深度学习，是机器学习研究中的一个新的领域，动机在于建立模拟人脑进行分析学习的神经网络，从而模仿人类的机制来解释、分析数据，例如在安防领域的人脸识别，目标跟踪，火情监测，等等。
我国安防技术应用起步于实体防护和入侵报警，发展于模拟/数字视频监控，未来将完善于以物联网、云计算、大数据为核心内容的特征识别与视频智能分析。安防行业发展的大方向是IT化，智能化，图像由模拟向数字转变，系统由封闭向开放转变，由固定设置向自主生成转变，系统功能由被动防范向主动侦测转变。这是一个深度学习的过程，也是一个离不开深度学习的过程。
在安防行业，深度学习刚刚起步，本文着重以安防行业几个行业应用为例，通过对目标跟踪、反无人机、火情监测等技术的研究，分析基于深度学习的安防技术的优点和不足，解析深度学习对安防行业的推动作用。
2.基于深度学习的目标跟踪
2.1目标跟踪技术的必要性
近几年，智能视频分析技术成为安防企业竞争的热点，传统安防技术，更多的是关注事后查证的有效性。但随着高清摄像机的普及，4K，高清，H.265，如何利用这些资源，如何使设备“活”起来，而非只是一个当人身损害或者财产损失发生后才被激活的机器，这是越来越多安防企业的发展重点。有了视频分析，就可以及时发现视频中的异常情况，从而在第一时间做出反应，减少损失。其中，基于深度学习的目标跟踪成为热点。
2.2目标跟踪平台介绍
安防企业正在向视频分析软件平台的升级进行研发，要想使数据更准确，更不受外界因素干扰，基于深度学习的算法是重点，以北京和普专用软件平台为例，将其接入军事、森林防火、海事监控、水利航运等“综合系统平台”，可实现以下功能。
(1)3D框选突显告警点信息：采用声音+光学双告警方式，在接收到前端告警后，会在1秒内启动预置的声音告警，同时弹出悬浮产生告警的热像和可见光的实时视频图像，并且会在视频图像中填加告警位置标识框突显告警点信息，还会将告警方位角和距离信息同时显示，方便用户观察。
说明: 产品画册9 说明: 葫芦岛
(2)交互式电子地图与定位显示，基于三维GIS高程数据定位：在接收到前端回传的告警定位数据后，依据前端的GPS位置、云台方位信息和地图三维GIS高程数据联合计算快速准确定位告警点的GPS位置，在电子地图中标示告警点位置，定位精度高。
说明: GIS 说明: 1
(3)跟踪识别：前端设备与后台软件配合，自动跟踪监控区域内的目标如：人、车辆等的活动轨迹。
说明: 跟踪车
(4)雷达联动：雷达与摄像机预警联动采用“逐点”扫描技术，通过“点”的扫描来判定“点”目标。雷达发出角度信息通过雷达计算机反馈给联动计算机，联动计算机把雷达“协议”编译成云台“协议”，传送到云台控制摄像机的转动，精确定位，从而实现雷达与摄像机的联动。
雷达与摄像机联动可以调整摄像机的位置，准确的定位实时位置，实时查看现场情况，进一步确认报警的真实性，提高报警的准确性，为远程查看现场提供真实画面。
说明: 边防
2.3视频分析技术的发展前景
深度学习技术的出现，使安防行业的技术迈上一个新台阶。虽然现阶段基于深度学习目标跟踪超越了传统安防技术，但仍有很大的优化空间。比如，基于深度学习的目标跟踪目前不能有效处理完全遮挡问题等，而人脑依赖于自身强大的先验知识，可以处理这些问题，跟踪算法则只能学习当前目标当前状态下的模样，不具备人脑的推算能力，其在深度学习的道路上仍然任重而道远。
3.基于深度学习的反无人机技术
3.1基于深度学习反无人机技术的必要性
无人机技术的发展十分迅速，从美军无人机的使用，到现在无人机在民用等多领域的普及，无人机成为一种新潮流。随之而来也带来很多新问题，无人机险撞战机等事件更是给人们敲响警钟。
3.2目前反无人机技术研究
建立完善的反无人机系统，引入深度学习对无人机进行识别，及时发现黑飞无人机并采取相应的报警、反制措施，从而实现对无人机的全面监管，是现阶段反无人机技术的发展方向。
常规的对抗无人机威胁的方法包括摧毁发射平台、伪装欺骗、电磁干扰、直接火力打击等。如果无人机单独执行任务或仅有几架编队作战，宜采用常规对抗手段。但当采用蜂群战术的大编队无人机群来袭时，留给作战人员及系统的反应时间极短。传统防空武器系统是最常用的反无人机武器，可部署于空基、海基和陆基平台。但这些武器对于微小型无人机而言是一种过度杀伤，存在极大的成本不对称问题。且这些系统体积庞大，无法抵御小型、廉价无人机集群的入侵。
北京和普威视科技股份有限公司经过探索和研究，自主研发生产了低空预警跟踪光电系统和激光识别反无人机系统。专为城市低空危险飞行器预警防预设计，特别是目前应用越来越广泛，存在潜在危险的低成本微型无人机监控预警所开发的专用安防产品。二者都是基于高清激光摄像和红外热成像探测感知技术，融合伺服光电转台和图像识别跟踪技术，立足于城市高点，单台设备可覆盖方圆10km范围。对城市安全健康发展发至关重要作用。
本系统融合先进的DOE光学红外热像点目标跟踪探测技术、高清激光扫描面目标图像识别算法技术、万次微脉冲高精度伺服驱动光电转台技术，使其可在常规模式下载监控的同时，对低空、低速飞行的小型无人机进行探测、分类和跟踪等功能。可以自主扫描探测、雷达联合探测、手动扫描探测多种方式执行反无人机任务，对微型无人机作用距离达到2km，对720度立体空间范围内的轻型飞机探测识别作离可达10km，对微型无人机可达2km，跟踪角度速度达200度/秒，可捕捉跟踪30米/秒的微型无人机和340米/秒以上的超音速飞机。超过英国的反无人飞行器防御系统(AUDS)的1km水平，达到国际先进水平。
3.3反无人机技术的发展前景
目前的技术方法仍存在局限性，灵活性不足，精度也亟待提高。因此，提出一种基于深度学习的无人机识别算法是未来反无人机技术发展的关键所在，如建立视觉传感网，用于无人机的图像捕捉和信息存储;通过训练一个基于神经网络的学习网络，得出一个高效的识别模型，实现无人机和非无人机间的分类等。
4.基于深度学习的安防技术的发展空间
生活在大数据时代的算法人员是幸运的，因为他们拥有数据;生活在大数据时代的算法人员也可能是不幸的，如果他们不懂如何去利用这些数据，将陷入数据的汪洋中无从下手，这个时代为基于深度学习的技术研究提供了足够丰富的样本，如果加以利用，就像百度首席科学家吴恩达说的那样，深度学习可以取代现有的很多目标检测、特征提取技术。
从安防技术的本质出发，目前基于深度学习的算法仍有很大的提升空间。基于深度学习的算法的性能在很大程度上依赖于数据样本的数量和好坏，而其难点之一在于样本的缺乏，当前大多安防技术算法，如目标跟踪算法，其采用目标识别的大规模数据库对深度网络进行离线预训练，如何建立目标跟踪的有效数据库，并将其应用于深度网络的训练，将是未来目标跟踪算法研究的一项重要课题。
5.结语
2017年是安防行业飞速发展的一年，目前，基于深度学习的安防技术已经取得了一系列重大进展，但由于实际场景往往比评测数据复杂，当前的技术还无法完全摆脱“天时”、“地利”、“人和”的限制，还不能同时满足实时性、精准度等方面的需要。深度学习不仅是目前热度最高的人工智能研究方向，也是推动安防行业技术向前发展的重要手段。
从起初的期待，到实际应用后发现的无奈，再到现在重整旗鼓再出发，深度学习为安防行业的技术发展提供了前进的方向和手段，我们相信，在深度学习的指引下，配合大数据，未来会有更多先进的、合理的算法、模型出现，为安防行业新技术提供可用的方法，让前端设备真正智能化，使安防行业真正实现“智能安防”。