品牌：AirBorn
類別：連接器
優勢產品：
1331-M-295-FS
M32139/03-D11SN
8STA61626SN
8STA60812PN
GCB3102-10SL-3SNB-T2
10-101964-12FL
667-449NF17T1W
85102E1626S5044
667-449M09T0W
667-449M09T1W
667-449NF09T0W
667-449NF09T1W
667-449M11T1W
WGDVA80PJTB-C45
667-449NF09T1J
MA-231-015-161-A52X3-NT6
WGDXA80SJTA-M15
MA-2D1-030-335-0000-EA3
MK-362-051-433-220S
MM-212-031-143-0000-93A
WTB50SOR9JFF-G82
RM322-206-211-5511
NM-112-015-161-JCAD
RM362-206-441-5565
技術難點與展望
無論是人臉識別還是身份和行為識別，在安保系統中都具有很大的優勢。首先，計算機的參與可以完成人類所無法完成的全方位24小時監督，覆蓋度的增加也就提升了安保系統的安全系數。第二，強大的計算機可以快速處理海量數據，極大提高了發現安全隱患的速度。但是，盡管具有上述功能的智能攝像頭已經開始在一些公共場所和社區內落地，大規模的部署還需要解決一些技術難點。
系統的魯棒性
人臉識別中，臉部會經常被眼鏡、墨鏡、口罩等遮蓋；行為識別和身份識別中，也存在肢體被遮蓋的情況，這些都給算法帶來不小的考驗。雖然一些光照問題可以通過解耦算法部分解決，但是一些特殊需求如黑暗條件、分辨率不同的攝像頭等，仍然會影響算法精度。另外，長相相似的人臉、穿著和動作相似的人物、隨著時間改變而造成人臉和動作特征的變化，都會造成識別的不準確。
大數據和新型硬件NM-212-015-161-JCAC
在大數據時代，數據的量級和維度都會顯著提升。理論上，數據量越大就可以讓計算機獲得越全面的學習。但實際情況下，人臉、行為和身份識別的數據集均可以達到上億量級，而只有這些數據被人工標記之后才可以被用作機器學習算法的訓練。因此，僅標記這一個工作就需要大量人力的投入。在數據維度方面，除了人臉、行為和衣著等信息維度，未來的安保系統可能還會結合更多的數據維度，包括更加細化的視覺信息如步態、姿態以及其他生物信息的采集，這就需要計算機從數據中提取關鍵的特征和信息，并綜合分析這些信息得到更復雜的結果。現階段算法還只是基于某一個具體的任務，未來當數據規模和算力達到一定水平之后，還需要新的算法來綜合考慮多個維度的信息并快速反饋給安全管理人員。
為了使結合大數據的智能識別系統得以應用，硬件的升級也必不可少。隨著采集信息的逐步細化，更高清的采集設備會需要大規模部署，而現階段由于清晰度和幀率所限，在監控視頻中進行人臉識別和行為分析還是相對困難的。更智能的視頻采集設備則需要低功耗但高算力的芯片以及云計算技術的支持。攝像頭網絡中的每個節點都應當有初步運算能力，識別結果需要經過云端大腦的整合，進而得到更綜合的分析結果。
數據和算法的安全NM-212-015-161-JCAC
安保系統本身的安全性能是一個重要的評價標準。而在互聯網時代，數據的安全性遭受巨大考驗。由于社交媒體的普及，幾乎每個人的人臉數據和身份信息都可以從網上獲得。這些信息一旦與成像技術乃至3D打印技術相結合，人臉識別系統就很可能被攻破。比如，現在一些研究就集中在如何在人臉識別系統中加入真假人臉的識別，正是為了防范這樣的潛在安全威脅。
其他算法也在不斷升級，給現有的識別技術帶來新的挑戰。比如近年來的生成對抗網絡已經可以生成真假難辨的人臉圖像，甚至自動換臉的視頻也已經司空見慣。這些生成的人臉甚至可以通過現有的人臉識別系統。另外，最近的一篇論文指出，如果對身份識別系統加入一個干擾，算法的身份匹配結果與真實結果之間可能南轅北轍，不法分子甚至可以通過干擾算法來逃過攝像頭的追蹤。
智慧社區的安全
當人們談論未來的生活時，智慧社區一直是繞不開的話題。2020年5月，中國《2020年國務院政府工作報告》提出，要重點支持“兩新一重”（新型基礎設施建設，新型城鎮化建設，交通、水利等重大工程建設），其中前兩項“新基建”和“新城建”，都會把智慧社區作為一個關注點。NM-212-015-161-JCAC
智慧社區包含大量新鮮技術，可以方便人們的生活。除了社區的自動售貨超市，典型的應用還有家里的智能家居系統、樓下的自動停車系統。眾多應用中，以社區安保系統最為關鍵。小到進入社區和住宅樓的門禁系統，大到整個社區的攝像頭網絡，智能系統可以代替保安進行身份驗證、巡邏、危險預警等工作。
美劇《疑犯追蹤》（PersonofInterest）就描述了由高級人工智能支持和具有強大功能的安保系統。遍布在城市內的攝像頭網絡負責記錄全方位的信息，包括身份、行為甚至人與人的關系，這些相關的信息由中央大腦進行分析，從而判斷威脅甚至對潛在威脅做出預測。當然，劇中近乎上帝一般的人工智能身上存在相當多科幻色彩，但其描繪的智能安保系統如今正在慢慢變成現實。在智慧社區和智能城市中，智能安保系統是實施安全防范控制的重要技術手段，它結合了人臉識別（FaceRecognition）、行為識別（ActionRecognition）、身份識別（PersonRe-identification）的人工智能系統。這種智能化系統在不需要人為干預的情況下，系統能自動實現對監控畫面中的異常情況進行檢測、識別，在有異常時能及時作出預警。NM-212-015-161-JCAC
與其他識別技術如虹膜識別、指紋識別等相比，以攝像頭為基礎的智能識別系統具有較大優勢。首先，攝像頭可以實現非接觸采集信息，不易引起被監測者的注意和抵觸。第二，指紋等生物特征的采集需要高精度的采集設備和相對嚴苛的采集條件，而攝像頭的采集方式更加快捷便利。第三，攝像頭可以很容易地進行網絡化擴展，從而與大數據等技術相結合，更容易結合多維度信息進行更高精度的識別。
人臉檢測
人臉識別算法的第一步就是確定當前圖像和視頻中是否有人臉的存在，并且把對應的人臉范圍圈定出來。2001年，PaulViola與MichaelJones共同發明了著名的Viola-Jones目標檢測方法，這是后來人臉檢測算法的基礎。
Viola-Jones算法包括特征和分類器兩部分。算法利用了人臉的Haar特征，也就是由黑白矩形形成的、可以模擬目標的不同部分之間明暗關系的特征。這些特征可以用來尋找正面人臉上存在的一些明暗對比的區域，比如鼻梁部分比眼睛更亮、嘴巴部分一般會比其他區域更暗等等。這些特征可以匹配圖像中一些候選框，再用這些候選框經過AdaBoost分類器，輸出“是人臉”或“非人臉”的標記。值得指出的是，在Viola-Jones算法中，多個分類器級聯形成一個集成分類器。這樣的好處是逐級減少候選框的數量，提高了算法的計算速度。
后續的一些研究也立足于特征和分類器兩個方面。在特征方面，現在的安保系統傾向于使用一些相對復雜的特征替代Haar特征，一方面可以提高系統的檢測率，另一方面可以更好地解決非正面臉部帶來的檢測失敗問題。在分類器方面，非極大值抑制（NMS，Non-MaximumSuppression）方法可以組合位置和大小相近的候選框，從而大規模地減少候選框的數量；深度神經網絡可以利用顯卡來進行大部分運算，極大提升運算速度。
人臉識別技術
基于計算機的人臉識別技術研究發軔于20世紀中期，最早是模式識別（PatternRecognition）的一個分支，后來逐漸發展完善了人臉檢測、人臉配準、人臉屬性識別、人臉驗證和識別等多種算法。現在這些技術已經廣泛應用在日常生活中，包括手機和相機的人臉捕捉功能、上班自動人臉識別打卡，一些新型住宅小區已經加入了具有人臉識別功能的門禁系統。NM-212-015-161-JCAC
