今年以来，“人脸识别”的场景在全国各地遍地开花，出行、安防、金融、消费等各大领域纷纷开始试水，这些创新应用不仅刷新了人们的眼界，还在一定程度上带来了便捷和新鲜的体验感。实际上，人脸识别在2000年初就有小范围的落地应用，主要用在签到打卡机上，但那个时候人工智能并不是很火，这个领域还没有进入主流的研究视角。直到2012年左右，人脸识别才从实验室走到某些行业中来。
近期，人工智能受到的关注度堪比盛夏的高温，火热程度一浪高过一浪。今年3月，人工智能被作为战略发展技术写入政府工作报告。7月20日，国务院向全国各地方政府及各部委和直属机构印发《新一代人工智能发展规划》，提出面向 2030 年我国新一代人工智能发展的指导思想、战略目标、重点任务和保障措施，部署构筑我国人工智能发展的先发优势，加快建设创新型国家和世界科技强国。种种现状表明，人工智能将成为继互联网+之后的下一个风口。
一、人脸识别模式的不足
目前基于深度学习的人脸识别技术，作为人工智能中重要的一个组成部分，最近几年以来发展迅速，在公安行业应用不断深入，其成果频频见诸报端。现阶段，人脸识别已经成为公安行业科技信息化建设中必不可少的建设内容，从追逃布控、走失人员的寻找、嫌疑人员身份确认到以人脸数据为核心的大数据分析来协助案件的侦破，在公安机关相关工作中发挥了巨大的作用。
但是我们同时也应该看到，目前的人脸识别模式仍然有不足之处，具体表现有两点：一是现阶段的人脸识别对场景要求较为苛刻。如果摄像机的高度、角度、光线等要素无法满足要求，则识别出的人脸质量会比较差，这样既无法看清人脸，更无法通过人脸进行人员身份的判断，因此想要进行人脸识别布控，必须新建能满足人脸识别的前端点位。二是即使能在一些关键部位部署人脸识别点位，但毕竟数量不多，目前还无法达到进行全网布控的效果，公安人员依靠人脸识别系统进行定位和追踪的效果十分有限。
因此，从深度上来讲，人脸识别技术对环境的适应性、识别的准确性仍然有很大的提升空间。从广度上而言，人脸识别的目标对象需要更加丰富，从单一的对人脸进行识别，可以扩展到除人脸之外的其它人体部位和信息要素的识别，比如体型、衣着、朝向等多种要素，这也是本文主要谈的人像识别技术。
二、人像识别的关键与流程
在现阶段，人像识别技术主要是一种狭义上的定义，指的就是以人脸识别为主的分析和识别技术。而从广义上来说，人像识别技术是指对包括人脸在内的多种人体部位和信息要素的识别与分析，能形成人员更为全面的特征数据信息，实现对人员的定位查找、身份确认。
人像识别中对人体的识别是关键，随着深度学技术的突破，实践中我们采用深度学习技术，使用大量的在不同场景下的同一个人的不同姿态、不同穿着的监控抓拍照，利用神经网络去学习这些图片数据中人员的身体外形特征，从而实现对人体的跟踪监测，身体关键部位的定位以及人体特征的提取和比对。这些人体监控图片经过训练过后的神经网络，会映射成为一个高维的特征向量，这个向量表示了人体的数学特征，对这个高维向量进行数据计算比对，就能达到对不同场景下同一个人的人体识别。通过对人体的识别，再结合对人脸的识别和特征比对，从而形成特有的人像识别技术。
人像识别的具体流程分为包括以下几个步骤：
视频采集：人像系统通过接入实时视频流，获取人像数据源。考虑到人像检测相对耗时，所以输入的视频流可以设置成隔几帧进行一次检测，这样就可以使得整个系统数据采集实时性更好。
人像检测：采用基于深度学习的目标检测方法，对场景内的人脸和人体同时进行检测。系统中使用的检测器是基于通用的Faster R-CNN方法，使用类ZF的网络结构在ImageNet上进行预训练，并使用实际监控场景视频数据进行微调(fine-tune)，得到系统中使用的人像检测器模型。
人像跟踪：基于检测器得到的检测结果，在检测帧之后，对检测到的目标框使用跟踪性能较好的KCF方法进行跟踪。同时，采用深度神经网络提取表观特征，采用一个多维的向量来表示，并对图像质量进行判断，对同一个人员输出一张质量最好的图像。
特征提取：系统通过对检测到的人员图片进行分析，对检测到的人脸和人体分别进行结构化分析和特征提取。
将人脸与人体的结构化分析和特征信息综合归纳，形成基本特征(性别、年龄段、种族等)、头部特征(帽子、发型、眼镜、口罩等)、体态特征(朝向、速度等)、衣着特征(上衣及裤子的类型、颜色等)、携带物特征(是否有包、是否抱小孩、是否打伞等)。
数据关联：系统将识别到的人员的人脸与人体进行图像关联，形成包含人脸与人体的特征数据及其关联关系的人像数据库。
采用人像识别技术形成人像数据库后，对人员的身份识别不仅可以采用人脸特征来完成，而且可以依托更为丰富的人体特征来进行识别，扩大识别范围。
三、人像识别的应用
人像识别之图像语义检索应用
人像识别技术具备非常丰富的人像结构化数据，系统通过人像识别技术对抓拍的人脸、人体图片进行特征提取分析和识别处理，获取的人员面部特征及体态特征信息，经过关联处理后形成海量的人像资源数据。公安人员在对具有某些特征的嫌疑人员进行查找的过程中，可直接使用人像识别技术进行语义检索，例如输入“男人、中年、戴眼镜、背包、短袖”属性，可在系统的抓拍人像中迅速缩小范围，定位到目标人员，达到视频侦查业务中快速找人的目的。
人像识别之行人重识别应用
通过普通监控摄像头，实现对目标人员的追踪与识别，这就是人像识别技术中的行人重识别应用模式。公安人员即使只有该人员的视频监控截图，从截图中获取不到清晰的人脸信息，但只要有完整的人体图像，仍然可以通过人像识别技术在人像数据库中对该人体图片进行检索，匹配到超过设定阈值，相似度最高的人员。通过这种方式，可以更加全面的分析出目标人员更多的行动轨迹、活动范围等重要信息。
人像识别之人像关联应用
上文提到，通过人像识别技术，利用摄像头捕获人脸和人体(可以是部分人体)图像，并建立了人像数据库。
在人像关联应用中，可利用人像数据库中采集的人脸图片特征进行1:N检索，从后台人脸布控库中匹配超过阈值，且相似度最高的人脸，根据该人脸的身份信息，就确认该人员的身份，并建立“人体采集数据—人脸采集数据—后台布控人脸数据”的关联关系，形成人像关联库。
当该目标人员再次被监控摄像头捕捉到，摄像头即使没有抓拍到清晰的人脸，但仍然可以将抓拍到的人体图像通过系统进行特征提取后比对，在人像特征数据库中进行1:N检索，检索到匹配的人体后，进而关联到后台人脸数据，从而确认该人员的身份信息。
结语
人像识别技术作为人工智能“AI+安防”中的典型应用模式，弥补了人脸识别系统中只能对人脸进行分析的局限性。在现阶段，人像识别的技术还处于研究和探索阶段，在国家人工智能发展规划政策的强力推动下，随着深度学习技术的不断发展，人脸和人体的识别信息会更加丰富，结果会更加准确，人像识别技术会越来越成熟和完善。再结合车辆信息、手机WIFI信息，进行多维的数据关联，建立以人像为核心的综合人像信息数据库，利用大数据分析技术，对这些关联数据进行碰撞分析，挖掘其内在的线索和规律。在社会的各个行业，特别是公安部门，用于布控追逃、嫌疑人的追踪、走失人员的查找等，一定会充分发挥其实战价值和意义。
