中科院李子青：动态人脸监控存问题AI+安防技术是应用痛点

李子青，人脸识别和智能视频监控专家，主持了多个国家科学研究项目和重大应用工程项目，在相关领域获准和申请专利10余项。2004年，李子青作为“百人计划”入选者来到中科院自动化所，十一年后，创办AI公司中科奥森，亲自主持了多个重大项目的落地。

中科院生物识别与安全技术研究中心主任李子青

动态人脸监控存在的问题

过去虽然安防行业更聚焦在智能视频分析的应用上，但是AI跟安防的结合是持续不断的，早在十多年以前就已经引入了AI，视频结构化、人脸结构化、车辆结构化等，都是安防行业在视频大数据领域最关注的问题。但现在与过去不同的是，深度学习带来的AI第三次浪潮将AI的概念进一步强化，更深刻地影响着安防行业。在智能安防产品中，随着静态人脸识别已经到了尾声阶段，动态人脸监控当前正如火如荼地进行中，但在实际应用中却遇到一些问题：

（1）误报率太高。以业务规模来解释，在某个辖区中有1000路视频抓拍人像，并且只有一个黑名单库，假设每个摄像头每10秒或者5秒抓拍一张人脸，该辖区每秒钟抓拍100张左右的图象，该辖区每天要产生864万张抓拍人脸，跟20万人的在图库比对次数是1.728万亿次。

对动态人脸识别的性能要求，用户希望通过率比较高，例如90%的通过率，在动态人脸监控上面算是较高的水平，意味着它每天的误报个数要少于200个。现在的问题是误报率太高，如果每次都是“狼来了”，那么就算公安用户对新技术的有强烈的需求，也会选择禁用甚至放弃。

（2）没有足够的标注数据去解决问题。去年12月份李开复谈AI和大数据，他的观点是：具有一定规模和质量的数据集成为人工智能行业发展的一大制约。搜狗的CTO杨洪涛说，还没有足够的数据去解决问题。后者的总结是不太准确的，应该是没有足够的标注数据去解决问题，因为当前生产环节的数据是海量的，就像刚才描述的公安生产环节的数据并不少。

李开复说，人工标注这些东西是不解决问题的，必须在真实运用场景里得到闭环回馈的标注，才能真正地解决AI与大数据的问题。现在行业做深度引擎开发的都遇到了这样的问题。

这就引出了当前技术和应用的痛点所在，深度学习是需要大数据训练的，但是人工标注费时费力，在这方面标注的资源非常有限。行业里听说，商汤每个月都要花费几百万来做标注，因此深度学习还有一定的发展空间，但是不管是提升算法、改进网络架构，还是通过增大数据标注的方式，提升的空间都不会太大，因为它已经接近天花板。所以行业必须在这方面突破——必须像李开复说的那样，要形成应用场景的数据闭环，能够利用生产环节的大数据进行自主标注、自主学习。

未来AI+安防的趋势

从应用来讲，动态识别的误报率太高，大数据的资源应用没有充分的利用起来，研发单位不管是公司还是其他，只能选择在公安现场去训练，或者通过一些手段把数据拷下来，自己标注、加工，来提升核心引擎。

从数据源头来讲，在传感器方面，仍然是受到了暗光、强光和逆光的影响，虽然行业现在有宽动态、星光型的摄像机，但是这仍然是一个问题。未来的发展趋势就是3D传感器，从Kinect到iphone X到Lidar，这是另外一个趋势，对二维的识别进行补充。

最后李子青结合中科奥森的新技术，谈了AI+安防未来的技术趋势：

第一，大数据闭环自主学习，行业通过前端获取数据，数据抓取之后经过结构化或者直接送到后台大数据存储，通过核心引擎实现数据的训练，最后实现后台大数据与核心引擎的再学习打通，实现闭环。

第二，从大数据到一人一档。通过路人库和名单库这两个集合的合辑梳理成一人一档，实现跨时空的目标轨迹挖掘等应用，是核心算法和大数据产生的结果。

第三，新一代智能摄像机，不仅能实现脸、人体、车辆的视频结构化集成到前端去，而且能实现全光照拍摄功能。

李子青最后总结，安防跟深度学习是深度融合的，新锐企业依靠纯算法肯定是没有出路的，像商汤、旷视这些企业都在做落地应用。安防企业如海康大华等，它们具备市场优势，落地应用非常好，AI企业的核心技术要比传统企业更加前沿，两者各有各的优势，现阶段而言，两者之间的互动能让产业与中国的安防技术提升到更高的台阶。