深度学习在安防领域的应用与实践

以安防领域中最成功的车牌识别算法为例，虽然目前很多厂商都宣称自己的车牌识别率已经达到了99%，但这也只是在标准卡口的视频条件下再加上一些预设条件来达到的。在针对很多简易卡口和卡口图片进行车牌定位识别时，较好的车牌识别也很难达到90%。不过随着采用深度学习的应用，这一情况将会得到很大的改善。xYP安检之家

在传统的图像处理和机器学习算法研发中，很多特征都是人为制定的，比如hog、sift特征，在目标检测和特征匹配中占有重要的地位，安防领域中的很多具体算法所使用的特征大多是这两种特征的变种。人为设计特征和机器学习算法，从以往的经验来看，由于理论分析的难度大，训练方法又需要很多经验和技巧，一般需要5到10年的时间才会有一次突破性的发展，而且对算法工程师的知识要求也一直在提高。深度学习则不然，在进行图像检测和识别时，无需人为设定具体的特征，只需要准备好足够多的图进行训练即可，通过逐层的迭代就可以获得较好的结果。从目前的应用情况来看，只要加入新数据，并且有充足的时间和计算资源，随着深度学习网络层次的增加，识别率就会相应提升，比传统方法表现更好。xYP安检之家

初看之下，深度学习似乎是一种万能的方法，什么问题都能够轻松解决，然而就深度学习的具体应用而言，目前依然存在三大主要难题：第一是大数据标定的问题，深度学习领域的一句流行语——“谁掌握着数据谁就掌握着市场”，就充分地说明了这一点;第二是计算量过大的问题，在具体应用中随着数据和网路层次的增加，不仅训练花费的时间在大幅增加，测试时间也在增加，在具体应用中很难实现前端化和实时化;第三是训练收敛问题，以在图像识别中应用最多的卷积神经网络(CNN)为例，目前已经出现了几百层的网络结构，训练过程中一般采用梯度下降的方法，这一过程中如果层数过多，数据初始化不合理就很容易不收敛。xYP安检之家

三、基于深度学习提升安防产品性能xYP安检之家

虽然存在以上这些问题，但是深度学习依然是非常有效的方法，这些问题也必将随着时间的推移得到妥善解决。除此之外，很多企业以及机构的努力也正在使深度学习现有的一些问题得到较大的改观，例如面对数据问题，目前国内已经出现了“数据堂”这样专门整理数据的公司，安防公司只要一定的人力投入即可。关于计算量的问题，虽然目前像“英伟达”这样提供高性能计算显卡的公司还不多，但更多消息显示，Intel、高通、AMD等公司都已开始进行相关产品的研发工作。此外，中科院已经开始研发专门的深度学习芯片。xYP安检之家

在可以预见的未来，很多安防公司都会陆续推出与深度学习相关的产品，或是采用深度学习算法提升已有产品的性能。对于科达公司来说，刚过去的2015年是大规模应用深度学习的元年。在车牌识别、车辆颜色、车辆厂商标志识别、无牌车检测、非机动车检测与分类、车头车尾判断、车辆检索、人脸识别等相关的技术方面，公司都已经开始应用深度学习算法，并且相关众多产品的性能也在深度学习的帮助下得到了一定的提升。xYP安检之家

以安防产品的具体应用为例，在车牌识别方面，目前深度学习算法克服了传统方法在各种不同条件下识别率不够稳定的情况，用这一方法识别的车牌识别率更稳定，污损与模糊不清的号牌的识别情况更好，图片模式的车牌定位率和识别率更是分别从90%和85%提升到95%和93%以上。在车辆颜色识别方面，基本上克服了由于光照条件变化、相机硬件误差所带来的颜色不稳定、过曝光等一系列问题，因此解决了图像颜色变化导致的识别错误问题，卡口车辆颜色识别率从80%提升到85%，电警车辆主颜色识别率到从75%提升到80%以上。xYP安检之家

在车辆厂商标志识别方面，使用传统的HOG、LBP、SIFT、SURF等特征，采用SVM机器学习技术训练一个多级联的分类器来识别厂商标志很容易出现误判，采用大数据加深度学习技术后，车辆车标的过曝光或者车标被人为去掉等引起的局部特征会随之消失，其识别率可以从89%提升到93%以上。在车辆检索方面，车辆的图片在不同场景下会出现曝光过度或者曝光不足，或者车辆的尺度发生很大变化，导致传统方法提取的特征会发生变化，因此检索率很不稳定。深度学习能够很好地获取较为较稳定的特征，搜索的相似目标更精确，Top 5的搜索率在95%以上。在人脸识别项目中，由于光线、姿态和表情等因素引起人脸变化，目前很多应用都是固定场景、固定姿态，采用深度学习算法后，不仅固定场景的人脸识别率从89%提升到99%，而且对姿态和光线也有了一定的放松。