有了这样的知识，可以用它架构友好的智能监控识别体系。现在即使有个算法很好，比如266出来了，它编码的效率和AVS2是一样的，我说那也不行，为什么?因为你压完以后还有解，解的时候才知道哪个地方是识别的。现在压的时候就知道哪个东西是有用，哪个东西没有用，有用的可以压得轻一点，这样构建分析架构，底层是完全的视频流，视频流上面可以构架一个区域描述，不是有ROI么，这个“R”就是region，根据区域描述，然后若干的区域构成个对象，它们的关联就可以构成事件，只要处理能力足够强，我就把这个东西表述出来了，这是对识别非常有用的帮助。
三、找不到：以大规模视觉搜索解决跨摄像头搜索问题
第三个挑战，跨摄像头怎么办?我们可以对跨摄像头的数据进行矫正，然后进行一些后续的工作。这方面已经有很多工作在做了，比如我们试验室学生搭了一个系统，你在北大校园的一个地方走，其他几个框是别的几个摄像头，从一个摄像头跨到另外一个摄像头时候，现在有一个专门技术是再认证，一个人在一个摄像头里出现过，当你就到第二个摄像头，那么我能够再识别出来你。因为有时候可能不是正脸，靠人脸识别已经不管用了，就要靠颜色、身体、步态、外形等等综合识别就是你。
多摄像头协同的对象检测与追踪
怎么做好这个系统?除了刚才的技术以外，还有一个重要的技术是能做到大规模的搜索。大规模的搜索这一块我们组有个很好的工作叫CDVS，它可以用很少的特征去搜索你要的东西，就是说我用手机拍一张照片或者拍一个景色，拍完以后传送到服务器，搜索后会告诉你拍的是哪里。这个过程它需要你的特征选得非常好、非常准，然后有代表性，这样才能使得搜索比较准。
具体想法是这样的，可以用一组特征，这组特征我们把它命名叫“CDVS”，CD是一个紧缩的描述词，就是面向视觉搜索的紧缩描述词，这也是在国际标准化框架下面做的。前一段时间有个多媒体描述标准是MEPG7，最近很少人提了，但是最近有人开玩笑说它给MEPG7注入了新生命。
这里面的关键技术，一个是选择特征点，然后选择特征，把这些特征进行聚合、进行压缩、进行点压缩，最后形成个非常小的。举例来说有多小，比如你照了个照片，这个照片有3、4兆大的尺寸，我们从中提出来大概500个bit，连1K都不到，就可以进行搜索了，最高可以到16K，16K检索的效率就更高，我们判断特征好不好是用召回率来判断，我们都希望召回率达到90%，低于90%就认为这个特征没有选好。什么叫召回率90%?我用完整的照片到库里搜出来的东西，和我这用521个去搜，是不是有90%都在我刚才搜的100个里面，如果是的话那你这个特征是可以的，我们是根据这个准则。
它后台的技术涉及到，比如数据压缩的技术，涉及到计算机视觉特征提取，涉及到机器学习和视觉挖掘。特征和视觉有关的主要是局部描述子，如果大家对模式识别知道一点的话，里面有个非常好的描述词叫“SIFT特征”，这个特征它有一些特点，它可以保持平移不变、旋转不变、伸缩尺度不变等，有这个特征在识别里面是蛮有用的。但是这个特征有点毛病，一个是专利问题，另外是耗费存储比较大，耗费计算时间比较大。
这个在目前互联网上和视频监控里已经有一些应用，这是我们搭的验证系统，左边是摄像头实时对着马路，中间是这个系统，经过这个系统，右边的这个是车的车牌号、是哪个摄像头的、颜色等等马上就出来了。所以这套系统只要一上线，将来做布控是非常简单的事。
总结
总结一下，对多媒体大数据、对智慧城市或智能城市有三个挑战问题：压缩问题、模式识别问题、视觉搜索问题。针对这些问题，压缩主要是靠提高编码压缩的效率来应对;识别问题我们要想法做好编码，做些ROI的支持，把这些信息尽可能包含进去，使得后面丢失的信息更少一点;视觉搜索的问题可以采用紧缩的描述形式，使得搜索的速度更快，现在这个系统基本上是100万张图片可以在1秒之内完成搜索，这个速度是非常快的。
这个领域关注的人没有像金融那么多，但是它对整个系统的影响是比较大的，所以也请做系统的人稍微留心一下，另外也需要和做数据科学的其他领域多交流沟通，使得这个系统融入真的大数据平台里。谢谢大家!