2016年北京安博會上，各（gè）家公司人臉識別產品百花齊放，但就（jiù）是在這個人臉識別的鼎盛時代， 實際上需求（qiú）最（zuì）痛的安防行業還是無法大規模應用。根據最高人民檢察院和最高人民法院關於刑事案件數量（liàng）的統計，2015年全國人民法院（yuàn）新收刑事一審案件1126748件，同比上升8.29%。（數據來源：2001-2016年《中國法律年鑒》）。滿大街的攝像頭，各種智能檢測分析，依舊（jiù）有很多人肆無忌憚地進行著違法犯罪活動。 　　

    針對此，本文首先回顧了目前人臉識別技術的發展狀況，然後（hòu）重點探討了目前安防行（háng）業大規模應用人臉識別還需要解決的（de）問題。 　　

    人臉識別技術的發（fā）展狀況 　　

    在深度（dù）學習技術出現之前（qián），幾乎所有人臉檢測都是采用滑動窗口式的方法。在識別輸入圖像（xiàng）前，我們會先用一個固定（dìng）大小的窗口（kǒu）在輸入圖（tú）像上進行滑動，窗口框定的區域會被送入（rù）到（dào）分類器，去（qù）判斷是人臉窗口還是（shì）非人臉窗（chuāng）口。滑動（dòng）的窗口其大小是固定的，但是人臉的大小則多（duō）種多樣，為（wéi）了檢測不同大小的人臉，還需要把輸入圖像縮放到不同大小，使得不同大小的人臉能夠在某個尺度上和窗口（kǒu）大小相匹配（pèi）。這種滑動窗口式的做法有一個（gè）很明顯的問（wèn）題，就是有太多的位置要去檢查，去判斷是人臉還（hái）是非人臉。 　　

    2000年前後出現（xiàn）的Viola-Jones人臉檢測器，使得這種人臉檢測技術開始成熟起來，並出現了（le）相（xiàng）關（guān）的實際應（yīng）用，例如數碼相機中的人（rén）臉對焦的功能，照相的時候，相機會自動檢測人臉，然後根據（jù）人臉的位置把（bǎ）焦距調整得更好。 　　

    就人臉檢測而言，人臉可以大致看（kàn）成是一種剛體，通常情況下（xià）不會有非常大的形變，比方（fāng）說嘴巴變（biàn）到鼻子的位置上去。但是對於公安實際應用中既關注人臉（liǎn）也（yě）關注全身來說，人可（kě）以把胳膊抬起來，也可以把腿（tuǐ）翹上去，這使得人體有非常多的非剛性變化，從而使得檢測的準確率大大降低（dī）。

    2013年底，深度學習給人臉檢測任務點起了（le）一把火，這個（gè）火種（zhǒng）就是R-CNN，其中R對應於（yú）“Region(區域)”，意指CNN以圖像區域（yù）作為輸入，這個工作最終發展成了一個係列，R-CNN的變革首當其衝的是拋棄了滑動（dòng）窗口範（fàn）式（shì），取而代之的是（shì）一個新（xīn）的生成候選窗口的環節；其次不再采用人工設計的特征，而是用CNN來自動學習特征。傳統滑（huá）動窗口範式做目標檢測時，需要（yào）對每一個物體去設計（jì）和和學（xué）習單獨的檢測器，例如做人臉（liǎn）檢測和車輛檢測，兩個檢測器特征會不一樣，分類器也不一樣，對於每一類物體，需要去嚐試不（bú）同的特征和分類器的組（zǔ）合。但是現在，采用（yòng）深度學習的R-CNN在物體類別上沒（méi）有任何限製。換句話說，它既可以（yǐ）檢測人臉，也可以同時檢測其（qí）他類別（bié）的物體，比（bǐ）如說人體形態，這在公安實戰（zhàn）應（yīng）用中是一（yī）個非（fēi）常重要的優勢。 　　

    R-CNN帶來了目標檢測（cè）精度的一次巨（jù）大提升（shēng），然（rán）而由於所采用的候選窗口生（shēng）成方法（fǎ）和（hé）深度網（wǎng）絡都具有比較高的計算複雜度，因而檢測速度非常慢。為了解決R-CNN的速度問題，緊接著出現了Fast R-CNN和Faster R-CNN，速度一個比一（yī）個快。與此同時，一部分研究人員把研究視（shì）角（jiǎo）切（qiē）換到（dào）將傳統的人臉檢測技術和深度網絡（如CNN）的結合，保證（zhèng）檢（jiǎn）測速度（dù）的情況下進一步提（tí）升精度，專做人（rén）臉檢測的Cascade CNN可以認為是傳統技術和深度網絡（luò）相結（jié）合的一個代表，吸取傳統人臉檢測技術中的精華（huá），借鑒深度學習（xí）研究的（de）最新成果，提升某一類（lèi）目（mù）標（biāo）檢測精度和速度，這是一條值（zhí）得繼續探索的道（dào）路。 　　

    目前，人（rén）臉檢測方法正日趨成熟，在現實場景中（zhōng）也已經得到了比較廣泛的應（yīng）用，在特定配合場（chǎng）景下如照（zhào）片的檢索、門禁考勤等應用，目前已基本成（chéng）熟（shú）。但是（shì）人臉檢測問題還並沒有被完全解（jiě）決，複雜多（duō）樣的姿態變化、千奇百怪的遮擋情況、捉摸不（bú）定的光照條件、不（bú）同的分辨率、迥（jiǒng）異的清晰度、微妙的膚色差，各種內外因素的共同作用讓人臉的變化模式變得極（jí）其豐富，在非配合場景下的萬級及以上的（de）目標檢測如安防監控庫的應用，依舊任重道遠。 　　

    安防行業應用（yòng）人臉識別 　　

    具體到（dào）安防行業，特定配合（hé）場景下如公安係統的大庫比對、身份查（chá）重等，人臉識別（bié）等應用已經有很多成功的案例。與簡單的靜（jìng）態場景相比，安防市場（chǎng）中（zhōng）應用前景更廣闊的一個（gè）方向是動態（tài）場景下的人臉識別（bié）：基於視頻中的人臉照片進行遠距離（lí）、快速、無接觸式的重點人員布控預警。讓應用於車（chē）站、機場、地鐵等（děng）重點場所和大型商場超市等人群密集的公共（gòng）場所視頻監控係統能夠對視頻圖像進行采（cǎi）集、自動分析、抓取人（rén）臉實時比對，主動在監控場景中識別重點關（guān）注人員，實現重點人員的布控和識別。這是一個熱（rè）鬧的研究方向，同時也是一個（gè）巨大的研究挑戰。 　　

    算法（fǎ）前移：計算（suàn）資源與算法精度的平衡問題 　　

    采（cǎi）用（yòng）深度學習的（de）方法來做人臉識別，需要（yào）消耗（hào）非常多的計算資源，針對服務器資源昂貴的（de）市場情況，想要實現智能監控係統的大規模（mó）部（bù）署，必須要考慮到承擔的經濟成本。目（mù）前不少公司采用了將（jiāng）算法內嵌至（zhì）前端攝像機的經濟做法，比如科達公司推出（chū）的感知型攝像機（jī）等（děng），讓前端攝像機具備人臉檢（jiǎn）測的功能，後端服務器再做二次分析，以此減少後端服務器的計算壓力。 　　

    顯而易見，如果想在前端攝像機上集成精度高速度快的人臉識別（bié）模塊，勢必需（xū）要前（qián）端硬件性能的匹配。而目前已有的硬件還（hái）達不到這（zhè）樣的要求（qiú），隻能在算法上做一些犧牲，如降低算法的（de）複（fù）雜性，但這樣應用到實（shí）際場（chǎng）景中，則會造成檢測效果的降低，如（rú）漏檢、誤檢。 　　

    大數據訓練：數據從何而來以及如何（hé）訓練 　　

    深度學習最核心的優勢在於（yú）深度化，用（yòng）足夠多的數（shù）據來訓練，訓練的越多，算法的魯棒性、泛化能力越強。目前深度學習算法的訓練數據（jù）普遍都是幾十萬、上百萬（wàn）級，像一些互聯網行業的IT巨頭們，他們（men）的訓練數（shù）據都是上千萬、甚至上億級別（bié）。 　　

    Fei-Fei LI在2015年TED TALK中向公眾介紹人工（gōng）智能（néng）中計算（suàn）機視覺技術的最新進展時說道，ImageNet中下載了接近十（shí）億張照片，在（zài）巔峰時（shí）期，總共有接近五萬工作（zuò）者，來自167個國家，幫（bāng）助他們清理（lǐ）、分類、標（biāo）記，接近十（shí）億張候（hòu）選圖片。“十億張”、“五（wǔ）萬工作者”這些關鍵（jiàn）詞無不暗示著獲取有（yǒu）標（biāo）注數據（jù）的時間和金錢成本。 　　

    首先，安防行業的“十億張”從何而來（lái）？據了解，盡管視（shì）頻監控帶來了圖（tú）片與視頻資源的（de）激增，一方麵出於安全及隱私的考慮，不少公司做大數據訓練時，樣（yàng）本采用的是本公司自（zì）有（yǒu）建設的監控資源庫，小範圍的區域監控遠遠夠不成海（hǎi）量；另一方麵，目（mù）前安防產（chǎn）品的形態並沒有給深（shēn）度學習留下一個很好的空間（jiān），比如說安防係統的數據大多都存儲在一個錄像機、存儲設備裏，他們可以是DVR、NVR、IPSAN或者雲存儲（chǔ）裏，這樣的構成體係不太方便讓（ràng）一個計算設備把它的數據挖掘出（chū）來，然後去處理。如果在未來可以有一個更友（yǒu）好的基礎設施出現：所有的監（jiān）控攝像機（jī）都連（lián）到一個雲上，在雲上把深度學習的算法加載在上麵，讓其接（jiē）觸並分（fèn）析所有的數據，真正實現大數據訓練。 　　

    其次，“五萬工作者”的研發體量可望不可及（jí）。每天，安防企業的研發者都需要花大量的精力（lì）和（hé）人力投入到給圖像打（dǎ）標（biāo）簽的工作上，但是大量無監督數據的獲取成本卻是微乎其微的。 　　

    回顧深度學（xué）習的（de）發展史，有趣的是，2006年Hinton教授等人倡導的（de）卻恰恰是利用無監督（dū）學習（xí）來對深層神經網絡進（jìn）行預訓（xùn）練。對無監督數據的學習能力嚴重不足，以（yǐ）致大量無監（jiān）督（dū）數（shù）據就（jiù）像（xiàng）富含黃金（jīn）的（de）沙海，我們（men）卻沒有高效淘金（jīn）的利器。直接從大量無監督數據中學習模型確實是非常困難的，“無師自通”並非朝夕（xī）之功，但“少量有監督數據+大量（liàng）無（wú）監督數據”的模式也許值得大力研究。 　　

    監控攝像機：智能（néng）是左手，高清是右手 　　

    從模擬到720p到1080p到4K，更高清甚至超清的監控攝（shè）像機（jī）始（shǐ）終是安防人的首要關注點，畢竟（jìng）沒有（yǒu）有效的圖像采集信息，後麵一切圍繞圖片或視頻展開的智能應用都是紙上（shàng）談兵。 　　

    一個很典型的例子便是2013年波士頓馬（mǎ）拉鬆暴恐案的偵破過程，警方（fāng）在監控（kòng）畫麵中（zhōng）定位到涉案的兩（liǎng）個嫌疑人，盡管嫌疑人距離監控攝像機不遠，但他們的麵部完全（quán）沒有到達一個清晰可辨的程度，後（hòu）來警方借（jiè）助現場媒體、民眾提供的視頻、照片，才鎖定了犯罪嫌疑人（rén）。因此，如果數據在采集過程中就沒（méi）有捕（bǔ）捉（zhuō）到，後期是沒有辦法把它捏造出（chū）來的，要根（gēn）本解決這個問題，需要發明更好的監（jiān）控攝像機，能夠在（zài）大廣角的情（qíng）況下，仍然可以看清很遠的距離。時至今日，除（chú）了特定場景下的高空（kōng）瞭望攝像機外，我們依然沒有很好的（de）監控攝像機可以遠距離采集有效的（de）人臉信（xìn）息。 　　

    總結人臉識別的最終訴求莫過於確認身份，回答“他是誰？”、“他在幹什麽？”、“何地？”、“何時（shí）？”這四個問題，從而通過決（jué）策推理解決“應該采取什麽措施”的問題。在科研上，人臉識別技術日新月異，但落地到實際應用時，大規模（mó）部署時係（xì）統的經濟（jì）性、複雜環境下（xià）係統的魯棒性以及對應的硬件支撐都是需要考慮的現實問題，解決了這些，小目標的達成也（yě）將觸手可及。