人員結構化”多特征分析，助力精準人像識別應用

近幾年來，作為公安視頻偵查的重要手段，人像識別在公安實戰過程中的應用需求正在加速釋放。公安部門需要比對大量的視頻、圖像，從海量視頻監控數據中精準、快速地找到目標人物。智能人臉系統的部署將警務人力極大地解放出來，帶來了警務實戰效能與效率質的提升。隨著人工智能、大數據、云計算等技術的融合應用，人像識別在公安視頻偵查中的輔助作用也越來越關鍵。

　　M:N模式精準人臉識別設備應用仍存技術難點

　　當前，公安視頻偵查中人臉識別的應用一般分為兩種場景：一種是靜態人臉識別比對，從監控錄像中采集人臉的截圖，然后和目標庫(如犯罪分子庫、黑名單庫、失蹤人員庫等)做靜態比對，縮小目標范圍到幾人、十幾人內，提高身份確認的效率;另一種則是直接在監控視頻中做動態比對，實時檢測、比對分析、跟蹤人臉。

　　在1:1、1:N靜態人臉比對場景中，因為人臉比對的數據量較小，且環境干擾因素較少，人臉識別的準確率普遍能夠達到99.5%以上甚至100%。但在復雜的M:N模式下的動態人臉布控過程中，要做到超高精度人臉識別和追蹤仍然不太容易。這里涉及到很多因素，包括抓拍距離、光線環境、人臉角度等等，干擾性較大，應用到實戰場景中仍然有一些技術難題需要攻破。

　　智能抓拍引擎，提升動態人臉識別準確率

　　要提升動態人臉識別的準確率，首先要保障的是人臉圖像的抓拍率，這一點在很多技術類文章中鮮少提及，但其實是很關鍵的因素。在動態人臉抓拍場景下，大量移動目標的重疊、分離、移出區域等都是導致漏拍的關鍵因素。智能抓拍引擎，可以有效解決目標跟蹤遺漏、目標重復的問題，可將抓拍有效率提升到96%以上，將重復率控制在8%以下。同時，內建的圖像評價篩選算法可自動選擇最優抓拍，剔除重復圖片，一方面減少傳輸圖片的數量，降低網絡傳輸和后端計算壓力;另一方面篩選出高質量人臉抓拍圖片，提升識別的準確率。

　　多特征算法疊加，獲取更精準的識別率

　　在保障高質量人臉圖像抓拍的基礎之上，再從算法角度強化人臉特征的檢測提取，以獲取更精準的識別率。

　　人臉識別設備是一種非常重要的生物特征，具有結構復雜、細節變化多等特點，同時也蘊含了大量的信息，比如性別、年齡、表情等。在動態識別場景中，算法主要是基于面部進行特征點檢測分析，單一在人的面部區域做特征提取，仍然會受光線、環境以及非配合條件等因素，影響到最終的識別準確率。

　　針對這個問題，智能攝像機一方面采用多特征人像識別技術，可實現“人臉&人體”多特征檢測、提取、分析以及輔助跟蹤，支持人臉、人體、頭肩等部位同時抓拍，特征提取點更豐富多維，包含人物性別、年齡、是否帶口罩、人物服飾等10余種屬性特征，實現最優人臉&人體相關聯。從人臉到人體，從單一特征到多特征，隨著目標人物細節特征的豐富，基于深度學習的算法，可以在訓練過程中讓深度神經網絡“自動”從訓練的數據中學習最適合的特征擷取方法，自主篩選更精確的信息，多樣性人像特征的算法疊加，達到更精準的識別效果。另一方面，智能攝像機還可通過多攝像機間的協同、端云間的協同進行聯合判斷，單機比對處理后再多機配合計算確認，從而降低人臉誤檢率。

　　AI場景自適應，成像更好滿足實戰應用

　　最后，值得一提的是，在安防應用中，攝像機安裝的環境千差萬別，同一個安裝場景會有不同的環境變化，這也給精準人臉識別帶來了較大的挑戰。為了解決這個問題，智能攝像機內置實時圖像質量檢測與評估特性，具備自我感知和場景適應性學習能力，可通過AI算法自動識別場景環境，比如霧天、雨天、低照場景、寬動態場景等等，而后自動調整參數，使圖像在不同的場景下呈現最優狀態，更好地滿足實戰應用。人臉識別設備