浙江浙大中控信息技术有限公司浙江310052
摘要：城市轨道交通已经成为城市居民出行的重要方式，在一些大城市中的交通系统中，发挥着主要的作用。近年来，通过大数据技术的突破和应用，在确保公共场所安全稳定的前提下，实现动态数据采集、检测、预防及捕获各类涉危人员的手段日趋成熟，对针对性打击控制涉危人员提供了更多的技术支撑。
关键词：人脸识别；算法
引言
随着城市化水平的不断提高，城市人口数量不断增加，大量外来人口涌入城市，人员出行和物流频繁，给城市的公共交通造成了很大压力。地铁作为现代化的城市交通工具，具有准时、高速、方便和路网覆盖广等特点，已成为公众首选的通勤方式，同时也是违法犯罪人员的重要出行通道。
地铁公安作为地铁运营线路的治安管理机关，主要承担着维护站内和地铁运营线路治安秩序、预防打击违法犯罪行为、处置发生在地铁运营线路内治安纠纷、侦办发生在地铁运营线路内的刑事案件、协同地铁运营机构处置安全事故以及遵照上级公安机关的要求对犯罪嫌疑人进行控制抓捕等责任。由于地铁线路的封闭性和警力的快速机动性，更适合于对违法犯罪在逃人员进行布控围捕。
另外，地铁线路和地面行政辖区的治安管理工作不同，地面行政辖区成面状分布，具有明确的辖区边界，以管人、管物、管场所和案事件为主；而地铁是由点、线构成，没有面状区域，没有需要管辖的人口，治安与刑事案事件也比较少，但其车站线路分布范围广阔，又与全市各个地面行政辖区密切衔接，与地面辖区的工作存在着紧密关联，这就决定了地铁公安机关在做好自身运营线路的治安管理工作的同时，也需要与地面公安紧密配合，为地面公安机关提供违法犯罪嫌疑人布控拦截、重点人员出行管控和案事件侦查线索等必要帮助。基于此，地铁的治安防控信息系统的建设，在为地铁运营提供治安安全保障的前提下，同时需要地面公安提供信息数据服务。
人脸识别是深度学习、人工智能在计算机视觉领域的一个重要应用，也是目前最便捷、最高效、不易伪造的生物识别技术。该技术在公共安全方面的应用，可以大大提高对治安管控对象“人”的实时动态管控能力，为构建地铁线路立体化防控体系、最终实现“一人一档”基础信息采集和管理提供了最为关键的技术手段。
一、人脸技术发展
就像人对人的身份判别主要依赖人的相貌一样，人脸识别是指纹、虹膜、掌纹、静脉等生物识别技术中最为直观的技术实现方式，其最大的优点是无需刻意配合。人们一直在试图寻找一种利用计算机实现对人脸进行自动识别的技术方法。直到20世纪60年代末，Blcdsoc首次提出了自动的人脸识别技术，人脸识别技术才被人们接受。在人脸识别研究的早期阶段，人们主要研究的是人脸识别的各种方法，但是在实际应用方面却没有得到实质性的进展。
进入20世纪90年代末的时候，人脸识别技术进入了一个快速发展阶段，在这个时期各种新的人脸识别方法相继出现，并创建了人脸图像数据库，对人脸识别的发展起到了巨大的促进作用。在实际应用方面也取得了很大的进展，运用人脸识别技术的产品逐渐进入了社会市场。
进入21世纪以后，人脸识别技术已经逐步发展成熟，但是由于非理想条件如（光照、天气、姿态）的影响，对人脸识别技术的要求也更高。为了解决这些不利因素所造成的影响，研究者们一直努力寻找更加趋于完美的方法，从而减少这些因素所带来的不利影响。
自2014年以来，人脸识别算法取得了较大突破，卷积神经网络算法（CNN）在人脸识别领域得到了广泛应用，该算法可以更加有效的提取人脸特征信息进行识别，因此人脸识别精度得到了大幅提升。目前，人脸识别系统最高的正确率可以达到99%以上，而人眼在同等条件下识别的正确率仅为97.52%，人脸识别精度已经超越人类，从而为人脸在多领域的大规模应用打下了良好的基础。
人脸识别的算法模型来源于深度学习和大数据，是通过深度学习从大量的人脸图片数据中反复学习和训练中逐步完善优化的。人脸识别算法也同时在生产大数据，通过人脸识别算法，把人脸图片转变为人脸特征值，从而生成适合于计算机运算的人脸大数据。
因此，人脸识别技术的核心是算法，本质是大数据。
二、人脸识别关键技术要点
人脸识别的关键技术取决于三个方面：
一是算法的精准度。
决定了其识别的结果是否可信。算法的精准度决定于人脸识别算法模型，包括能够识别的人脸特征点数量、年龄分布、人种、图片清晰度、角度、光线、面部遮挡、化妆等等。结果的可信度同时也决定于比对库的大小，比对库越大，误识率就越高，越需要更复杂精密的算法模型。
二是算法的运算效率。
在同样配置的硬件环境上所能达到的人脸识别比对运算效率，需要算法和算力的紧密配合，才能更高效的发挥硬件资源的运算能力，决定了部署成本、机房配套设施、电力消耗以及能否大规模应用。目前最高效的运算是基于GPU的并行运算，通过对运算单元和运算法则的优化来提升GPU的运算效率，可以大量的节省服务器和GPU板卡的需求数量，在硬件采购、机房建设、电力消耗、运行维护等方面将节省大量的建设成本，才有可能支撑大规模的部署应用。
三是是否支持在线学习。
人工智能的基础是深度学习技术，通过深度学习和模型训练来不断适应现场环境，提升和优化算法性能，提高识别精准度。深度学习有两种方式：一种是基于实验室环境的在线学习模式，相当于把产品回炉升级，迭代周期长，代价大；一种是运行现场在线学习训练模式，边工作、边学习、边成长，可以低成本的快速迭代。
四是否具有人脸大数据运算能力。
人脸识别技术的本质是大数据，人脸识别应用的核心也是大数据，人脸特征数据不同于标准的格式化数据，人脸大数据的运算规则和技术也不同普通的大数据运算，需要根据人脸特征数据的特点进行单独开发。
三、人脸识别技术的评价标准
根据人脸识别技术的关键技术要点，人脸识别技术主要从以下几个方面进行评价：
一是算法精准度——测试在不同人脸比对库规模、不同监控场景、不同图像质量、不同光线环境下的识别率和误识率指标，如在同等误识率的前提下不同算法模型的识别率；
二是运算效率——在同等算法精准度、同等硬件配置的前提下，测试不同算法引擎能够支持的视频图像数量和比对响应时间；
三是在线学习——通过简单的在线学习，能否有效的提升算法模型的精准度；
四是人脸大数据运算——包括从亿级人脸库中搜索一张人脸所需要的时间和准确度，以及从抓拍的路人库中把相似的人脸自动归并，生成“一人一档”所需要的时间和准确度。
参考文献
【1】沈理刘翼光人脸识别原理及算法2014