隨著經濟全球化的影響日益深入，改革開放的進一步推進和城市化建設的步伐日益加快，導致城市人口密集、流動人口增加，引發了城市建設中的交通、社會治安、重點區域防範等城市管理問題。當前治安形勢多樣性、複雜性、犯罪作案手段隱蔽性以及刑事案件高發，尤其是近年來年對城市反恐的新要求，為公安管理工作特別是預防犯罪和執法工作提出了新的挑戰。但是由於目前公安警力增加遠不能滿足實際需求的發展速度，於是隨著人工智慧技術和監控攝像技術的發展，能將科技手段轉化為直接戰鬥力的城市治安圖像監控成為了解決該問題的重要手段，為直接為破獲案件提供了便利。
傳統安防識別方法缺陷及解決
傳統監控識別方法帶來的問題，首先無法避免人類自身不可靠的弱點，不能始終保持警惕，察覺安全威脅，注意力難以持久，容易錯過重要畫面信息。其次攝像機數量大於監視器數量，並非採用1:1方式，輪巡顯示、多畫面小圖像的方式，很可能錯過異常現象，聽任事態發展。另外監視與錄像分開，不能留住瞬間畫面或者快速抽調錄像，輔助分析。最後，目前錄像內容，僅供事後參考，對於異常情況或者突發事故如果發生，損失和影響將無法挽回，屬於被動監控。
微模式動態人臉識別布控系統，智能視頻監控在原有的視頻監控基礎上增加智能視頻分析功能，系統能夠根據設置的布控方案自動判斷每一路監控場景是否存在異常情況，當產生異常情況後系統將自動產生告警。
1、人臉檢測
「人臉檢測（Face Detection）」是檢測出圖像中人臉所在位置的一項技術。
人臉檢測算法的輸入是一張圖片，輸出是人臉框坐標序列（0個人臉框或1個人臉框或多個人臉框）。一般情況下，輸出的人臉坐標框為一個正朝上的正方形，但也有一些人臉檢測技術輸出的是正朝上的矩形，或者是帶旋轉方向的矩形。
常見的人臉檢測算法基本是一個「掃描」加「判別」的過程，即算法在圖像範圍內掃描，再逐個判定候選區域是否是人臉的過程。因此人臉檢測算法的計算速度會跟圖像尺寸、圖像內容相關。開發過程中，我們可以通過設置「輸入圖像尺寸」、或「最小臉尺寸限制」、或「人臉數量上限」的方式來加速算法。
一、人臉識別技術
2、人臉配準
「人臉配準（Face Alignment）」是定位出人臉上五官關鍵點坐標的一項技術。
人臉配準算法的輸入是「一張人臉圖片」加「人臉坐標框」，輸出五官關鍵點的坐標序列。五官關鍵點的數量是預先設定好的一個固定數值，可以根據不同的語義來定義（常見的有5點、68點、90點等等）。
當前效果的較好的一些人臉配準技術，基本通過深度學習框架實現，這些方法都是基於人臉檢測的坐標框，按某種事先設定規則將人臉區域扣取出來，縮放的固定尺寸，然後進行關鍵點位置的計算。因此，若不計入圖像縮放過程的耗時，人臉配準算法是可以計算量固定的過程。另外，相對於人臉檢測，或者是後面將提到的人臉提特徵過程，人臉配準算法的計算耗時都要少很多。
3、人臉屬性識別
「人臉屬性識別（Face Attribute）」是識別出人臉的性別、年齡、姿態、表情等屬性值的一項技術。
一般的人臉屬性識別算法的輸入是「一張人臉圖」和「人臉五官關鍵點坐標」，輸出是人臉相應的屬性值。人臉屬性識別算法一般會根據人臉五官關鍵點坐標將人臉對齊（旋轉、縮放、扣取等操作後，將人臉調整到預定的大小和形態），然後進行屬性分析。
常規的人臉屬性識別算法識別每一個人臉屬性時都是一個獨立的過程，即人臉屬性識別只是對一類算法的統稱，性別識別、年齡估計、姿態估計、表情識別都是相互獨立的算法。但的一些基於深度學習的人臉屬性識別也具有一個算法同時輸入性別、年齡、姿態等屬性值的能力。
4、以在基本保證算法效果的前提下，將模型大小和運算速度優化到移動端可用的狀態。
5、人臉比對（人臉驗證、人臉識別、人臉檢索、人臉聚類）
「人臉比對（Face Compare）」是衡量兩個人臉之間相似度的算法
人臉比對算法的輸入是兩個人臉特徵（註：人臉特徵由前面的人臉提特徵算法獲得），輸出是兩個特徵之間的相似度。人臉驗證、人臉識別、人臉檢索都是在人臉比對的基礎上加一些策略來實現。相對人臉提特徵過程，單次的人臉比對耗時極短，幾乎可以忽略。
基於人臉比對可衍生出人臉驗證(Face Verification)、人臉識別(Face Recognition)、人臉檢索(Face Retrieval)、人臉聚類（Face Cluster）等算法。
6、人臉驗證
「人臉驗證（Face Verification）」是判定兩個人臉圖是否為同一人的算法。
它的輸入是兩個人臉特徵，通過人臉比對獲得兩個人臉特徵的相似度，通過與預設的閾值比較來驗證這兩個人臉特徵是否屬於同一人（即相似度大於閾值，為同一人；小於閾值為不同）。
7、 人臉識別
「人臉識別(Face Recognition)」是識別出輸入人臉圖對應身份的算法。
它的輸入一個人臉特徵，通過和註冊在庫中N個身份對應的特徵進行逐個比對，找出「一個」與輸入特徵相似度較高的特徵。將這個較高相似度值和預設的閾值相比較，如果大於閾值，則返回該特徵對應的身份，否則返回「不在庫中」。
8、人臉檢索
「人臉檢索」是查找和輸入人臉相似的人臉序列的算法。
人臉檢索通過將輸入的人臉和一個集合中的說有人臉進行比對，根據比對後的相似度對集合中的人臉進行排序。根據相似度從高到低排序的人臉序列即使人臉檢索的結果。
9、人臉聚類
「人臉聚類（Face Cluster）」是將一個集合內的人臉根據身份進行分組的算法。
人臉聚類也通過將集合內所有的人臉兩兩之間做人臉比對，再根據這些相似度值進行分析，將屬於同一個身份的人劃分到一個組裡。
在沒有進行人工身份標註前，只知道分到一個組的人臉是屬於同一個身份，但不知道確切身份。另外假設集合中有N個人臉，那麼人臉聚類的算法複雜度為O(N2)
10、人臉活體
「人臉活體（FaceLiveness）」是判斷人臉圖像是來自真人還是來自攻擊假體（照片、視頻等）的方法。
和前面所提到的人臉技術相比，人臉活體不是一個單純算法，而是一個問題的解法。這個解法將用戶交互和算法緊密結合，不同的交互方式對應於完全不同的算法。鑑於方法的種類過於繁多，這裡只介紹「人臉活體」的概念，不再展開。
二、設備系統組成
微模式動態人臉布控系統是基於人臉識別核心算法的智能系統，通過在人員密集及重點人員管控等場所的進口通道，布置人臉圖像採集攝像頭，系統將搜索採集到的人臉圖像與人臉圖像庫進行比對，比對成功後迅速鎖定嫌疑人員，並輔以人工研判，並將預警信息發送至管控責任單位或責任人終端，由相關人員開展處置工作。該系統能快速準確無誤識別重點管控人員，是安防的重要手段，應用廣泛。
系統設備：
人臉圖像採集終端：
1. 人臉抓拍攝像機
通過攝像頭進行人臉捕捉抓拍後，攝像頭自動將所抓拍到的人臉圖像進行人臉去重、人臉質量評判等流程作業，最後將合格的人臉照片圖像傳到後臺與重點人員人臉庫再進行識別比對、核驗。
2. 普通網絡攝像機
通過網絡攝像頭監控區域，攝像頭自動獲取視頻流送至人臉檢測伺服器，由人臉檢測伺服器對視頻流進行人臉檢測、人臉去重、人臉質量評判等流程作業，最後將合格的人臉照片圖像傳到後臺與重點人員人臉庫進行識別比對、核驗。
產品功能簡介：
1. 市局權限分級：市局授予權限，給分局分配不同帳戶，實現多帳戶信息共享；2. 預警發送：簡訊、微信等多方式傳送到管控終端，實時掌握重點人員信息；
3.研判工具：根據案件偵查情況，可依據時間、地域等對重點人員進行布控追查；4.平安城市視頻對接：與平安城市視頻監控進行對接，進行重點人員布控；
5.公安局平臺對接：對接公安系統平臺，預警信息實時發送。
應用領域：火車站、汽車站、地鐵站、公交車站、機場等，人員密集場所、大型會議安保、重點人員臨時布控。
三、部分應用場景
1.教育行業：
應用在幼兒園、中小學中，提高校園安全率。快速識別本校學生、老師、家長，杜絕陌生人進入，杜絕小朋友被冒領現象。在各種重大考試中，可利用人臉識別技術確認考生身份，防止假證考試、替考等不良現象。在考場中，可以全程監考，避免作弊現在發生，既保證考試的公平公正性，又大降低了學校的人工成本。
2.公安行業：
在一些公眾場合安裝攝像頭，利用動態人臉識別布控讓民警可以從重複、繁雜的視頻觀察中解放出來。通過高清攝像頭抓取人臉、再進行大庫比對，警方可以輕易找出重點人員流動路徑。可以廣泛應用於機場、車站、港口、地鐵重點場所和大型商超等人群密集公共場所，以達到對一些重點人員的排查，抓捕逃犯等目的。
精品學習資料，有弱電、室分工程學習資料。入行必備，培訓必備！