雪亮工程的社会背景和技术环境比之以往的视频监控系统建设完全不同。因此系统建设的目标，或者人们对系统的期望和要求也完全不同。图像信息的深化应用是必然的目标，人们希望通过雪亮工程，突破智能监控的天花板，让智能系统那美好的前景，不再是可望而不可及，能落地开花，将视频监控系统提升到新的高度（技术水平）。

　　实现这样的目标，自然要涉及云计算、大数据、物联网应用等新一代信息技术的支撑，特别是人工智能的应用。

　　人工智能（AI-ArtificialIntelligence）是计算机科学的分支，是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用的一门边缘和交叉学科。现已发展成具有完整的学科体系；独特的研究方法和非常广泛应用领域的独立的学科。

　　由于深度学习优异的特征学习能力；对数据更本质的刻画；快速的知识积累，拓展了人工智能的研究和应用领域，使得机器学习能够完成更多的任务，实现更多的应用；势如破竹地攻克了一些长期未能解决的难题，使得人们企盼的智能机器变为可能，人工智能不再是人们的期望，而是近在眼前，甚至即将实现。如、无人驾驶汽车、预防性医疗与健康管理等。

　　可以说，人工智能界终于找对了方向，实现了大爆发。人类第一次如此接近了人工智能的梦想；真正、真实的看到了人工智能辉煌的未来。

　　人工智能是支撑自动（智能）化系统的基础技术。也是安防（视频监控）系统的基础技术，或者说：安防是人工智能研究（应用）的重要领域。雪亮工程应时而出，自然成为人工智能新的研究和应用领域。具体应用主要有：

　　一、实施功能的自主化

　　视频监控系统包含许多遥控和编程控制功能和子系统，如、摄像机的目标跟踪；多个摄像机，或摄像机与系统其它设备的多机联动、功能联动等遥控和编程控制功能或子系统。这些功能是由人的操纵或预先设定的程序控制来完成。采用人工智能，可实现系统的自主动作，如、摄像机自动发现目标，然后自主地进行跟踪；根据目标的行为，自主地与相关摄像机和其它设备进行联动。

　　机器人、无人机等是人工智能的重要研究领域，涉及人工视觉、人工触觉等技术。目前广泛应用于安防领域的这些设备基本上还是遥控装置。采用人工智能技术，可以逐渐实现动作的自主动性，如通过人工视觉，感知目标的特征、形态、距离和速度等，自主地跟踪目标、避障、制动和发动攻击等；通过人工触觉，感知物体的重量、虚实、光滑度等，自主地抓物或采用相应的失能处置。

　　通常，自动化系统分为三个层次：遥控、编程控制和自主动作。显然、后者技术难度最高，是自动化的最高境界——智能化。但并不是所有系统和设备都需要智能化，各层次的产品适应不同的应用，并非都要实现自主动作。

　　二、提高动作的精准性和效率

　　视频监控系统中许多功能和子系统已采用了机器学习技术，根据统计学理论，进行价值判断，提高性能与能力。若采用深度学习，就可以进一步提高它们的学习能力。如图像系统的生物特征识别（人脸、指纹等）、图像内容分析及搜图等系统，通过深度学习可提高识别、判断、搜索的精准性和效率；同时可以增强系统的抗干扰能力、环境适应性，提高其实用性，扩展其应用的范围。

　　摄像机图像调节（光、焦、抖动）、宽动态、数字降噪及透雾等功能都是通过软件来实现的。通过机器学习的训练，可以不断的优化算法，获得更佳的图像效果。在此基础上，产生了软件定义摄像机的概念。

　　改进图像内容分析及搜图等系统的学习方法，提高目标分类、行为判断、搜索的精准性和效率。特别是通过深度学习的训练，提高图像分类特征表示的精细（粒）度，提高图像标识的精准性。为系统学习提供高质量的、深层次的数据，逐步实现图像信息的（半）结构化处理。在通常的监控环境下，实现图像中事件的标识；人脸识别的应用；以及步态识别、声纹识别等关键技术的突破和初步应用。在进行图像内容标识时，数据融合对提高标识的精准性和深度有很大的帮助。数据融合也有助于感知前端的完善和云边结构的构成。

　　三、提高系统的决策水平

　　安防和视频监控系统中存在着各种各样的决策系统，大如风险评估、预警系统和预案（专家）系统；小如图像调节的算法、目标跟踪的方案。采用深度学习技术，提高预警、风险评估，预案等专家系统的决策水平；图像搜索的策略等，这些决策水平的高低，决定系统的应用水平和功能满足业务需求的能力。

　　通过人工智能的应用，深化图像信息的应用；破解公共安全难题；构建风险评估体系，安全预警体系，促进和加快现代安全体系的建立，是中央对公共安全的要求，也是雪亮工程建设的重要目标。

　　上述应用本质是大数据处理，我们通过从新的、更多的角度（维度）和深度，观察世界（事务），来提高洞察、决策、程序优化的能力；通过数据融合，挖掘图像的深层次的信息，真正发现大数据的价值。

　　四、人工智能的应用场景

　　场景，是指技术应用的（外界）环境。是充分发挥技术本质能力的外部条件，或技术可以适应的外部条件。通常智能系统要求建立稍加限制的应用环境（场景），以保证技术本质能力的发挥。因此、场景（环境因素）也成了限制技术应用和影响应用效果的重要因素。显然、外部条件的限制越少（低），技术的环境适用性越好。

　　人工智能的出现，特别是深度学习的应用，正逐渐突破环境因素的限度。使智能系统的应用环境（场景）日益自然、自由。如在通常的监控系统环境保护下，实现许多智能化技术的应用。我们也把解决视频监控系统现存问题和不足，寄望予人工智能。

　　从应用场景的角度，分析人工智能智能在雪亮工程中的应用，还可以更直观和清晰地表现出人工智能技术的切入点、可以解决的具体问题和可能实现的效果。

　　雪亮工程中人工智能的应用场景主要有：

　　图像标识

　　标识图像是图像信息结构化的一个途径。人工智能将是实现图像标识的主要的技术方法。这里暂且称之为半结构化。图像标识包括：

　　标识图像中的目标，它需要截取一（几）帧图像。目前大多系统都可完成这个功能。如标识视频图像中的人或车。人工智能化应用于该场景，有助于目标的标识更精准、更精细。

　　标识图像中的事件，需要分析一段视频图像（一个图像序列），属视频语义解释。目前，很多应用离业务需求尚有差距。深度学习将为解决这一问题提供一个新思路和方法。

　　人脸识别

　　深度学习很可能实现人脸识别的突破，而且解决问题的速度之快会令人惊讶。

　　模式识别，是传统人脸识别的基本方法。要求系统定义人脸、建立特征库和稍加限制的环境。在技术上实现后，一直没有实质性进步，距实用化尚有很大距离，特别是在通常的视频监控环境下。

　　深度学习，通过模仿人的思维过程，产生大量的、深层的数据分布式特征的表示，经大数据的训练，使图像的分类表示越来越精细，知识积累愈加丰富，很快就产生许多实用性的成果。基于深度学习，将会导致生物特征识别方法和模式的创新。使人脸识别在通常的监控环境下，得以实现。

　　同样，深度学习也将支持步态识别、声纹识别等新技术得到初步的应用。

　　构建城市空间状态图像

　　把系统前端设备（摄像机等）感知的信息，通过深度学习，生成反映城市状态的原始、实时数据的可视化表示。是观察城市实时状态、动态变化的最佳、最直观方式。

　　视频信息对构建城市空间状态图像具有最大的价值，前提是实现视频语义的理解。

　　视频信息可直接生成空间状态图像。如人流密度、分布，车辆密度等。

　　通过深度学习，从视频信息中产生城市状态深层数据的可视化表示。如道路拥堵指数、人流踩踏风险指数等。

　　非视频信息经大数据处理，也可生成空间状态图像。如高危人、物、活动的分布，城市人口状态等。

　　而且，多种数据的融合是构建空间状态图像的最有效方法，可以提高状态图像的准确性和实时性。

　　风险管控

　　风险管控是现代安全的基本功能（要素）。

　　传统安全，风险分析的目的是发现系统的脆弱性。通过系统加固（建设），降低风险到可接受的程度。风险分析是系统设计的依据（方法）。

　　现代安全，风险管控的目的是发现安全环境可能出现的风险。采用适当的措施，防止危险事件的发生。风险分析是系统功能（要素）。

　　风险分析，通过对影响安全的诸多因素（政、经、社）的大数据处理。洞察和判断宏观的安全状态及可能出现的风险；通过对敏感人、物、时、地、突发、形势等的大数据处理，判断各类事件发生的可能性（风险高低）。

　　空间状态图像反映安全环境的实时状态，状态的变化是趋势，良性的保持；不良的就是风险，采取适当方式改善。就是风险管控和预警。

　　风险管控系统具有自主成长性，在大数据的支持下、通过迭代式的训练，可不断的提高系统的洞察、判断的能力和风险分析的准确性。

　　空间状态预测调节

　　交通管理系统是典型案例，传统系统以交通信号的实时控制为核心，希望能实现点、线、面的控制及最佳绿信比。但实践证明，传统控制方法（信号的实时控制）实现不了这些目标；现代（城市）交通管理系统必须采用现代控制理论，通过多变量的空间状态分析，进行区域性（整体空间）的预测调节，来实现道路资源与车流状态的匹配。

　　风险管控更是典型的现代复杂系统。所谓发现可能出现的风险，采用适当的措施，防止危险事件的发生，实质上、是空间状态的预测和多方位、立体化的安全体系的调节。

　　概括的讲，雪亮工程是人工智能最适配的应用场景，除上述几个方面外，还有许多可为人工智能大展身手的场景。总之，雪亮工程为智能监控提供了新的舞台，通过人工智能的应用，极大地提升视频监控系统的智能化水平，解决传统系统的缺欠和不足。真正使视频监控的眼睛更加雪亮。同时，也成为行（企）业转型、升级的切入点。将安防行业的改革引入新的阶段。