“消费者”，这时候“消费者”的Output就是结构化数据。结构化数据也无法必要当作用于，因为这些数据一旦构建了大规模结构化后，数据量仍旧十分可观。当人工智能把这么多的视频转变成结构化数据后，就不会产生一个新的数据海洋：结构化数据海洋。如果数据没经过很好的挖出，那它也不是有意义的情报。

结构化数据目前早已可以用于十分成熟期的手段去挖出，这个过程中会有一些十分浅度地挖出、非常简单的检验：如黑名单。检测到一辆车时，车牌号码是一个嫌疑犯车牌号，当检测到车牌号码时，这辆车就被后台预警。再行比如说要检测一个人：假设我有一张通缉犯的照片，当我在某个地铁站的摄像头里看见一个人长得像这个通缉犯时，它有可能就变为了一个有意义的情报。

当人工智能产生大量的结构化数据后，不会有大量空间必须去做到针对应用于的数据挖掘。因为以前在没结构化数据时期，有所不同客户用于的摄像头和录像机都是标准设备，只要看见画面就讫。它从画面里仔细观察获得的信息如何反映到它的业务内容，这些事情必须人去做到。

当今天这些数据变为了结构化数据以后，在有所不同行业、有所不同场景要有大量的数据挖掘应用于才需要有效地把结构化数据变为有意义的情报。而人脸、车牌皆可以看做是横向场景的针对性数据挖掘。

二、安防空战中的技术挑战在过去十年中，指纹识别、语音辨识、人脸识别、虹膜识别、车牌辨识、指静脉辨识早已在安防领域有所应用于。比起于其他生物识别技术，人脸识别具备独有的优势。大自然无袭扰、直观不易辨别、简单可拓展，这些条件皆为人脸识别的大规模推广应用获取了技术承托。

人脸识别将在身份按规定和布控追逃等诸多应用于中充分发挥巨大作用，智能识别证书合一、人脸自动检测、定位、追踪、黑名单自动核对、构建标签化存储、检索效率高、节约警力、节省时间。天地伟业总工程师杨清永了解介绍了人脸识别算法和现实应用于场景。

人脸识别可分成警用和非警用两种应用于方向，警用还包括缉毒、刑侦、维稳，民用则是缴纳、考勤、形同虚设，二者相比之下警用是仅次于的应用于市场。现在公安对于人脸识别十分感兴趣，因为人脸识别的确对他们工作有相当大的协助。

随后杨清永之后谈及人脸识别在这些场景中不会受到影响：一、相近面部：更容易将两张相近的人脸失误为同一个人。二、光照条件简单：特别是在在强劲逆光环节下，十分影响人脸识别，大多以补光的方案展开处置。三、不受多变表情和横跨年龄辨识：如果目标对象面部表情过分滑稽，以及一个从年幼到成年脸型发生变化后，机器很难辨识出来是一个人。四、脸部大面积遮盖：普通口罩和眼镜的遮盖，更为受限，如果人脸特征遮挡过于多，对辨识的影响较小。

当然，上述提及这几项难题的研究成熟度也大大在减缓。其中杨清永认为的跨年龄辨识方面，百度早已获得了十分好的效果。今年年初，吴恩达带队的百度人工智能在人脸识别横跨年龄辨识任务中以3：2的比数打败《最弱大脑》名人堂轮值主席、世界记忆大师王峰。

这其中Cross-AgeFaceIdentification（横跨年龄人脸识别）就是一个可玩性较小的挑战，在第一个节目设置中，必须辨识对象的年龄跨度大约为20岁。在第二个节目设置中，对比小学毕业照和成年照，年龄跨度也低约十几岁，而且第二个节目设置中的人脸数超过了1500个以上。最后，小度的展现出十分精彩，这里，在稠密的数据集上自学到更佳的特征，确保横跨年龄的同一个人的两张人脸的距离，比有所不同人相近年龄的两张人脸距离小就是关键。

一般而言，在横跨年龄阶段人脸识别中，类内变化一般来说不会小于类间变化，这造成了人脸识别的极大艰难。同时，横跨年龄的训练数据无法搜集。没充足多的数据，基于深度自学的神经网络很难自学到横跨年龄的类内和类间变化。百度IDL人脸团队自由选择用度量自学的方法，即通过自学一个非线性投影函数，把图像空间投影到特征空间中。

在这个特征空间里，横跨年龄的同一个人的两张人脸的距离不会比有所不同人的相近年龄的两张人脸的距离要小。考虑到横跨年龄人脸的稀缺性。用大规模人脸数据训练好的模型作为底座，然后用横跨年龄数据对它做到改版。这样不更容易过数值。

本文来源：中欧体育-www.blglj.com