伴随着AI技术的深化
应用，中国智能安防
视频监控技术和系统应用的发展正越来越成熟。本文将主要围绕着当前阶段公安实战业务的应用需求以及人工智能在安防领域的应用现状展开讨论，同时也对智能安防产业未来的应用及技术趋势提出了一些思考方向!
公安实战应用需求分析
由于海量
视频图像数据资源的积累和多种应用场景的适配，当前阶段国内以人脸识别和交通卡口机动车图像结构化描述为代表的智能视频监控的应用已经相对成熟，不过，从公安实战的需求角度来看，仍有一些待改进的地方，简单可以概括为这几个方面：
1、视频监控系统顶层设计，在面向智慧城市、平安城市建设过程中，如何更好地整合各部门的资源和需求来完善顶层设计，比如针对各警种不同业务应用需求，利用统一的数据资源池提供灵活的算法资源服务，顶层设计是当务之急；2、在计算资源的顶层设计方面，针对混合计算的问题，针对云、边、端的系统架构，如何实现计算资源的灵活部署也是需要考虑的方向；3、要能适应灵活多变的业务规则，不同的目标布控有不同的需求，因此需要进一步完善视频监控前端或云端对于这种业务需求的适配性；4、视频分析作为大数据的应用，分析的精准度很大程度上依赖于用于训练的数据集，在这个过程中，希望能够建立起一个行业知识库，来辅助建立更高精准度的视频监控识别系统。
从业务需求的角度来看，针对不同警种的业务需求以及公安实战过程中的不同环节，公安视频监控系统主要聚焦在在线视频智能监控预警、海量视频离线综合研判以及共性的视频解析服务平台这几大类的业务需求方面，这些需求也将带来警务模式的创新，从原来传统的被动警务变为主动警务。
综合而言，视频监控分析应用不仅是建立更多高清联网的视频监控探头，更重要的是通过一个视频解析和服务体系的建设，从采集、分析、处理、挖掘各个环节出发实现对海量视频资源的深度应用，以此来促进视频监控产业从监控到理解的转型。
人工智能在安防领域的技术应用现状
那么，针对公安行业的应用需求，现阶段人工智能的技术应用现状如何?首先来看下视频结构化描述的技术进展情况。视频结构化描述有两个核心：图像对象要素的识别和构建对象间的语义关系。
目前很多视频结构化描述基本只做到了第一层即可以实现对图像对象要素内容的识别和标注，且进展已经很成熟，甚至已能够实现在前端摄像机内即可实现结构化描述，比如车辆卡口，能够实现对车牌、车型、车标、车身颜色的信息的识别。不过对于一些更个性化的内容检索，比如车辆年检标志、车内挂饰、纸巾盒等细节的特征识别还有一定的发展空间。另外在非交通卡口像治安卡口这一类非标场景下的目标识别检测，由于安装角度、光照条件等因素的影响，视频机构化描述还有进一步发展空间。
第二层次构建起对象间的语义关系至关重要，以闯红灯的场景为例，闯红灯语义本身有几个要素，包括信号灯、车辆、交通标志、标线等，识别这些要素是视频结构化描述的第一步。第二步是把识别对象之间形成一定的语义关系，比如车行状态、信号灯状态、人和车之间的位置关系等等，把这些关系建立起来之后可以形成一个关系规则，它的优势在于我们可以根据实际情况灵活调整规则来拓展不同电子警察模式识别的能力。通过构建语义关系来实现一些复杂的规则，这也是视频结构化描述的初心，也就是构建不止是让人理解的描述，更要构建让机器可理解的描述。
要实现对象的识别和构建起对象间的语义关系，需要一些专业的技术支持：一个是目标检测和识别，其次是知识图谱，目标检测识别出来之后，需要构建语义关系构成一个知识图谱，这两个方面的技术是实现视频结构化描述的关键。
在人脸识别的技术应用现状方面，1:1的人脸识别在国内的应用已经非常广泛，但它也仍然存在一些问题，比如非实体线下的场景即网络场景下需要加强活体人脸检测做人脸防伪，在金融等高安全级别的人脸识别的场景下也需要进一步巩固人脸识别的安全性和可靠性。1:N的人脸识别技术进展也相当迅猛，目前在国内已有一些项目落地。
行人检索的研究也取得了不错的进展，但是这些成绩都是基于小规模的数据，不同于车辆识别，车辆和车牌、车主身份证这些数据信息绑定在一起，其数据标注较为容易，但行人检索的数据标注成本相对会高出很多，所以导致现阶段行人检索目前的实用性和可用性方面仍没有车辆检索的应用成熟。
安防人工智能应用发展趋势
伴随着AI的深化应用及应用需求的升级，接下来，智能安防产业的发展将呈现这几大发展趋势：一是后视频监控时代将迎来物联网防控。除了视频数据之外，像Wi-Fi、RFID、电子车牌等不同维度的物联网信息都可以关联到一起，通过丰富的数据类型，来共同碰撞出更有价值的信息；二是数据融合的能力更强，分析应用更智能；三是随着5G的到来，不同的应用场景里面融合通信的程度将会加强；第四个就是三维图像建模，通过将视频监控画面和三维图像进行融合，实现城市大场景的虚实融合，这种应用或将成为未来指挥中心可视化指挥调度的一个新的方向。还有一个趋势是移动视频监控信息采集，当前阶段的视频监控更多是采用固定点位进行视频数据的采集，随着车辆移动监控以及可穿戴式监控设备的出现，未来移动监控的应用也将成为一大趋势方向。
安防人工智能需要攻克的五大技术要点
同时，我们还梳理了一些安防人工智能的技术趋势及接下来将重点攻克的技术要点。首先是视频流媒体的分布式计算引擎。视频云现在还是基于单个文件的处理，如何实现基于流媒体的分布式处理需要进一步研究；
其次在视频图像增强方面，尽管视频监控摄像头清晰度不断提高，但同时也存在由于运动、光线、压缩等因素造成的模糊，如何实现对模糊视频图像像素的增强和还原，也是一大技术方向之一，未来有望通过基于深度学习的人工智能技术来实现图像增强的突破；
联邦学习也是这两年的一个热门方向，主要是为了解决数据不共享情况下AI训练的问题，联邦学习可以有效解决“数据孤岛”问题，让参与方在不共享数据的基础上联合建模,能从技术上打破数据孤岛，实现AI协作；
半监督学习主要是解决数据标注的问题，因为很多数据不可能在短的时间内得到全量的标注；
还有类脑智能研究，通过摸索大脑对图像和动作的识别过程，去发现深度学习在理解大脑模式中所存在的问题，在这方面，可以联合神经科学、心理学等构成跨学科的研究团队，目前我们和上海类脑中心也在积极探索这方面的理论研究；
人工智能对抗，就像病毒跟反病毒一样，随着人工智能技术的逐渐成熟以及在大众生活场景中的密切应用，未来利用人工智能违法也可能成为一种趋势，比如当下为了防止人脸信息被盗用冒用推出的人脸识别活体检测手段，人工智能的对抗研究将是一个持续的过程。
其次在视频图像增强方面，尽管视频监控摄像头清晰度不断提高，但同时也存在由于运动、光线、压缩等因素造成的模糊，如何实现对模糊视频图像像素的增强和还原，也是一大技术方向之一，未来有望通过基于深度学习的人工智能技术来实现图像增强的突破；
联邦学习也是这两年的一个热门方向，主要是为了解决数据不共享情况下AI训练的问题，联邦学习可以有效解决“数据孤岛”问题，让参与方在不共享数据的基础上联合建模,能从技术上打破数据孤岛，实现AI协作；
半监督学习主要是解决数据标注的问题，因为很多数据不可能在短的时间内得到全量的标注；
还有类脑智能研究，通过摸索大脑对图像和动作的识别过程，去发现深度学习在理解大脑模式中所存在的问题，在这方面，可以联合神经科学、心理学等构成跨学科的研究团队，目前我们和上海类脑中心也在积极探索这方面的理论研究；
人工智能对抗，就像病毒跟反病毒一样，随着人工智能技术的逐渐成熟以及在大众生活场景中的密切应用，未来利用人工智能违法也可能成为一种趋势，比如当下为了防止人脸信息被盗用冒用推出的人脸识别活体检测手段，人工智能的对抗研究将是一个持续的过程。
在身份认证的技术应用方面，区块链技术有望进一步增强身份认证的可靠性和安全性。如何利用去中心化的身份构建一个隐私保护下的生物特征识别系统，使得身份信息的隐私保护提高到一个新的高度，这也是值得研究的课题，目前关注区块链技术应用的企业不少，未来人证合一领域的技术应用可能会带来新的体验。
最后，在整个产业都在强调AI的落地应用方面，如何评判厂商和机构的人工智能算法及产品的质量，在没有数据集的情况下，现阶段很多测试还依赖于甲方的评价，行业内缺乏一个专业的测评服务平台，需要构建一个公共的、专业的测评服务平台。
对于上述这些产业现状和待突破的技术方向，创新技术的研究和落地应用，光靠企业或技术单位的力量还远不够，希望政产学研等多方力量来一起共同推进，助推智能安防产业加速发展。
( 本文源自2019 a&s人工智能创新应用趋势论坛上公安三所物联网技术研发中心研究员梅林博士的主题演讲)
