<label id="gyn4u"><option id="gyn4u"></option></label>
<strike id="gyn4u"></strike>

      <code id="gyn4u"><small id="gyn4u"></small></code>
      
      

        <object id="gyn4u"><option id="gyn4u"></option></object><th id="gyn4u"><sup id="gyn4u"><acronym id="gyn4u"></acronym></sup></th>

        <tr id="gyn4u"></tr>
        <object id="gyn4u"><option id="gyn4u"></option></object>

        中國安防行業網

        首頁 > 專家論文 > 正文

        安防行業人工智能技術及架構分析
        2019/3/26 9:01:00   IOT周刊      關鍵字:安防行業,人工智能,架構分析      瀏覽量:
        大數據中心是個公用平臺。它所做的就是將每一朵云匯集的數據進行吸收,二次計算。將公用部分存留,將細分行業所需要的信息進行分發,下發到每個行業。如果在視頻領域,它其實就是SDT的二次方。大數據中心屬于攻守兼備型。攻能為所有有需要的用戶提供各種不同的信息;守能存儲記錄海量數據以備后續之用。如果說云解決了共享,那大數據中心就是給共享指明了方向,告訴用戶該怎么用。并且高度結構化,把大量數據甩出接口,用戶按需領取。

          安防的智能化,從2014年就開始提出來,歸到“安防四個現代化”的第三位。最早是以軟件和平臺為主,主要面向公安系統和交通系統。隨著技術的發展,安防監控系統的前后端設備都呈現出智能化趨勢。本文將探討安防與人工智能如何結合?如果采用單純的前端或后端智能,其弊端在哪?“云邊結合,協同智能”的方式,又如何能博得青睞?

          一、安防+人工智能的整體框架釋義

          如圖所示,分為四大塊:智能前端,云,大數據,終端。它們各有分工,各司其職,將一個個點變成網,行程結構化信息數據為終端用戶所用。

          智能前端,就是邊緣計算的硬件。相比于云的前端和遠程中心離得很遠,邊緣計算就是前端攝像機智能化,把初步的數據解析和解構在本地完成,再交付云端和大數據中心進行共享和二次解析并形成結構化數據,F在市面所用的絕大多數攝像設備和系統都是由攝像設備、傳輸記錄存儲設備、顯示設備組成。攝像機只管拍攝抓取,把拍攝到的東西由傳輸設備傳到DVR/NVR,在遠程的中心顯示出來。還有就是遠程中心平臺加入智能化分析軟件,進行數據解析;但是保安室一般用的,雖然比CCTV系統先進,但還是多以投到大屏幕墻為主。高度集成后,攝像機集采集、處理、解構于一體,減少了傳輸、存儲和處理的單元,實現了小型化,并且通過GPU介入前端,圖像處理的效率、準確率也隨之提升。

          云,是一個中間件。之前做智慧城市、平安城市,大量的前端設備投入使用,但是信息共享卻成為了很大的難題,專人專崗。管拍交通的不管治安,管治安的不管交通,管銀行的就拍自個兒,包括之前的天網,都是專網專用,各部門之間不進行信息共享。前端是信息孤島,需要一個分類的中間件將其整合后交付后端匯集,給出實時動態的結論。每個關鍵行業一朵云,無論前端是治安的、交通的、是超市、小區的、街道的、還是銀行的、學校的,都會有行業屬性和劃分。將智能前端處理過后的數據和圖像按照屬性歸類到其行業的云端,就實現了所謂的“信息共享”和“實時大聯網”。

          大數據中心是個公用平臺。它所做的就是將每一朵云匯集的數據進行吸收,二次計算。將公用部分存留,將細分行業所需要的信息進行分發,下發到每個行業。如果在視頻領域,它其實就是SDT的二次方。大數據中心屬于攻守兼備型。攻能為所有有需要的用戶提供各種不同的信息;守能存儲記錄海量數據以備后續之用。如果說云解決了共享,那大數據中心就是給共享指明了方向,告訴用戶該怎么用。并且高度結構化,把大量數據甩出接口,用戶按需領取。

          二、視頻監控領域的智能節點

          視頻監控領域人工智能技術的引入可以在前端攝像頭、NVR數據存儲設備以及大數據綜合應用平臺等節點。

          1、前端智能攝像機

          根據智能化程度以及應用場景的不同,智能攝像機大體可分為3個層次:

          · 智能網絡攝像機

          此類攝像機的算法相對固定,能夠完成某些特定識別任務,比如行為分析、統計分析等。通常在現有的IPC SoC芯片中即可集成相應的算法,無須額外增加協處理芯片,而且目前的技術也已經比較成熟。

          · 結構化分析攝像機

          此類攝像機能夠對視頻流進行實時的結構化屬性分析,從而提取其中的視頻信息、語義信息和圖片信息,并能對人員、車輛進行分類抓拍,支持對目標人/車/物進行結構化屬性分析。該類攝像機需要在原有的IPC SoC 芯片基礎上加入 NPU 淺層學習處理器,或者利用通用芯片結合安防廠商自主開發的感知算法。

          · 深度學習攝像機

          此類攝像機采用的是深度學習算法,并以海量圖片集視頻資源為基礎,通過機器自身提前目標特征,形成深層可供學習的圖像數據,極大地提升目標檢出率。該類攝像機通常帶有高性能深度學習的 GPU 芯片,如?档纳铐盗。

          2、后端智能產品

          后端智能產品主要包括采用了高密度 GPU 架構的結構化服務器和智能 NVR。在后端利用智能算法對視頻數據進行深層次的結構化分析,仍然是當前的主流方案,具有軟件開發周期短、項目應用靈活、改造項目適用性強的特點。其中,結構化服務器主要是集成了基于深度學習的算法,每秒可實現數百張人臉圖片的分析、建模,也可實現“數十萬人臉黑名單布控”、“人臉比對”、“以臉搜臉”等功能;還能對人/車/物進行結構化處理。智能 NVR 則是基于深度學習算法,在兼顧傳統 NVR 存儲的基礎上,增加了視頻結構化分析功能。

          3、綜合應用平臺

          綜合應用平臺能夠實現多品牌產品的兼容,并且能夠實現視頻監控、防盜報警、門禁、巡更系統等多系統的聯動。目前的綜合應用平臺智能化產品很多是由人工智能的初創公司提供的,通常都用于后臺分析,在公安、交通行業應用較多。

          總體來看,人工智能技術對產業鏈的影響包括 3個方面:第一,在上游硬件產品側,主要體現在前端的視頻芯片疊加了人工智能功能。因此,前端價值大幅提高,在產業鏈內部的話語權擴大。此外,整個行業的空間也在擴大,這一方面是由于一方面有更多的芯片企業進入行業;另一方面,芯片廠商將核心算法等加載于原產品之上的實現方式,降低了低端設備的技術開發難度,因此也會吸引更多的廠商加入。第二,在中游的解決方案和系統集成側,出現了獨立的智能分析軟件,但是軟件商需要依附于大型監控設備商或集成商。隨著整個產業的發展,監控設備必然會標準化以實現互聯互通,而獨立于監控設備之上的智能分析軟件由于其復雜度高、開發難度大,因此出現了第三方軟件開發商,但是運行這些軟件的載體則是由大型監控設備商或集成商決定的。因此,軟件商要與監控設備商結盟才能保證智能分析軟件的正常運行和市場發展。第三,在下游用戶側,系統集成商的渠道作用更明顯。這是由于系統比以前更為復雜,負責集成的廠商須承擔總體需求分析和架構設計,因此進入的門檻變高,話語權也擴大了。

          三、云邊結合,協同智能

          在視頻監控領域,智能化的過程首先是從后端服務器和應用平臺開始起步的。這是由于后端設備的空間、能耗、環境等限制相對較少,便于對更大規模的數據進行深度處理,因此各大安防監控廠商也是首先在后端設備上部署人工智能技術,紛紛推出自己的人工智能產品。另外,如果沒有大規模改造前端設備的條件,采用智能化的后端設備能夠更好地利用當前的非智能前端設備,以實現安防監控系統的智能化升級。

          隨著技術和市場的發展,后端服務器的分析模式已經無法滿足智能安防的需求。這是因為一方面,視頻監控市場規模本身在快速增長,市場對視頻監控的要求也是從“看得見”,到“看得清”,再到“看得懂”,高清設備逐漸取代標清設備,因此前端攝像頭要傳輸的數據量是在飛速發展。如果這些高清的數據不經過處理就傳輸,會給網絡傳輸設備和后端設備都帶來巨大的壓力。另一方面,人工智能技術的發展也給前端設備智能化帶來可能性。因此,在視頻監控領域,將智能算法前置,使智能分析的壓力能分攤到前端,解放中心的計算資源,以用于處理更復雜、高效的分析工作,大大提高視頻處理的及時性,節約帶寬和人力成本。

          但是,如果采用單純的前端或后端智能,都有其弊端。對于純前端智能方式,其優勢是計算資源比較集中,實施后能大幅節省帶寬資源;劣勢是前端的硬件計算資源量相對受限,運行的算法比較簡單,并且由于部署很分散,算法升級、運維會比較困難。而單純的后智能的優勢是能夠提供足夠的硬件計算資源,運行的算法可以很復雜,其集中設置的方式使得算法升級、運維很方便;劣勢是計算資源比較分散,前端的不智能會占用大量帶寬資源。

          如果在視頻監控系統中采用前端、后端智能相配合的“云邊結合”方式,則能充分發揮這兩種方案的各自優勢,主要體現在:

          · 帶寬壓力。中心分析方式需要7×24h不間斷地提供實時視頻流,而云邊結合只需要在有人臉抓拍圖片的情況下才需要占用帶寬,以傳輸圖片流。

          · 報警的時間。中心分析的方式下報警延時在15~20s,云邊結合時的報警延時不超過3s。

          · 分析的準確度。采用中心分析的方式,由于視頻流經過了編碼壓縮,因此損傷了很多細節,影響了識別的準確度,而采用云邊結合,由于前端人臉識別基于的是壓縮前的原始碼流分析,避免因壓縮而帶來的圖像質量損傷,識別準確度更高。

          因此,在視頻監控領域中智能化架構采用的是“云邊結合,協同智能”的方式,即前端攝像頭內置智能算法,進行邊緣計算;后端服務器和云中心進行視頻數據的解析和表述,利用龐大的大數據分析與挖掘系統對海量數據進行高效精準的處理。

        相關專題:

        加載中...
        加載中...
        头彩彩票