（固定廣告圖，與文章內容無關）
人臉識別技術，是基於目標的特徵信息進行身份識別的一種生物識別技術，該技術的研究始於20世紀60年代。80年代後隨著計算機技術和光學成像技術的發展得到提高，而真正進入初級的應用階段則是在90年代後期。人臉識別系統的關鍵在於是否擁有尖端的核心算法，並使系統具有可實用的識別率和識別速度。隨著深度學習概念的提出使人臉識別技術應用於海量視頻的分析成為了可能，美、英等發達國家投入了巨大的人力和財力開展了相關項目的研究，並成功應用於網際網路和公共安全等領域，並取得了極大的實用價值。我國是世界安防大國，人臉識別技術的應用可有效解決被動監控所帶來的弊端，所以該技術的普遍應用將成為必然。
隨著監控技術的發展，視頻監控系統已經成為了我國公安部門安全防範系統的重要組成部分，但隨著海量視頻資源的增加，傳統視頻監控的實時監控和錄像查詢，已經無法滿足新形勢下高科技犯罪偵查破案的要求，所以大數據智能視頻分析平臺的建設將成為公安偵查破案的重要工具，而其中的重點則是人臉識別技術，它將推動公安智能化漸進實用從「看得清」到「看明白」的階段過度，實現案發前的預警、預報和預知，實現真正意義上的科技強警，是公安一個全新的應用方向，具有廣闊的應用前景和極大的推廣價值。
人臉識別的基礎算法分類
人臉識別是一個很早就在安防業界推動的技術板塊，早期主要應用方向是門禁控制系統方面，但無論國際還是國內廠商當年都沒在人臉識別這方面實現大的突破，甚至有些國內廠商做到最後也慢慢消失在安防歷史的長河中了。
人臉識別真正的難點在於算法，但凡要進入這個領域，企業必須有一個算法研究團隊，在算法上有精深的突破才行。這同攝像機的加工廠商直接組裝調試還不太一樣，所以，進入門檻也就高了。和以往門禁類企業關注和推動人臉識別情況不一樣，現在看到的更多是監控背景的企業在大力推動人臉識別技術的發展，且目前對人臉識別有強烈需求的也是監控系統類的項目用戶。
海康威視售前工程師方濤表示，人臉識別技術基本上可以歸結為三類，即：基於幾何特徵的方法、基於模板的方法和基於模型的方法。其中 基於幾何特徵的方法是最早、最傳統的方法，通常需要和其他算法結合才能有比較好的效果；基於模板的方法可以分為基於相關匹配的方法、特徵臉方法、線性判別分析方法、奇異值分解方法、神經網絡方法、動態連接匹配方法等； 基於模型的方法則有基於隱馬爾柯夫模型，主動形狀模型和主動外觀模型的方法等。
高新興智能分析部經理毛亮則認為人臉識別算法有兩種，一是「人工設計特徵+子空間投影實現」；二是採用深度學習算法。當測試集出現光照、姿勢等變化時，前者算法的性能急劇下降，難以滿足實際應用場景。
華尊科技副總經理龔敏指出，人臉識別基礎算法主要分為兩種，一種是傳統的算法（基於面部幾何特徵、局部特徵、稀疏圖形等等），一種是基於深度學習的算法，目前應用比較多。
東方網力廖飛則強調，人臉識別核心算法包括檢測定位、建模、紋理變換、表情變換、模型統計訓練、識別匹配等關鍵步驟，其中最關鍵的技術包括兩部分：人臉檢測（Face Detect）和人臉識別（Face Identification）
安防人臉技術同IT人臉技術的比較
作為一種先進科技和未來很有應用前景的技術，人臉識別/檢測，包括人群分析等也是國際IT巨頭們在推進的技術，但他們關注的重心、推進的程度，包括效果與安防企業有什麼不同呢？
方濤表示，安防企業由於一直專注於視頻圖像，人臉識別的方案是前端部署人臉抓拍機，人臉的檢測、跟蹤和抓拍過程都是在前端相機中實現，後臺的伺服器只負責人臉比對，伺服器升級方便，且佔用的網絡資源小，單臺伺服器的接入能力強、穩定性高。而相關的IT巨頭公司所推的人臉檢測、跟蹤、抓拍和比對都在後臺實現，佔用的網絡資源比較大，單臺的伺服器接入能力弱，不夠穩定。
毛亮則認為，國際IT巨頭對人臉識別的研究和安防企業對人臉識別的研究在應用上會有不同，安防企業對人臉識別的研究主要是應用於人臉布控，用於搜索逃犯。
廖飛指出，就相同點來說，安防企業與IT公司所採用的人臉識別的技術基本原理是相同的。但是，應用場景與應用需求的不同決定了技術側重的不同。從應用場景看，安防企業的人臉識別算法需要應對複雜的背景環境，因為在視頻監控應用中，抓拍人臉都是在被抓拍人和物體「非合作」的情況下進行的，這時人臉常常出現大角度的俯仰與轉動。安防應用中經常需要對重點人員進行檢索和識別，這就需要大規模的人臉檢索技術，一張人臉抓拍圖像要在上百萬規模的人臉庫中進行檢索比對，並實時反饋準確的結果。由此可見，安防企業的人臉技術應對的是安防背景下的全方位挑戰，與IT公司的技術應用範圍不同。
龔敏根據國際IT巨頭公司的業務重心，研發側重點和相關技術架構角度分析指出，像Google，Facebook等為代表的網際網路企業，他們擁有在技術和人才上屬於最頂尖的梯隊，但他們的人臉識別主要圍繞著公司的社交媒體和網際網路金融業務來研發，其人臉資料庫要遠比安防企業要大，對人臉比對準確率的要求較高。而安防企業推動的人臉識別，其場景複雜程度比網際網路企業要複雜很多，對人臉檢測和提取的要求更高。
深度學習與人臉識別
深度學習技術是近一兩年非常熱門的技術，不少專業人士也表示，深度學習在人臉識別應用中將有極大的發展潛力。
方濤分析指出，在實際應用中，監控系統中採集到的人臉圖像往往是具有多種姿態變化的，並且存在圖像解析度偏低的情況。受姿態變化和解析度低的影響，造成人臉圖像識別性能下降，而姿態變化是人臉識別中一個最為突出的難題。姿態變化將非線性因素引入了人臉識別中。而現有的一些機器學習方法（如只有一個隱層的神經網絡、核回歸，支撐向量機等）大都使用淺層結構。心理學研究表明對於有限數量的樣本和計算單元，淺層結構難以有效地表示複雜函數，並且對於複雜分類問題表現性能及泛化能力針均有明顯的不足，尤其當目標對象具有豐富的含義。深度學習可通過學習一種深層非線性網絡結構，實現複雜函數逼近，表徵輸入數據分布式表示，並體現了它對於輸入樣本數據的強大的本質特徵抽取能力。
毛亮則指出，深度學習在人臉識別領域的最核心優勢是自動學習鑑別性的高層人臉表示，比傳統人工設計特徵具有更好的自動性。
廖飛指出，深度學習是機器學習的一種，特指層數較深的人工神經網絡。在人臉識別領域應用較多的是深度卷積神經網絡及其變種。相對於傳統方法，其核心優勢在對人臉圖像做到由低到高的不同層次的抽象描述，替代了以往人工設計特徵抽取方法，而是通過對大量樣本的學習，自動提取相關的有效特徵。
龔敏也表示，深度學習第一次有史以來解決了物體特徵自動提取的難題，物體識別的準確率有了指數級的躍升；準確來講，不止在人臉識別領域，在所有的圖像識別和檢測領域，現在已經是唯一的選擇，傳統的技術路線已經基本會被淘汰。
人臉識別
隨著國內平安城市、智慧城市項目的深入發展，城市監控的高畫質化進一步得到普及，攝像機數量大規模增長，使得人臉識別在數據的採集上阻礙大大減小，提升了人臉識別的質量。人臉識別與監控技術的結合在司法系統中得到了重用，滿足了公安系統對城市監控、逃犯追捕、黑名單排查等功能的迫切需求，這些需求將成為人臉識別技術普及的有力推手。當前，人臉識別廣泛應用於現實環境中存在的技術難點如下：
1、快速準確的多姿態實時檢測：快速準確的多姿態實時人臉檢測，長期以來一直是理論研究和實際應用領域的難點問題。
2、歸一化預處理及陰影消除：美國國土安全部門對生物護照進行的首輪測試以及國際權威的FRVT-2002測試均表明：在光線變化的情況下，人臉識別的錯誤率可能達到50%。而對於光線問題，迄今為止尚無理想的解決方法和實質性的進展。而且需要開發人員對目前為止該領域的研究成果和進展具有深入的了解，並能在此基礎上創造性地提出更加行之有效的方法。研究過程中還需要收集大量的人臉光線樣本數據進行複雜的統計學習研究，具有非常高的難度。
3、低解析度下的精準匹配：關於提取與尺度旋轉不變性的穩定特徵點的研究，目前還處於完善和提高階段，還需要大量的研究和探索。尤其是在監控應用中，人臉的不清晰和大小變化往往受三維角度的變化和光線變化的影響。因此需要在對理想化圖像的尺度無關特徵提取的基礎上，針對人臉這一類識別對象共有的特徵約束進行優化，並考慮光線和角度變化等複雜情形下的穩定性。
人臉識別技術應用是非常廣泛的，目前在國內，政府部門和金融行業是人臉識別市場的主要客戶，這些機構對安全防護有著很高的要求，而這兩個行業的旺盛需求也推動了人臉識別市場的快速發展。人臉識別市場，除了金融行業、公安監獄、政府行業、邊境管制等對保安要求較高的行業外，一些普通用戶也逐漸開始接受和使用相關產品，在新興的信息安全應用領域，人臉識別技術能提供更為安全可靠易用的身份鑑別手段，從而提升整個網絡信息系統的安全性能，有效地遏止各類網絡違法犯罪活動。隨著技術的進一步成熟和社會認同度的提高，人臉識別技術將應用在更多的領域。例如以下領域：
（1） 企業、住宅安全和管理領域，用於人臉識別門禁考勤系統，人臉識別防盜門等。
（2） 在機場安檢領域，用於人臉識別的電子護照及身份證，實現自動機讀取護照。
（3） 公安、司法和刑偵。如利用人臉識別系統和網絡，在全國範圍內搜捕逃犯。
（4） 在銀行金融領域，實現真正意義上的安全自助服務，如銀行自動提款機遇見用戶卡片和密碼被盜易會被他人冒取現金時，如果能同時應用人臉識別就會避免這種情況發生。
（5） 信息安全。如計算機登錄、電子政務和電子商務。在電子商務中交易全部在網上完成，電子政務中的很多審批流程也都搬到了網上。（本部分內容由高新興提供）
車輛/車牌識別PK人臉識別
同樣是識別，ITS智能交通中對車輛/車牌的識別技術及應用現在也比較廣泛了，那麼人臉識別技術與其相比，其應用準確度、成熟度表現如何？
對此，方濤強調，在監控系統中，由於人的姿態各異，採集到的人臉圖像往往是具有多種姿態變化的，並且圖像解析度偏低，安裝的環境不同，對人臉的準確度影響比較大，故目前人臉識別在應用上的準確度、成熟度還不高。但是車牌識別技術使用的場景比較固定，夜晚也有補光燈，相機的安裝都有統一的規範，因此其準確率比較高，效果比較穩定。
毛亮也認為，當前人臉識別技術在實際應用中受應用環境變化影響較大，準確率波動較大，還沒達到成熟的地步。比如光照、圖像清晰度、表情、姿勢等變化因素都會影響準確度。
廖飛指出，車牌識別應用中，由於車牌形狀固定，內容單一，應用場景可控，目前技術已經非常成熟並得到了廣泛的應用。但是車輛的識別（包括車型，顏色）受到拍攝角度和光照影響變化很大，識別準確度並不高。同樣，人臉識別在單一場景，人員配合的情況下也可以達到車牌識別的準確度。但是在人臉檢索以及人員「非合作」的情況下進行，準確率就會降低，需要操作人員配合進行識別工作。
所以，龔敏指出，人臉識別技術同車輛/車牌識別技術及應用相比，在應用準確度還是相差甚遠，應用場景限制太多，成熟度上還有很長的路要走。
動態/靜態/終端三種識別的對比
類型
典型特徵
動態識別
1. 關注的是系統報警的實時性，在保證正報的同時，要最大程度上減少誤報和漏報，為了保證效果，既要保證人臉相機安裝規範，也要保證後臺註冊的人臉圖片質量好，且要控制註冊圖片的數量。
2. 對人臉識別技術要求較高，需要處理抓拍到具有輕微模糊的人臉圖片。
3. 要求可從實時畫面中不斷的捕獲人臉圖片，並提取人臉特徵，這要求捕獲的人臉照片要滿足可提取的像素，並且提取速度和準確率比較高，對布控人像庫的數量也有一定的要求。
4、 室外環境比較多，受光線、人的行進姿態以及攝像頭的解析度等多種因素影響，實際應用效果遠不如靜態及門禁等人臉提取率、識別準確率高。
靜態識別
1. 靜態比對註冊圖片需要註冊的圖片質量比較好，數量沒有特別的要求。甚至可以達到千萬級別。
2. 人臉識別、檢索速度和檢索準確率方面要求比較高。
終端識別
1. 要求準確率非常高，不能有誤報，漏報越少越好。
2. 拍攝人臉時拍攝距離比較近，進行人證1:1比對，比對的準確率相對要求較高。
以上根據各受訪人員提供的資料整理
人臉識別在前後端的實際應用
目前部分企業已將人臉識別技術模塊置入到前端攝像機中，但也有企業將其置放在後端，那麼，這兩種模式各有哪些優勢？
對於這兩種模式，方濤比較傾向於前端置放模式。他指出，前端識別模式與後臺系統的識別模式相比，有著建設成本低，部署方便、數據安全性更高、圖像損失少、升級方便的優勢，為大規模部署提供了可能。原因有以下五點。
1、建設成本低，部署方便：隨著人臉識別技術的普及，為了達到監控的無死角，人臉識別系統的建設需求會越來越旺盛，如果採用前端內嵌人臉算法的抓拍機實現人臉抓拍功能，簡化部署，將極大地降低建設成本。如果採用節點伺服器部署的方式，在部署前端高清相機的同時，需要增加配套的伺服器及相應的機房資源，部署複雜，建設成本比較高。
2、數據安全：採用人臉抓拍機，各個設備之間獨立工作，互不影響，如出現故障，只需針對性維護單個設備，影響範圍小，數據丟失少。節點伺服器的部署方式需要分析和處理大量視頻圖像，處理壓力巨大，一旦伺服器宕機，節點下所有前端設備的數據直接丟失，後果不堪設想。
3、圖像損失少：抓拍機是先將圖像轉換成YUV格式，然後直接進行JPEG編碼輸出人臉抓拍圖片。採用節點伺服器管理實現人臉抓拍是先將圖像轉換為YUV格式，然後通過264編碼輸出視頻給後端，後端根據264解碼成YUV格式，再轉成JPEG圖片輸出。這種方式經過了多次編解碼，造成圖像損失，影響比對效果。
4、升級方便：隨著技術的發展，晶片的集成度越來越高，處理能力越來越強，產品的更新換代越來越快。採用抓拍機的部署形式，可以選擇性部分升級，分階段完成，靈活方便。如果節點伺服器管理的方式，整個伺服器必須同時同步更新。
5、網絡資源佔用小：採用人臉抓拍機的部署方式，一個行人在視頻中大概出現30秒，抓拍機內部對同一行人進行人臉檢測、跟蹤、評分，最終輸出最優的一張人臉圖像，每張圖像大小約300K，22個相機傳輸量6M。節點式伺服器部署的方式，不管對每幀還是數幀的圖像進行一次人臉信息篩選，前端的高清視頻流仍舊需要傳送到節點伺服器，每秒4M碼流，30秒就會有120M。如果同時22路圖像接入，網絡壓力巨大，圖像實時性無法保證。
對此，毛亮認為，前端與後端識別模式的區別關鍵在於前者是利用前端攝像機自身的晶片進行計算，而後者則是利用後端計算機純軟體的方式進行分析。但無論是前端嵌入式的還是後端軟體方式，其功能的實現都是通過所開發的核心算法程序的運行而對人臉信號進行分析完成的。嵌入式與純軟體方式的區別僅在於運算平臺不一樣，前者可以在攝像機DSP晶片上完成核心算法的運行和相關計算；而純軟體方式的運算平臺則是一臺通用的計算機。
龔敏比較傾向後端械，他分析指出，目前能植入到前端攝像機的只是人臉檢測和特徵提取的部分，人臉比對由於需要對海量人臉做比對，決定了其放在前端既不適合，也無必要；與傳統的統一放後臺的識別模式相比，人臉檢測和特徵提取放在前端可以減輕後臺的計算壓力，減少網絡帶寬壓力；缺點是前段的處理晶片計算能力有限（由於攝像機功耗等因素限制），人臉提取的準確度可能比後端要差。另外，前端都是嵌入式系統，移植人臉算法技術難度大，軟體更新、維護困難，而後端識別則容易的多。
人群分析
傳統的保障人群安全的途徑主要依靠人工實現，即在容易發生群體性安全事件的地方安裝視頻監控系統，安排工作人員盯著屏幕進行監控。這種方法具有主觀性，不能定量分析，而且耗費人力，尤其當監控人員疲憊的時候，容易忽視監視器上的突發狀況，從而造成不可挽回的後果。因而將深度學習的先進理念與算法研究成果，應用於視頻的人群分析應用領域當中，是系統的發展趨勢。
基於深度學習的人群智能分析系統，突破傳統，引入安全指數概念，能夠實現大場景人群異常狀態監控，大大提高了場景內人數統計的精確性，為相關部門的決策提供強有力的技術支撐。智能分析系統應用到實戰，有三個先決條件，即準確性、適用性和抗幹擾能力。傳統的人群分析系統在三個條件中都具有明顯的局限性：
1、 規模上的局限性：無法針對大規模，極端密集情況下的人群進行分析。
2、 不同場景適應性的局限性：基於紋理的研究方法對場景的依賴性強，不同的場景需要線下訓練不同的分類器，且同一場景隨著時間變化，光線的亮度發生變化，錯誤分類的情況增加，增加了該方法推廣使用的複雜度，泛化性能較弱。
3、 抗幹擾的局限性：如何突破光照突變、複雜背景、部分遮擋等環境仍不夠理想。
傳統的視頻分析技術，是通過各種模型找到「人」。事實上，模型找出的只是已經被定義好的一組特徵，比如「頭肩模型」，根據頭部形狀，頭肩輪廓，還有頭髮顏色等組合特徵，去分析畫面中的目標。通過計算目標與既定特徵組合的相似程度來判斷該目標是不是「人」，進而對找到的「人」進行行為分析，數量統計等。基於這樣的技術原理實現的智能分析系統，受場景制約比較顯著。一般要求在背景簡單，光照穩定，特定攝像機安裝方式的視頻中。一旦有影響模型特徵提取的幹擾情況，「人」的誤檢漏檢就會表現明顯。
而基於深度學習的人群分析技術，不再採用人為定義特徵組合的方式去判斷目標是否為「人」。而是通過大量數據樣本分析，讓計算機自行學習人和其他目標的區別，運算出能顯著標識「人」的一層層特徵信息。由於樣本覆蓋率較大，在機器學習的過程中，該技術能有效突破光照突變，背景複雜，人體部分遮擋，應用場景單一等傳統技術的難點。（本部分內容由高新興提供）
人群分析和人臉識別的異同比較
比較類型
典型特徵
相同點
2. 人群分析首先通過特徵匹配來檢測出視頻圖像中的人員，再對人員的行為進行分析。人臉識別首先需要人臉特徵匹配來檢測出視頻中的人臉，對人臉進行跟蹤、比對。
3. 不管是人群分析和人臉識別，前期檢測過程需要相關的檢測器來完成人員和人臉的檢測。
4. 都可以使用深度學習框架，通過對大量標定樣本的學習來得到深度學習模型，從而做到對將來獲取的圖像進行推斷和預測。
5、 人群分析和人臉識別都是卷積神經網絡；只不過一個用的是RNN，一個用的是CNN；底層的技術特點基本一致。
不同點
1. 人群分析和人臉分析由於關注的特徵不同，視頻的成像要求也不一樣，導致實際的安裝存在明顯的差異。人群分析需要提取整個人的特徵，需要攝像頭安裝角度大，分析的距離比較廣。人臉分析只需要關注人臉特徵，人臉的像素越大，人臉越正，比對的效果越好，人臉相機的安裝角度都比較平，照射的範圍都比較小。
2. 人群分析的難點主要在於場景的複雜性。對於不同場景的人群視頻，其視覺上的差異較大。而且視頻內人與人之間相互遮擋問題比較嚴重（也就是所謂的噪聲較大），尤其在超大規模場景下，很難通過分析個體的局部特徵得到整體的狀態和行為估計。而人臉的性能提高比較依賴對一系列局部特性的精細描述。可以說相對於人臉來說，人群分析更重整體。
3. 人群分析包括人群密度與計數、滯留區域分析、混亂程度分析、群體軌跡分析，是一種宏觀的分析；而人臉識別是針對具體的人進行比對或者相似度搜索，是一種具體的分析。
以上根據各受訪人員提供的資料整理
人臉分析及人群分析的關鍵技術和難點
人臉，人體，人群是智能視頻分析中應用最廣泛，影響最深遠的方向之一。雖然以人為研究對象，但這幾個方向各有不同的特點，因此採用的關鍵技術和難點也各不相同。
人臉和人體是對人的個體的分析，因此其第一步是從視頻圖像中定位出個體，即人臉檢測或行人／人體檢測，檢測算法的準確率和運行速度是這裡的核心問題。大量研究工作均關注於如何提高檢測率，降低誤檢率，和提高檢測速度或在低性能硬體（例如嵌入式設備）上實現快速檢測。目前基於人工設計的快速特徵提取（例如Haar特徵，HOG特徵等）和級聯分類器的方法仍然是特定類別目標檢測方向的主流方法。近年基於深度學習的目標檢測方法也取得了很大的成功，較傳統方法顯著提高了準確率，但也付出了計算量大的代價，因此目前在實時視頻分析領域仍不是主流方法。基於對個體的檢測即可以衍生出一些應用，例如行人檢測與目標跟蹤結合後可以進行人流量計數。
對於人臉分析，另一個基礎而關鍵的工作是準確定位人臉上的關鍵點位置，例如眼睛，嘴角，等等。近年來人臉關鍵點定位取得了重大突破，傳統的基於活動形狀模型的方法已經被新的基於函數回歸的方法取代。例如局部二值特徵回歸和卷積神經網絡回歸都能非常準確地定位人臉上的關鍵點。對於人體分析，在通過檢測器粗略得到人體位置後，更精確地定位人體也對為後續分析提供了很大便利，例如標出頭部、腰部和四肢的位置，或分割出人體區域。對於非標準姿態的人體，一些類型的檢測器在定位人體位置的同時，也能夠定位出人體區域位置，例如基於Deformable Part Model的方法。
在完成了目標位置檢測和目標幾何結構分析之後，就可以進行後續的分析，例如人臉屬性（性別，年齡等）識別，人臉身份識別，人體衣著紋理識別，人體再現識別等。這些問題均可以採用機器學習的方法解決，尤其是近年來深度學習方法得到廣泛應用後，通過優化模型結構和從海量數據中學習，這些問題大都已經取得實用化的技術成果。例如在人臉身份識別數據集LFW上，在年齡識別數據集ChaLearn-LAP上，計算機已經比人做的更好。與人臉分析相比，人體分析仍然與實用有一定距離。這裡的原因主要是人體具有更多的變化，例如在不同光照和角度下人體圖像具有很大的差異。此外，採集人體分析的訓練數據獲取也遠比人臉更困難。例如人臉身份識別和人體再現識別可以採用幾乎完全相同的深度學習模型進行解決，但人臉識別可以通過網際網路抓取名人圖片的方式在短時間內獲取大量訓練數據，但行人再識別的數據目前只能通過自行搭建視頻採集環境和人工標註的方式採集。
與人臉和人體分析不同，人群分析往往不需要在對其中的單個個體進行分析的基礎上進行。例如人群分析目前的典型應用有人群密度分析，單一方向通道中的逆行檢測，異常事件檢測（如打架，人群聚集等）。人群分析採用的方法也更加多樣化，例如基於運動目標檢測和運動分析的方法可以用於逆行檢測，基於回歸分析的方法可以用於人群密度分析，等等。深度學習方法也開始在人群分析中得到應用，例如用卷積神經網絡能夠從圖像中準確分割出人群區域。深度學習方法在人臉和人體／行人分析中均已經取得了具有深遠意義的成果，我們期待看到深度學習方法在人群分析中的更多成功應用。（本部分內容由博思廷提供）
深度學習技術在人群分析中的特徵
沒有深度學習技術出現前，人群分析和人臉分析一樣，都是依靠算法人員根據人工定義建模來展開。因此，傳統技術與深度學習技術對於人群分析是有典型的區別的。
方濤指出，深度學習技術相關的特徵提取和計算都是由機器完成，樣本越多，獲得的效果越好。傳統的人群分析技術，相關的特徵提取和分類器都是算法人員訓練獲得，分類器的好壞決定了最終的效果。
在技術角度看，毛亮指出，基於深度學習的人群分析技術，不再採用人為定義特徵的方式去判斷目標是否為「人」。通過使用大量數據訓練模型，計算機可以自行學習並抽象出人群的概念，並有效提取出針對人群分析有效的特徵。這種針對人群整體的分析方法有效克服了傳統的基於人的個體分析方法所無法解決的大規模複雜場景的適應性問題。從應用場景看，毛亮也指出，基於深度學習的人群分析系統可支持大場景監控，對感興趣區域人數統計達到較高的精確度；可適應各類場景，相對於傳統技術，具有更強的抗環境幹擾能力；能有效突破光照突變、背景複雜、人體部分遮擋，應用場景單一等傳統技術的難點；處理速度快，基於GPU計算，可達到實時分析的效果。
從建模特點上看，廖飛指出，傳統的視頻分析技術是通過各種模型找到「人」。事實上，模型找出的只是已經被定義好的一組特徵，比如「頭肩模型」，根據頭部形狀，頭肩輪廓，還有頭髮顏色等組合特徵，去分析畫面中的目標。通過計算目標與既定特徵組合的相似程度來判斷該目標是不是「人」，進而對找到的「人」進行行為分析，個數統計等。基於這樣的技術原理實現的智能分析系統，受場景制約比較顯著。一般要求在背景簡單，光照穩定，特定攝像機安裝方式的視頻中。一旦有影響模型特徵提取的幹擾情況，「人」的誤檢漏檢就會表現明顯。而東方網力等企業推動的深度學習人群分析技術，不再採用人為定義特徵組合的方式去判斷目標是否為「人」。而是通過大量數據樣本分析，讓計算機自行學習人和其他目標的區別，運算出能顯著標識「人」的一層層特徵信息。由於樣本覆蓋率較大，在機器學習的過程中，該技術能有效突破光照突變，背景複雜，人體部分遮擋，應用場景單一等傳統技術的難點。
龔敏則認為，深度學習用於人群分析和傳統的人群分析技術相比，最大的差異就是識別率大大提高，場景適應性更加好；傳統的人群分析技術準確率基本在80到90之間，且準確率隨場景變化波動很大；基於深度學習的人群分析技術基本能達到95%以上，且適用於絕大多數戶外和室內的複雜場景。
商業零售賣場中的人群分析應用
人數、密度、安全指數三者是人群分析在公安、交通等行業項目分析中最關注的要素，但在商業零售賣場等項目中，人群分析同樣體現了它的使用價值，但這些要素又會有哪些新變化呢？
對此，方濤指出，目前在商業銷售賣場中，熱度信息，人體屬性信息（如性別、年齡段）用戶比較關注的要素。毛亮則認為，在商業零售賣場中，主要對人群活動軌跡、滯留區域進行監控、檢測和分析。龔敏則認為，商業零售賣場等項目可能對性別，年齡段，停留時間等要素可能更為敏感。
廖飛認為在商場零售賣場採用人群分析，可以在安全管理和商業價值挖掘兩個方面產生有用的信息。其一，人群分析技術可用於商場安全秩序的管理和分析。例如統計進出商場出入口的人數，了解人流的進出方向，分析出入口設置的合理程度，為商場建設提供參考意見，預防出入口擁堵，確保商場秩序的穩定。顯示當前客流狀態和變化趨勢，管理人員可以對流量比較大的區域採取預防突發事件的措施，並可實時觀察商場當前的實際人數。其二，人群分析技術可用於統計人群活動偏好，挖掘商業價值。例如，統計人群活動偏好的店面，通過統計主要樓層客流狀態，從而進行店面的合理分布；統計各個區域的吸引率和繁忙度，有效評估所舉行的營銷和促銷投資的回報；根據客流變化，更有效分配物業管理、維護人員；通過客流人群轉化率，提高商場服務質量；通過客流人群購買率，提高營銷和促銷的效率；計算客流人群的平均消費能力；客觀決定租金價位水平；評估和優化宣傳廣告和促銷預算；商家可根據來訪顧客數量的多少來決定回饋顧客資金的使用等。
麻辣VS清淡，刁鑽VS客觀
只要你有想法、有觀點，有實戰
歡迎安防一線的朋友們
報料/投稿
editor@secumanager.com
微信聯絡yy20152003
凡投稿文章一經選用，「安全管理」即付稿酬紅包以資獎勵。