雪亮工程的社會背景和技術環境比之以往的視頻監控系統建設完全不同。因此系統建設的目標，或者人們對系統的期望和要求也完全不同。圖像信息的深化應用是必然的目標，人們希望通過雪亮工程，突破智能監控的天花板，讓智能系統那美好的前景，不再是可望而不可及，能落地開花，將視頻監控系統提升到新的高度（技術水平）。

實現這樣的目標，自然要涉及云計算、大數據、物聯網應用等新一代信息技術的支撐，特別是人工智能的應用。

人工智能（AI-ArtificialIntelligence）是計算機科學的分支，是研究、開發用于模擬、延伸和擴展人的智能的理論、方法、技術及應用的一門邊緣和交叉學科。現已發展成具有完整的學科體系；獨特的研究方法和非常廣泛應用領域的獨立的學科。

由于深度學習優異的特征學習能力；對數據更本質的刻畫；快速的知識積累，拓展了人工智能的研究和應用領域，使得機器學習能夠完成更多的任務，實現更多的應用；勢如破竹地攻克了一些長期未能解決的難題，使得人們企盼的智能機器變為可能，人工智能不再是人們的期望，而是近在眼前，甚至即將實現。如、無人駕駛汽車、預防性醫療與健康管理等。

可以說，人工智能界終于找對了方向，實現了大爆發。人類第一次如此接近了人工智能的夢想；真正、真實的看到了人工智能輝煌的未來。

人工智能是支撐自動（智能）化系統的基礎技術。也是安防（視頻監控）系統的基礎技術，或者說：安防是人工智能研究（應用）的重要領域。雪亮工程應時而出，自然成為人工智能新的研究和應用領域。具體應用主要有：

一、實施功能的自主化

視頻監控系統包含許多遙控和編程控制功能和子系統，如、攝像機的目標跟蹤；多個攝像機，或攝像機與系統其它設備的多機聯動、功能聯動等遙控和編程控制功能或子系統。這些功能是由人的操縱或預先設定的程序控制來完成。采用人工智能，可實現系統的自主動作，如、攝像機自動發現目標，然后自主地進行跟蹤；根據目標的行為，自主地與相關攝像機和其它設備進行聯動。

機器人、無人機等是人工智能的重要研究領域，涉及人工視覺、人工觸覺等技術。目前廣泛應用于安防領域的這些設備基本上還是遙控裝置。采用人工智能技術，可以逐漸實現動作的自主動性，如通過人工視覺，感知目標的特征、形態、距離和速度等，自主地跟蹤目標、避障、制動和發動攻擊等；通過人工觸覺，感知物體的重量、虛實、光滑度等，自主地抓物或采用相應的失能處置。

通常，自動化系統分為三個層次：遙控、編程控制和自主動作。顯然、后者技術難度最高，是自動化的最高境界——智能化。但并不是所有系統和設備都需要智能化，各層次的產品適應不同的應用，并非都要實現自主動作。

二、提高動作的精準性和效率

視頻監控系統中許多功能和子系統已采用了機器學習技術，根據統計學理論，進行價值判斷，提高性能與能力。若采用深度學習，就可以進一步提高它們的學習能力。如圖像系統的生物特征識別（人臉、指紋等）、圖像內容分析及搜圖等系統，通過深度學習可提高識別、判斷、搜索的精準性和效率；同時可以增強系統的抗干擾能力、環境適應性，提高其實用性，擴展其應用的范圍。

攝像機圖像調節（光、焦、抖動）、寬動態、數字降噪及透霧等功能都是通過軟件來實現的。通過機器學習的訓練，可以不斷的優化算法，獲得更佳的圖像效果。在此基礎上，產生了軟件定義攝像機的概念。

改進圖像內容分析及搜圖等系統的學習方法，提高目標分類、行為判斷、搜索的精準性和效率。特別是通過深度學習的訓練，提高圖像分類特征表示的精細（粒）度，提高圖像標識的精準性。為系統學習提供高質量的、深層次的數據，逐步實現圖像信息的（半）結構化處理。在通常的監控環境下，實現圖像中事件的標識；人臉識別的應用；以及步態識別、聲紋識別等關鍵技術的突破和初步應用。在進行圖像內容標識時，數據融合對提高標識的精準性和深度有很大的幫助。數據融合也有助于感知前端的完善和云邊結構的構成。

三、提高系統的決策水平

安防和視頻監控系統中存在著各種各樣的決策系統，大如風險評估、預警系統和預案（專家）系統；小如圖像調節的算法、目標跟蹤的方案。采用深度學習技術，提高預警、風險評估，預案等專家系統的決策水平；圖像搜索的策略等，這些決策水平的高低，決定系統的應用水平和功能滿足業務需求的能力。

通過人工智能的應用，深化圖像信息的應用；破解公共安全難題；構建風險評估體系，安全預警體系，促進和加快現代安全體系的建立，是中央對公共安全的要求，也是雪亮工程建設的重要目標。

上述應用本質是大數據處理，我們通過從新的、更多的角度（維度）和深度，觀察世界（事務），來提高洞察、決策、程序優化的能力；通過數據融合，挖掘圖像的深層次的信息，真正發現大數據的價值。

四、人工智能的應用場景

場景，是指技術應用的（外界）環境。是充分發揮技術本質能力的外部條件，或技術可以適應的外部條件。通常智能系統要求建立稍加限制的應用環境（場景），以保證技術本質能力的發揮。因此、場景（環境因素）也成了限制技術應用和影響應用效果的重要因素。顯然、外部條件的限制越少（低），技術的環境適用性越好。

人工智能的出現，特別是深度學習的應用，正逐漸突破環境因素的限度。使智能系統的應用環境（場景）日益自然、自由。如在通常的監控系統環境保護下，實現許多智能化技術的應用。我們也把解決視頻監控系統現存問題和不足，寄望予人工智能。

從應用場景的角度，分析人工智能智能在雪亮工程中的應用，還可以更直觀和清晰地表現出人工智能技術的切入點、可以解決的具體問題和可能實現的效果。

雪亮工程中人工智能的應用場景主要有：

圖像標識

標識圖像是圖像信息結構化的一個途徑。人工智能將是實現圖像標識的主要的技術方法。這里暫且稱之為半結構化。圖像標識包括：

標識圖像中的目標，它需要截取一（幾）幀圖像。目前大多系統都可完成這個功能。如標識視頻圖像中的人或車。人工智能化應用于該場景，有助于目標的標識更精準、更精細。

標識圖像中的事件，需要分析一段視頻圖像（一個圖像序列），屬視頻語義解釋。目前，很多應用離業務需求尚有差距。深度學習將為解決這一問題提供一個新思路和方法。

人臉識別

深度學習很可能實現人臉識別的突破，而且解決問題的速度之快會令人驚訝。

模式識別，是傳統人臉識別的基本方法。要求系統定義人臉、建立特征庫和稍加限制的環境。在技術上實現后，一直沒有實質性進步，距實用化尚有很大距離，特別是在通常的視頻監控環境下。

深度學習，通過模仿人的思維過程，產生大量的、深層的數據分布式特征的表示，經大數據的訓練，使圖像的分類表示越來越精細，知識積累愈加豐富，很快就產生許多實用性的成果。基于深度學習，將會導致生物特征識別方法和模式的創新。使人臉識別在通常的監控環境下，得以實現。

同樣，深度學習也將支持步態識別、聲紋識別等新技術得到初步的應用。

構建城市空間狀態圖像

把系統前端設備（攝像機等）感知的信息，通過深度學習，生成反映城市狀態的原始、實時數據的可視化表示。是觀察城市實時狀態、動態變化的最佳、最直觀方式。

視頻信息對構建城市空間狀態圖像具有最大的價值，前提是實現視頻語義的理解。

視頻信息可直接生成空間狀態圖像。如人流密度、分布，車輛密度等。

通過深度學習，從視頻信息中產生城市狀態深層數據的可視化表示。如道路擁堵指數、人流踩踏風險指數等。

非視頻信息經大數據處理，也可生成空間狀態圖像。如高危人、物、活動的分布，城市人口狀態等。

而且，多種數據的融合是構建空間狀態圖像的最有效方法，可以提高狀態圖像的準確性和實時性。

風險管控

風險管控是現代安全的基本功能（要素）。

傳統安全，風險分析的目的是發現系統的脆弱性。通過系統加固（建設），降低風險到可接受的程度。風險分析是系統設計的依據（方法）。

現代安全，風險管控的目的是發現安全環境可能出現的風險。采用適當的措施，防止危險事件的發生。風險分析是系統功能（要素）。

風險分析，通過對影響安全的諸多因素（政、經、社）的大數據處理。洞察和判斷宏觀的安全狀態及可能出現的風險；通過對敏感人、物、時、地、突發、形勢等的大數據處理，判斷各類事件發生的可能性（風險高低）。

空間狀態圖像反映安全環境的實時狀態，狀態的變化是趨勢，良性的保持；不良的就是風險，采取適當方式改善。就是風險管控和預警。

風險管控系統具有自主成長性，在大數據的支持下、通過迭代式的訓練，可不斷的提高系統的洞察、判斷的能力和風險分析的準確性。

空間狀態預測調節

交通管理系統是典型案例，傳統系統以交通信號的實時控制為核心，希望能實現點、線、面的控制及最佳綠信比。但實踐證明，傳統控制方法（信號的實時控制）實現不了這些目標；現代（城市）交通管理系統必須采用現代控制理論，通過多變量的空間狀態分析，進行區域性（整體空間）的預測調節，來實現道路資源與車流狀態的匹配。

風險管控更是典型的現代復雜系統。所謂發現可能出現的風險，采用適當的措施，防止危險事件的發生，實質上、是空間狀態的預測和多方位、立體化的安全體系的調節。

概括的講，雪亮工程是人工智能最適配的應用場景，除上述幾個方面外，還有許多可為人工智能大展身手的場景。總之，雪亮工程為智能監控提供了新的舞臺，通過人工智能的應用，極大地提升視頻監控系統的智能化水平，解決傳統系統的缺欠和不足。真正使視頻監控的眼睛更加雪亮。同時，也成為行（企）業轉型、升級的切入點。將安防行業的改革引入新的階段。