随着平安城市的逐渐推广与实施，监控系统也从原来的CCTV（闭路电视监控）逐步走向网络化、智能化。由于下一代互联网的兴起，三网（电讯网、电视网和互联网）合一的趋势已不可逆转。在今天的IT科技中，基本上所有的通信技术都走向IP化。为了整合社会和各机构监控的资源，实现统一的调度，安防的监控也将走向网络化。监控系统的另一显著的发展趋势就是智能化，平安城市中可能有几十万的摄像头资源，所有的镜头都靠人力的监看，不仅造成极大的人力浪费，而且由于长时间的观察视频图像，也容易造成大脑疲劳，降低监控效率。在这种情况下，智能监控就成为一种实实在在的需求。因此，公安部在其十一五规划中明确提出将人脸识别、智能的目标识别与分析作为其七个重点发展方向中的当中的两个，由此可见它们的重要性。
二、智能分析的现状：
目前，达到应用水平的生物特征识别技术有指纹、掌纹、掌型、虹膜、人脸、DNA等。其中DNA由于采集困难和对用户的侵犯性，基本上无法在公共安全领域得到应用。而指纹、虹膜、掌型等生物识别技术均需要进行接触式或者近距离采集和取像，必须使用者主动进行配合，只有人脸识别技术能够应用于远距离实现的不知情不配合情况下的监控布控应用，解决目前公安安全领域人工布控需要耗费大量警力，并效率低下的问题。
人脸的检测、与人脸的识别技术起源较早，研究历史可追溯至上世纪60、70年代。最早的方法比较直观和简单，研究主要集中于简单几何特征的提取，由于这些特征点的检测极不稳定，且提取的信息量有限，无法有效地区分不同人之间的本质差异，因而无法使人脸识别取得突破性的发展。从80 年代开始，人们开始利用图像的灰度信息或基于图像的底层特征（例如 DCT、小波等）进行人脸识别，并涌现了许多应用神经网络进行人脸识别的算法。人脸识别真正的发展是在90 年代初，人们开始认识到，人脸图像各像素之间存在较强的相关性，并且人脸具有独特的自然特性和结构特性。这使得人脸将仅仅占据原始高维空间的一个低维子空间。在此基础上，M.A. Turk 和A.P. Pentland 首先提出了基于主元分析 (Principle Component Analysis) 的特征脸 (Eigenface) 方法，该方法的提出是人脸识别技术领域的重大飞跃。特征脸方法提取的是人脸图像的灰度信息，这种信息不一定与人脸中的特征点相关——与以往的方法有本质区别。它通过对人脸样本进行统计分析，并利用主元分析进行有效地降维，使得信息能量得以集中，同时缓解了维数危机。这些优点使得该方法能够实现相对鲁棒的人脸识别。在特征脸方法的基础上还延伸出众多的方法，例如 LDA (Linear Discriminate Analysis)、ICA (Independent Component Analysis)、LFA (Local Feature Analysis) 等，它们从理论上完善了特征提取和压缩的手段，这些方法可以归类为子空间分析方法。与特征脸方法的提出几乎同时Lades、Malsburg 等人提出了DLA (Dynamic Link Architecture) 算法，以及后来在此基础之上的弹性图匹配 (EGM，Elastic Graph Matching, EGM)。在 EGM 的基础上，还相继提出了弹性约束图匹配 (Elastic Bunch Graph Matching)、形态学弹性图匹配 (Morphological Elastic Graph Matching) 等算法。这类算法将提取局部的分辨率特征，同时保留二维图像的空间拓扑信息，并且允许一定的弹性形变，因而在人脸识别中取得了较好的性能。在90年代期间，人们还把隐含马尔可夫模型 (Hidden Markov Model, HMM) 用到了人脸识别领域中，此外还出现了用模型参数来描述人脸的模型参数法，例如 AAM (Active Appearance Model)、FAM (Flexible Appearance Model) 等。
上一篇：人数统计系统市场需求功能分析
