近年来，深度卷积神经网络的出现极大地提升了人脸识别算法的精度，促使人脸识别技术在公共安全行业广泛落地应用，各地公安

　　部门陆续兴建大量人脸抓拍系统，每天产生海量人脸抓拍数据。以国内某一线城市为例，单日人脸抓拍数据规模可达到千万级别。这些人脸抓拍数据目前主要被用于人脸布控、轨迹还原等业务应用，满足案件发生后的人员追逃、稽查布控等常见公安业务场景需求。海量人脸抓拍数据背后蕴藏着更深层次、高价值的信息，如人员出行规律、同行关系等尚未得到有效挖掘。如何利用新的技术手段提升人脸数据价值是深化人脸识别技术在公共安全行业落地应用新的研究方向。

　　目前行业内常见的技术手段是通过人脸聚类技术将同一个人在不同时间、地点采集到的人脸抓拍数据汇聚起来形成匿名人员档案，再将匿名人员档案与公安部门登记有身份信息的常驻人口库、重点人员库等人员信息库碰撞，完成身份落地形成实名人员档案，最后通过频次分析、频繁过人、时空碰撞、同行分析等公安常用技战法对实名档案进行大数据分析，从而挖掘出海量人脸抓拍数据背后蕴藏的人员出行规律、同行关系等深层次高价值信息。这些信息将有助于公安部门提早发现涉毒人员聚集、前科人员异常活动等可能引发恶性犯罪的治安防控隐患，及时调配警力，将犯罪风险扼杀在摇篮中，降低城市犯案率，提升居民安全感。

　　人脸聚类技术虽能有效提升人脸抓拍数据价值密度，但城市每天产生海量人脸抓拍数据，由于摄像机架设条件、数据采集时间不同等原因，采集到的人脸抓拍数据普遍存在姿态、光照、表情、清晰度等差异，部分抓拍数据还存在人脸被部分遮挡的情况，这些客观因素对实战中保障人脸聚类精度提出了巨大的挑战。公安业务关系人民生命财产安全，业务实战中分秒必争，因此人脸聚类方案必须在保障聚类精度的同时，尽可能提升人脸聚类的实时性。如何使人脸聚类方案更好的满足公安实战业务场景是一个需要持续探索研究的课题。

　　--摘自《中国安防》杂志2021年6月刊