在东莞安防行业，人工智能技术的应用也越来广泛。近两年，“智能安防”的概念逐渐深入人心，越来越多的安防企业提倡这个概念，并且以此为中心形成了一系列的产品和解决方案，目前智能安防已经进入2.0时代。随着“互联网+”概念的走俏，安防企业在互联网的框架下，开始实现安防业务模式及技术的多样化。这两个概念的发展对安防行业的发展产生了深刻的影响。

        安防监控系统每天产生的海量图像和视频信息造成的信息冗余问题催生了带有人工智能的计算机视觉技术在安防领域的应用。针对该技术对图像视频进行自动分析.识别.跟踪.理解和描述的特点，带有人工智能的计算机视觉在安防监控系统中演变为近年来业内普遍看好的视频智能分析应用。视频智能分析是一种基于目标行为的智能监控技术。在不需要人为干预的情况下，利用计算机视觉和视频监控分析方法对摄像机拍录的图像序列进行自动分析，包括目标检测.目标分割提取.目标识别.目标跟踪，以及对监视场景中目标行为的理解与描述，得出对图像内容含义的理解以及对客观场景的解释，从而指导和规划行动。

        视频智能分析在东莞安防行业产品中有一项重要应用，就是人脸分析。抓取画面中的人员面部数据，通过智能分析获得如年龄.性别.行进方向等信息，与大数据库对进行黑名单预警。

人脸识别技术的发展阶段

         一般而言，人脸识别的研究历史可以分为三个阶段。

         第一个阶段（1950S-1980S），人脸识别被当作一个一般性的模式识别问题，主流技术基于人脸的几何结构特征；第二阶段（1950s）人脸识别迅速发展，出现了很多经典的方法，列如Eigen Face.Fisher Face和弹性图匹配，此时主流的技术路线为人脸表观建模。上世纪90年代末，深度学习法开始出现，各类利用深度学习取得“高跑分”的人脸识别系统越来越受到安防行业人士的关注。

深度学习相较传统人脸识别方法的优势

    上世纪90年代末到现在，随着人脸识别的研究不断深入，研究者开始关注面向真实条件的人脸识别问题，主要包括以下4个方面的研究：①提出不同的人脸空间模型，线性判别分析为代表的线性建模方法，以Kernel方法为代表的非线性建模方法和基于3D信息的3D人脸识别方法：②深入分析.研究影响人脸识别的因素，包括光照不变人脸识别.姿态不变人脸识别和表情不变人脸识别等；③利用新的特征表示，包括局部描述子和深度学习方法；④利用新的数据源.例如基于视频的人脸识别和基于素描.近红外图像的人脸识别。

现在，人脸识别基础算法主要分为两种类型，一种为传统方法；利用一些人工设计的特征，比如Gabor.LBP.SIFT等算法提取人脸特征，我们称之为浅层学习；另外一种方法就是深度学习方法，它通过模拟人脑的工作原理来感知图像，通过组合底层特征形成更加抽象的高层特征来表征图像。

与传统方法相比，深度学习的优势主要体现于它可以用更多的数据来训练，而训练的数据越多，算法的鲁棒性.泛化能力越强。一般来说，传统算法的训练数据很难达到十万级，训练数据一旦超过这个级别，计算的复杂度就会大幅提升。而目前深度学习算法的训练数据普遍都是十几万.上百万级，像一些互联网行业的IT巨头们，他们的训练数据会是上千万.甚至上亿级别，这种级别的训练数据是传统算法不可想象的。

目前无论是IT行业还是东莞安防监控行业，人脸识别的技术架构并无多大差别，但是训练数据量级的优势，国内如百度.腾讯等IT巨头在人脸识别算法的应用效果上有着一定的优势。但IT企业与安防企业所拥有的训练数据不同；IT巨头拥有的是互联网的大数据，而安防企业拥有的是安防大数据。二者人脸识别技术的关注点也有不同，IT巨头的人脸识别技术是服务于他们的商业目标，比如图像检索.身份认证.无人驾驶等，而安防企业主要关注的是人脸识别技术在公正安全领域的应用。

以上内容由东莞安防公司http://www.chtonb.com.cn整理提供。