城市感知，城市智能化背後隱藏的五個度

　　2018-01-02 19:06技術/視頻/人臉識別

　　

　　本質上來說，AI自始至終都只是一種手段、一種技術，它被用來幫助人們解決自身難以克服的業務難題。

　　在安防行業，人們用其去識別人臉、識別車輛，去感知更多圖像中的信息，而這也的確為甲方解決很多棘手問題。

　　在此背景下，智能化攝像頭越來越多，視頻數據量也越來越大，但老生常談的問題也隨之出現：人們並不能真正去理解、分析這些數據；另外，這些數據被播放或者被人們看過的連萬分之一都沒有達到。

　　因此，人們都在利用AI等技術去感知這些信息，並將這些信息加以應用。那麼，如果將城市作為一個單位，如何去感知這個城市？在這其中，什麼才是最重要的？

　　在曠視CTO唐文斌看來，五個度可以總結之：維度、精度、密度、關聯度、集成度。

　　維度

　　維度可以表述為數據的豐富性，有多少數據的類型和對象，就決定應用的實用性。

　　舉例來說，一個視頻中，最容易感知的部分是「人臉」，如今很多廠商都在談人臉識別，具體來說，可以感知某人的年齡、性別、表情等一系列面部信息；針對車輛識別，可以對車上的細分品類進行識別，包括年檢標、紙巾盒、遮陽板等標誌物。

　　以上這些，都是在用戶不知情的情況下，通過物理的方式，做的被動感知，也可以稱之為可見光下的場景識別。

　　除此之外，還可以通過多光譜的方式，類似於毫米波或者太赫茲的方式，去獲取視頻中的數據：包括像WIFI的MAC地址，RFID等信息。

　　以上種種，都是為了增加感知的維度，能夠從城市中獲得什麼樣的數據、數據的多少，就決定了應用的豐富性。

　　精度

　　精度決定數據的可用性。早在十幾年前，就有廠商在人臉識別演算法上做出努力，但由於當時技術並不成熟，精度不夠，在實戰中應用效果不佳；如今隨著演算法的進一步提升，現在的人臉識別做預警的成功率已經非常高。以前的人臉識別技術，報十次警可能有九次是誤報，現在報十次警可能只有一次是誤報，這是一個本質的飛越。

　　但與此同時也會出現一個問題，比如某場所內穿西裝、穿西褲的人非常多，做行人的匹配，能否通過對這個人更細化的特徵，比如領帶的顏色，鞋子的款式做更加精準的識別、分析。

　　從感知的角度來看，除了有更多的緯度，每個緯度上都要追求更好的精度，精度決定最後的應用效果。

　　

　　密度

　　密度是指後期帶來的數據應用價值。如今很多城市都已經建設了非常密集的感知型前端攝像機，通過對這些攝像機產生的數據進行分析，能夠帶來兩點價值：

　　一、通過不斷修鍊演算法能夠使得識別率得以提升，但精度的天花板並不高，易受到時空限制，如果通過一些高密度的感測器，其實可以彌補精度上的不足；

　　二、行人的ReID。在某一位置、時間點發現了一個可疑人員，攝像頭只看到了其局部特徵，在以往都會通過全局檢索去發現線索，其實這是種錯誤的做法；只需要在對該人員接下來的十分鐘內，100米範圍內的高密度布置的攝像機視頻數據進行檢索，通過這種方式便可確定該人的具體位置。

　　通過視頻接力、人機交互的方式，可以幫助警方使用非常低的代價去追查視頻中的人的軌跡。高密度的感測器不僅能解決信息精度的不足，也能帶來更多的應用價值。

　　關聯度

　　如果所有的數據能夠關聯起來，那麼其帶來的價值更為可觀。

　　如今AI圈談到的最多的、落地最多的便是人臉識別。但很多時候，攝像機只能看到人臉，不能看到身體；或者看到身體，看不到人臉。如果兩者數據關聯起來，就可以看到該人員的全部信息。

　　再比如車輛識別，在很多實際場景中，在場景A可以拍到車牌，還知道它是什麼車型；換到另一個場景B中，只能拍到是什麼車型；緊接著在場景C中，看到一個行人從車輛中走了出來，但沒有拍到車牌。如果數據相關聯，車、人的所有信息都可以聯繫起來，從何做更便捷、高效的追蹤。

　　集成度

　　如果按照上文所提，去做高密度、強關聯度感知時，會需要非常多的感測器。因此，如何做到低成本、高算力是非常重要的一步。

　　值得注意的是，成本的合理化不應該建立在犧牲效果的前提下。以人臉抓拍為例，一些具備反偵查意識的人，看到攝像頭會馬上低頭，好的抓拍機要滿足要非常高的抓拍率、足夠的抓拍量，同時具有較高的性價比。

　　智慧城市的前提就是城市感知，而城市感知需要多維度、高精度、高密度、數據之間的關聯度、高集成度。通過這樣的感知方式，城市也許會變得更加智能，而相關廠商可以根據這五個方向去做更進一步的探索及數據應用