在難度系數極高的城市安防領域，人臉識別在大顯神通。以往人臉識別技術只能處理數百人級別的數據比對，但現在已經發展到上萬人甚至更高量級的數據比對，且突破拍攝角度不正、光線變化復雜、分辨率低等不利條件，幫助公安機關迅速抓捕逃犯。

　一、人臉識別技術在智慧城市中的應用優勢

　　人臉具有相似性和易變性，不同環境、光線、角度、年齡，均會對人臉的成像產生變化，因此人臉識別是生物識別領域最困難的研究領域之一。

　　人臉識別技術具有非強制性、非接觸性、并發性等幾大優勢。非強制性：系統在用戶無意識的狀態下就可獲取人臉圖像，不需要專門配合；非接觸性：用戶不需要和設備直接接觸就能獲取人臉圖像，提取人臉特征進行檢測；并發性：在實際應用場景下可以進行同時多個人臉的分揀、判斷及識別；除此之外，還有操作簡單、結果直觀、隱蔽性好等特點。

　　從古至今，人臉是進行身份辨識的重要方式。在古代，政府為了達到對特定人員的身份識別、防控圍捕的目的，會發布“海捕文書”。海捕文書中包括了人員的畫像、涉案信息等，通過懸賞及威懾測試調動人民群眾積極性，實現對人員的發現、舉報、抓捕。在現代，在身份證、駕駛證、護照等重要的個人證件上，均會印刷或粘貼人臉照片，或者證件內置芯片中植入人像照片。除此以外，在公安、金融、公證、互聯網支付等越來越多的行業，人臉已經作為身份鑒別或業務授權的重要依據之一。在人臉識別技術應用之前，已經誕生了很多對人員身份進行識別的技術手段，總體來說可分為生物識別和非生物識別兩大類，非生物識別在長期的應用過程中，其不足之處逐漸暴露出來：遺失、竊取、盜用、損壞、不衛生、磨損、影響通行、用戶反感、逃避等。人臉識別的出現及應用并不能取代其他的技術，作為一種新的可應用的身份識別技術，它與其它的身份識別技術手段相互補充，揚長避短。而人臉識別在應用上，具有先天性的隱蔽、方便、直觀等優勢，使得人臉識別在某些特定的場所、行業，有巨大的應用優勢。

　　二、人臉識別技術在智慧城市應用案例解析

　　人臉識別技術在智慧城市應用中已經部署并推廣了多種產品形態和解決方案植入。人是社會的主體，所有服務的本質都回歸到對人的服務，人臉識別要解決的也是各行各業滿足人的需求、規避人的風險、解決人的問題。技術逐漸成熟，尤其是深度學習技術帶來的技術突破，使得人臉識別技術達到可應用的下限水平，人臉識別相關產品和系統非常多。雖然人臉產品種類繁多，不管業務應用多么繁雜，但萬變不離其宗，客戶通過人臉識別技術手段達到驗證人的身份或識別人的身份的目的始終不變。

　　比如人臉實時報警系統：應用人臉檢測和識別技術，在人員進出重點區域設置人臉卡口攝像機，針對經過卡口人員進行人臉抓拍、識別和自動報警，并可將報警信息推送到警務終端APP，實現實戰預案聯動。人臉卡口系統可獨立部署，也可作為子系統對接到第三方管理平臺，可廣泛應用于公安、交通、金融、司法、教育、醫院等領域。功能方面如下：

　　人臉采集：可接入網絡高清攝像機，可對攝像機實時視頻畫面內出現的人臉抓拍1張或多張清晰人臉圖片并可截取抓拍的人臉對應的背景照片。

　　人臉儲存：可將抓拍的人臉圖片長期保存，由于人臉圖片所占空間相對視頻文件要小得多，在有限的存儲空間下，人臉圖片可存儲的時間比視頻長得多。

　　人臉布控：支持對卡口過往人員的人臉布控。將布控的人臉圖片及信息，下發到指定的人臉卡口進行布控，一旦攝像機內出現與布控庫內高度相似的人臉，系統能夠實時辨識出來，并將人臉圖片及識別結果上傳中心。

　　移動APP：人臉布控報警可推送到移動終端設備。

　　比如人臉采集檢索系統：應用人臉檢測和識別技術，在人員進出重點區域設置人臉卡口攝像機，針對經過卡口人員進行人臉抓拍、建模以及事后的人臉查詢檢索技戰法等應用，可實現人臉刑偵、技偵的深度應用。人臉采集檢索系統可獨立部署，也可作為子系統對接到第三方管理平臺，可廣泛應用于公安、交通、金融、司法、教育、醫院等領域。采集檢索系統除了具有人臉采集、儲存功能之外還具有以下功能：

　　人臉技戰法：系統提供多種人臉查詢與檢索的技戰法應用，例如：人員出現頻次、同行人分析、同伴分析等。

　　特征人臉技戰法:針對特征人臉或異常人臉，例如：戴眼鏡、戴帽子等，提供可根據人臉的特征或異常的特征，實現特定特征的人臉查詢檢索。

　　比如人像庫共享服務平臺：人像庫共享服務平臺是一套專門針對公安等行業的人口管理、案件偵查的人像檢索系統，系統具有強大的數據導入、批量建模、查詢檢索、統計分析等功能，為公安出入境、戶政、刑偵等部門提供快速定位人員、提高刑偵、視偵的效率，同時可對接公安情報、警綜等系統，為公安追逃、偵查、尋人等應用發揮作用。人像庫共享服務平臺可獨立部署，也可與第三方系統對接，提供人像識別共享服務。功能方面有：

　　人員信息庫數據對接：系統有專門的數據接口，用于與公安的居民信息庫、重點人員信息庫進行人員信息數據對接，在保障公安數據的安全性的同時，能夠快速抽取人臉數據。

　　人臉特征提取：人臉特征值是決定人臉識別精準度的關鍵因素，也是影響人臉檢索速度的因素。系統基于深度學習神經網絡算法，進行人臉特征提取，并將人臉的結構化特征數據儲存入人臉特征庫，進行人臉檢索。

　　人臉比對檢索：系統可提供1:1人臉比對、1：N人臉檢索功能。支持多條檢索任務并發處理，當任務數量超過上限時，系統進行排隊處理。人像查重：實現單一人像檢索或批量人像檢索。

　　三、人臉識別技術在智慧城市中的應用疑難

　　人臉識別技術在智慧城市中的應用疑難主要體現在業務場景與技術實現兩個方面，技術實現方面主要的難點包括：超大規模人臉異步集群識別檢索的難點，人臉識別最小支持到18.5亞像素級的難點，人臉識別技術與環境及樣本量的沖突難點。

　　我們先看第一個難點：超大規模人臉異步集群識別檢索的難點。人臉識別應用的困擾之一是，大容量的人臉庫的人員檢索查詢的時效性難以保障，目前在安防行業，一般大容量人臉庫的規模能達到100萬數量級，檢索速度勉強滿足要求，但對于千萬級甚至更大規模的人臉數據，在數據庫表檢索和硬件的性能均達到極限情況下，仍舊難以支撐業務要求。為解決該問題，系統分別在海量運算和海量存儲上做異步分步式的處理架構，對前端提前的任務系統在優化數據庫表檢索速度的同時，采用異步集群的架構，利用開源的分布式系統基礎架構Hadoop在普通PC機上搭建起基礎云平臺，使得系統的基礎建設成本降低，同時Hadoop基礎云平臺能方便快捷的水平擴充系統性能，而不會引起大幅的成本增加。人臉基礎信息數據庫則采用分布式的HBase，同時HBase還能存儲人臉數據庫處理的中間結果。搜索引擎技術方便則采用Lucene的分布式實現Katta，Katta基于Hadoop框架實現，索引的建立和搜索的打分排序都能在Mapreduce運算模型上進行，大大提高了運行的速度，這為超大規模數據的業務應用提供了技術支撐和保障。基于以上技術，在已測試的案例中，系統在6052路攝像機接入時，每路視頻每秒可處理5幀數據，針對1000萬的人臉庫，檢索響應時間小于1秒。如下圖1所示。

第二個技術難點是：人臉識別最小支持到18.5亞像素級。

　　傳統的人臉識別算法對人臉像素的要求很高，很多號稱小像素級的算法在小像素時效果很差，只有到60像素以上時才有了較好的效果。系統的核心算法通過不斷的攻堅技術難點，創新地提出一種基于雙層異構的改進深度神經網絡，實現了雙層網絡間的信息反饋與數據評介采樣，不僅提高了網絡的穩定程度，而且在訓練中可加入半監督的處理流程，通過人工構建一層網絡來不斷監測和微調學習網絡，解決傳統基于卷積神經網絡的深度學習網絡構建很難人工干預的問題，從而根本上解決了人臉識別準確率與誤識率的問題。同時，為了解決小像素信息量嚴重缺失的問題，系統對建立起了對人臉周邊區域信息的評介體系，通過建立精細像素信息網絡，對人臉信息進行亞像素級的精細化處理，從而解決了小人臉識別的一大難題。如下圖2是人臉識別ROC比對曲線對比。

　第三個技術難點是人臉識別技術與環境及樣本量的沖突難點。人臉識別技術目前依然受限于人臉庫的樣本量影響識別精度，同時受限于單一算法，仍然無法擺脫在黑夜、環境光低下、雙胞胎、戴帽子墨鏡等因素的影響。雖然目前阿泰克等日本供應商已經通過近紅外+3D人臉識別解決了部分問題，但由于實現原理制約，只能在樣本庫小的、事先注冊好人臉3D建模的場景下使用，比如大樓門禁、海關通關閘機，充分利用靜態人證比對和動態3D掃描+近紅外實現。對于智慧城市的廣大區域，比如車站、碼頭等人流量聚集的場所，以及商場、社區等近民場景則難以湊效。

　　人臉識別技術在業務場景下面對的挑戰也比較多，仍需不斷發展探索。比如人臉識別面對綁架型解鎖就是一個難題，利用合規的人臉來進行相應的犯罪反偵察，深度學習的樣本量中對與人臉的變化比較是難以湊效的。此外智慧數據比對中的碰撞方式難以將人臉識別與其他有嫌疑的數據采集源端的二義性帶來的精準度下降。

友情鏈接：http://www.51carfi.com/