構建了高效的特征比對策略，首先將任務串行化,利用任務的單一性對執行代碼進行規劃,提升代碼的運行效能，具備平移不變性、旋轉不變性、尺度不變性，可增強抗干擾，防止數據防篡改。

基于硬件安全模塊支持下的可信計算平臺，以提高系統整體的安全性，具備高通量編解碼、視覺語義分析、視覺圖譜構建、視覺任務建模、視覺可信推理。

云服務能力下沉，繼承了云安全、存儲、計算、人工智能能力，可部署于不同量級的智能設備和計算節點中，通過定義物模型連接不同協議、不同數據格式的設備，提供安全可靠、低延時、低成本、易擴展、弱依賴的計算服務。

多模態融合感知技術綜合利用不同傳感器獲取的信息，形成了對環境或目標更全面的感知和識別，具備全領域2D/3D視頻感知、多方位loT設備感知、全要素數據感知、多維度狀態行為感知。

獲取的圖像進行實時動態分析，并對含有槍支彈藥類、爆炸物品類、管制器具類、易燃易爆物品類、毒害性物品類、腐蝕性物品類、放射性物品類、限制攜帶物品進行實時動態預警和數據推送。

領先的ReID技術，首創突破行人特征表達技術，實現人物跨鏡頭、跨交通工具、更換服飾的跨場景跟蹤。領先的細粒度場景結構化技術、多維度行人結構化技術，基于視覺的任務推理和預測，復雜場景任務管理和規劃的智能視覺推理引擎。

利用視頻結構化技術及深度學習算法，分析圖像/視頻中所有的人臉、非機動車、機動車等目標，以及路況、行為等情況，并輸出其屬性。
人像分析：對圖片中行人的衣著、戴眼鏡、拎東西、帶口罩、帽子、發型、背包、抱小孩等屬性的識別分析。
車輛分析：檢測圖片中的車輛，并對品牌、型號、顏色、車牌號等屬性進行識別分析。
場景分析：檢測圖片中的場景，輸出檢測出的場景并進行預判分析。

通過預訓練的語義角色標注模型引入顯式的上下文語義標簽信息，以多場景技術應用為導向，提供可直接應用于產品策略的NLP技術能力。

通過對損失函數的有效組合，提高遮擋嚴重的半身照以及跨域人員的精準度。

通過攝像頭實時捕捉用戶畫面，隨機給出動作指令，根據用戶做動作的方式；或近紅外和深度攝像頭捕捉用戶畫面，判斷是否是真人。

通過攝像頭對活動目標進行識別，抓取行人位置，提取行人的關鍵特征點(頭、手、腳等）。利用lstm、光流場、Conv3D等算法，分析視頻幀序列中關鍵特征點的變化，通過深度學習來識別分析活動目標的行為內容。

對圖片中人臉進行屬性分析，可以分析出正常、微笑、興奮、焦慮、緊張、憤怒等表情。算法通過攝像頭捕捉定位人臉的關鍵部位（如眉角、鼻尖、嘴角等），分布數十個像素點，分析每個區域像素位置的變化，根據機器學習算法，結合各區域測定出的面部表情活動，分析出人們真實的情感變化。

利用靜脈中紅血球吸收特定近紅外線的特性，將近紅外線照射手指，并由圖像傳感器感應手指透射過來的光來獲取手指內部的靜脈圖像，進而進行生物特征識別。

通過共享底層網絡架構加基于注意力機制的多分支高層網絡的訓練，提高人臉特征在不同光照，遮擋的變量下特征的魯棒性。圖片/視頻中的人臉檢測，檢出率達92.4%，檢測速度達30幀/秒，支持最小為20像素的人臉圖像。精確定位圖片/視頻中人臉的256個關鍵點。