别技术的算法是怎样的,别技术目前发展到什么程度了,该技术对图像类别及质量有何要求,在实际应用中又有那些分类等等,这些问题姚委员在讲座中都一一为大家进行了比较细致的解答,并对动态别技术的系统构成和优势、动态人脸识别与常规监控的区别也进行了阐述。
如地铁、高速公路卡口、车站卡口、超市反扒、边检、人群分析等等。因而很多厂家也生产了动态人脸识别技术的相关产品,如具有人脸识别功能的摄像机、人脸识别分析仪等等。但是林林总总的人脸识别产品给人以丰富的选择的同时也带来了相当大的选择困扰,到底如何选择人脸识别产品呢?哪些产品在人脸识别方面技术比较先进呢?
就这类问题,姚委员介绍了近期省局组织的人脸识别摄像机的测试,测试地点在口地铁站某扶梯口进行。在该测试中,性能表现较好的摄像机为Basler黑白摄像机,在监控名单库1和库2时采用低清算法的性能表现较好。在监控名单库3时采用高清算法的性能表现较好,误报率在1%时漏报率维持在25%的实际可用水平。
参照国标《安全防范视频监控人脸识别系统技术要求》,该次测试监控名单库相当于C级(监控名单库容量为1万至10**),参加测试人员也基本满足于C级水平(注册测试人员多于10人,每人至少通过2次,即不少于200人次通过;非注册测试人员需为注册测试人员通过次数的2倍以上)。在该次测试中,没有达到一级的系统性能级别,二级系统性能级别有1个测试组合,三级的性能级别有28个测试组合,四级的性能级别有10个测试组合。(误报率在5%的情况下,漏报率小于5%的为一级,5%~20%为二级,20%~50%为三级,50%~70%为四级)。
从实际测试来看,用户的预期与当前的技术水平之间的差距还是比较大的。人脸识别技术在动态监控应用中面临的压力实际上也比较大。
1.用户希望正确报警率要求高。而现实是理论上来说必须接受高误报率。在技术方面,要达到高正确报警率,可以通过降低阈值来实现,但是降低阈值的代价是:高误报率。为了达到95%正确报警率,很多算法可能会产生300%或更高的误报率。
2.用户希望监控库足够大,往往要求数万或几十万,甚至上百万的监控名单,希望能捕到“大鱼”。现实是库容量大就必须接受高误报率。
3.用户希望大规模成网建设,能够勾画出监控人员的活动轨迹。现实是必须高投入,重**网络和相关硬件。
4.用户希望尽量使用目前的监控设备(摄像机和网络)。现实是现有的摄像机清晰度不够,图像质量差,用于场景监控时视频中人脸过小,网络带宽不够等等造成无法使用现有设备。
5.用户希望少产生误报甚至不产生误报。现实是这样就必将损失正确报警率和减少监控库容量,与用户的想法相违。
动态人脸识别在应用中遇到的挑战
1.光照问题
面临各种环境光源的考验,可能出现侧光、**光、背光和高光等现象,而且有可能出现各个时段的光照不同,甚至在监控区域内各个位置的光照都不同。
2.人脸姿态和饰物问题
因为监控是非配合型的,监控人员通过监控区域时以自然的姿态通过,因此可能出现侧脸、低头、抬头等的各种非正脸的姿态和佩戴帽子、黑框眼镜、口罩等饰物现象。
3.摄像机的图像问题
摄像机很多技术参数影响视频图像的质量,这些因素有感光器(CCD、CMOS)、感光器的大小