李子青，人臉識別和智能視頻監控專家，主持了多個國家科學研究項目和重大應用工程項目，在相關領域獲準和申請專利10余項。2004年，李子青作為“百人計劃”入選者來到中科院自動化所，十一年后，創辦AI公司中科奧森，親自主持了多個重大項目的落地。

中科院生物識別與安全技術研究中心主任李子青

動態人臉監控存在的問題

過去雖然安防行業更聚焦在智能視頻分析的應用上，但是AI跟安防的結合是持續不斷的，早在十多年以前就已經引入了AI，視頻結構化、人臉結構化、車輛結構化等，都是安防行業在視頻大數據領域最關注的問題。但現在與過去不同的是，深度學習帶來的AI第三次浪潮將AI的概念進一步強化，更深刻地影響著安防行業。在智能安防產品中，隨著靜態人臉識別已經到了尾聲階段，動態人臉監控當前正如火如荼地進行中，但在實際應用中卻遇到一些問題：

（1）誤報率太高。以業務規模來解釋，在某個轄區中有1000路視頻抓拍人像，并且只有一個黑名單庫，假設每個攝像頭每10秒或者5秒抓拍一張人臉，該轄區每秒鐘抓拍100張左右的圖象，該轄區每天要產生864萬張抓拍人臉，跟20萬人的在圖庫比對次數是1.728萬億次。

對動態人臉識別的性能要求，用戶希望通過率比較高，例如90%的通過率，在動態人臉監控上面算是較高的水平，意味著它每天的誤報個數要少于200個。現在的問題是誤報率太高，如果每次都是“狼來了”，那么就算公安用戶對新技術的有強烈的需求，也會選擇禁用甚至放棄。

（2）沒有足夠的標注數據去解決問題。去年12月份李開復談AI和大數據，他的觀點是：具有一定規模和質量的數據集成為人工智能行業發展的一大制約。搜狗的CTO楊洪濤說，還沒有足夠的數據去解決問題。后者的總結是不太準確的，應該是沒有足夠的標注數據去解決問題，因為當前生產環節的數據是海量的，就像剛才描述的公安生產環節的數據并不少。

李開復說，人工標注這些東西是不解決問題的，必須在真實運用場景里得到閉環回饋的標注，才能真正地解決AI與大數據的問題。現在行業做深度引擎開發的都遇到了這樣的問題。

這就引出了當前技術和應用的痛點所在，深度學習是需要大數據訓練的，但是人工標注費時費力，在這方面標注的資源非常有限。行業里聽說，商湯每個月都要花費幾百萬來做標注，因此深度學習還有一定的發展空間，但是不管是提升算法、改進網絡架構，還是通過增大數據標注的方式，提升的空間都不會太大，因為它已經接近天花板。所以行業必須在這方面突破——必須像李開復說的那樣，要形成應用場景的數據閉環，能夠利用生產環節的大數據進行自主標注、自主學習。

未來AI+安防的趨勢

從應用來講，動態識別的誤報率太高，大數據的資源應用沒有充分的利用起來，研發單位不管是公司還是其他，只能選擇在公安現場去訓練，或者通過一些手段把數據拷下來，自己標注、加工，來提升核心引擎。

從數據源頭來講，在傳感器方面，仍然是受到了暗光、強光和逆光的影響，雖然行業現在有寬動態、星光型的攝像機，但是這仍然是一個問題。未來的發展趨勢就是3D傳感器，從Kinect到iphone X到Lidar，這是另外一個趨勢，對二維的識別進行補充。

最后李子青結合中科奧森的新技術，談了AI+安防未來的技術趨勢：

第一，大數據閉環自主學習，行業通過前端獲取數據，數據抓取之后經過結構化或者直接送到后臺大數據存儲，通過核心引擎實現數據的訓練，最后實現后臺大數據與核心引擎的再學習打通，實現閉環。

第二，從大數據到一人一檔。通過路人庫和名單庫這兩個集合的合輯梳理成一人一檔，實現跨時空的目標軌跡挖掘等應用，是核心算法和大數據產生的結果。

第三，新一代智能攝像機，不僅能實現臉、人體、車輛的視頻結構化集成到前端去，而且能實現全光照拍攝功能。

李子青最后總結，安防跟深度學習是深度融合的，新銳企業依靠純算法肯定是沒有出路的，像商湯、曠視這些企業都在做落地應用。安防企業如海康大華等，它們具備市場優勢，落地應用非常好，AI企業的核心技術要比傳統企業更加前沿，兩者各有各的優勢，現階段而言，兩者之間的互動能讓產業與中國的安防技術提升到更高的臺階。