人臉識別技術的發展是大勢所趨，什么也不能阻擋它的來臨。智慧城市的項目也是國家在極力推進的項目，為此，深圳市為推進智慧城市的發展，從中融入了人臉識別技術，讓智慧城市更加具體。

　　“截至2017年年底，深圳市公安局要求全市范圍內在視頻監控領域實現兩萬路的人像識別的建設。”在某次會議上，深圳大學安鶴男教授介紹道。

　　他表示，如今AI已與很多行業融合、落地，就拿安防行業來說，深圳公安部門已經越來越多地使用相關系統協助自身辦案。在系統建設過程中，深圳平安城市建設與公安部要求不謀而合，總結起來有四點：全面高清、全域覆蓋、全網共享、全時可用。

　　安教授透露說，龍崗分局是深圳市公安系統人臉識別建設規模最大的一個分局。截止到目前已經建設了智慧警務二期，人臉一期建設了108路，二期就已經上升到了603路，相關關聯項目建設了1761路。現如今，接入到龍崗分局業務系統中的人臉識別是2910路，其中還包括了250路從其他分局匯聚到龍崗分局的人像識別的業務系統，比如說聯合判案等等。

　　他在會上強調，人臉識別等系統的應用有效解決了公安以往遇到的棘手難題。在去年的深圳十大杰出優秀警務案例評比中，有六個案例是完全依賴于人像的智能識別，有四個案例是借用了這些系統。

　　隨后，安鶴男教授還例舉了一個詳細案例加以敘述。“在中國（深圳）國際文化產業博覽交易會（文博會）上，深圳市公安局福田分局通過動態人臉布控系統實現了近20萬人次的人像識別，并比中20多名前科人員，保障了文博會零案件的發生。”

　　對于未來，安鶴男教授認為AI等技術將會在安防行業落地生根，語音識別及人臉識別將成兩個大方向，包括安防機器人等產品將大受市場歡迎。

　　以下是安鶴男教授的演講全文，：

　　深圳是智慧安防應用比較早的一個城市。尤其是在平安城市的建設當中，它既圍繞著公安部對平安城市的具體建設要求，同時又有深圳本地公安在平安城市建設當中的一些創新和心得。

　　智慧安防從提出到發展大概走過幾個“節點”。從看得見到看得清、從看得清到看得懂。AI的出現很好地解決了機器“如何看懂”難題。

　　如今，深圳平安城市的建設過程主要圍繞四點展開：

　　一、全面高清。未來的建設目標是全高清。

　　二、全域覆蓋。不留死角，尤其是在死角當中，必須有高清記錄。

　　三、全網共享。全網聯通，更寬、更快的信息基礎建設。

　　四、全時可用。全城隨時隨地可以有效利用相關設備。

　　其實按照上面的四個目標，也就知道高清前端越多，效果會越好，但由此帶來的視頻數據也會越大。隨著這些數據的指數增長，為這些數據服務的人力、物力的增長成本也是不計其數的。這也就顯示出AI在視頻監控當中的重要地位及使用環境。

　　我們常說的這類技術，其實無外乎從三個維度來詮釋這些問題：大數據、超算集群、算法。

　　在世界范圍內，包括Google、微軟提出來的其實就是卷積神經網絡的一些算法，但從用戶角度來講，我們更關注的是在云架構下大數據的計算，包括GPU的集群、給我們帶來的API的出口，未來安防行業無論是企業、還是集成單位，更多關心的是使用成本。

　　這個特點也決定了相關產品在市場上的智能應用。

　　接下來我會分享一些數據，這些數據是深圳公安局對深圳智慧城市建設當中關乎到AI方面做的一些重點規劃。

　　2017年年底，深圳市公安局要求全市范圍內在視頻監控領域實現兩萬路的人像識別的建設。

　　截止目前建設情況是怎樣的呢？首先說一下龍崗分局，龍崗分局是深圳市公安系統人臉識別建設規模最大的一個分局，截止到今天已經建設了智慧警務二期，人臉一期建設了108路，二期就已經上升到了603路，相關關聯項目建設了1761路。

　　現如今，接入到龍崗分局業務系統中的人臉識別是2910路。這個2910路里面還包括了250路從其他分局匯聚到龍崗分局的人像識別之后的業務系統，比如說聯合判案等等。

　　那么這么多的人臉識別建設在龍崗的公安業務系統當中有何成效？深圳在去年年底做了一個十大杰出優秀警務案例評比，其中有6個案例是完全依賴于人像的智能識別，有4個案例是借用了這個系統，從這些數據可以看出，建設相關設備及系統非常有利于公安部門展開工作。

　　其次是福田分局。福田分局建設相對較晚，之前只建設了65路。但由于該區域由深圳市政府所管轄，包括會展中心每年有很多大型活動，對相關方案需求比較大。比如文博會，今年的文博會總共裝了40路相關產品，在此次工作中，系統共識別了180883人，預警了2871人，抓了20人，實現了零案的發生。

　　說了這么多，其實我們一直都是給AI唱贊歌。“聞其身，觀其形”，未來人工智能在安防領域的應用主要會體現在兩個方面：

　　一、語音識別；

　　二、人臉識別。

　　而這些技術的應用背后都涉及到深度學習算法，主要關聯的就四大塊：

　　第一、計算資源。

　　我覺得它比算法更為重要，計算資源其實指引的就是超算，基于GPU的超算其實是基于一種浮點、寬浮點的運算，以往，它可能是一千個CPU做的集群，然后存20萬張圖片，做一次卷積的迭代大概需要一個月。像這樣的設備，做12次的迭代，需要一年。

　　那么今天，如果只有200個GPU，集成一千萬張圖片做一次迭代只需要兩個小時，使得識別率出現革命性變化，機器的識別首次超過了人類。

　　在這個背景下，無論是科學家也好、企業家也好，就盯上了這個變化，并將這些成果帶入安防行業。

　　第二、規模效應。

　　規模效應其實是問題的關鍵。個別案例的破獲可能不足以說明問題，但大規模的建設可能會變成相關產品在安防行業落地的導向。

　　第三、加工。

　　系統識別過后的數據挖掘及分析。

　　第四、作業。

　　其指的是安防領域中相關聯的一些業務系統。在以前，很多數據處理在后臺完成，未來可以將應用前移，經過芯片算法集成，放在攝像機的前端去做。那么這種作業量和集成量到底是什么關系？目前很多公司可以通過很多的途徑來獲取大量的數據，目前中國人多，數據也非常多，但是數據采集、抓取之后，數據的整理工作進行的如何呢？

　　在這里，我想插敘一個故事，AlphaGo可能是對普羅大眾最深的一次傷害，這個機器居然能夠贏人。

　　其實，在1996年的時候，也有一個非常轟動的實踐——深藍，IBM推出了一款專門下國際象棋的超級計算機，重1270公斤，只有32顆CPU，線程是并行的，4核，大概是120多個計算單元。

　　在當年迎戰俄羅斯象棋高手，結果是：機器輸了，人贏了。那個時候所謂的計算機與如今所談的AI完全不是一個概念，結構也完全不同；但1997年再戰的時候，深藍就贏了象棋大師，當時就有人非常恐慌，未來該怎么辦？

　　今天，我們看到的這種基于深度學習的AI架構，是建立了一個深度的卷積標做迭代，其實就是耗費背后龐大的計算資源，也就是剛才提到的作業。

　　后面的這幾個指標，就跟我們的業務系統有關系，一個是公安的業務，不僅看臉，還看物、聽聲、判別類別。未來應用場景有很多：

　　類別一、視頻監控。這個應用很龐大，包括視頻門禁等。

　　類別二、機器人。自2015年之后，安防機器人雨后春筍般冒出，包括如今非常火的物流分揀機器人，機器人在安防領域的應用不可低估。

　　未來，AI在安防領域的‘機會’將非常巨大，可能會體現在兩個方面：

　　方面一、視頻監控。視頻監控看得清已經不重要了，未來一定要看得懂。

　　方面二、大數據和視頻結構化技術。

　　視頻記錄下來的是非結構化數據，結構化數據的轉化是一個非常重要的過程，也是一個非常難的技術。當然，今天已經有了很大進步，但也能從原來手動的變成了半自動的；另外，我們今天的標注其實還有人為的因素。

　　隨著數據量增大，AI將進入一個快速發展期；同時，由于AI的發展，各個行業對AI的依賴性也會越來越大。