目前，人臉識別主要分為兩種，一是人臉識別，二是行人再識別，前者在技術上可以簡單理解為將兩張圖片放在一起，區分是否兩個人，而后者指的是是利用計算機視覺技術判斷圖像或者視頻序列中是否存在特定行人的技術。

行人再識別的深度學習方法通常有三個步驟：首先，在訓練集上訓練一個分類網絡。然后在網絡收斂之后，用它全連接層的輸出作為特征表達。最后，對所有的圖像特征，計算其歐氏距離，判斷他們的相似性。

在公安部門追蹤嫌疑犯時，雖然攝像頭遍布城市大街小巷，但往往攝像頭無法真正覆蓋所有區域，同時許多攝像頭的視野也沒有重疊，導致追蹤目標的軌跡出現較大的困難。很明顯，在識別同一個目標時，由于視角、尺度、光照、服飾多樣性、姿態多變性、分辨率不同以及部分遮擋問題，會導致不同攝像頭間失去連續的位置和運動信息，影響目標的快速檢索。

在實戰中，視角的變化會帶來場景中的物體與攝像頭光軸呈現不同的夾角，導致二維圖像中物體表象存在差異；而尺度變化則會導致不同目標在圖像中所占圖像區域的差異，要求算法對尺度具有一定魯棒性，特征提取就會變得困難。這也被稱為極具挑戰性的問題“跨視閾重現目標識別”，但“行人再識別”技術的出現，讓公安用戶看到擺脫肉眼辨識的希望。

行人再識別的深度學習方法通常有三個步驟：首先，在訓練集上訓練一個分類網絡；然后在網絡收斂之后，用它全連接層的輸出作為特征表達；最后，對所有的圖像特征，計算其歐氏距離，判斷他們的相似性。這個過程就出現了一個問題：卷積神經網絡中全連接層的每一個權重向量，往往都高度相關。這導致了每個全連接描述中個體之間的相關性，在基于歐幾里得距離時會影響檢索性能。

任何一個高級的算法都迫切的需要跟實際行業緊密結合起來，才能真正實現技術服務于社會。比較顯著的一點，在AI時代要讓安防廠商用得起新技術，必須利用自主知識產權的核心算法，才能打造低功耗性能的智能前端產品。

在傳統安防中，攝像機采集的數據要經過后臺對其進行解碼、抽幀、人臉識別與結構化應用，再進行特征碼的提取、后期比對，整個過程使得計算壓力全部集中在后臺，因此如何實現前端在復雜環境下的數據智能采集和結構化變得至關重要。同時全國600多個大中城市視頻系統建設已初具規模，安裝攝像頭2000萬多支，監控系統26．8萬個，如何實現傳統產品的智能化改造成為迫切的需求。

目前不少企業針對以上情況，推出智能結構化前端盒子，通過搭載高性能AI芯片，可實現高速率采集、抓拍和人臉屬性分析。能實現在不更換攝像頭的前提下，更方便、快捷的實現前端智能，更好的實現后端分析向前端的過渡。

相信未來3年內，智能傳感器、算法模型、語音識別、計算機視覺、智能機器人、智能安防將迎來快速增長。