《AI行人重识别技术规范》征求意见稿.docxVIP

3 T/GZAA XX-2023 A I 行人重识别技术规范 1 范围 本文件规定了 AI 行人重识别技术的要求与实现方法。 本文件适用于所有 AI 行人重识别技术。 2 规范性引用文件 下列文件中的内容通过文中的规范性引用而构成本文件必不可少的条款。其中，注日期的引用文件， 仅该日期对应的版本适用于本文件；不注日期的引用文件，其最新版本（包括所有的修改单）适用于本 文件。 GB/T 41867-2022 信息技术 人工智能 术语 3 术语和定义 下列术语和定义适用于本文件。 3.1 AI Artificial intelligence 针对人类定义的给定目标，产生诸如内容、预测、推荐或决策等输出的一类工程系统。 [来源： GB/T 41867-2022，3.1.8] 3.2 行人重识别技术 Re- identification technology 使用AI算法进行对同一行人实现多次识别与综合判断的技术。 4 要求 4.1 技术 4.1.1 算法要求 根据应用场景需求和数据特点,评估选择适宜的模型框架,如深度学习模型、SVM 模型等。 算法训练和测试数据集应涵盖不同人群,具有代表性,避免数据偏差。 重识别算法应具备可解释性,能够对识别结果进行解释,如关键特征划重点等。 4.1.2 接口要求 提供符合标准规范的重识别服务接口,便于与第三方系统对接。 设置反馈接口,将重识别结果返回给请求方。 4 T/ GZAA XX-2023 4.1.3 准确率与鲁棒性 重识别系统整体准确率不低于 95%。 在不同条件下测试重识别鲁棒性,确保准确率稳定。 根据应用类型设置不同的置信度阈值。 4.1.4 安全设计 数据传输接口应采用加密等安全措施。 对算法模型加密,控制访问权限。 采用访问控制、身份验证等方法,保证系统安全。 4.2 数据 4.2.1 数据采集 图像采集范围限定为执行重识别任务所需的人脸和步态特征。 向被采集者明示重识别系统使用功能,取得同意后方可采集其图像。 4.2.2 数据预处理 使用人脸检测和关键点匹配算法,实现人脸图像的自动对齐。 对采集图像进行清洗和抽样,剔除无效样本,保证样本均衡。 4.2.3 数据存储 对图像样本进行分类标注,标明类别、特点等关键信息。 采用加密、访问控制等手段对样本库进行安全存储。 4.2.4 数据使用 图像数据仅可用于重识别系统功能的实现,不得用作他用。 重识别系统应持续更新图像样本库,优化识别效果。 4.3 系统 4.3.1 网络通信 图像及关键数据传输必须采用加密技术,防止泄露。 对外部系统访问设置过滤控制,防止非法访问重识别系统。 4.3.2 系统处理 设置冗余系统部署方案,实现容灾备份能力。 重识别结果应可追溯到对应的输入图像,以便复核。 4.3.3 数据存储 图像和模型数据必须采用加密技术进行存储,并设置访问权限。 制定冗余备份策略,防止重要数据丢失。 4.3.4 权限管理 根据角色设定不同的系统访问权限,遵循最小权限原则。 系统操作行为应全部记录在审计日志中,用于安全审查。 4.4 组织 4.4.1 明确重识别系统相关岗位的职责，如系统管理员、识别操作员等。 4.4.2 重识别系统的操作人员应定期接受不少于 20 小时/年的培训，培训内容包括相关法律法规、系 统操作流程、信息安全知识、职业道德等。 5 T/GZAA XX-2023 4.4.3 重识别系统的管理方应专门设置系统运营管理部门，配备 2 名以上专职人员负责系统的日常运 行监督、管理和维护工作。 4.4.4 重识别系统管理方应面向公众公开系统的法律依据、运营方信息、投诉举报渠道等，并妥善响 应公众的查询、建议和投诉。 5 实现方法 5.1 技术实现 5.1.1 算法实现 根据场景和数据特征评估算法模型,选择深度学习或机器学习框架,给出选型分析报告。 构建具有代表性的训练和测试数据集,包含不同人群,每类样本量不少于 500 张。 在模型结构中加入可解释组件,标注关键特征或设置解释参数等。 5.1.2 接口实现 设计标准化重识别服务接口,采用 Representational State Transfer 规范。 返回结果数据集成识别置信度、系统日志等,格式符合标准。 5.1.3 准确率与鲁棒性 在数据集上多次测试评估整体准确率水平,进行模型优化以达到指标要求。 构建包含不同情况的图像数据集,测试识别鲁棒性并优化。 根据使用场景设置匹配的置信度阈值