隨著環境安全事件的日趨攀升，傳統的監視系統功能已經不敷使用。在傳統的監視系統，大多僅將影像紀錄於硬碟之內，不能在狀況發生前，提出警告。當危安事件發生時，才開始調閱上千小時的影像逐一比對，不僅非常浪費大量的儲存空間，同時對於監控的人員也是一個相當大的負擔。在過去的幾年，電腦視覺廣泛的被應用在自動化影像的判別，將問題影像以事件的方式進行處理，節省大量的硬碟空間，同時可以降低監控人員的負擔，甚至完全取代監控人員。
常見的電腦視覺辨識技術方法，包含了類神經分類，圖形比對，以及特徵比對法等[1]。以人臉辨識為例: 獲得影像資料後，第一階段就是透過膚色進行基礎的臉部定位，再透過軀幹相對位置將環境中類膚色的區域濾除，最後透過眼睛鼻子跟嘴巴的定位，完成人臉的基本定位。隨後透過類神經網路進行樣本的訓練與分類，由於每個人瞳孔距離，鼻樑高度，嘴巴到下巴的距離等資訊都有所差異，我們就可以利用這樣資訊進行人群之間的辨識，甚至實現人臉門禁管制系統。
但影像處理在過去的應用中，因為侷限於電腦運算速度的關係，往往只能用來處理單一攝影機的少量資料。近年來大資料之發展[2]，帶來了巨量資料與電腦視覺的嶄新應用。我們可以將以前只能計算一個攝影機的運算擴充到數百台甚至上千台的應用。這類的應用也逐漸的被用於打擊犯罪以及公共安全預警之範疇。例如美國機場出入境時，會透過人臉辨識系統[3]進行資料庫的比對，藉此大幅降低人力辨識的需求同時提升整體的安全性。另一個應用則是用於在公眾場合中，棄置公共空間之物品偵測，由於此類物品有可能會為爆裂物，因此已經有許多國家正在開發透過電腦視覺的技術，自動偵測所有攝影機範圍內，突然出現而且不會移動的包裹。
電腦視覺是一個高度熱門而且蓬勃發展的一門技術，隨著電腦運算能力的提升，透過電腦視覺所能自動化辨識的應用也隨著增加，不論是協助公眾安全、紀錄犯罪、降低人力成本以及自動化駕駛等。我們可以預測，將不久的將來，將有更多的應用逐漸被電腦視覺輔助甚至是取代。
參考文獻
[1] A. K rizhevsky, I. Sutskever, and G. E. Hinton, ImageNet classification with deep convolutional neural networks,in Advances in Neural Information Processing Systems, 2012
[2] Wu, Z. and Huang, N.E., Ensemble empirical mode decomposition: a noise-assisted data analysis method, Advances in Adaptive Data Analysis, pp. 1 - 41, 2009.
[3] B. Heisele, P. Ho, J. Wu, and T. Poggio, Face recognition: component-based versus global approaches, Computer Vision and Image Understanding, pp. 6–12, 2003.
