未来智能安防需要逾越几大技术鸿沟

作为人工智能、大数据技术落地应用的典型行业领域，公安行业近几年来在相关技术的推动之下发生了较为显著的变化，其中人脸识别、车辆结构化描述等技术进入到相对成熟的应用阶段，但随着公安实战应用需求的增加，现有的一些体系和架构仍需要进一步的升级改造。人工智能、大数据技术深入应用的同时，也需要持续跟进技术的后续演变，制定相关标准以及对技术应用过程中可能出现的问题进行提前布局。

本次a&s特别邀请到公安三所物联网技术研发中心研究员梅林博士，针对当前阶段公安领域的实战应用所面临的困难点和未来的技术方向做了充分的剖析和探讨，希望本期访谈能够对行业提供一些意见和参考！

Q：a&s总经理、总编辑 关玉娟

A：公安三所物联网技术研发中心研究员梅林博士

关玉娟：对于当前阶段公安领域的创新技术应用现状，您有哪些感受和看法？

梅林博士：在一些标准化的场景中，人脸识别、人证合一、车辆结构化描述等AI技术应用拥有很高的成熟度，应用效果很好。但在一些非标准化的场景下，比如开放式的1：N人脸识别或是非交通卡口的治安监控点，由于安装角度、光线环境等因素，人脸和车辆的识别分析效果依旧有待提升。

另外，继人脸识别之后，行人重识别正逐渐得到越来越多研究单位的重视，但这也是一个非标场景，角度、距离、光线、装扮等都会对识别分析的效果产生影响，这种情况下如何实现精准识别仍具有很大的挑战性。但一旦突破了应用瓶颈，便可以很好地助力公安实战应用。现阶段，行人重识别技术还处在相关研究机构技术积累的阶段，距离落地应用仍有待时间考验。

围绕着人工智能的图像内容识别，除了人、车等关键目标之外，还有一个技术领域，适用于安检场景的X光图像目标智能识别研究，这也是一个由应用需求驱动的技术领域，X光主要用于机场、火车站、地铁等场所的安检环节，我们现阶段的研究方向主要聚焦在通过X光图像来自动识别过检箱包中的违禁物品，诸如枪支、刀具等违禁品物的智能识别预警。

与此同时，我们也在承接一些公安大数据的项目，这里面涉及到很多方面的技术，比较典型的有三个应用场景：

第一个是电信诈骗，电信诈骗是传统犯罪向新型犯罪转变的一个老大难问题，相比于传统的犯罪形式，电信诈骗由于虚拟身份信息、跨平台作案等因素，破案难度更升一级；

第二个应用场景是立体化治安防控。随着相关技术的逐渐成熟，立体化治安防控也进入到新的阶段，此前的立体化防控主要聚焦在安防建设方面，后续将会融合更多维度的数据信息采集，除了现有的基于传感系统的数据之外还将包括线上线下的各种数据，综合起来进行更精准的数据画像；

第三是物联网防控，除了视频监控之外，像Wi-Fi、RFID、电子车牌等不同维度的信息都可以关联到一起，通过丰富的数据类型，来共同碰撞出更有价值的信息。未来5G大规模应用之后，希望有这么一套设备能够和警务站、警亭、单兵进行人机协同，合成作战，实现一站式采集，让各项数据实现实时的融合、联动，为公安实战提供高效快捷的情报分析。

未来，视频专网可能会发展成物联网专网，这也是未来公安视频监控应用发展的趋势之一。

还有一个趋势是移动视频监控信息采集。当前阶段的视频监控更多是采用固定点位进行视频数据的采集，但随着车辆移动监控以及可穿戴式监控设备的出现，未来移动监控的应用也将成为一大趋势方向。

关玉娟：目前阶段视频监控系统应用存在的主要问题以及需要提升的方向有哪些？

梅林博士：视频监控系统虽然智能化程度在不断提高，但距离公安实战应用仍然有一些待改进的地方，主要包含这几个方面：

视频监控系统性设计的缺乏。视频监控系统依旧以平安城市、智慧城市的应用为主，如何更多的去整合其他部门的资源和需求来完善顶层设计也是当务之急；

在顶层设计过程中，同时还存在着混合计算优化的问题，针对云、边、端的系统架构，如何实现资源部署的最优化也是需要重点考虑的方向；

视频分析应用的可扩展性也是一个问题，比如针对人、车目标的布控，不同的目标布控有不同的计算需求，因此需要进一步完善视频监控前端或云端对于这种计算需求的适配性；

视频分析是一项大数据的应用，分析的精准度很大程度上依赖数据量的不断增加，在这个过程中，希望能够建立起一个行业知识库，来辅助建立更高精准度的视频监控识别系统。

另外从业务需求分析的角度来看，针对不同警种的业务需求以及公安实战过程中的不同环节，公安视频监控系统主要聚焦在线视频智能监控预警、海量视频离线综合研判以及视频警务语义解析服务平台这几大类的业务应用方面。

综合而言，视频监控分析应用不仅是建立更多高清联网的视频监控探头，更重要的是通过一个视频解析和服务体系建设，从采集、分析、处理、挖掘各个环节出发实现对海量视频资源的深度应用，以此来促进视频监控产业从监控到理解的转型。

关玉娟：从技术发展的角度来看，接下来安防领域的人工智能应用还有哪些需要攻克的技术方面？

梅林博士：首先是视频流媒体的分布式计算引擎。视频云现在还是基于单个文件的处理，如何实现基于流媒体的分布式处理需要进一步研究。

其次在视频图像增强方面，尽管视频监控摄像头高清指数在不断升级，但同时也存在由于运动、光线等因素造成的模糊，如何实现对模糊视频图像像素的增强和还原，也是一大技术方向之一，未来有望通过基于深度学习的人工智能技术来实现图像增强的突破。

另外，数据的分布式计算。现阶段，数据资源很多时候掌握在不同地区不同部门的手中，未来是否有这样一种机制，让数据既能够本地化又能实现跨地域互通，可以在降低数据传输的风险和成本的同时满足数据计算的需求。

还有类脑智能研究，通过摸索大脑对图像和动作的识别过程，去发现深度学习在理解大脑模式中所存在的问题，在这方面，可以联合神经科学、心理学等构成跨学科的研究团队，目前我们和上海类脑中心也在积极探索这方面的技术研究。

未来，还有一个方向值得关注——人工智能的对抗。随着人工智能技术的逐渐成熟以及在大众生活场景中的密切应用，未来利用人工智能犯罪也可能成为一种趋势，比如当下为了防止人脸信息被盗用冒用推出的人脸识别活体检测手段，人工智能的对抗研究将是一个持续的过程。

关玉娟：现阶段对于公安用户而言，人工智能技术和应用的投入产出比是否也存在不对等的问题？

梅林博士：有这个问题，公安信息化过程中，创新科技产品和技术作为一种基础的设施投入本身并没有问题，但投入之后如何实现价值最大化这是一个主要问题。现阶段由于条块分割措施，使得很多政府投入的设施局限到谁建谁用，谁建谁管的规则之中，极大地限制了这些设施价值的充分发挥，自然也导致了应用成本的加大。

投入产出比不对等并非是技术的问题，目前在整个建设和建设效益之中最困扰的其实说到底就是数据共享的问题，而这个问题需要从国家层面，从政府层面用政策去引导去解决。

从数据共享衍生出来的还有数据标注的问题。现阶段，人工智能技术的发展是通过海量的数据进行驱动，卓越的算法主要是建立在大量数据的投喂和训练基础之上，这个过程中，由于缺乏适用的数据集，很多时候数据标注的成本便需要由企业自己来承担，企业为了降低成本或追求速度，很多时候会以牺牲隐私的方式来进行数据的采集和标注。

这主要也源自于两方面的原因：一是数据源大多掌握在政府公安权威部门的手中，第三方企业很难拿到数据；二是因为AI的落地场景过于分散，导致没有一个统一的力量能够主导这些分散场景中的数据采集和数据标注的作业，使得市场秩序缺少规范和约束。所以我们也非常希望有关部门能够将数据管理这块真正重视和引导起来。

从技术角度来看，在数据管理方面，是否可以利用区块链技术在个人隐私保护方面发挥作用这也是一个方向。区块链作为一项技术，本身并没有对错，它所具备的数据凭证、防篡改等特征和优势，如果能应用在数据管理和隐私保护方面，将会使得这项技术的价值进一步发挥。

关玉娟：上面您谈到的这些技术和应用方向，由于涉及的范畴相当广泛且复杂，您希望业内怎么去落实和推进？

梅林博士：我们更希望是能够以产学研联盟或者是协会这样的组织力量来共同推进。创新技术的研究和落地应用，光靠企业或技术单位的力量是不够的，还需要有上层政府的引导和推力以及产业链的共同推进。

关玉娟：对于未来安防领域的人工智能应用，您有哪些建议和预判？

梅林博士：前面我们有提到数据共享问题、政策标准制定的问题。具体到技术的应用落地上，主要还有对于场景和业务需求的理解。由于人工智能的应用特别讲求场景化，而每一个行业领域的应用需求其实是非常细化的，这需要企业花时间和精力专注到用户端的实际业务场景当中，充分了解用户的细微需求，这对于一些初创企业而言，可能比较具有挑战性。

另外在商业模式的设计上，也值得诸多企业认真思考，如何设计一套真正能够进行商业化落地的技术应用模式，让政府、厂商及用户均能从这套模式中实现需求的满足，从而让产业实现良性循环，这是技术是否能够落地的一大关键。

编后语：

不同于B端的应用场景，人工智能、大数据等创新技术在公安领域的应用具有更高的技术以及规范性要求。为了更好地契合公安实战应用需求，在不断提升人工智能技术性能水平的同时，我们也要持续完善现有视频监控系统的体系和架构，通过从监控处理的自动化、信息处理的标准化以及按需服务的个性化以及网络安全可控这几大应用需求出发，来解决视频监控应用标准化、及时性、安全性的关键问题。

与此同时，通过基于认知的视频内容理解、人工智能对抗、主动安全防御等技术瓶颈的突破，来为视频监控网络的升级改造、相关技术和产品的产业化、产业标准的编制、视频解析和服务体系的全国性推广来奠定基础，当然这是一个循序渐进的过程，也倚赖业界各部门和单位的集体重视和共同推进！