作為人工智能、大數據技術落地應用的典型行業領域，公安行業近幾年來在相關技術的推動之下發生了較為顯著的變化，其中人臉識別、車輛結構化描述等技術進入到相對成熟的應用階段，但隨著公安實戰應用需求的增加，現有的一些體系和架構仍需要進一步的升級改造。人工智能、大數據技術深入應用的同時，也需要持續跟進技術的后續演變，制定相關標準以及對技術應用過程中可能出現的問題進行提前布局。

本次a&s特別邀請到公安三所物聯網技術研發中心研究員梅林博士，針對當前階段公安領域的實戰應用所面臨的困難點和未來的技術方向做了充分的剖析和探討，希望本期訪談能夠對行業提供一些意見和參考！

Q：a&s總經理、總編輯 關玉娟

A：公安三所物聯網技術研發中心研究員梅林博士

關玉娟：對于當前階段公安領域的創新技術應用現狀，您有哪些感受和看法？

梅林博士：在一些標準化的場景中，人臉識別、人證合一、車輛結構化描述等AI技術應用擁有很高的成熟度，應用效果很好。但在一些非標準化的場景下，比如開放式的1：N人臉識別或是非交通卡口的治安監控點，由于安裝角度、光線環境等因素，人臉和車輛的識別分析效果依舊有待提升。

另外，繼人臉識別之后，行人重識別正逐漸得到越來越多研究單位的重視，但這也是一個非標場景，角度、距離、光線、裝扮等都會對識別分析的效果產生影響，這種情況下如何實現精準識別仍具有很大的挑戰性。但一旦突破了應用瓶頸，便可以很好地助力公安實戰應用。現階段，行人重識別技術還處在相關研究機構技術積累的階段，距離落地應用仍有待時間考驗。

圍繞著人工智能的圖像內容識別，除了人、車等關鍵目標之外，還有一個技術領域，適用于安檢場景的X光圖像目標智能識別研究，這也是一個由應用需求驅動的技術領域，X光主要用于機場、火車站、地鐵等場所的安檢環節，我們現階段的研究方向主要聚焦在通過X光圖像來自動識別過檢箱包中的違禁物品，諸如槍支、刀具等違禁品物的智能識別預警。

與此同時，我們也在承接一些公安大數據的項目，這里面涉及到很多方面的技術，比較典型的有三個應用場景：

第一個是電信詐騙，電信詐騙是傳統犯罪向新型犯罪轉變的一個老大難問題，相比于傳統的犯罪形式，電信詐騙由于虛擬身份信息、跨平臺作案等因素，破案難度更升一級；

第二個應用場景是立體化治安防控。隨著相關技術的逐漸成熟，立體化治安防控也進入到新的階段，此前的立體化防控主要聚焦在安防建設方面，后續將會融合更多維度的數據信息采集，除了現有的基于傳感系統的數據之外還將包括線上線下的各種數據，綜合起來進行更精準的數據畫像；

第三是物聯網防控，除了視頻監控之外，像Wi-Fi、RFID、電子車牌等不同維度的信息都可以關聯到一起，通過豐富的數據類型，來共同碰撞出更有價值的信息。未來5G大規模應用之后，希望有這么一套設備能夠和警務站、警亭、單兵進行人機協同，合成作戰，實現一站式采集，讓各項數據實現實時的融合、聯動，為公安實戰提供高效快捷的情報分析。

未來，視頻專網可能會發展成物聯網專網，這也是未來公安視頻監控應用發展的趨勢之一。

還有一個趨勢是移動視頻監控信息采集。當前階段的視頻監控更多是采用固定點位進行視頻數據的采集，但隨著車輛移動監控以及可穿戴式監控設備的出現，未來移動監控的應用也將成為一大趨勢方向。

關玉娟：目前階段視頻監控系統應用存在的主要問題以及需要提升的方向有哪些？

梅林博士：視頻監控系統雖然智能化程度在不斷提高，但距離公安實戰應用仍然有一些待改進的地方，主要包含這幾個方面：

視頻監控系統性設計的缺乏。視頻監控系統依舊以平安城市、智慧城市的應用為主，如何更多的去整合其他部門的資源和需求來完善頂層設計也是當務之急；

在頂層設計過程中，同時還存在著混合計算優化的問題，針對云、邊、端的系統架構，如何實現資源部署的最優化也是需要重點考慮的方向；

視頻分析應用的可擴展性也是一個問題，比如針對人、車目標的布控，不同的目標布控有不同的計算需求，因此需要進一步完善視頻監控前端或云端對于這種計算需求的適配性；

視頻分析是一項大數據的應用，分析的精準度很大程度上依賴數據量的不斷增加，在這個過程中，希望能夠建立起一個行業知識庫，來輔助建立更高精準度的視頻監控識別系統。

另外從業務需求分析的角度來看，針對不同警種的業務需求以及公安實戰過程中的不同環節，公安視頻監控系統主要聚焦在線視頻智能監控預警、海量視頻離線綜合研判以及視頻警務語義解析服務平臺這幾大類的業務應用方面。

綜合而言，視頻監控分析應用不僅是建立更多高清聯網的視頻監控探頭，更重要的是通過一個視頻解析和服務體系建設，從采集、分析、處理、挖掘各個環節出發實現對海量視頻資源的深度應用，以此來促進視頻監控產業從監控到理解的轉型。

關玉娟：從技術發展的角度來看，接下來安防領域的人工智能應用還有哪些需要攻克的技術方面？

梅林博士：首先是視頻流媒體的分布式計算引擎。視頻云現在還是基于單個文件的處理，如何實現基于流媒體的分布式處理需要進一步研究。

其次在視頻圖像增強方面，盡管視頻監控攝像頭高清指數在不斷升級，但同時也存在由于運動、光線等因素造成的模糊，如何實現對模糊視頻圖像像素的增強和還原，也是一大技術方向之一，未來有望通過基于深度學習的人工智能技術來實現圖像增強的突破。

另外，數據的分布式計算。現階段，數據資源很多時候掌握在不同地區不同部門的手中，未來是否有這樣一種機制，讓數據既能夠本地化又能實現跨地域互通，可以在降低數據傳輸的風險和成本的同時滿足數據計算的需求。

還有類腦智能研究，通過摸索大腦對圖像和動作的識別過程，去發現深度學習在理解大腦模式中所存在的問題，在這方面，可以聯合神經科學、心理學等構成跨學科的研究團隊，目前我們和上海類腦中心也在積極探索這方面的技術研究。

未來，還有一個方向值得關注——人工智能的對抗。隨著人工智能技術的逐漸成熟以及在大眾生活場景中的密切應用，未來利用人工智能犯罪也可能成為一種趨勢，比如當下為了防止人臉信息被盜用冒用推出的人臉識別活體檢測手段，人工智能的對抗研究將是一個持續的過程。

關玉娟：現階段對于公安用戶而言，人工智能技術和應用的投入產出比是否也存在不對等的問題？

梅林博士：有這個問題，公安信息化過程中，創新科技產品和技術作為一種基礎的設施投入本身并沒有問題，但投入之后如何實現價值最大化這是一個主要問題。現階段由于條塊分割措施，使得很多政府投入的設施局限到誰建誰用，誰建誰管的規則之中，極大地限制了這些設施價值的充分發揮，自然也導致了應用成本的加大。

投入產出比不對等并非是技術的問題，目前在整個建設和建設效益之中最困擾的其實說到底就是數據共享的問題，而這個問題需要從國家層面，從政府層面用政策去引導去解決。

從數據共享衍生出來的還有數據標注的問題。現階段，人工智能技術的發展是通過海量的數據進行驅動，卓越的算法主要是建立在大量數據的投喂和訓練基礎之上，這個過程中，由于缺乏適用的數據集，很多時候數據標注的成本便需要由企業自己來承擔，企業為了降低成本或追求速度，很多時候會以犧牲隱私的方式來進行數據的采集和標注。

這主要也源自于兩方面的原因：一是數據源大多掌握在政府公安權威部門的手中，第三方企業很難拿到數據；二是因為AI的落地場景過于分散，導致沒有一個統一的力量能夠主導這些分散場景中的數據采集和數據標注的作業，使得市場秩序缺少規范和約束。所以我們也非常希望有關部門能夠將數據管理這塊真正重視和引導起來。

從技術角度來看，在數據管理方面，是否可以利用區塊鏈技術在個人隱私保護方面發揮作用這也是一個方向。區塊鏈作為一項技術，本身并沒有對錯，它所具備的數據憑證、防篡改等特征和優勢，如果能應用在數據管理和隱私保護方面，將會使得這項技術的價值進一步發揮。

關玉娟：上面您談到的這些技術和應用方向，由于涉及的范疇相當廣泛且復雜，您希望業內怎么去落實和推進？

梅林博士：我們更希望是能夠以產學研聯盟或者是協會這樣的組織力量來共同推進。創新技術的研究和落地應用，光靠企業或技術單位的力量是不夠的，還需要有上層政府的引導和推力以及產業鏈的共同推進。

關玉娟：對于未來安防領域的人工智能應用，您有哪些建議和預判？

梅林博士：前面我們有提到數據共享問題、政策標準制定的問題。具體到技術的應用落地上，主要還有對于場景和業務需求的理解。由于人工智能的應用特別講求場景化，而每一個行業領域的應用需求其實是非常細化的，這需要企業花時間和精力專注到用戶端的實際業務場景當中，充分了解用戶的細微需求，這對于一些初創企業而言，可能比較具有挑戰性。

另外在商業模式的設計上，也值得諸多企業認真思考，如何設計一套真正能夠進行商業化落地的技術應用模式，讓政府、廠商及用戶均能從這套模式中實現需求的滿足，從而讓產業實現良性循環，這是技術是否能夠落地的一大關鍵。

編后語：

不同于B端的應用場景，人工智能、大數據等創新技術在公安領域的應用具有更高的技術以及規范性要求。為了更好地契合公安實戰應用需求，在不斷提升人工智能技術性能水平的同時，我們也要持續完善現有視頻監控系統的體系和架構，通過從監控處理的自動化、信息處理的標準化以及按需服務的個性化以及網絡安全可控這幾大應用需求出發，來解決視頻監控應用標準化、及時性、安全性的關鍵問題。

與此同時，通過基于認知的視頻內容理解、人工智能對抗、主動安全防御等技術瓶頸的突破，來為視頻監控網絡的升級改造、相關技術和產品的產業化、產業標準的編制、視頻解析和服務體系的全國性推廣來奠定基礎，當然這是一個循序漸進的過程，也倚賴業界各部門和單位的集體重視和共同推進！