隨著深度學(xué)習(xí)技術(shù)的發(fā)展，其使得計算機朝著真正的人工智能邁進(jìn)了一大步，使用海量數(shù)據(jù)來自動識別圖像和文本，并實時進(jìn)行人機間的“對話”將不再是天方夜譚。雖然目前還有很多理論和建模等方面的問題等待探索和解決，但是深度學(xué)習(xí)已經(jīng)顯示出了它在技術(shù)上的巨大潛能。本文將簡要介紹深度學(xué)習(xí)理論的起源與發(fā)展，重點闡述深度學(xué)習(xí)在安防領(lǐng)域的具體應(yīng)用現(xiàn)狀和存在的困難，并且介紹安防產(chǎn)品如何基于深度學(xué)習(xí)得到性能上的提升。
一、深度學(xué)習(xí)的起源與發(fā)展
人工智能(ArtificialIntelligence)是人類最美好的夢想之一，有很多的藝術(shù)作品和科研探索對它展開了廣泛的討論。雖然在人類和大量現(xiàn)成數(shù)據(jù)的幫助下，目前的電腦表現(xiàn)非常強大，可是人工智能的美好想法似乎仍然可望而不可及。不過令人感到振奮的是，除了云計算對大數(shù)據(jù)的并行處理技術(shù)手段，借助深度學(xué)習(xí)(DeepLearning)算法，人類終于找到了如何處理“抽象概念”的方法。
自2006年以來，人工智能和機器學(xué)習(xí)領(lǐng)域取得了突破性進(jìn)展。近幾年深度學(xué)習(xí)的持續(xù)走紅也對這一領(lǐng)域產(chǎn)生了巨大的沖擊?！吧疃葘W(xué)習(xí)”的概念最早由多倫多大學(xué)的GeoffHinton和他的同事于2006年提出。Hinton意識到科學(xué)家們并沒有真正理解大腦——他們可以解釋電信號如何連接神經(jīng)元，但他們無法解釋這些神經(jīng)元是如何學(xué)習(xí)或計算的。他認(rèn)為這些問題可能最終指向人工智能的終極夢想。當(dāng)然我們也可以追溯到更早，由紐約大學(xué)的YannLeCun于上世紀(jì)90年代開發(fā)的5層卷及神經(jīng)網(wǎng)絡(luò)(5-layercnn)進(jìn)行手寫數(shù)字識別，不過由于當(dāng)時的計算機硬件有限，沒有得到大規(guī)模的應(yīng)用。
隨著互聯(lián)網(wǎng)的快速發(fā)展，特別是近兩年大數(shù)據(jù)時代的來臨，深度學(xué)習(xí)得到了進(jìn)一步發(fā)展。2012年6月，《紐約時報》披露了GoogleBrain項目，即直接把海量數(shù)據(jù)投放到算法中，讓數(shù)據(jù)自己說話，系統(tǒng)會自動從數(shù)據(jù)中學(xué)習(xí)。2012年11月，微軟在中國天津的一次活動上公開演示了一個基于深度學(xué)習(xí)的全自動同聲傳譯系統(tǒng)，演講者用英文進(jìn)行演講，后臺的計算機自動實時完成語音識別、英中機器翻譯和中文語音合成，效果非常流暢。2013年，DanC.Ciresan的乳腺癌細(xì)胞有絲分裂檢測超越了人眼的識別效果。在這之后，研究機器學(xué)習(xí)與人工智能領(lǐng)域的教授都開始發(fā)表有關(guān)深度學(xué)習(xí)的論文，以2015年的CVPR會議為例，很多論文主題和深度學(xué)習(xí)密切相關(guān)。當(dāng)然，深度學(xué)習(xí)目前仍有大量工作需要研究，目前的關(guān)注點還是從機器學(xué)習(xí)的領(lǐng)域借鑒一些可以在深度學(xué)習(xí)使用的方法。
應(yīng)該說，最早受到深度學(xué)習(xí)沖擊的就是互聯(lián)網(wǎng)行業(yè)自身。因此，他們更加關(guān)注如何將深度學(xué)習(xí)與具體應(yīng)用相結(jié)合?；ヂ?lián)網(wǎng)行業(yè)的大型公司，如谷歌、微軟、百度、騰訊、阿里巴巴等，都相繼成立了自己的相關(guān)研發(fā)團隊，或者成立深度學(xué)習(xí)研究院，致力于大數(shù)據(jù)驅(qū)動的人工智能技術(shù)創(chuàng)新，在語音和圖像識別等具體應(yīng)用領(lǐng)域取得了一定的成果。
二、安防領(lǐng)域的深度學(xué)習(xí)應(yīng)用
隨著智能交通、智能家居的興起，安防領(lǐng)域也將成為人工智能和機器學(xué)習(xí)關(guān)注的熱點，從而成為受到深度學(xué)習(xí)第二波沖擊的重要領(lǐng)域。
深度學(xué)習(xí)作為機器學(xué)習(xí)研究中的一個領(lǐng)域，其動機在于建立、模擬人腦進(jìn)行分析學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)，它模仿人腦的機制來解釋數(shù)據(jù)，例如圖像、聲音和文本等。目前，深度學(xué)習(xí)的應(yīng)用領(lǐng)域中大約有70%都在圖像識別方面，結(jié)合安防領(lǐng)域的現(xiàn)狀，這就意味著，深度學(xué)習(xí)在這一領(lǐng)域必然會有顛覆性的發(fā)展。隨著大數(shù)據(jù)與高清攝像機應(yīng)用的普及，安防大數(shù)據(jù)時代已經(jīng)到來，海量高清及以上分辨率視頻數(shù)據(jù)給安防產(chǎn)品技術(shù)帶來了大數(shù)據(jù)，這也就成為深度學(xué)習(xí)在安防領(lǐng)域必將快速發(fā)展的肥沃土壤。
機器學(xué)習(xí)(MachineLearning)是一門多領(lǐng)域交叉學(xué)科，涉及概率論、統(tǒng)計學(xué)、逼近論、凸分析、算法復(fù)雜度理論等多門學(xué)科。它專門研究計算機怎樣模擬或?qū)崿F(xiàn)人類的學(xué)習(xí)行為，以獲取新的知識或技能，重新組織已有的知識結(jié)構(gòu)使之不斷改善自身的性能。傳統(tǒng)的機器學(xué)習(xí)方法有adboost、神經(jīng)網(wǎng)絡(luò)、支持向量機、隨機森林、提升決策樹等，雖然目前在安防領(lǐng)域已經(jīng)獲得了一定的成功，但它們在目標(biāo)的定位率和識別率的提升上已經(jīng)陷入了一定的瓶頸：很多具體應(yīng)用中的識別率無法得到提升;在大規(guī)模多場景應(yīng)用中，虛警問題也給安防領(lǐng)域帶來了很大的困擾，即使是增加訓(xùn)練樣本依然不能緩解這一問題。
以安防領(lǐng)域中最成功的車牌識別算法為例，雖然目前很多廠商都宣稱自己的車牌識別率已經(jīng)達(dá)到了99%，但這也只是在標(biāo)準(zhǔn)卡口的視頻條件下再加上一些預(yù)設(shè)條件來達(dá)到的。在針對很多簡易卡口和卡口圖片進(jìn)行車牌定位識別時，較好的車牌識別也很難達(dá)到90%。不過隨著采用深度學(xué)習(xí)的應(yīng)用，這一情況將會得到很大的改善。
在傳統(tǒng)的圖像處理和機器學(xué)習(xí)算法研發(fā)中，很多特征都是人為制定的，比如hog、sift特征，在目標(biāo)檢測和特征匹配中占有重要的地位，安防領(lǐng)域中的很多具體算法所使用的特征大多是這兩種特征的變種。人為設(shè)計特征和機器學(xué)習(xí)算法，從以往的經(jīng)驗來看，由于理論分析的難度大，訓(xùn)練方法又需要很多經(jīng)驗和技巧，一般需要5到10年的時間才會有一次突破性的發(fā)展，而且對算法工程師的知識要求也一直在提高。深度學(xué)習(xí)則不然，在進(jìn)行圖像檢測和識別時，無需人為設(shè)定具體的特征，只需要準(zhǔn)備好足夠多的圖進(jìn)行訓(xùn)練即可，通過逐層的迭代就可以獲得較好的結(jié)果。從目前的應(yīng)用情況來看，只要加入新數(shù)據(jù)，并且有充足的時間和計算資源，隨著深度學(xué)習(xí)網(wǎng)絡(luò)層次的增加，識別率就會相應(yīng)提升，比傳統(tǒng)方法表現(xiàn)更好。
初看之下，深度學(xué)習(xí)似乎是一種萬能的方法，什么問題都能夠輕松解決，然而就深度學(xué)習(xí)的具體應(yīng)用而言，目前依然存在三大主要難題：第一是大數(shù)據(jù)標(biāo)定的問題，深度學(xué)習(xí)領(lǐng)域的一句流行語——“誰掌握著數(shù)據(jù)誰就掌握著市場”，就充分地說明了這一點;第二是計算量過大的問題，在具體應(yīng)用中隨著數(shù)據(jù)和網(wǎng)路層次的增加，不僅訓(xùn)練花費的時間在大幅增加，測試時間也在增加，在具體應(yīng)用中很難實現(xiàn)前端化和實時化;第三是訓(xùn)練收斂問題，以在圖像識別中應(yīng)用最多的卷積神經(jīng)網(wǎng)絡(luò)(CNN)為例，目前已經(jīng)出現(xiàn)了幾百層的網(wǎng)絡(luò)結(jié)構(gòu)，訓(xùn)練過程中一般采用梯度下降的方法，這一過程中如果層數(shù)過多，數(shù)據(jù)初始化不合理就很容易不收斂。
三、基于深度學(xué)習(xí)提升安防產(chǎn)品性能
雖然存在以上這些問題，但是深度學(xué)習(xí)依然是非常有效的方法，這些問題也必將隨著時間的推移得到妥善解決。除此之外，很多企業(yè)以及機構(gòu)的努力也正在使深度學(xué)習(xí)現(xiàn)有的一些問題得到較大的改觀，例如面對數(shù)據(jù)問題，目前國內(nèi)已經(jīng)出現(xiàn)了“數(shù)據(jù)堂”這樣專門整理數(shù)據(jù)的公司，安防公司只要一定的人力投入即可。關(guān)于計算量的問題，雖然目前像“英偉達(dá)”這樣提供高性能計算顯卡的公司還不多，但更多消息顯示，Intel、高通、AMD等公司都已開始進(jìn)行相關(guān)產(chǎn)品的研發(fā)工作。此外，中科院已經(jīng)開始研發(fā)專門的深度學(xué)習(xí)芯片。
在可以預(yù)見的未來，很多安防公司都會陸續(xù)推出與深度學(xué)習(xí)相關(guān)的產(chǎn)品，或是采用深度學(xué)習(xí)算法提升已有產(chǎn)品的性能。對于科達(dá)公司來說，剛過去的2015年是大規(guī)模應(yīng)用深度學(xué)習(xí)的元年。在車牌識別、車輛顏色、車輛廠商標(biāo)志識別、無牌車檢測、非機動車檢測與分類、車頭車尾判斷、車輛檢索、人臉識別等相關(guān)的技術(shù)方面，公司都已經(jīng)開始應(yīng)用深度學(xué)習(xí)算法，并且相關(guān)眾多產(chǎn)品的性能也在深度學(xué)習(xí)的幫助下得到了一定的提升。
以安防產(chǎn)品的具體應(yīng)用為例，在車牌識別方面，目前深度學(xué)習(xí)算法克服了傳統(tǒng)方法在各種不同條件下識別率不夠穩(wěn)定的情況，用這一方法識別的車牌識別率更穩(wěn)定，污損與模糊不清的號牌的識別情況更好，圖片模式的車牌定位率和識別率更是分別從90%和85%提升到95%和93%以上。在車輛顏色識別方面，基本上克服了由于光照條件變化、相機硬件誤差所帶來的顏色不穩(wěn)定、過曝光等一系列問題，因此解決了圖像顏色變化導(dǎo)致的識別錯誤問題，卡口車輛顏色識別率從80%提升到85%，電警車輛主顏色識別率到從75%提升到80%以上。在車輛廠商標(biāo)志識別方面，使用傳統(tǒng)的HOG、LBP、SIFT、SURF等特征，采用SVM機器學(xué)習(xí)技術(shù)訓(xùn)練一個多級聯(lián)的分類器來識別廠商標(biāo)志很容易出現(xiàn)誤判，采用大數(shù)據(jù)加深度學(xué)習(xí)技術(shù)后，車輛車標(biāo)的過曝光或者車標(biāo)被人為去掉等引起的局部特征會隨之消失，其識別率可以從89%提升到93%以上。在車輛檢索方面，車輛的圖片在不同場景下會出現(xiàn)曝光過度或者曝光不足，或者車輛的尺度發(fā)生很大變化，導(dǎo)致傳統(tǒng)方法提取的特征會發(fā)生變化，因此檢索率很不穩(wěn)定。深度學(xué)習(xí)能夠很好地獲取較為較穩(wěn)定的特征，搜索的相似目標(biāo)更精確，Top5的搜索率在95%以上。在人臉識別項目中，由于光線、姿態(tài)和表情等因素引起人臉變化，目前很多應(yīng)用都是固定場景、固定姿態(tài)，采用深度學(xué)習(xí)算法后，不僅固定場景的人臉識別率從89%提升到99%，而且對姿態(tài)和光線也有了一定的放松。
結(jié)語
深度學(xué)習(xí)在語音識別、圖像識別、自然語言處理等應(yīng)用中取得了顯著的成效，但是在安防行業(yè)，深度學(xué)習(xí)實際上才剛剛起步。然而，它正深刻地影響和改變著安防企業(yè)，影響著智能視頻分析技術(shù)?，F(xiàn)在已經(jīng)有很多安防企業(yè)開始投入資源開發(fā)基于深度學(xué)習(xí)技術(shù)的算法、產(chǎn)品。我們有理由相信，深度學(xué)習(xí)在安防領(lǐng)域中的前途是無限光明的。
