多模态是生物识别技术的发展方向
人工智能技术体系中,生物识别是最早进入落地应用的技术。生物特征识别技术背后涉及到计算机科学、光学与声学等物理科学、生物科学、生物传感器和生物统计学原理,安全技术,以及人工智能技术等众多基础科学与创新应用技术,是一个完整的多学科技术解决方案。目前可用于身份识别的人体特征包括指纹、虹膜、面部、掌纹、静脉等生理特征和步态、笔迹、声音等行为特征。生物特征识别技术具有安全性好、不易丢失、难以仿冒和携带方便等诸多优点。不可否认,从指纹认证、掌纹识别、指静脉识别到人脸识别、虹膜识别,生物识别技术变得更加成熟的同时,也正在迈进“视觉”时代。
指纹识别是最“传统”的生物识别技术,其地位比较特殊,与人脸识别、声纹识别相比,其识别准确度、区分度要高很多,甚至可以说,指纹身份识别是很多场景下唯一可行的一种方式。从2018年指纹识别技术取得重大突破开始,更高效的推动全国性的社会公共服务及商业模式变革。但是,随着2020年初的一场疫情,非接触式门禁出入口控制技术的应用得到了高度的重视和发展。
掌纹识别是一种新型的生物特征识别技术,它以人体的掌纹作为目标特征,通过多光谱成像技术采集生物信息。多光谱掌纹识别算得上是多模态和多种目标特征融合的生物特征识别技术的典范。这种新技术将皮肤光谱、掌纹纹路与静脉脉络三种可识别特征结合,一次性提供更加丰富的信息,增加了目标特征的可区分度。目前,行业中共识是,单种模态的识别无论在识别性能还是在安全性上均存在瓶颈,而多模态融合是人脸识别乃至生物特征识别的重要突破——不仅能通过多因子的方式提升识别精准度,也能在一定程度提升生物识别技术的场景适应性和隐私安全性。相比传统单模态算法,更能满足金融级误识率(低至千万分之一),也是生物特征识别发展的主要趋势。
在非接触生物识别技术中,人脸识别是最重要模块,从2019年“刷脸”应用已经较为广泛,疫情更进一步的推动了发展,未来仍将是很长时期内AI落地安防的重要方向。目前传统人脸识别困难包括面部旋转,遮挡,相似性等都有了很大的算法提升,使得人脸识别的精准度得到极大的提高,以2D人脸、3D人脸、多光谱人脸等多种模态为代表,每种模态都具有不同的采集适应场景、数据安全程度和隐私敏感度等,而大数据的深度学习的加入,使3D人脸识别算法补充2D投影的缺陷,能快速识别人员身份,为二维人脸识别的应用带来了一定的突破。同时,目前基于活体检测技术正作为提高人脸识别安全性的关键性技术,可以有效抵御照片、视频、三维模型、假体面具等仿冒欺诈,自主判断操作用户身份。人脸应用一方面主要是面向交通枢纽场景,比如机场、车站等,主要应用于实名认证和重点人员布控。另一方面是面向城市级应用,通过对接天网工程,构建由前端摄像机布控,后端是识别平台以及大数据分析平台组成的综合实战平台。在公安、交通领域,AI四小龙商汤科技、旷视科技、云从科技、依图科技的人脸算法水平在AI企业中技术领先,传统企业则是主要由海康威视、大华股份这些传统巨头引领市场。伴随人脸识别技术的快速发展,智能设备、线上金融、人脸支付等诸多创新应用已日趋普遍,为大家生活、工作带来快捷和方便。
另外,面对人脸识别的局限,以步态识别为代表体态识别以难隐藏性、非接触性和非侵入性等特点从众多技术中脱颖而出,成为目前生物特征识别领域的一匹“黑马”。步态识别通过身体体型和行走姿态来识别目标的身份,是一种颇为复杂的行为特征,体态识别技术不需要人为配合,能够适应更为普遍的应用场景,特别适合用来进行远距离身份识别。目前,国内已经有几家企业识别精度已经达到了非常高的水平。
值得一提的是,虹膜识别技术也是一种较为成熟的生物识别技术,目前虹膜识别技术也正普及开来,虹膜识别误识率低至1/100万,主要利用虹膜寿命不变性和差异的特征来识别身份。但由于成本以及对产品端的要求限制,其落地速度比较缓慢,不过,近一两年来,随着政府机关包括金融机构,已经开始重视虹膜识别,其落地速度正在逐渐加快。下一步或将是人脸和虹膜的结合。总结来说,生物识别本身并不是完全的替代关系,更多的是组合甚至融合应用。
随着技术的进步和成熟,以及市场应用需求的逐渐演变,多模态生物识别技术的声音越来越响亮。展望未来,多模态生物识别技术将成生物识别市场的主流发展趋势,并将迎来越来越宽广的应用领域和市场。a&s Research调查显示,单一的生物识别并不能够解决所有场景下的身份认证问题,每一种技术都有一定的局限性。而多模态识别技术,一方面丰富了场景数据,使识别更为高效精准;另一方面,它更适合复杂场景的应用变化,在很多场景中是最适合的生物识别技术。不可置否,多模态识别是未来生物识别技术发展的主流的一个方向。而多模态统一认证平台,不但融合多种识别技术,而且可以根据决策权重和场景需求,灵活自动配置适合的生物识别技术,将成为多模态生物识别技术发展的理想状态。当前来看,多模态识别技术的落地还面临着市场教育的过程,需要生物识别技术企业共同努力促进技术的商业化和规模化应用。
视频智能从感知阶段走向认知智能
视频智能分析是AI落地安防的重要技术之一。所谓视频智能分析是利用基于深度学习的各类智能算法来分析前端设备采集的视频信息,实现对各种安全事件主动预警,并将报警信息反馈至监控平台及客户端。不过,从安防企业发展的产品和技术实现的功能来看,视频智能分析还处于感知智能发展阶段。
视频智能分析主要包括行为分析和特征识别。行为分析是基于背景模型为基础,技术应用表现在人员聚集、物品遗留、物品丢失、人员徘徊、人员倒地、安全帽/工装检测、区域人数统计、进入/离开区域以及跨越警戒线、火焰检测等方面;而特征识别主要包括车牌识别和人脸识别。较于传统视频分析,视频智能分析的重大突破在于,能够将场景中的背景和目标分离,识别出真正的目标,也就是具备对风、雨、雪等多种背景的过滤能力。从技术角度来看,就是通过建立人体活动算法模型,并借助计算机的高速计算能力,排除监视场景中的干扰因素,准确判断并动态跟踪人类在视频监视图像中的各种行为,达到有效预警。
当前,主流厂商推出的智能产品,视频智能分析技术均已实现了排除干扰背景因素,动态实时跟踪目标并分析目标行为的目的,大大提升了报警准确率。并且实现对人脸、人体、车辆等并行综合检测,精准全息化感知业务场景数据,提升综合研判能力,当前这类技术主要应用周界防范、人脸布控应用中。除了视频的智能分析识别之外,物联网技术的结合应用也是人工智能的发展方向之一,将温度、湿度、水浸(水位)、SF6、O2浓度等环境信息集成进视频中并智能分析和识别,目前的技术发展已经可以做到物联网视频智能处理。不过,相较到人脸识别和车牌识别等特征识别,行为分析技术发展还不够成熟,但无疑它们是未来视频智能分析一个重要方向,在智能安防领域应用前景广阔,未来仍需要主流厂商大力投入研发不断进行技术迭代。
虽然视频智能分析在准确率和融合检测能力有很大的突破,但是从当前来看,智能安防行业的视频智能分析基本还处于视频结构化分析的感知智能阶段。公安系统包括其他监控系统,在数据应用上只是就结构化数据进行简单应用,数据价值并未完全发挥出来。未来整个智能安防行业中的智能视频分析将走向知识图谱即认知智能、决策智能阶段。所谓的知识图谱是一种针对应用语义理解技术实现更高质量、可计算、计算机可理解的大数据结构,也就是针对多类异构数据源的知识结构化、关联化分析,属于实用型认知应用,能够更高效的实现决策智能,当前已经有一些主流厂商和技术商实现了在视频智能分析技术应用上实现一部分认知智能。
边缘计算与中心智能结合应用发展
随着深度学习算法的突破,安防领域的目标识别、物体检测、场景分割、信息提取标签化、数据检索及分析研判等各项技术应用也在不断取得新的进展,相比于传统智能带来的应用效果,AI深度智能在识别准确率、环境适应性、识别种类等方面的效能提升显著。
在终端和边缘端,主要体现为内置高达30多种算法,其中混合目标检测模式支持同一场景下人脸、人体、车辆图片并行抓拍,人脸人体关联,以及人脸、人体、非机动车和机动车结构化属性提取,也就是轻量级的多维数据融合。当前技术领先的厂商推出的相关产品,已经可以支持前端多维数据的提取和分析,包括全场景和细分感知数据采集和融合。这类技术产品比较适合小规模项目场景应用,相当于一机多用,不仅大大减化项目部署的复杂性,而且降低工程实施成本。
边缘智能是将边缘计算与用户、业务结合,其不是简单的把边缘计算搭建起来,而是对管道能力的整体提升,是物联网应用的使能者。边缘智能具有数据处理实时性、业务数据可靠性、应用开发多样化等的优势。目前,安防领域边缘智能的发展一日千里,许多智能安防产品已经从具有边缘计算的能力开始进化为边缘智能,但是,边缘智能依然处于发展的初级阶段,技术、业务、商业模式等各方面的挑战仍然具有不确定性,接下来需要在标准化、产业联盟、场景驱动、产业链协同、安全隐私等方面做好工作,推动边缘智能的规模化落地。驱动边缘智能发展的业务场景主要包括网络传输的场景和应用特征产生的场景,从而形成对边缘智能的需求。目前,边缘智能已经在智能城市、智能工业、智能社区、智能家居、车联网等大量的垂直行业中形成示范应用,给垂直领域带来新的价值。
需要提及的是,现阶段,数据资源大多归属于不同地区不同部门,未来是否有这样一种机制,让数据既能够本地化又能实现跨地域互通,可以在降低数据传输的风险和成本的同时满足数据计算的需求。也就是说,多维数据融合和智能分析需要视频流媒体的分布式计算引擎和大数据动态分布式架构来支撑实现。
除了边缘智能的发展应用,以大数据分析为代表的中心智能分析技术也有了长足进步,通过多维数据融合分析平台,初步实现舆情监控和事件预警功能。多维数据融合是充分利用多源数据的互补性和计算机的高速运算与智能来提高结果信息的质量。包含有人流管控、交通热力图等应用。同时,预警的另一个方向,利用行为大数据来预判潜在犯罪,在具体技术涉及对人物目标特征和行为识别、分析,以及目标历史数据的线性研判方面,也有很大进步。安防大数据的多维数据融合应用初步成熟,边缘端和中心端的结合应用使安防大数据的实用性有了强大进步。从技术发展水平和未来方向看,“大智能”在中心端,“小智能”在边缘是长期趋势。
AI芯片发展构建智能应用基础
安防智能化时代,芯片是构建智能安防产业链的第一环。芯片技术的突破实现了安防产业的智能化,基于芯片设计的AI计算加速卡、模组等,在智能分析应用中更能发挥巨大的作用,基于PCIE的多芯片互联,更易于横向扩展和支持大规模数据中心。AI芯片、加速卡、模组为工业自动化、安防智能化、机器人、智慧城市、军工和航空航天等应用提供可操作的洞察力。
纵观整个芯片市场,顶层依然是Nvidia、Intel得天下。而针对安防监控市场,视频编解码芯片被集中于SoC系统级芯片之上,基于芯片开发的模组、加速卡在国内的芯片产业中发展迅速,并在安防行业应用广泛,从终端IPC到边缘端、云端,AI芯片及集成产品发展如日中天。可以说,中国芯片产业崛起几乎是板上钉钉的事儿。
从需求市场来看,凭借行业内快速增长的优势,AI芯片发产业发展的机遇已经到来,传统市场可能认为安防芯片的主导权掌握在国外公司手中。但是,随着近几年智能安防的飞速发展,国产安防监控芯片在技术水平上与国外先进产品已相差无几,并且在性价比上明显占优。随着安防智能化的深入,高技术含量的深度学习芯片进入到安防领域中,这为国产芯片厂商提供了突破的方向。
未来,AI 势必将改变安防,赋予安防系统更加智能化,自动化处理视频、图片等非结构化数据和结构化数据,让整个社会更安全、更有秩序,而要实现这样的转变则有赖于行业上下游的通力配合。上游AI芯片即成为了构建智能安防的第一环,具有创新性、性价比高的AI芯片必将成为成功选择的基石。
基础零部件软件走向集成化、场景定制化
从2018年开始,智能安防应用的底层零组件就开始趋向系统化、集成化,同时也在提升监控系统本身的硬件系统整体性能。AI芯片、传感器等基础硬件和算法软件集成化,让产品可以根据不同业务算法进行定制化开发。当前AI芯片厂商已经在朝着算力和算法集成的方向进行研发,也就是根据特定场景算法来设计AI芯片架构,以更高效的应用于场景业务。
在以视觉为核心的安防监控系统中,CMOS图像传感器是核心角色。为了更好的AI智能应用,CMOS图像传感器从成像设计上需要做针对性的改善。从这几年来成像技术厂商推出的安防专用CMOS传感器产品来看,由于需要考虑到场景环境、光照、气温等各种因素的影响,监控用CMOS图像传感器的设计也开始进入到“场景定制化”阶段,不同的应用场景所适用的产品不一而同。
除了将多样化的智能算法灌注到传感器器件外,也可以同时植入到AI芯片中封装。随着视觉类AI算法的深度学习计算逐步从云端部署扩展到边缘部署,边缘的设备比云端多1-2个数量级,业内对边缘AI计算硬件的需求快速升温,需要具有高算力、低功耗、接口丰富的芯片、模组、板卡等方案来替代原来的CPU、GPU方案。可以说,随着AI技术的应用及普及,在大数据及深度学习的要求下,安防对CPU及GPU的硬件要求逐步提升,基础零部件的集成化、定制化应用需求逐渐成为发展趋势。