首先，从安防设备的布置来说，我国视频监控密度远低于发达国家，监控渗透率提升空间巨大。据统计，虽然中国已经建成庞大的视频监控网——“中国天网”，视频监控摄像头超过2000 万个，处于国际前列，但从每平方千米监控摄像头的数量来看，人均摄像头覆盖率较低；城市间差异巨大，一线城市摄像头密度已经比较高，二三线城市密度依然很低。 其次，就人脸识别技术本身而言，一般分为人脸检测，人脸五官定位，1:1人脸识别，1：N人脸识别，M：N动态布控。安防的重点是人，特别需要关注和获取重点人群的全面信息。但人脸面部结构的相似性、人脸的姿态变化、人脸的表情变化、复杂环境的光照变化、人脸的饰物遮挡、人脸的年龄变化都给人脸识别技术带来极大的挑战。 也就是说，安防行业的人脸识别，不仅需要前端监控设备、也需要高技术含量的智能算法、监控终端配合的辅助应用等等。随着公共交通工具的逐年递增、公共交通系统的安全防范要求、小型乘用车的规范化管理等，人脸识别技术在车载科技方面也得到了应用。 芯桥科技自主研发的智能人脸识别系统就是针对这个痛点，具有摄像头管理、人员布防、实时报警、查询检索和大数据分析等功能；并针对不同人脸识别场景，设计了多种网络架构，以适应不同场景（速度、精度）的要求。系统所使用的前端人脸抓拍摄像机根据不同的场景可以分为公交车载人脸抓拍摄像机、小型车人脸抓拍摄像机和地面卡口人脸抓拍摄像机，均为嵌入式智能人脸动态识别，采用多视角人脸检测算法和先进的人脸优先曝光技术，自适应各种复杂光环境，内嵌图像增强处理算法模块，能满足不同场景下的人脸抓拍需求。

因为你觉得成熟的技术都是在论文层面，落实到工程实践中，坑多得像月球表面，比如这么多人脸数据，如何高效建模和存储？不同的前端图像如何归一化？大规模算法需要的设备性能功耗和成本，供电，设备安装的矛盾？高速实时的结果向哪里推送，接收端如何接入设备？随便一个坑就够一堆人焦头烂额（︶︿︶）=凸。比如我

部分城市的高铁站已经可以人脸检测进站了，这种大流量的场所得到了运用，也算是大面积铺开的重要尝试了吧? 另外成熟归成熟但也不是百分百的成功率，所以基本上还是要配备人工的，只能是减少了人力成本而不能完全替代

目前人脸识别在安防行业还做不出独当一面的功能，最多应用还是其他功能的辅助应用，增强安防。

这个要分成几个方面来考虑： 一、硬件方面 目前除了主要城市和敏感城市（比如xin jiang）以外大多数摄像头性能并不够好，尤其是小区部署的摄像头，如果是老旧小区，可能视频分辨率连720P也达不到。在这种情况下，视频监控其实主要只是起到几个基本作用： 1，我们有监控，符合规范和要求； 2，如果出现犯罪，我们可以监控到大概的犯罪情况； 3，由于越高清的摄像头，存储空间越大，费用有限，我们只好选择一般的，可以多存储一些。 毕竟摄像头的数据并不是联网化（我指公共网络），每个系统都是比较独立的，国家也没有一个统一平台接入所有的监控视频。这就导致很多摄像头的部署并不是为了人脸识别，只是为了基本监控。 在国家级公共场所部署高清摄像头和具有实力的硬件，才能将人脸识别发挥出来，否则摄像头清晰度不足、摄像头分布太少、数据处理能力不足和存储能力不足都会影响实际效果。 以海康威视为例，1个1080P 30帧的监控视频，码流可达4M/秒，1天如果都按照这个码流存储，可产生约340G的视频文件。如果某个地区部署了1000个高清摄像头，那么1天就有可能产生332T的视频数据。这个数据流量是巨大的，而且对已存储的文件的检索、读取、遍历都是极为消耗运算资源和IO的。所以即使有高清摄像头，大多数情况下也不会按照最高码流去存储，会降低码流，维持分辨率，那样的话，即使是高清，其实画质也很大程度上损伤了，并不利于人脸识别。 二、技术方面 人脸识别在软件技术方面，虽然很多测试和数据表示已经达到99.5%以上的准确度，但是那也都是基于一些规范性数据测试出来的。实际上技术对于恶劣条件下，尤其是摄像头硬件不够好、数据有缺损、光照条件不理想、人物脸部各种遮挡的情况下，这个数值会大打折扣。 近两年，传统以openCV为基础的人脸识别逐渐不热门了，而已深度学习，尤其是CNN卷积神经网络技术为基础的机器学习型识别逐渐热门（比如Caffe框架，已经出2代了）。这个技术获益于GPU计算框架的完善和提高，目前运算能力有极大的提升，通过完善的学习框架，可以将精确度反复提升，最终达到比较理想的水平。 但是通常的识别过程，还是需要判断人脸区域、判断五官特征点位置、提取特征值、进行判断这样走下来，所以中间过程中如果有软肋，就会极大地影响最终结果。比如人脸区域判断错误，后面的就很容易不准确。同一画面中可能出现0-100个人脸，在高清摄像头的情况下，出现数百人脸也不是完全不可能，这就对提取人脸区域提出了更高的要求。 再加上人脸特征值得提取很多时候也非常容易受到影响，比如人物脸部的扭转、表情的变化、佩戴眼镜或者帽子等配件导致的遮挡等等。在各种干扰因素影响之下，维持住准确率已经很难，想达到实用级别就更加难了。 三、用户体验方面 在监控视频或图片不停产生的情况下，规模的庞大导致了误报率的提升。从百分比角度来看，也许误报率只有千分之一或者万分之一，但是从实际情况来看，可能万分之一就意味着误报100次，因为原始素材可能是百万或者千万级别的。准确率达到99.99%对于很多企业来说就已经是比较天方夜谭的事情了，但是对用户来说，可能达到99.999999999999999%才能满足他们，因为你不知道后面的规模，会乘以10的几次方…… 四、费用方面 从政府招标情况来看，一般级别的安防设备招标也就是1000-2000万就算比较高的了。这个钱一部分要分给摄像头和存储设备、线缆、施工人员，一部分是利润，还有一部分是各种关系和打点费用（隐形费用），最后能留下多少是真正为了处理和人脸识别的就不得而知了。当然，这部分费用可能另行立项。为了对视频进行处理，服务器的配置不能低，如果要做本地化部署，肯定要机房，并且尽量使用配置了GPU的服务器，这个成本会比普通单纯CPU的机型贵不少，而且对IO要求也高于单纯的存储视频文件。 综合来说，单纯建个视频监控系统就已经不便宜了，在这之上还要再加上一大笔资金才能搞出来一个不知道准确度、误报率、召回率都比较理想的智能监控系统就不见得真能满足政府的需求了。政府领导的真实需求并不是花钱没完，因为容易出事，而是差不多的花钱，同时满足高科技、智能化、大数据的业绩，最好还能降低犯罪率、举报率、上访率之类的。这么来看，大规模部署肯定是不行，因为拿钱的人太多，一不留神就进去了，重点区域小规模部署才是硬道理。主要靠系统，多抓一些通缉犯，就可以获得很好地业绩指标和说头，性价比也就提升上来了。 人脸识别技术最大的瓶颈就是性价比，如何才能便宜、好用、易部署、效率高、误报率低是个头疼问题。此外，还需要尽量考虑一些外的增值技术才有吸引力，比如人群跟踪、行为分析、暴力分析、人体倒地分析等。