陳志宏，王明曉

（中國(guó)電信股份有限公司上海分公司，上海 200120）

1 引言

近年來(lái)，計(jì)算機(jī)視覺(jué)這個(gè)詞逐漸開(kāi)始流行，1982年Marr[1]提出了視覺(jué)計(jì)算的理論和方法，認(rèn)為人類(lèi)的視覺(jué)主要是復(fù)原三維場(chǎng)景的可見(jiàn)幾何表面，提出可以通過(guò)計(jì)算的方式實(shí)現(xiàn)二維圖像到三維結(jié)構(gòu)的復(fù)原，這標(biāo)志著計(jì)算機(jī)視覺(jué)正式成為一門(mén)獨(dú)立學(xué)科。隨著社會(huì)經(jīng)濟(jì)的不斷發(fā)展，人們生活質(zhì)量逐漸提高，新興技術(shù)日新月異，城市安防的需求也開(kāi)始不斷攀升，對(duì)安防程度和安防效率提出了更高的要求。計(jì)算機(jī)視覺(jué)技術(shù)的出現(xiàn)正好可以填充這一技術(shù)的不足，在智慧安防領(lǐng)域，可以用機(jī)器代替人眼對(duì)目標(biāo)進(jìn)行識(shí)別、跟蹤和測(cè)量，并進(jìn)一步做圖像處理，使其成為更適合人眼觀察或傳送給儀器檢測(cè)的圖像[2]。

與此同時(shí)，國(guó)家政策對(duì)深度學(xué)習(xí)、計(jì)算機(jī)視覺(jué)等方面的支持，更是打造了一個(gè)比以往任何時(shí)代都有利于技術(shù)蓬勃發(fā)展的環(huán)境。計(jì)算機(jī)視覺(jué)正逐漸成為人工智能領(lǐng)域最重要的研究方向，因?yàn)橐曈X(jué)是人體獲得信息最多的感官來(lái)源，曾經(jīng)有實(shí)驗(yàn)證實(shí)視覺(jué)信息占人類(lèi)獲得全部信息的 83%[3]。如今，各種新產(chǎn)品和新解決方案不斷提出，行業(yè)之間的壁壘逐漸開(kāi)始淡化，隨著人工智能技術(shù)的不斷演進(jìn)、5G技術(shù)的快速發(fā)展，計(jì)算機(jī)視覺(jué)行業(yè)生態(tài)在這些技術(shù)力量的驅(qū)動(dòng)下，將會(huì)為城市治理和智慧安防領(lǐng)域注入全新活力。

2 深度學(xué)習(xí)與計(jì)算機(jī)視覺(jué)

2.1 前深度學(xué)習(xí)時(shí)代

在深度學(xué)習(xí)算法出來(lái)之前，計(jì)算機(jī)視覺(jué)算法大致可以分為5種方式，分別是特征感知、圖像預(yù)處理、特征提取、特征篩選和推理預(yù)測(cè)與識(shí)別。而在早期的學(xué)習(xí)過(guò)程中，占優(yōu)勢(shì)的統(tǒng)計(jì)機(jī)器學(xué)習(xí)群體對(duì)特征是不大關(guān)心的[4]。

計(jì)算機(jī)視覺(jué)也因此被一部分學(xué)者認(rèn)為是機(jī)器學(xué)習(xí)在視覺(jué)領(lǐng)域的應(yīng)用，在深度學(xué)習(xí)出現(xiàn)之前，計(jì)算機(jī)視覺(jué)都需要人們自主設(shè)計(jì)特征感知、提取、預(yù)處理和篩選的部分，但這無(wú)疑是一個(gè)相當(dāng)困難的挑戰(zhàn)。以往的識(shí)別方法，主要是把特征值的提取和用于分類(lèi)存放特征值的容器分開(kāi)設(shè)計(jì)，直到兩者需要應(yīng)用時(shí)再融合。這樣的操作意味著首先需要有一個(gè)特征表達(dá)式或者特征值提取過(guò)程，再把表達(dá)收斂到的特征植入學(xué)習(xí)算法中進(jìn)行分類(lèi)學(xué)習(xí)。

舉例來(lái)說(shuō)，在早期的經(jīng)典指紋識(shí)別算法中，主要在指紋圖像上設(shè)立具有特殊幾何屬性的特征點(diǎn)，通過(guò)特征值匹配程度判斷兩個(gè)指紋圖像是否是同一個(gè)。這種方式既需要豐富的經(jīng)驗(yàn)進(jìn)行特征值的人工設(shè)計(jì)和參數(shù)調(diào)優(yōu)，同時(shí)還需要對(duì)領(lǐng)域內(nèi)容非常了解。另外，上述方法不僅需要人工設(shè)計(jì)特征，還需要能夠適應(yīng)設(shè)計(jì)特征值的分類(lèi)容器。這意味著，只有特征與分類(lèi)容器契合，才能夠達(dá)到理想的結(jié)果。

2.2 深度學(xué)習(xí)與5G的到來(lái)

上述困難一直持續(xù)到端到端學(xué)習(xí)（en2-to-en2 learning）概念在深度學(xué)習(xí)這一學(xué)科中被提出。這個(gè)概念指的是面向特定類(lèi)型的特定對(duì)象，計(jì)算機(jī)能夠通過(guò)一定的方法，自主學(xué)習(xí)什么種類(lèi)的特征需要被查找，它能夠描述對(duì)象最具顯著特點(diǎn)的特征值。換句話說(shuō)，通過(guò)深度學(xué)習(xí)端到端學(xué)習(xí)理念的網(wǎng)絡(luò)模型，能夠支持探索圖像類(lèi)別中的底層模式。特征提取和深度學(xué)習(xí)的方法差異如圖1所示。

圖1 特征提取和深度學(xué)習(xí)的方法差異

在深度學(xué)習(xí)出現(xiàn)之后，理論上可以不通過(guò)人工篩選特征值、定義特征值，同時(shí)也不需要人工來(lái)描述這些特征值，算法能夠代替人工完成這類(lèi)工作。最具有代表性的是卷積神經(jīng)網(wǎng)絡(luò)。卷積是一個(gè)函數(shù)與一個(gè)函數(shù)通過(guò)翻轉(zhuǎn)或平移等一系列相互關(guān)系，計(jì)算出新值，然后在連續(xù)空間進(jìn)行積分運(yùn)算和在離散空間進(jìn)行求和運(yùn)算的過(guò)程。實(shí)際上在計(jì)算機(jī)視覺(jué)學(xué)科中，卷積通常被視為一種抽象的過(guò)程，是將給定范圍內(nèi)的信息通過(guò)計(jì)算抽象出來(lái)的過(guò)程。

舉例來(lái)說(shuō)，對(duì)同一個(gè)對(duì)象，通過(guò)學(xué)習(xí)多個(gè)不同的卷積與函數(shù)對(duì)范圍內(nèi)的圖像信息進(jìn)行計(jì)算。根據(jù)需要可以使用不同的方法統(tǒng)計(jì)，如重點(diǎn)計(jì)算邊緣位置，或者重點(diǎn)計(jì)算中心區(qū)域，這會(huì)使得結(jié)果變得更加多樣化，從而同步實(shí)現(xiàn)多個(gè)函數(shù)的累積和。可以看出，采用這種方式的效率要遠(yuǎn)遠(yuǎn)高于之前人工設(shè)計(jì)特征提取模型識(shí)別圖片的方式。

如此看來(lái)，卷積網(wǎng)絡(luò)和深度學(xué)習(xí)應(yīng)用在計(jì)算機(jī)視覺(jué)中也不算特別復(fù)雜，且在1998年時(shí)便已經(jīng)有雛形了，但是直到最近才開(kāi)始逐漸占據(jù)主流，原因如下。

其一，大數(shù)據(jù)技術(shù)的限制。如果卷積神經(jīng)網(wǎng)絡(luò)所設(shè)計(jì)的復(fù)雜程度不夠，其真正應(yīng)用所呈現(xiàn)的效果有可能不如傳統(tǒng)特征提取模型。如果設(shè)計(jì)的復(fù)雜，就需要配套海量數(shù)據(jù)訓(xùn)練。人們很難看到已訓(xùn)練模型的內(nèi)在機(jī)制，手動(dòng)調(diào)參也相當(dāng)困難，因?yàn)樯疃葘W(xué)習(xí)模型有數(shù)百萬(wàn)個(gè)參數(shù)——每個(gè)參數(shù)在訓(xùn)練過(guò)程中都需要調(diào)整。從某種意義上來(lái)說(shuō)，深度學(xué)習(xí)模型是一個(gè)黑匣子，只有不斷地向其中輸入數(shù)據(jù)，持續(xù)訓(xùn)練，它才能夠得以應(yīng)用，而在大數(shù)據(jù)技術(shù)不夠成熟的情況下，沒(méi)有辦法提供足夠的訓(xùn)練數(shù)據(jù)，難以被廣泛應(yīng)用。

其二，運(yùn)算能力的限制。卷積神經(jīng)網(wǎng)絡(luò)對(duì)機(jī)器的計(jì)算資源要求非常高，會(huì)進(jìn)行海量的重復(fù)計(jì)算，在處理器不具備多核且計(jì)算能力不足的年代，是很難進(jìn)行較深的卷積訓(xùn)練的。如今，計(jì)算機(jī)的GPU能力大大增強(qiáng)，結(jié)合大數(shù)據(jù)訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)模型也不再遙不可及。

從另外一個(gè)方面看，5G的到來(lái)打破了這些條件的制約，其高速率、低時(shí)延以及廣連接的特性，除了帶來(lái)萬(wàn)物智聯(lián)，也讓過(guò)去各類(lèi)難以實(shí)現(xiàn)的智能化場(chǎng)景成為可能。伴隨5G建設(shè)的發(fā)展，高速率應(yīng)用場(chǎng)景的要求漸漸被解決，各類(lèi)邊緣計(jì)算的技術(shù)更新又釋放了算力資源的制約，可以預(yù)見(jiàn)，物聯(lián)網(wǎng)最大的瓶頸將會(huì)被5G打破，5G會(huì)迅速催化物聯(lián)網(wǎng)行業(yè)的更新迭代；而5G帶來(lái)的物聯(lián)網(wǎng)突破又會(huì)引起大數(shù)據(jù)行業(yè)的變革，因?yàn)榇髷?shù)據(jù)行業(yè)中90%以上的數(shù)據(jù)是由物聯(lián)網(wǎng)中的智能感知設(shè)備所產(chǎn)生的；而大數(shù)據(jù)又是人工智能發(fā)展的三大要素之一，更多的數(shù)據(jù)會(huì)使人工智能更準(zhǔn)確、更智能。

正因如此，深度學(xué)習(xí)與5G的到來(lái)，為計(jì)算機(jī)視覺(jué)技術(shù)帶來(lái)了空前的發(fā)展機(jī)遇與進(jìn)步空間。

3 計(jì)算機(jī)視覺(jué)在智慧安防中的應(yīng)用

隨著我國(guó)城市化進(jìn)程的不斷加快，城市資源的有限性與外來(lái)人口的惡性膨脹，人、財(cái)、物的大流動(dòng)與社會(huì)控制力的相對(duì)弱化等一系列矛盾日益突出，引發(fā)了一系列的社會(huì)治安問(wèn)題。由于警力不足、配置不當(dāng)?shù)仍?，基層民警往往一警多能、一警多職，不但民警工作壓力大，而且許多案件可能得不到及時(shí)的偵破與處理，治安管理往往處于被動(dòng)局面[5]。同時(shí)，社會(huì)治安防控體系涉及一切社會(huì)治安資源，不僅包括公安，也包括其他機(jī)關(guān)企事業(yè)單位以及各種群防群治組織等。各部門(mén)協(xié)調(diào)配合的好壞對(duì)于案件處理的效率存在重要影響。

如今，以計(jì)算機(jī)視覺(jué)識(shí)別為基礎(chǔ)的生物體特征識(shí)別方式已逐漸開(kāi)始成熟，并開(kāi)始受到來(lái)自社會(huì)各界的廣泛關(guān)注。這些特征包含面部特征，以及更細(xì)微的如人眼的虹膜、掌紋、聲紋乃至步態(tài)等。盡管機(jī)器與生物體之間的交流還無(wú)法突破機(jī)械手段，各種信息和數(shù)據(jù)的錄入手段還有待突破，但是機(jī)器能夠通過(guò)視覺(jué)識(shí)別、生物特征檢測(cè)等技術(shù)檢測(cè)圖像中的人是否是活體存在的，能夠借助后臺(tái)數(shù)據(jù)的對(duì)比鑒別圖像中的人員身份信息，甚至識(shí)別圖像中人員行動(dòng)的軌跡和姿勢(shì)，這無(wú)疑為城市安防治理提供了新的思路和方法。

目前，深度學(xué)習(xí)在計(jì)算機(jī)視覺(jué)中應(yīng)用廣泛且比較成功的案例為人臉識(shí)別，以下為上海市某小區(qū)應(yīng)用人臉識(shí)別技術(shù)作為安防監(jiān)控手段的真實(shí)案例。

3.1 流程設(shè)計(jì)

基于社區(qū)對(duì)可疑人員身份的檢查需求，所設(shè)計(jì)的業(yè)務(wù)流程主要分為以下幾個(gè)部分。

當(dāng)人員進(jìn)入攝像機(jī)監(jiān)控范圍，計(jì)算機(jī)視覺(jué)識(shí)別系統(tǒng)首先通過(guò)視頻流分析，甄別當(dāng)前畫(huà)面中是否存在人像，并對(duì)人臉部分進(jìn)行捕捉和抓拍，抓拍示意圖如圖2所示。

圖2 抓拍示意圖

系統(tǒng)會(huì)記錄此次抓拍的時(shí)間和攝像機(jī)信息，并對(duì)抓拍到的人像做特征提取處理。同時(shí)，系統(tǒng)會(huì)將該特征在提前錄入的“布控庫(kù)”中做比對(duì)檢索，如果對(duì)比結(jié)果高于設(shè)定閾值，識(shí)別系統(tǒng)將發(fā)出可疑人員身份提醒，并將提醒推送至網(wǎng)頁(yè)端或移動(dòng)客戶端，便于保安及片區(qū)民警及時(shí)安排下一步動(dòng)作。

3.2 算法原理

此次案例中設(shè)計(jì)的動(dòng)態(tài)人像識(shí)別的算法識(shí)別過(guò)程主要包括視頻解碼、人臉檢測(cè)、圖像聚合、特征提取、檢索比對(duì)5個(gè)模塊。當(dāng)攝像機(jī)將視頻源傳輸給動(dòng)態(tài)人像卡口系統(tǒng)時(shí)，系統(tǒng)實(shí)時(shí)分析視頻中的人臉并進(jìn)行布控報(bào)警，其算法識(shí)別原理如圖3所示。

圖3 算法識(shí)別原理

步驟1進(jìn)入視頻解碼模塊。該模塊首先會(huì)將不同碼流的視頻進(jìn)行格式轉(zhuǎn)化，然后以 10～25 +/s的幀率進(jìn)行解碼處理，最終輸出一幀幀的靜態(tài)圖片。

步驟 2進(jìn)入人臉檢測(cè)模塊。一張圖片中可能存在多張人臉，該模塊會(huì)檢測(cè)圖片中的人臉信息，從每一幀靜態(tài)圖片中一一識(shí)別人臉，并形成人臉特寫(xiě)圖。

步驟 3進(jìn)入圖像聚合模塊。由于人員一般不會(huì)主動(dòng)配面對(duì)前端攝像機(jī)，所以人像系統(tǒng)如何精確識(shí)別行進(jìn)人群中各種角度的人臉并進(jìn)行精確報(bào)警是一件非常困難的事情。為此，在此次方案中添加圖像聚合模塊，將視頻中同一人的多幀圖片進(jìn)行聚合，形成一條短暫的人臉軌跡（從進(jìn)入監(jiān)控畫(huà)面到離開(kāi)監(jiān)控畫(huà)面），把不同角度、姿態(tài)的同一人照片融合為一組圖片。其優(yōu)勢(shì)在于，當(dāng)小區(qū)內(nèi)人流量較大時(shí)，容易出現(xiàn)人臉前后遮擋，導(dǎo)致同一人的軌跡被隔斷誤認(rèn)為是不同的人的軌跡，重復(fù)計(jì)數(shù)。圖像聚合模塊能很好地處理高峰人臉遮擋情況，即使軌跡斷掉，也可實(shí)時(shí)地將同一人的軌跡合并起來(lái)，從而有效避免大量的重復(fù)抓拍。

步驟 4進(jìn)入特征抽取模塊。算法將這一組圖片進(jìn)行特征抽取，形成一組特征碼。該組特征碼會(huì)存于數(shù)據(jù)庫(kù)形成路人庫(kù)，同時(shí)用于與布控庫(kù)進(jìn)行實(shí)時(shí)對(duì)比。

步驟 5進(jìn)入檢索比對(duì)模塊。將一組特征碼與布控庫(kù)的特征值進(jìn)行索引式對(duì)比，若比中則輸出比對(duì)命中的信息，并在網(wǎng)站或手持終端進(jìn)行提醒信息的實(shí)時(shí)推送。

3.3 算法訓(xùn)練

系統(tǒng)可根據(jù)布控庫(kù)進(jìn)行實(shí)時(shí)布控，當(dāng)前端攝像機(jī)的抓拍人像和庫(kù)中人像的相似度超過(guò)所設(shè)閾值時(shí)，系統(tǒng)會(huì)在第一時(shí)間推送消息提醒。為了保證功能穩(wěn)定，還需要對(duì)系統(tǒng)進(jìn)行性能評(píng)定，此次案例中選用業(yè)界常見(jiàn)的召回率與誤報(bào)率作為關(guān)鍵指標(biāo)。

在評(píng)測(cè)建模前首先定義3類(lèi)數(shù)據(jù)集。

· 訓(xùn)練集（training set）：用來(lái)訓(xùn)練學(xué)習(xí)算法。

· 開(kāi)發(fā)集（2evelopment set）：用于調(diào)整參數(shù)、特征選擇等。有時(shí)也稱(chēng)為保持交叉驗(yàn)證集（hol2out cross vali2ation set）。

· 測(cè)試集（test set）：用于評(píng)估學(xué)習(xí)算法的性能，該部分?jǐn)?shù)據(jù)集是不能用于調(diào)整算法參數(shù)或者做特征選擇的（該部分由開(kāi)發(fā)集負(fù)責(zé)）。

在對(duì)上述開(kāi)發(fā)與測(cè)試集定義后，系統(tǒng)可以通過(guò)模擬真實(shí)的人員識(shí)別場(chǎng)景，利用各異的算法學(xué)習(xí)參數(shù)展開(kāi)練習(xí)，并快速檢驗(yàn)各類(lèi)算法的實(shí)驗(yàn)結(jié)論。在實(shí)驗(yàn)與練習(xí)的過(guò)程中，選擇精確率（precision）針對(duì)預(yù)期的實(shí)驗(yàn)結(jié)論進(jìn)行描述，它展示實(shí)驗(yàn)預(yù)期準(zhǔn)確的樣本中真實(shí)的正樣本數(shù)量。預(yù)測(cè)為真則存在兩種可能，一種是把真實(shí)結(jié)果預(yù)測(cè)為真實(shí)結(jié)果（true positive，TP），另一種是把錯(cuò)誤結(jié)果預(yù)測(cè)為真實(shí)結(jié)果（+alse positive，F(xiàn)P）。而針對(duì)初始樣本，則選用召回率（recall）作為測(cè)算依據(jù)。它表示的是初始樣本中的真實(shí)樣本被預(yù)測(cè)為真實(shí)的數(shù)量。與精確率的計(jì)算過(guò)程類(lèi)似，同樣會(huì)產(chǎn)生兩種結(jié)果，一種是將初始的真實(shí)結(jié)果預(yù)測(cè)成真實(shí)結(jié)果（true positive，TP），另一種則是將初始的真實(shí)結(jié)果預(yù)測(cè)為錯(cuò)誤結(jié)果（+alse negative，F(xiàn)N）。

精確率計(jì)算式：

召回率計(jì)算式：

F1是precision、recall的調(diào)和平均值。

F值計(jì)算式：

從式（3）中可以看出F1得分綜合了precision與recall的結(jié)果，因此當(dāng)F1較高時(shí)，則說(shuō)明該算法比較有效[6]。

通過(guò)與上述模型相結(jié)合，用于安防需求的計(jì)算機(jī)視覺(jué)識(shí)別系統(tǒng)理論上可以根據(jù)不同區(qū)域的安防級(jí)別不同，對(duì)自身算法進(jìn)行自主調(diào)整適應(yīng)當(dāng)前的需求。例如，對(duì)于有些安防級(jí)別較低的區(qū)域，可以采用F值評(píng)分并不高的算法實(shí)現(xiàn)，降低對(duì)硬件、網(wǎng)絡(luò)、計(jì)算資源的依賴和占用程度；反之對(duì)于安防級(jí)別較高的區(qū)域，則可以部署F值較高的算法實(shí)現(xiàn)。

4 實(shí)施效果

針對(duì)城市安防的使用場(chǎng)景，本次方案中采用基于前端高清攝像機(jī)的計(jì)算機(jī)視覺(jué)識(shí)別系統(tǒng)，自動(dòng)在實(shí)時(shí)視頻中檢測(cè)每一位來(lái)訪人員，并截取最清晰的一幀圖像存儲(chǔ)。系統(tǒng)自動(dòng)對(duì)視頻中的每一幀圖像逐幀做人像檢測(cè)，當(dāng)在不同幀識(shí)別出一個(gè)人時(shí)，系統(tǒng)將同一人在不同幀的位置形成一個(gè)軌跡，挑選這段軌跡中最清晰的一張作為抓拍照片。

在實(shí)際的使用場(chǎng)景中，人流量是影響人臉識(shí)別性能的一個(gè)關(guān)鍵外部因素。此次方案中設(shè)計(jì)的計(jì)算機(jī)視覺(jué)識(shí)別系統(tǒng)不僅可以處理畫(huà)面中人臉逐一通過(guò)的簡(jiǎn)單場(chǎng)景，也可以在人流量高峰時(shí)期確保人像的實(shí)時(shí)捕獲、不漏抓。在某小區(qū)的實(shí)際方案中，所設(shè)計(jì)的系統(tǒng)支持每路攝像機(jī)平均1萬(wàn)人/天、峰值30人/min的過(guò)人量抓拍，保證人像信息及抓拍信息均被完整存儲(chǔ)。所有存儲(chǔ)的人像信息、抓拍信息均可以被實(shí)時(shí)查詢。

在符合識(shí)別系統(tǒng)架設(shè)規(guī)范的環(huán)境下，人像抓拍情況的指標(biāo)見(jiàn)表1，分別為抓拍捕獲率及誤抓拍率。

表1 人像識(shí)別系統(tǒng)參數(shù)指標(biāo)

以上基于人臉識(shí)別的計(jì)算機(jī)視覺(jué)識(shí)別技術(shù)的方案在社區(qū)及多類(lèi)重點(diǎn)區(qū)域的安防布控落地時(shí)，能夠自動(dòng)完成識(shí)別、抓拍、對(duì)比，無(wú)須主動(dòng)配合。從來(lái)訪人員身份被識(shí)別到信息告知，8 s內(nèi)即可完成提醒，保安或片區(qū)民警可迅速響應(yīng)，對(duì)于實(shí)戰(zhàn)具有較強(qiáng)的指導(dǎo)意義。

5 結(jié)束語(yǔ)

計(jì)算機(jī)視覺(jué)技術(shù)被認(rèn)為是城市智慧安防的“眼睛”，能夠采集、捕捉、分析各類(lèi)圖像及視頻信息，無(wú)論安防程度還是安防效率，都傳統(tǒng)人工無(wú)法企及的。誠(chéng)然，這雙“眼睛”也存在一定弊端，它不可避免地會(huì)產(chǎn)生大量的人臉影像數(shù)據(jù)，日積月累，除了會(huì)耗費(fèi)政府本就緊張的算力、網(wǎng)絡(luò)資源外，還會(huì)產(chǎn)生影像數(shù)據(jù)的隱私保護(hù)和監(jiān)管問(wèn)題。目前國(guó)內(nèi)對(duì)這方面的政策仍然不夠完善，但不可否認(rèn)的是，現(xiàn)在國(guó)家對(duì)于深度學(xué)習(xí)、計(jì)算機(jī)視覺(jué)等人工智能領(lǐng)域方面的大力支持，打造了一個(gè)比以往任何時(shí)代都有利于技術(shù)蓬勃發(fā)展的環(huán)境。

如今，各種新產(chǎn)品和解決方案不斷提出，行業(yè)間壁壘逐漸開(kāi)始淡化。除了在安防領(lǐng)域的應(yīng)用，計(jì)算機(jī)視覺(jué)還能夠在教育、醫(yī)療、金融領(lǐng)域以及諸如身份識(shí)別、刷臉支付等日常生活場(chǎng)景中提供技術(shù)支持。伴隨5G帶來(lái)的低時(shí)延、高速率以及大帶寬的網(wǎng)絡(luò)變革，未來(lái)類(lèi)似醫(yī)療影像、自動(dòng)駕駛等門(mén)檻極高的專(zhuān)業(yè)化場(chǎng)景也會(huì)逐漸被計(jì)算機(jī)視覺(jué)技術(shù)所攻克，相信計(jì)算機(jī)視覺(jué)行業(yè)生態(tài)在技術(shù)力量的驅(qū)動(dòng)下，將會(huì)為城市治理、智慧安防以及更多的領(lǐng)域注入全新 活力。