利用深度學習優化視訊結構 助力城市安防

深度學習是機器學習中一種基于對資料進行表征學習的方法。觀測值(例如一幅圖像)可以使用多種方式來表示，如每個像素強度值的向量，或者更抽象地表示成一系列邊、特定形狀的區域等。而使用某些特定的表示方法更容易從執行個體中學習任務(例如，人臉識别或面部表情識别)。深度學習的好處是用非監督式或半監督式的特征學習和分層特征提取高效算法來替代手工擷取特征。

深度學習是機器學習研究中的一個新的領域，其動機在于建立、模拟人腦進行分析學習的神經網絡，它模仿人腦的機制來解釋資料，例如圖像，聲音和文本。

視訊結構化助力智慧城市建設

從技術角度來說，智慧城市就是感覺、分析和提取城市系統的各種資訊并做出相對應回報的一整套城市管理系統，其中，原始的視訊資料是城市系統資訊的重要組成部分。現如今，海量視訊資料已成必然，需要一套可以自動從視訊中提取結構化資訊的方案，把視訊、圖像“翻譯”成機器可以了解的語言，并進行儲存，確定後續提供給上層應用平台調用和處理的素材。

視訊結構化的意義

視訊或者圖像資料，從前端傳感器直接獲得，從技術上來說，是一種非結構化資訊。隻有在實作結構化處理之後，才能将其中有價值的資料直覺、高效的儲存、處理和應用。

在智慧城市建設中，有成千上萬路監控攝像頭或者傳感器，晝夜不停地監視或采集其他原始資料。其中，會産生海量的音視訊資料，需要監控管理平台處理。即便人力充沛的情況下，面對龐大的視訊資料，要求快速、準确地從海量資料中找到有效的資訊，幾乎是不可能的。受制于肉眼識别勞動強度的極限，在發生緊急事件時，人力調配和視訊資源往往存在沖突，不依靠計算機自動進行篩選，必然造成贻誤戰機。

視訊結構化就是實作将海量視訊中的人、車目标進行提取并識别的過程。一旦有重要事件發生，系統就可在資料庫中快速查找到關鍵的“人”、“車”、“物”等相關音視訊線索。針對海量監控視訊錄像的事後分析，傳統以人海戰術為主的視訊線索查找，顯然不能滿足高效查找，正面臨巨大挑戰，急需一種更為高效的、自動的、智能的系統實作上述需求。

深度學習介紹

過去幾年中，得益于高速的計算晶片(gpu)及大量的标注資料，作為當下最流行的機器學習方法，深度學習在各個應用領域中都取得了突破性的成績，未來人們會擁有大量的ai，各種為私人定制的ai，包括醫療領域，制造業領域，在商業方面也會有各式各樣的ai應用産生，包括：營銷，供應鍊，預測及人力資源等，ai會以各種不同的方式出現在我們身邊，例如：機器人，無人機和一些小型機器，ai将使機器更具智能化，使其變得更加安全易用。未來的ai發展速度将超越摩爾定律。由于幾乎所有的人工智能領域的問題都可以轉化為分類問題，是以機器學習的基本步驟可分為如下形式：

如上圖所示機器學習是一個級聯串行結構，是以每一環節的處理結果都會影響到最後的分類效果，在傳統的機器學習中針對其中的各個環節都有其各自獨立的算法。由于上述方法具有各自獨立性，是以傳統機器學習算法在處理問題時需要對各個環節進行優化，并通過組合優化方法在各個子產品中選取最優的組合方式。

與傳統機器學習相比深度學習可以把機器學習中的各個部分合成一個整體結構，通過統一的訓練方法(backpropagation)對其中所有的參數進行調節。目前人們所指的深度學習主要是以cnn(卷積網絡)為核心的一系列應用算法，其算法結構如下圖所示:

上圖中的每一層都是采用卷積方式與某一卷積核進行卷積所得到的結果，每一結果代表了從原始圖像所提取的特征，通過級聯方式對圖像或信号進行特征提取，最後得到人們想要的分類結果。

結合深度學習技術，實作視訊結構化

在安防行業中，通過深度學習對視訊進行結構化資訊提取，完成了傳統算法無法完成的功能，算法效果也得到大幅度提高。

傳統的cv算法在處理視訊算法時，往往先用檢測或者比較簡單的識别算法，将目标從背景中提取出來。然後，通過識别算法分辨是否是正常目标，最後判斷目标類型。

而利用深度學習技術，可直接通過分類器，将目标從背景中識别出來再進行跟蹤，同時可以直接得到目标類别。這種模式下，目标檢測的準确率和跟蹤的穩定性都能夠大幅度提高。

同時，算法不需要根據不同目标類型調用不同子產品進行目标分割或者特征提取，可直接利用目辨別别結果，進行特征識别，直接獲得相應的目标屬性。

深度學習技術颠覆傳統算法，輕松完成視訊結構化資訊提取。除此之外，結合深度學習本身的技術特色，還對車輛資訊提取、人臉識别等已有功能進行改善，效果尤為明顯。

在這之前，人臉識别在傳統算法中，有非常好的效果。在預處理之後，通過提取特定的特征并對特征值進行訓練，最後得到分類器，進行識别。深度學習優化了人臉識别的方案，将比較依靠專家選擇的特征提取子產品簡化，通過輸入樣本即可直接訓練得到分類器。

智能交通卡口或者電警攝像頭智能抓拍車輛圖檔，并識别車輛号牌字元、車輛顔色、車輛類型等資料。引入深度學習技術之後，車輛的車系資訊、年款等資訊也被開發出來，更多的車輛資訊被挖掘，為後續平台應用提供的更多的資料支撐。

本文轉自d1net（轉載）