贴合应用场景是关键 “AI+人脸识别”如何为安防赋能？-资讯林州

贴合应用场景是关键 “AI+人脸识别”如何为安防赋能？-资讯 AI

　　由于安防领域大数据及规模化的特性，令其成为当今AI和人脸识别技术首发落地的应用市场。而在AI的赋能下，人脸识别技术在安防领域可谓是如虎添翼，大显身手。不过，由于两者之间的磨合还处于早期，加之深度学习技术自身的不确定性，“AI+人脸识”在实际项目运作当中也会出现不少问题，比如搜索性能不佳以及计算负荷度高等，这都给诸如云从以及飞搜科技这类“AI+人脸识别”核心算法及技术方案供应商提出了更多挑战。

北京飞搜科技有限公司首席专家

　　就目前的技术水平来看，包括全球顶级科技企业Facebook以及Google在内，技术的发展仍不那么完美，这也就意味着筷子人脸识别与AI之间的结合还需要较长时间的技术研究和变革过程，北京飞搜科技有限公司首席专家董远告诉记者：“当前，人脸识别与AI的结合仍困难重重，主要表现在以下几个方面：首先，活体判别是一大难题，如何防止用户使用图片、面具以及视频来做冒充者进行恶意攻击，这是厂商需要不断发力的重点;其次，当前的技术水平，1:1的基本上可以达到实用水平，但1：N(人脸搜索，当N达到上万或上千万时)的性能非常令人不满意;而且，“AI+人脸识别”的计算负荷度偏高，一个较强的服务器仅能带动几十路的摄像机，如果实际项目中有几万路摄像头，则需要更多的服务器，这无疑会带来成本的快速叠加;最后，低分辨率、戴眼镜、双胞胎、小孩以及黑人的人脸识别准确率仍然不高。对此，董远认为未来仍然需要人脸识别技术厂商不断的在核心算法上进行持续大规模的投入，方能逐步攻克这些技术难题。”

　　在陈琳看来，人脸识别技术是一项场景性非常强的领域。比如在不同场景之间，有配合的1:1识别、无配合1:1识别(即不能要求对象在摄像头前站好，摄像头从隐蔽处抓拍人脸)，其应用难点与技术路线有非常大的差别，甚至其核心技术能力不在于算法本身，而在于对场景的深耕研究。陈琳认为，目前的技术除了需要解决诸如双胞胎、模糊、光线变化以及针对亿万级人脸检索系统的实现等技术本身的难题以外，具体的技术以及方案设计还需要针对各个应用场景来考虑，只有充分贴近应用场景的技术才能在实际的项目中表现出很好的应用效果，一味的指望技术的万能是不现实的。

　　此外，作为安防领域的一大应用型技术，人脸识别对抗攻击能力及安全性也十分看重，陈琳表示：“就安全性方面来讲，目前主要是存在一些情侣玩具攻击手段。对此，我们通过分析人脸皮肤纹理以及人脸的微小动作带来的规律变化，可以更好的防止视频和面具等攻击。除此之外，我们还具备3D模型、红外活体、静默活体等技术，可缓冲器以根据不同的场景需求来进行自由调节。不过，与其他技术类似，活体检测也存在成本，易用性以及安全性之间的平衡，对于安防这类追求安全性的应用场景，我们则采用红外双目活体检测技术，有效的规避了视频、照片以及模型等各种攻击。”

　　董远对此表示认同，不过他更加侧重于从技术更迭的角度来看待人脸识别安全性的问题，他认为一直以来，人脸识别技术就是在技术开发者和恶意攻击者之间不断的攻防战中得到快速发展的。就目前的技术更迭周期来看，人脸识别每半年都会有一次质的飞跃，安全性也会随之快速提升，特别是人脸识别核心算法方面。如果企业想要停止人脸识别算法的研发，转而采钢琴用当前的人脸识别技术来做未来1-3年或更长时间的产品应用开发，这是非常不现实的，在性能和安全保障能力等多方面都会经不起市场的考验，也正是这个原因，使得一些老的人脸识别企业在市场上被淘汰，同时诞生出一批新的拥有核心算法技术的公司。

　　尽管拥有强大的AI赋能，但仅靠人脸识别就想要实现完美的安防布控是远远不够的。因此，未来还需要多技术相互结合的方式，方能让人脸识别在庞大的安防应用体系中充分实现自身的价值。此外，作为一项以基础数据资源为核心驱动力的技术，AI想要真正体现价值并充分发挥“AI+人脸识别”在安防领域的应用能力，数据资源的获取至关重要，这也将决定各大方案提供商整体的市场竞争实力。

　　对此，董远认为，人脸识别要想在安防体系中发挥自身价值，仅凭一己之力是不够的，未来还需要多模态技术的相互结合，比如引入语音识别、行为步态识别、多摄像头数据交互共同分析，才能更好的解决视频监控中的人脸识别精度问题。而在深度学习方面，主要的驱高温炉动资源在于数据，这里特指标定好的数据而不是粗数据(Raw Data)。而且，标注好的数据成本是非常高的，就目前的AI技术来看，获取标定好的数据仍需要耗费很大的精力。此外，在不同的领域，数据之间也会存在一定的差别，不能够通用是主要难题，这给业内厂商提出了更大的挑战。

　　云从科技有限公司CFO陈琳对此也十分赞同，并表示对于仰仗AI提供分析能力的人脸识别安防应用来说，数据量的大小将显得十分关键。大数据是深度学习的燃料，没有大量的数据支持，深度学习也不可能充分发挥自身潜力。而从我们自身的角度来讲，数据的获取主要有两大来源，其一是结构化的阵列数据，而另外一个则是联合实验室内的人证数据。首先，在结构化的阵列数据采集上，我们采用了128个摄像头组成的采集阵列，可以同步拍摄到同一个人在不同角度、不同光照条件下的数据，并且角度都是精确的，利用结构化的数据，我们采用了多任务学习的策略，将这些结构化的数据引入到训练当中，极大的提高了深度学习的效率;此外，联合实验室让我们有机鄂尔多斯会在上亿的数据上进行训练，如何充分利用好如此巨量的数据同时又能较快的训练出模型，我们通过尝试难样本调训策略及优化Softmax分类器，可以有效的在上亿级别的数据上进行训练;最后，采用GAN(生成对抗网络)等前沿的技术，自动生成模拟真实场景的数据，再加入到学习当中去，从而形成一个自学习的过程。

　　除此，要在如此巨量的数据集上进行深度学习训练，对硬件也会有很多要求。陈琳告诉记者：“开源的深度学习实现基本上都是基于单块GPU的，因为他们没有那么大规模的数据。但是，要想在上亿级别的数据上进行训练，必须要依靠多机、多卡的分布式训练，目前开源架构并没有一套高效的训练平台。因此，我们也是在现有框架的基础上，自主开发了分布式训练平台，性能比开源架构要高出10倍以上。同时，我们也已经和Nvidia建立了深入的合作关系，Nvidia会在GPU的高级应用上来帮助我们更好的提高效率，从而在实际应用中充分发挥AI的技术能力。”（责编：振鹏）

本文为华强电子网原创，版权所有，转载需注明出处

关注电子行业精彩资讯，关注华强资讯官方微信，精华内容抢鲜读，还有机会获赠全年杂志

关注方法：添加好友→搜索“华强微电子”→关注

或微信“扫一扫”二维码

两个子女抚养权
离婚继承律师起诉费用
起诉离婚律师服务
离婚房产律师怎么委托