根据苹果官方介绍，iOS 10是iOS发布史上的重磅之作，所以在功能上做了非常大的更新。其中，关于“照片”的更新引起了小编的注意：
“照片”的更新
1.运用深度学习技术设计先进的人脸识别功能，可自动将相似的面孔分组
2.通过物体和场景的识别功能，使用先进的计算机视觉来扫描设备上的本地图库，可以通过照片内容智能搜索照片
3.通过“地点”相簿可在地图上查看您的所有照片、视频和Live Photo
“可自动将相似的面孔分组”
这么说，以后自拍的照片可以自动成册了？
于是，小编满心期待地赶紧去更新了iOS 10，
半个小时后...
所谓的“可自动将相似的面孔分组”只是将在一张照片中有超过一个人以上的全部归类到一起。Excuse me？这就是人脸识别？
同时，“可以通过照片内容智能搜索照片”也只能够支持地点搜索而已。距离“智能搜索”还相距甚远。
其实，早在安防领域
图像检索、视频检索已经得到了实际的应用。
下面，就给大家介绍安防领域的图像检索和视频检索！
基于内容的图像检索技术
基于内容的图像检索系统具有与传统基于文本的检索系统完全不同的构架。由于图像依赖其视觉特征而非文本描述进行索引，查询将根据图像视觉特征的相似度进行。用户通过选择具有代表性的一幅或多幅示例图像来构造查询，然后由系统查找与示例图像在视觉内容上比较相似的图像，按相似度大小排列返回给用户。
图像特征的提取与表达是基于内容的图像检索技术的基础。图像的视觉特征可分为通用的视觉特征和领域相关的视觉特征。前者用于描述所有图像共有的特征，与图像的具体类型或内容无关，主要包括色彩、纹理和形状；后者则建立在对所描述图像内容的某些先验知识的基础上，与具体的应用紧密有关，例如人的面部特征或指纹特征等。
基于内容的几种典型图像库包括人脸图像、指纹图像、笔迹图像等。
大数据下的视频检索
视频检索就是要从大量的视频数据中，找出所需要的视频片段。视频检索主要是依赖于视频算法对视频进行预处理，通过对视频内容进行结构化处理，提取出视频内容中的有效信息，进行标记或者相关处理后，然后可以通过各种属性描述进行快速检索。
因此视频检索最主要的是利用视频检测算法对视频进行结构化描述，目前已经在相应的产品中得到应用的算法主要有以下几种：行为分析算法、车牌识别算法、车辆颜色识别算法、车标识别算法、车型识别算法、人脸检测识别算法、人体特征识别算法等。
视频数据按照由粗到细的顺序可以划分为四个层次结构：视频(Video)、场景(Scene)、镜头(Shot)和图像帧(Frame)。由于一个镜头内的相邻帧间的变化不是很大，它们之间的特征差值会限定在某个阈值范围内。
而在镜头突变时，突变点前后两个相邻帧在内容上显示会有很大的变化，如果特征差值超过了给定的阈值，则意味着出现一个分割边界。镜头的关键帧就是反映该镜头中主要信息内容的帧图像。将各镜头检测出来后，对每个镜头可提取关键帧，并用关键帧简洁地表达镜头。关键帧数目的确定是关键帧提取中的一个重要问题，其确定方法可以根据镜头内帧的差异进行统计，求出其方差，用方差来衡量镜头视觉内容的复杂程度。方差越大，该镜头提取的关键帧数就越多。
智能视频检索的高效应用
运动物体
目标的运动属性包括目标的运动轨迹、运动幅度、速度及规律等因素。基于目标轨迹的检索是指通过在视频中选定一个特定的区域，目标进入或离开该区域、以及滞留该区域，视频检索算法可以快速关注所有时间内在该区域出现过的目标。
人脸搜索
在系统中输入待查询的人脸照片，选择需要检索的人脸后进行相似度等参数设置后开始检索，最后检索出的相似人脸的结果会在界面上显示出来。
车牌识别
通过查看车牌图例，就可在几分钟内查找到目标车牌，并可观看该目标在整个视频中的存在片段。例如，通过车牌识别信息，便可在系统中形成车辆的行驶轨迹，通过车辆的行动规律，即定位到车辆长时间停留的区域。
大数据时代，视频检索成为必须。而视频检索技术的发展，也为提取大数据中的珍贵资源提供了便利。
