品牌：AirBorn
类别：连接器
优势产品：
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
技术难点与展望
无论是人脸识别还是身份和行为识别，在安保系统中都具有很大的优势。首先，计算机的参与可以完成人类所无法完成的全方位24小时监督，覆盖度的增加也就提升了安保系统的安全系数。第二，强大的计算机可以快速处理海量数据，极大提高了发现安全隐患的速度。但是，尽管具有上述功能的智能摄像头已经开始在一些公共场所和社区内落地，大规模的部署还需要解决一些技术难点。
系统的鲁棒性
人脸识别中，脸部会经常被眼镜、墨镜、口罩等遮盖；行为识别和身份识别中，也存在肢体被遮盖的情况，这些都给算法带来不小的考验。虽然一些光照问题可以通过解耦算法部分解决，但是一些特殊需求如黑暗条件、分辨率不同的摄像头等，仍然会影响算法精度。另外，长相相似的人脸、穿着和动作相似的人物、随着时间改变而造成人脸和动作特征的变化，都会造成识别的不准确。
大数据和新型硬件NM-212-015-161-JCAC
在大数据时代，数据的量级和维度都会显著提升。理论上，数据量越大就可以让计算机获得越全面的学习。但实际情况下，人脸、行为和身份识别的数据集均可以达到上亿量级，而只有这些数据被人工标记之后才可以被用作机器学习算法的训练。因此，仅标记这一个工作就需要大量人力的投入。在数据维度方面，除了人脸、行为和衣着等信息维度，未来的安保系统可能还会结合更多的数据维度，包括更加细化的视觉信息如步态、姿态以及其他生物信息的采集，这就需要计算机从数据中提取关键的特征和信息，并综合分析这些信息得到更复杂的结果。现阶段算法还只是基于某一个具体的任务，未来当数据规模和算力达到一定水平之后，还需要新的算法来综合考虑多个维度的信息并快速反馈给安全管理人员。
为了使结合大数据的智能识别系统得以应用，硬件的升级也必不可少。随着采集信息的逐步细化，更高清的采集设备会需要大规模部署，而现阶段由于清晰度和帧率所限，在监控视频中进行人脸识别和行为分析还是相对困难的。更智能的视频采集设备则需要低功耗但高算力的芯片以及云计算技术的支持。摄像头网络中的每个节点都应当有初步运算能力，识别结果需要经过云端大脑的整合，进而得到更综合的分析结果。
数据和算法的安全NM-212-015-161-JCAC
安保系统本身的安全性能是一个重要的评价标准。而在互联网时代，数据的安全性遭受巨大考验。由于社交媒体的普及，几乎每个人的人脸数据和身份信息都可以从网上获得。这些信息一旦与成像技术乃至3D打印技术相结合，人脸识别系统就很可能被攻破。比如，现在一些研究就集中在如何在人脸识别系统中加入真假人脸的识别，正是为了防范这样的潜在安全威胁。
其他算法也在不断升级，给现有的识别技术带来新的挑战。比如近年来的生成对抗网络已经可以生成真假难辨的人脸图像，甚至自动换脸的视频也已经司空见惯。这些生成的人脸甚至可以通过现有的人脸识别系统。另外，最近的一篇论文指出，如果对身份识别系统加入一个干扰，算法的身份匹配结果与真实结果之间可能南辕北辙，不法分子甚至可以通过干扰算法来逃过摄像头的追踪。
智慧社区的安全
当人们谈论未来的生活时，智慧社区一直是绕不开的话题。2020年5月，中国《2020年国务院政府工作报告》提出，要重点支持“两新一重”（新型基础设施建设，新型城镇化建设，交通、水利等重大工程建设），其中前两项“新基建”和“新城建”，都会把智慧社区作为一个关注点。NM-212-015-161-JCAC
智慧社区包含大量新鲜技术，可以方便人们的生活。除了社区的自动售货超市，典型的应用还有家里的智能家居系统、楼下的自动停车系统。众多应用中，以社区安保系统最为关键。小到进入社区和住宅楼的门禁系统，大到整个社区的摄像头网络，智能系统可以代替保安进行身份验证、巡逻、危险预警等工作。
美剧《疑犯追踪》（PersonofInterest）就描述了由高级人工智能支持和具有强大功能的安保系统。遍布在城市内的摄像头网络负责记录全方位的信息，包括身份、行为甚至人与人的关系，这些相关的信息由中央大脑进行分析，从而判断威胁甚至对潜在威胁做出预测。当然，剧中近乎上帝一般的人工智能身上存在相当多科幻色彩，但其描绘的智能安保系统如今正在慢慢变成现实。在智慧社区和智能城市中，智能安保系统是实施安全防范控制的重要技术手段，它结合了人脸识别（FaceRecognition）、行为识别（ActionRecognition）、身份识别（PersonRe-identification）的人工智能系统。这种智能化系统在不需要人为干预的情况下，系统能自动实现对监控画面中的异常情况进行检测、识别，在有异常时能及时作出预警。NM-212-015-161-JCAC
与其他识别技术如虹膜识别、指纹识别等相比，以摄像头为基础的智能识别系统具有较大优势。首先，摄像头可以实现非接触采集信息，不易引起被监测者的注意和抵触。第二，指纹等生物特征的采集需要高精度的采集设备和相对严苛的采集条件，而摄像头的采集方式更加快捷便利。第三，摄像头可以很容易地进行网络化扩展，从而与大数据等技术相结合，更容易结合多维度信息进行更高精度的识别。
人脸检测
人脸识别算法的第一步就是确定当前图像和视频中是否有人脸的存在，并且把对应的人脸范围圈定出来。2001年，PaulViola与MichaelJones共同发明了著名的Viola-Jones目标检测方法，这是后来人脸检测算法的基础。
Viola-Jones算法包括特征和分类器两部分。算法利用了人脸的Haar特征，也就是由黑白矩形形成的、可以模拟目标的不同部分之间明暗关系的特征。这些特征可以用来寻找正面人脸上存在的一些明暗对比的区域，比如鼻梁部分比眼睛更亮、嘴巴部分一般会比其他区域更暗等等。这些特征可以匹配图像中一些候选框，再用这些候选框经过AdaBoost分类器，输出“是人脸”或“非人脸”的标记。值得指出的是，在Viola-Jones算法中，多个分类器级联形成一个集成分类器。这样的好处是逐级减少候选框的数量，提高了算法的计算速度。
后续的一些研究也立足于特征和分类器两个方面。在特征方面，现在的安保系统倾向于使用一些相对复杂的特征替代Haar特征，一方面可以提高系统的检测率，另一方面可以更好地解决非正面脸部带来的检测失败问题。在分类器方面，非极大值抑制（NMS，Non-MaximumSuppression）方法可以组合位置和大小相近的候选框，从而大规模地减少候选框的数量；深度神经网络可以利用显卡来进行大部分运算，极大提升运算速度。
人脸识别技术
基于计算机的人脸识别技术研究发轫于20世纪中期，最早是模式识别（PatternRecognition）的一个分支，后来逐渐发展完善了人脸检测、人脸配准、人脸属性识别、人脸验证和识别等多种算法。现在这些技术已经广泛应用在日常生活中，包括手机和相机的人脸捕捉功能、上班自动人脸识别打卡，一些新型住宅小区已经加入了具有人脸识别功能的门禁系统。NM-212-015-161-JCAC
