淺談人工智慧在安防領域的深度應用

【編者按】近兩年，在安防行業有兩個很火熱的詞語--「智能安防」，越來越多的安防企業提倡這個概念，並且以此為中心形成了一系列的產品和解決方案，目前智能安防已經進入2.0時代。「互聯網+」，安防企業在互聯網的框架下，開始實現安防業務模式及技術的多樣化。這兩個概念的發展對安防行業的發展產生了深刻的影響。

本文轉自「安防自動化」，作者：鍾娟娟；經億歐編輯，供業內人士閱讀。

人工智慧的定義及發展歷程

人工智慧（ArtificialIntelligence）最早在1956年就提出了，英文縮寫為AI。它是研究、開發用於模擬、延伸和擴展人的智能的理論、方法、技術及應用系統的一門新的技術科學。是對人的意識、思維的信息過程的模擬。

人工智慧是計算機科學的一個分支，它企圖了解智能的實質，並生產出一種新的能以人類智能相似的方式做出反應的智能機器，該領域的研究包括機器人、語言識別、圖像識別、自然語言處理和專家系統等。

人工智慧在計算機領域內，得到了愈加廣泛的重視。並在機器人、經濟政治決策、控制系統、模擬系統中得到應用。著名的美國斯坦福大學人工智慧研究中心尼爾遜教授對人工智慧下了這樣一個定義：「人工智慧是關於知識的學科――怎樣表示知識以及怎樣獲得知識並使用知識的科學。」而另一個美國麻省理工學院的教授溫斯頓認為：「人工智慧就是研究如何使計算機去做過去只有人才能做的智能工作。」這些說法反映了人工智慧學科的基本思想和基本內容。即人工智慧是研究人類智能活動的規律，構造具有一定智能的人工系統，研究如何讓計算機去完成以往需要人的智力才能勝任的工作，也就是研究如何應用計算機的軟硬體來模擬人類某些智能行為的基本理論、方法和技術。

淺談人工智慧在安防領域的深度應用

人工智慧是研究使計算機來模擬人的某些思維過程和智能行為（如學習、推理、思考、規劃等）的學科，主要包括計算機實現智能的原理，製造類似於人腦智能的計算機，使計算機能實現更高層次的應用。人工智慧將涉及到計算機科學、心理學、哲學和語言學等學科。

可以說幾乎是自然科學和社會科學的所有學科，其範圍已遠遠超出了計算機科學的範疇，人工智慧與思維科學的關係是實踐和理論的關係，人工智慧是處于思維科學的技術應用層次，是它的一個應用分支。從思維觀點看，人工智慧不僅限於邏輯思維，要考慮形象思維、靈感思維才能促進人工智慧的突破性的發展，數學常被認為是多種學科的基礎科學，數學也進入語言、思維領域，人工智慧學科也必須借用數學工具，數學不僅在標準邏輯、模糊數學等範圍發揮作用，數學進入人工智慧學科，它們將互相促進而更快地發展。

人工智慧至今經歷了三次浪潮。第一次，五十年代的達特茅斯會議確立了人工智慧（AI）這一術語，人們陸續發明了第一款感知神經網路軟體和聊天軟體，證明了數學定理，人類驚呼「人工智慧來了」、「再過十年機器人會超越人類」。然而，人們很快發現，這些理論和模型只能解決一些非常簡單的問題，人工智慧進入第一次冬天。

第二次，八十年代Hopfield神經網路和BT訓練演算法的提出，使得人工智慧再次興起，出現了語音識別、語音翻譯計劃，以及日本提出的第五代計算機。但這些設想遲遲未能進入人們的生活之中，第二次浪潮又破滅了。

第三次，隨著2006年Hinton提出的深度學習技術，以及2012年ImageNet競賽在圖像識別領域帶來的突破，人工智慧再次爆發。這一次，不僅在技術上頻頻取得突破，在商業市場同樣炙手可熱，創業公司層出不窮，投資者競相追逐。

可以說，整個人工智慧的發展過程都是在這樣的模式之中，不同技術在不同時期扮演著推動人工智慧發展的角色。在此，我們基於人工智慧行業的企業、投資融資以及研究成果等維度提供一個全新看待人工智慧的視角。

人工智慧核心技術

計算機視覺、機器學習、自然語言處理、機器人和語音識別是人工智慧的五大核心技術，它們均會成為獨立的子產業。

1、計算機視覺：計算機視覺技術運用由圖像處理操作及機器學習等技術所組成的序列來將圖像分析任務分解為便於管理的小塊任務。

2、機器學習：機器學習是從數據中自動發現模式，模式一旦被發現便可以做預測，處理的數據越多，預測也會越準確。

3、自然語言處理：對自然語言文本的處理是指計算機擁有的與人類類似的對文本進行處理的能力。例如自動識別文檔中被提及的人物、地點等，或將合同中的條款提取出來製作成表。

4、機器人技術：近年來，隨著演算法等核心技術提升，機器人取得重要突破。例如無人機、家務機器人、醫療機器人等。

5、生物識別技術：生物識別可融合計算機、光學、聲學、生物感測器、生物統計學，利用人體固有的生體特性如指紋、人臉、虹膜、靜脈、聲音、步態等進行個人身份鑒定，最初運用於司法鑒定。

隨著科技的發展，生物識別技術已經成為個人身份識別或認證技術的重要方式，人臉識別作為生物特徵識別的重要分支，它的無侵害性和對用戶以最自然、最直觀的識別方式更容易被接受，然而，已有的一些機器學習演算法大都使用淺層結構，而淺層結構的網路很難表示複雜函數。同時，以往提出的多層感知機器雖可以表示複雜的函數關係但又由於沒有很好的學習演算法。近幾年深度學習技術被業界廣泛認可，並在各個相關領域都取得了突飛猛進的進展，特別是深度學習技術在人臉識別領域的應用，在今年的安博會上，各廠家也紛紛推出人臉識別技術。隨著市場需求的不斷變化，不同的應用場合，人臉識別技術也根據需要開發出各種各樣的產品來滿足用戶的需求。