图像识别在垂直安防行业的成果

　　二、图像识别在垂直安防行业的成果

　　1、已经成熟的车辆识别

　　现在下面是利用深度学习算法开发的车辆大数据结构化引擎。

　　从画面可以看到每个交通单元中，无论是机动车还是非机动车都可被检测与跟踪，对应每一个目标的属性也会被识别出来：可以检测出车牌号码、生产商、型号、年检标的状态，甚至具体是哪个年份的型号也可以被识别出来。

　　车辆识别问题在今天看来已经被解决了，车辆是一种非常特殊的目标，因为它有着一个独一无二的ID：车牌号码。合法车牌号码具有唯一性，一旦把车牌号码识别出来整个问题就比较好解决。

　　从去年开始，车辆大数据产品已被很多厂商推出，未来也会越来越普及。

　　这里面有一个重要的机遇，道路上客户的摄像头分3种：电警、卡口、监控摄像头。

　　所谓电警和卡口，通常是在十字路口或者高速公路的进出口上搭了一个龙门架，或者有一个装了摄像头的架子。

　　这些摄像头使用了很高的分辨率，角度也非常合适，它可以在正面增加识别的成功率。但是像电井和卡口这样的摄像头，它只占整个道路周边摄像头数量的很小一部分。以北京为例，电警和卡口摄像头的数量占道路全部摄像头数量的千分之一左右。

　　还有更多摄像头是普通的视频监控摄像头，这些摄像头数量很多，分辨率也不是特别高，因为它们要录制视频。一般在安装的时候都是为了监控整个大场景，所以视场角较大，视场角变大的坏处就是针对每一个目标它所能够分配的像素数量会降低。

　　这个时候，监控视频里看到很多目标并不是很清晰：没有补光、照明不够、图像模糊现象很严重。如何在这种低质量的数据、不理想的环境下仍然把视频识别做好?这在某些方面决了定我们能否把道路监控大视频、大数据这个事情做好，这一领域的产品其实还有很多的改进空间。

　　当基础数据被识别出来后，基于这些数据就可做各种各样的大数据分析。以格灵深瞳为例，我们开发了一个车辆大数据的平台叫威目视图大数据分析平台。

　　给大家做一个非常简单地演示，我们在客户的现场选择了一些摄像头，之后选择一个区域。然后就可以搜索一些不同品牌的车，比如奥迪、宝马等等。在搜索“奥迪”之后，你可以选择其中任何一辆车然后看看它出现在了什么地方、什么时间，随后可在地图里做进一步搜索。

　　大家可以想象，当我在一个空间里能够得到很多搜索结果时，这些不同结果的时空关系会为我们提供一个轨迹信息。这些轨迹信息会给我们更强有力的分析手段去分析一些人的行为，这里面有各种各样的战法，所谓战法就是警方客户在破案或在分析一些数据时采用的一些不同的手段和流程。

　　2、人物属性识别

　　刚才是车，我们现在来看一下关于人的识别。

　　这套视觉系统能够对画面里的行人和他的属性结构化，也就是对人物的基本属性做一些判断：如性别、大致年龄、行李属性、衣服颜色、衣服类型。如果可以看到正面的话，就可以看清他的有没有戴口罩和戴眼镜，有没有留胡子等信息。

　　这些信息其实跟人脸识别不太一样，它是一种短效、对分辨率要求不高时得到信息的一种途径。

　　当我们很多人对安防监控不熟悉的话，就会觉得街头上的安防监控摄像头一定会把人脸识别出来。但事实上，今天绝大多数普通的安防监控摄像头根本不可以满足人脸识别分辨率的条件。

　　首先它们的视场角往往设置的比较广，第二是他们离人的距离比较远。

　　在这种情况下，虽然可以看清这个人的外形，但要想看清他的面部，尤其想在面部区域得到一个比较高的分辨率，至少是80×80，或是100×100，分辨率高是提升人脸识别效果非常重要的因素。

　　当今街道上这些普通监控摄像视频里面，虽然看不清脸，无法做人脸识别，但是我们如果能够从他身上得到他的其他属性，也是很重要的元素。

　　举一个例子，比如有一个小孩走失了，目击证人提供的线索是看到一个穿着红颜色衣服的中年妇女抱着这个孩子。那么我们就可以根据上述提到的属性去搜索：中年、女性、红色衣服、抱着孩子，把这4个特征输到搜索系统当中，即可迅速地找到目标。

　　3、人脸识别

　　我们再来看下人脸识别，要想得到一个比较靠谱的识别结果，画面的距离如下图展示的这样。

　　在这里，我们联通了一个普通的高清摄像头。在这个摄像头中我们特地选择了一个焦距比较长，为15毫米以上的镜头放在一个办公室的走廊顶端。我们发现，环境里差不多有效识别人脸的宽度最多为三米。当然也可以使用一些更长焦的镜头把识别宽度推到更远的地方，或用短镜头把识别宽度放在离相机比较近的地方。但是无论你怎么试，它真正有效的识别宽度也就三米左右。

　　通常我们得到一张低分辨率的人脸，比如说30×30以下，那么它在一个很大的数据库里去做搜索的效果，肯定非常不理想。通常要求一个人脸最好是达到100×100个像素以上时，它的搜索结果就会非常精确，甚至可以在一个很大，如几百万、几千万人的数据库里做有意义的搜索。

　　人脸识别技术在过去几年进展非常大。和3年前相比，我们去看一个标准测试集时，错误率可能已经小了上千倍。我们训练人脸模型时，尤其要注意光照、角度、表情问题，能不能够去抗干扰。

　　视频中大家也可以看到，人员自己去做一个挑战，每一位员工在工作期间无论在办公室里还是在外面的院子，都能被我们的人脸识别系统拍到很多照片。

　　我故意让他们走到摄像头跟前来做鬼脸，看看谁可以把脸做如此夸张以至于人脸识别系统会产生错误的识别。大家可以看到有一些人在做鬼脸，有些人在弄乱自己的发型。