安防監控中的非配合型動態人臉識別

人臉識別技術作為已廣泛應用的生物識別技術及圖像處理技術，在社會諸多領域發揮著獨有的作用。配合型的人臉識別應用對構建智慧城市起到了極大的推動作用。而非配合型的動態人臉識別技術在社會公共安全防範、刑偵監控、網路安全、金融安全等領域將成為一把預防和打擊犯罪的利刃。

智能動態人臉識別與追蹤的完整系統，包括高清視頻採集、壓縮、分發與存儲；人臉檢測、跟蹤和姿勢分析；人臉比對、過濾和預警機制。

動態人臉識別系統可應用於以下領域：

1、在機場、地鐵、火車站、汽車站、港口、碼頭等重要交通運輸樞紐對各類違法人員進行布控；

2、在廣場、會場、展館等集會場所對重點監控人員進行布控；

3、在酒店、商場、大型超市等商業建築內對慣偷、暴力人員等進行布控。

GIF

動態人臉識別演算法將為複雜的國內外安全形勢下的安全保衛、安全防範帶來革命性的變革。它具備獨特的技術優勢：

1、通過計算機視覺模擬人眼，符合人類的識別習慣；

2、不需要與設備直接接觸就能採集人臉圖像；

3、不需要專門配合採集設備，被採集者不易察覺，幾乎可以在無意識的狀態下就可獲取人臉圖像；

4、計算機模擬視覺準確率達到99%以上，而且不會疲勞，比人眼更加可靠。

被識別人員的非自主意識和非主動性，以及運動軌跡的自由性等特點，為非配合型的動態人臉識別帶來了一些困難與挑戰。

1、因為監控是非配合型的，監控人員通過監控區域時以自然的姿態通過，因此可能出現側臉、低頭、抬頭等的各種非正臉的姿態和佩戴帽子、黑框眼鏡、口罩等飾物現象。

2、面臨各種環境光源的考驗，可能出現側光、頂光、背光和高光等現象，而且有可能出現各個時段的光照不同，甚至在監控區域內各個位置的光照都不同。

3、攝像機很多技術參數影響視頻圖像的質量，這些因素有感光器(CCD、CMOS)、感光器的大小、DSP的處理速度、內置圖像處理晶元和鏡頭等，同時攝像機內置的一些設置參數也將影響視頻質量，如曝光時間、光圈、動態白平衡等參數。

4、需要的網路識別和系統的計算識別可能會造成視頻的丟幀和丟臉現象。人流量大的公共場所的監控視頻中人臉往往過小，由於網路傳輸的帶寬問題和計算能力問題，常常引起丟幀和丟臉。

5、監控庫往往要求數萬或幾十萬，甚至上百萬的監控名單，希望能捕到「大魚」。而庫容量大就意味著高誤報率。

6、只有大規模成網建設，才能夠勾畫出被監控人員的活動軌跡。這就要求必須高投入，重新建專用網路和相關硬體。

7、在技術方面，要達到高正確報警率，可以通過降低閾值來實現，但是降低閾值的代價是：高誤報率。為了達到95%正確報警率，很多演算法可能會產生300%或更高的誤報率。

毋庸置疑，就人臉識別現有的技術水平而言，配合型的「刷臉」技術及應用已經非常成熟。但是，當其應用於刑偵監控、反恐防暴等安全領域時，如何實現海量數據下人臉識別的快速查詢以及實時識別、乃至動態跟蹤——這對演算法、硬體和環境都是一項挑戰。目前世界很多技術專家和公司都在致力解決這些問題。相信在不久的未來，這項技術可以真正「落地」，幫助安全部門極大減少社會安全的隱患。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！