方象技術(shù)觀察

布局特定場景及行為識別 搶占技術(shù)前沿

中國電子學會的公開數(shù)據(jù)顯示， 2017 年，中國人工智能核心產(chǎn)業(yè)規(guī)模已達到 56 億美元左右，預計 2020年將超過 220 億美元。在人工智能中，機器視覺占比最高，達到 37％。而在機器視覺市場中，安防行業(yè)占據(jù)七成份額。

目前，隨著安防建設升級，安防系統(tǒng)正從傳統(tǒng)的被動防御體系升級成為主動判斷和預警的智能防御。這種安防建設的升級，對智能安防也提出了更高要求。那么，從被動追逃到主動預警再到多場景應用，視覺安防技術(shù)會如何發(fā)展呢？

視覺安防離不開卷積神經(jīng)網(wǎng)絡算法

在“計算機視覺＋安防”領(lǐng)域，無論是智能視頻監(jiān)控，還是人臉識別或行為識別，歸根結(jié)底，本質(zhì)上都是對圖像進行處理。自2012年以來，在圖像處理問題上，卷積神經(jīng)網(wǎng)絡因其在學習過程中無需手工選取特征，只需進行大量圖像數(shù)據(jù)訓練即可，在圖像分割、圖像檢測等方面取得巨大成果。目前，卷積神經(jīng)網(wǎng)絡已經(jīng)成為圖像識別領(lǐng)域的核心算法之一。

根據(jù)人類視覺系統(tǒng)［1］對信息分級處理的方式，人工構(gòu)建的深度卷積神經(jīng)網(wǎng)絡模型，可以仿照人類大腦，由低層到高層逐層迭代、抽象處理視覺信息。卷積網(wǎng)絡每層代表可視皮層的區(qū)域，每層上的節(jié)點代表可視皮層區(qū)域上的神經(jīng)元，信息由左向右，逐層迭代傳播。通過對歷史數(shù)據(jù)逐步進行學習，將歷史數(shù)據(jù)的經(jīng)驗存儲在網(wǎng)絡中，且伴隨著學習次數(shù)及經(jīng)驗不斷提高，可指數(shù)型跨越式地提升計算機對圖像和視頻的認知能力。

［1］1981年諾貝爾醫(yī)學獎獲獎者David Hubel、Torsten Wiesel發(fā)現(xiàn)

特定場景和行為識別是重要技術(shù)靶點

深度依托于圖像處理的“安防”，最先得到了技術(shù)發(fā)展的紅利，傳統(tǒng)安防巨頭和創(chuàng)企紛紛致力于打造具有“智能大腦”的算法、設備和系統(tǒng)。

雖然深度卷積網(wǎng)絡的多重非線性使其具有很大的可塑性，但想要將這把利器恰到好處地用到安防場景，還需更多研究和實踐。

在深度網(wǎng)絡框架下，如何選擇內(nèi)部結(jié)構(gòu)，引入多少節(jié)點，選取哪些區(qū)域進行池化，往往需要大量經(jīng)驗，還要反復進行調(diào)整。深度網(wǎng)絡“學習”的過程中，特寫場景中的目標特征識別尤為重要。這需要對系統(tǒng)有針對性地喂以訓練數(shù)據(jù)，比如遮擋人臉、行為識別中各種組合姿態(tài)等，通過深度學習，讓其能針對特寫場景中的目標進行識別。

方象知產(chǎn)研究院認為，在視覺安防領(lǐng)域，以卷積神經(jīng)網(wǎng)絡突破細分場景應用，仍然是未來的發(fā)展方向：一方面能讓這種“類視覺人工智能系統(tǒng)”針對特定場景的目標進行識別，不僅知道什么時候“該看”，還要能“看得清”、“看得透”、“看得懂”，在安防領(lǐng)域發(fā)揮作用；另一方面，還要完善深度網(wǎng)絡的學習能力，突破算法局限，能針對不同特點的數(shù)據(jù)庫及需求，建立對應的識別能力，建立系統(tǒng)性的整體設計方案，以最低成本拓展應用場景。