安防领域人脸识别有何痛点？AI+安防未来会有哪些新的趋势？

安防领域正在成为人工智能落地的重要场景之一，其中的智能视频分析和人脸识别技术备受关注。在近日开幕的第十六届中国国际公共安全博览会上，清华大学媒体大数据认知计算研究中心主任王生进教授深入探讨了人脸识别在安防领域的应用及其面临的挑战。

王教授首先指出，我国视频监控建设已经取得了显著成效，摄像头的数量已经超过了惊人的两千万个。如此庞大的数据量仅凭人工监控是无法实现大规模视频监控的，急需人工智能和智能分析技术的支持。

关于人工智能与安防的结合，王教授从新一代人工智能发展与智能安防、人脸识别技术与应用系统、以人为中心的安防理念与人像态势识别三个方面进行了阐述。他强调，目前公共安全面临着严峻的情势，信息内容与情报成为掌控局势的关键要素。以安防视频大数据为基础，构建公共安全大数据应用技术创新平台是我们工作的重点。

在谈及安防领域人脸识别的痛点时，王教授表示，我们现在主要面临两个方面的挑战。首先是物理空间安全，全国平安城市建设中的视频监控前端数量庞大，目标感知能力不足，大数据给公共安全事件的即时感知、精确分析和快速搜索带来了巨大的困难。其次是网络空间安全，随着网络空间富媒体通信的引入，新型媒体信息管控难题也浮出水面。

为了应对这些挑战，人工智能技术的支撑变得至关重要。王教授列举了智能视频分析的关键技术，包括侵入/越界检测、遗留物体事件检测、人脸/行人/车牌识别等。他还详细介绍了人脸识别技术的实际应用场景，根据应用场景的不同，人脸识别可以分为有配合人脸识别和无配合人脸识别。

王教授强调了国务院对人工智能发展的高度重视，并指出人工智能已成为国际竞争的新焦点。根据《新一代人工智能发展规划》，人工智能在公共安全领域的应用将得到进一步推动，包括构建智能化监测预警与控制体系、研发智能安防与产品、支持有条件的社区或城市开展基于人工智能的公共安防区域示范等。

随着人工智能技术的不断发展，未来安防领域的人脸识别技术将迎来新的趋势，为公共安全领域带来更大的便利和效益。人脸识别技术与应用系统概述

人脸识别技术已成为当代科技领域的璀璨明珠，广泛应用于安全认证、身份鉴别等领域。它采用摄像机或摄像头捕捉含有人脸的图像和视频流，通过一系列技术处理，实现对人脸的精准识别。本文将深入探讨人脸识别技术的分类、应用以及关键技术。

一、人脸识别技术的分类与应用

人脸识别技术主要分为半配合人脸识别和非配合人脸识别。前者通常应用于受限通道和卡口，进行黑/白名单比对，光照稳定，不要求人员配合。后者则主要应用于视频监控的动态布控场合，进行黑名单查询，光照复杂，姿态不确定，识别难度大。人脸识别技术还广泛应用于智能贴图、美妆美颜、变脸特效等领域。

二、人脸识别技术的核心课题与难点

人脸识别技术的核心在于获得高性能的分类器函数F。传统方法主要采取分步处理、人工设计的方式构建F函数。人脸识别过程中存在诸多挑战，如人脸面部结构的相似性、姿态变化、表情变化、光照变化、饰物遮挡以及年龄变化等。这些问题为人脸识别带来了极大的挑战。但随着深度学习的发展，这些问题得到了有效解决。

三、深度学习与人工智能新浪潮

深度学习和人工神经网络的出现为人脸识别技术带来了巨大的突破。人工神经网络是一种端到端的机器学习方法，为人工智能的各个领域带来了巨大的推动，包括AlphaGo、图像识别、语音识别等。人脸识别技术中的关键步骤，如人脸检测、关键点定位、人脸归一化等都与深度学习息息相关。尤其是特征提取环节，利用卷积神经网络将人脸图像转化为具有高层语义信息的特征向量，极大地提高了识别准确率。

四、人脸识别关键技术与检测

人脸识别关键技术包括人脸检测、关键点定位、人脸归一化等。其中人脸检测是首要环节，判断输入图像中是否存在人脸并返回其位置。接下来是特征提取和特征比对环节，利用海量数据训练卷积神经网络，将人脸图像转化为特征向量并进行比对以提升识别准确率。针对人脸识别场景的不同需求，设计了多种网络架构以适应不同场景的要求。目前的人脸识别网络采用先进的算法框架如基于A CNN Cascade for FaceDetection等来提高检测的准确性和效率。通过这些技术不断改进和创新，我们得以更好地应用人脸识别技术于现实生活之中并造福于人类社会。三、以人为本的安全防护观念与人像态势识别

随着以人为本的安全防护观念的深入，人像态势识别技术应运而生。在安全防护领域，人的因素始终占据核心地位，全面、深入地获取并分析重点人群的信息至关重要。

人像态势识别：

我们提出了深度人像识别的全新概念——人像态势识别。这包括四个主要方面：像态、形态、神态和意态。

像态： 涉及人脸和行人的表观图像。这一方面主要关注感知对象的物理特征，如颜色、尺寸等，同时也关注这些特征如何组合形成各种表象，如人脸、车牌、行人等。像态包括人脸、指纹、掌纹、虹膜等生物识别技术所关注的内容，也包括人群聚集事件等社会行为的视觉表现。

形态： 主要关注静止和动态图像。形态认知包括对感知对象的静止肢体特征，如动作、姿态等的认知，也包括对感知对象的肢体变化特征，如步态、奔跑、逆行等的描述。在视频监控领域，行人识别系统就是根据行人的外观和步态特征，在跨视域视频监控网络中识别、查找和追踪特定行人。

神态： 包括主动和被动状态下的人脸图像。神态认知不仅关注感知对象的面部表情，如喜怒哀乐等，更关注其面部神色所反映的内心波动、思想意识、精神状态等更深层次的信息。

意态： 涵盖了显性信息和隐性信息。意态识别是对感知对象行为的企图、目标、后果的全方位认知，既包括显性特征，如购买菜刀的主妇与前科人员的对比，也包括隐性特征，如一个人在特定地点的长时间徘徊所预示的潜在可能。

在大数据时代，人像态势识别面临的挑战是如何处理来自各个数据源的信息，如何对不同信息进行有效的综合利用和真伪鉴定。人像态势识别的目标就是实现对目标人的全面信息分析和完善的状态描述。通过与智能视频分析技术的结合，人像态势识别技术将大大提高公安安防工作的效率，为平安城市建设和公共安全保障提供精准有效的信息技术手段。新一代的具有智能的安全监控技术，不仅可以检测、识别、分类人脸，更可以全面构建对人的深度识别和理解，满足大数据背景下国家社会安全保障的重大需求。

该技术领域的探索与发展永无止境，随着技术的不断进步和应用场景的不断扩展，人像态势识别将在更多领域发挥重要作用。