3月31日，「2018中國人工智能安防峰會」在深圳科興科學園國際會議中心正式開幕。期間眾多AI+安防界重量嘉賓登臺發表演講，讓人受益匪淺。本文，筆者對中科院生物識別與安全技術研究中心主任李子青的演講進行了要點整理，以最精華的觀點，供行業人士參考。

    李子青，人臉識別和智能視頻監控專家，主持了多個國家科學研究項目和重大應用工程項目，在相關領域獲準和申請專利10余項。2004年，李子青作為“百人計劃”入選者來到中科院自動化所，十一年后，創辦AI公司中科奧森，親自主持了多個重大項目的落地。

    動態人臉監控存在的問題

    過去雖然安防行業更聚焦在智能視頻分析的應用上，但是AI跟安防的結合是持續不斷的，早在十多年以前就已經引入了AI，視頻結構化、人臉結構化、車輛結構化等，都是安防行業在視頻大數據領域最關注的問題。但現在與過去不同的是，深度學習帶來的AI第三次浪潮將AI的概念進一步強化，更深刻地影響著安防行業。在智能安防產品中，隨著靜態人臉識別已經到了尾聲階段，動態人臉監控當前正如火如荼地進行中，但在實際應用中卻遇到一些問題：

    (1)誤報率太高。以業務規模來解釋，在某個轄區中有1000路視頻抓拍人像，并且只有一個黑名單庫，假設每個攝像頭每10秒或者5秒抓拍一張人臉，該轄區每秒鐘抓拍100張左右的圖象，該轄區每天要產生864萬張抓拍人臉，跟20萬人的在圖庫比對次數是1.728萬億次。

    對動態人臉識別的性能要求，用戶希望通過率比較高，例如90%的通過率，在動態人臉監控上面算是較高的水平，意味著它每天的誤報個數要少于200個。現在的問題是誤報率太高，如果每次都是“狼來了”，那么就算公安用戶對新技術的有強烈的需求，也會選擇禁用甚至放棄。

    (2)沒有足夠的標注數據去解決問題。去年12月份李開復談AI和大數據，他的觀點是：具有一定規模和質量的數據集成為人工智能行業發展的一大制約。搜狗的CTO楊洪濤說，還沒有足夠的數據去解決問題。后者的總結是不太準確的，應該是沒有足夠的標注數據去解決問題，因為當前生產環節的數據是海量的，就像剛才描述的公安生產環節的數據并不少。

    李開復說，人工標注這些東西是不解決問題的，必須在真實運用場景里得到閉環回饋的標注，才能真正地解決AI與大數據的問題。現在行業做深度引擎開發的都遇到了這樣的問題。

    這就引出了當前技術和應用的痛點所在，深度學習是需要大數據訓練的，但是人工標注費時費力，在這方面標注的資源非常有限。行業里聽說，商湯每個月都要花費幾百萬來做標注，因此深度學習還有一定的發展空間，但是不管是提升算法、改進網絡架構，還是通過增大數據標注的方式，提升的空間都不會太大，因為它已經接近天花板。所以行業必須在這方面突破——必須像李開復說的那樣，要形成應用場景的數據閉環，能夠利用生產環節的大數據進行自主標注、自主學習。

    未來AI+安防的趨勢

    從應用來講，動態識別的誤報率太高，大數據的資源應用沒有充分的利用起來，研發單位不管是公司還是其他，只能選擇在公安現場去訓練，或者通過一些手段把數據拷下來，自己標注、加工，來提升核心引擎。

    從數據源頭來講，在傳感器方面，仍然是受到了暗光、強光和逆光的影響，雖然行業現在有寬動態、星光型的攝像機，但是這仍然是一個問題。未來的發展趨勢就是3D傳感器，從Kinect到iphoneX到Lidar，這是另外一個趨勢，對二維的識別進行補充。最后李子青結合中科奧森的新技術，談了AI+安防未來的技術趨勢：

    第一，大數據閉環自主學習，行業通過前端獲取數據，數據抓取之后經過結構化或者直接送到后臺大數據存儲，通過核心引擎實現數據的訓練，最后實現后臺大數據與核心引擎的再學習打通，實現閉環。

    第二，從大數據到一人一檔。通過路人庫和名單庫這兩個集合的合輯梳理成一人一檔，實現跨時空的目標軌跡挖掘等應用，是核心算法和大數據產生的結果。

    第三，新一代智能攝像機，不僅能實現臉、人體、車輛的視頻結構化集成到前端去，而且能實現全光照拍攝功能。

    李子青最后總結，安防跟深度學習是深度融合的，新銳企業依靠純算法肯定是沒有出路的，像商湯、曠視這些企業都在做落地應用。安防企業如海康大華等，它們具備市場優勢，落地應用非常好，AI企業的核心技術要比傳統企業更加前沿，兩者各有各的優勢，現階段而言，兩者之間的互動能讓產業與中國的安防技術提升到更高的臺階。