智能監控的實戰意義

■ 陳乾

在很長一段時間里，安防監控一直作為事后查證的一種手段而存在。一個監控系統最重要的部分并不是實況，而是存儲的錄像，這存在三個問題：一是成本，海量的錄像需要占用非常多的存儲資源，每一塊硬盤都是一筆成本；二是效率，在海量的錄像中檢索可能存在的事件線索是非常耗人力而低效的；三是及時性，人們需要的是事中報警甚至事前預判，事后查證并不是安防監控的本質需求。

要做到事中報警與事前預判，離不開智能分析，只有監控系統能辨別圖像中正在發生的事情，才能真正實現事中報警與事前預判。在模擬時代，圖像的清晰度普遍為CIF和D1，連看得清都還困難，何談看得懂，所以直到進入數字時代，隨著720P、1080P甚至4K分辨率的IPC大規模部署，智能化才成為可能。

目前的安防監控智能化主要分為兩大類：后端智能和前端智能。

后端智能是通過服務器對前端的攝像機做視頻分析，提取出圖像里的關鍵信息，一般來說分為錄像分析與實況分析。錄像分析側重于事后查證，最常見的是視頻濃縮和視頻摘要，把錄像中所有移動目標提取出來集中呈現，提高錄像檢索的效率。實況分析則側重于事中報警，比如行為分析：對重要區域的禁區、拌線布防，一旦出現目標即觸發報警，在監控室彈出實況圖像、聯動附近的球機對目標智能跟蹤等；還有一種常見的實況分析是圖像質量檢測：檢測圖像是否存在模糊、被遮擋等情況，一旦出現圖像異常立即產生告警，這對于目前成百上千路的監控系統，是非常便捷的一種運維手段。而最近比較流行的大數據挖掘、云計算，則是后端智能更高端的一種體現方式，使得事前預判成為可能，比如在智能樓宇中安裝的攝像機，把出現的人臉信息都記錄下來，通過后端大數據下的云計算，一旦發現有一個陌生人在近期頻繁出入、形跡可疑，系統就會判斷該目標可能存在威脅，提出報警。

前端智能是指攝像機利用富余的計算資源，對自身采集到的圖像做分析，提取出關鍵信息。目前業界的前端智能能實現的功能與后端智能中的實況分析部分基本一致，那為什么還有存在的必要呢？一是成本，對于簡單的智能分析，前端自帶的智能相較于通過昂貴的后端分析服務器實現的智能，可以大大降低成本；二是及時性，如智能跟蹤，后端智能需要先提取一路實況流，然后調用計算資源做分析，分析中發現目標后再聯動前端球機做跟蹤，這中間每一步都會有延時，對于車輛等快速移動目標，跟蹤準確率就會下降，而前端智能就不存在這個問題；三是配合后端大數據挖掘、云計算等應用提供結構化數據，如人臉檢測，前端直接提取出畫面中的人臉及特征數據，這些信息存儲下來后，可以被后端所有應用服務直接使用，而不需要每個后端應用都從原始圖像中提取一次。

從前面的分析可以看出前端智能偏重于小范圍、簡單、及時性要求高的功能實現，而后端智能偏重于大范圍、復雜計算的功能實現，前后端智能配合則是未來大數據挖掘的實現方向。既然智能化的需求及實現都很明確，而且實現的前提高清化也已經普及，那為什么還有很多的視頻監控系統還只是人眼的延伸，需要靠安保人員一直盯著屏幕看實況呢？智能化普及的問題與難點在哪里？

主要問題就在準確率上。從目前智能化的推廣過程中來看，智能檢測的整體準確率并不高，當然準確率低的原因也分為自身算法與外在環境兩個方面。

以攝像機的前端智能為例做簡單分析，用戶需要的往往是一臺專而精的設備，在特定的場所能準確的做好特定的智能檢測即可。但現在很多廠商推出的設備是大而全的智能檢測，一臺攝像機集成了幾乎所有的前端智能功能，對于攝像機不多的富余計算資源，要想把所有的功能都做好自然是不可能的。宇視科技在去年推出了一款違停球，專注于識別并抓拍車輛違章行為，特別在違章停車識別上做到極致，產品在很多項目中投入使用后，實際應用中違停抓拍準確率高達90%，獲得了用戶的一致好評，正是把產品做專而精的典范。

至于外在環境原因，一是指環境的干擾，如自然天氣的變化、光影的變化容易讓攝像機判斷出錯，造成誤報率與漏報率，但目前已可以通過場景自適應與場景智能學習來抵抗這種環境的干擾；另一個是指環境的不可控，如裝在馬路邊的攝像機，監控的區域是人來車往的復雜場景，想要在這種場景中實現人臉抓拍、智能跟蹤是基本不可能的。目前只有在車輛卡口應用上的智能最成熟、準確率最高，這得益于一套嚴格的安裝標準、補光標準、判斷標準。其他的智能想要達到這種高準確率，出臺一套嚴格的標準是必不可少的，如現在的人臉檢測攝像機就已對攝像機安裝的高度、角度、鏡頭焦距都提出了要求，正是為了提高檢測的準確率。

從以上兩方面的分析也自然而然得出了未來智能化的發展思路：專業化的智能設備、標準化的安裝建設，以提高智能的準確率，使智能不再雞肋。當前端智能攝像機配合后端云計算做智能化大數據挖掘應用時，帶來的將會是全新的智慧體驗：智慧家庭、智慧園區、智慧交通、智慧城市、智慧地球。我們也會從目前的事后查證及事中報警這兩階段，進入到事前預判階段，終結犯罪，在案發之前。