人脸识别摄像机遍布城市，然而，符合采集标准的摄像机占比却较少，在摄像头无法看清人脸的情况下，如何在人山人海中锁定某一个人的行动轨迹？有一个方法较为可行：即通过上传特定人物照片，同时检测多个不同位置的摄像头数据，精准找出所有摄像头抓拍到的目标人物图像，并生成其行动的时空轨迹。这就是行人再识别技术（Re－ID）。
近年来，Re－ID技术逐渐得到重视，开始屡屡取得突破。近日，国内AI创企澎思科技在Market 1501的Rank－1指标上已经达到96．73％，而在Duke MTMC－reID、CUHK03两个数据集上也刷新了业内纪录。那么，技术水平高是否就意味着足以雄踞市场高位？
落地是检验Re－ID的唯一标准
随着时间推移，AI安防赛道上马太效应将逐渐显现，企业均试图在竞争对手起步之前就领先一个身位或进一步拉开先发优势的差距。毫不夸张地说，我们正处于各项人工智能大规模落地应用爆发的前夕。
因此，在技术取得突破性进展的同时，作为以盈利为目的的企业，无论澎思科技还是第二波AI安防商业化浪潮中的其他玩家，只有能够针对用户需求深挖场景，了解行业里的问题、痛点，提出解决办法，重视应用落地，才能获得长久生存的资格。
公共安全是Re－ID技术理想应用场景
要找到合适的商业落地应用场景，本质上是找到Re－ID在哪些方面可以做得比人类更好。
实际上，Re－ID及其他识别均可以看做分类信息。公共场合视频监控数据具有海量、高维度特性，无论是存储量还是计算速度，与Re－ID技术相比，人类具有很大局限性，利用Re－ID提高摄像头识别能力将是一项普遍需求。在这一层意义上，Re－ID技术已经超过了人眼识别能力（94％），为商业化做好了一定的技术准备。
Re－ID落地路上的拦路虎：数据集规模
目前基于深度学习的人工智能高度依赖大数据，Re－ID也不例外，企业的数据基础往往是决定项目是否成功实施的先决条件。尽管AI安防行业时刻在产生海量数据，但经标注的数据却十分稀少，导致Re－ID目前可用数据集非常小，大的也未突破十万。
与人脸识别动辄百万乃至千万级且身份信息多样的数据集相比，数据集较小的Re－ID技术仍需不断提升。
此外，实际应用场景下的无正脸照、姿态与服装变换、遮挡、光线、摄像头分辨率低等，都是Re－ID技术要解决的实际问题。
结语：技术突破是实现落地的重要一步，也是第一步。Re－ID技术已经有了应用场景，接下来需要完善数据基础，企业也需要搭建合适的团队，至此，在确认技术原型可行的情况下，就可进行迭代并大规模实施。
当然，Re－ID在实际应用过程中依然会遇到许多问题，例如：能否由安防推广到其他行业？这对企业来说也是一个重大机遇，谁能将Re－ID发展到更多领域、实现更深层次的应用并制定相应标准，谁就能够在这场关于未来的竞争中取得巨大优势。