智能安防從AI+場景開始

□ 文/朱健立

2018年過半，傳統安防和人工智能增長無限，“云邊融合”、“邊界計算”“機器視覺”、“深度學習”……都在這一年集中爆發，科技巨頭、初創公司以及傳統企業都蜂擁而上，紛紛從不同維度布局相關產業鏈。艾媒咨詢發布的數據顯示，中國人工智能產業2018年產業規模將達到1024.1億元，而截至2017年6月30日，中國人工智能企業共計592家，融資金額達635億元，僅次于美國。

但是，在AI火爆的同時，關于“人工智能泡沫”的討論也一直在持續。AI要進行下一步發展，應用場景落地是關鍵。以安防來看，人工智能的應用場景落地，是安防從被動防御轉向主動防御的關鍵，也是安防行業不斷拓展邊界的有效手段。智能算法、計算機視覺、語音識別、大數據分析……，這些技術都使得安防整體解決方案的效率有了顯著的提升。人工智能在安防領域的應用，主要在公安、交通、金融、樓宇、工業等方面，其中公共安全是最為核心的應用。人工智能可以利用人臉識別、行為分析、步態分析等技術，對特定的人通過數據分析給予犯罪風險評估，再通過海量數據進行篩選，極大程度的提高了罪犯排查的成功率。

不解決用戶實際需求的新技術都是偽技術

國內人工智能，是從2015年開始蓬勃發展的。但鮮有人知的是，早在62年前，人工智能這一概念就已經誕生了。1956年，在達特茅斯會議上，計算機專家約翰·麥卡錫首次提出了“人工智能”一詞。在隨后的十年間，人工智能在數學和自然語言領域被廣泛應用，用以解決代數、幾何和英語問題。基于這樣的大好形勢，當時的很多研究者認為，在接下來的二十年內，機器將能完成人能做到的一切工作。然而事與愿違，進入70 年代后，由于許多技術局限在理論范圍中，人工智能并未如研究者們想象的那樣幫助人們解決實際問題。于是，人工智能從此進入了極長一段時間的沉寂。直到上世紀末，伴隨著移動互聯網的發展，人工智能才獲得了新生。

事實上，人工智能在當時得不到大眾的關注，除了計算機性能不足和數據缺失導致研究停滯外，最重要的原因，是當時的人們看不到人工智能對他們生活的影響。反觀今天，不管是語音識別、人臉識別、還是智能駕駛和智能機器人，都落實到了普通人日常生活的方方面面。因此，越來越多人關注AI領域，這也成了人工智能技術的發展動力。在安防應用這個大環境中，從始至終都有一個定律：誰滿足用戶需求，誰就能獲得市場。由此可見，不管是AI，還是安防，亦或是其他新技術，只有與具體應用相結合，滿足用戶的實際需求，才能獲得發展。

AI布局的關鍵，在于應用與實踐

根據清科研究中心的年終報告，2018年，仍有七成的投資機構表示會把AI作為重點投資領域。而騰訊研究院與IT桔子聯合發布的《2017年中美人工智能創投現狀與趨勢研究報告》也顯示，國內智能機器人與無人機相關技術，語義分析、語音識別、聊天機器人等自然語言系列的技術，人臉識別、視頻/監控、自動駕駛、圖像識別等計算機視覺系列的技術都是接下來的創投熱點。

AI市場的繁榮，讓所有看到方向的人都想分一杯羹，這也導致許多創業項目言必“人工智能”。然而，任何不與實踐應用結合的技術，都將成為泡沫。在這個層面上，巨頭們由于自身的技術基礎和有大量的資源，在AI方面的布局則更有實際意義。雖然各自的產品與解決方案有所差異，但是大家都共同傳達了一個觀點。那就是當前安防行業人工智能技術應用依舊挑戰重重。

在安防市場2008年就推出智能分析的理念，為什么直到最近才火起來，最根本的原因是誤報率太高。以某一個轄區1000路視頻抓拍人像，并且有一個黑名單庫，1000路是一個很小的安防監控系統。1千個這樣的系統，假設每個攝像頭每10秒或者5秒抓拍一張人臉，該轄區每秒鐘抓拍100張圖像，該轄區每天要產生864萬張抓拍人臉，與20萬人的數據庫比對次數高大1.728萬億次。

對動態人臉識別的性能要求，目前各大廠家是希望通過率比較高，比如說90%的通過率，在動態人臉監控上面算是比較高的，它每天的誤報個數要少于200個。現在的問題是誤報率太高，每次都是“狼來了”，所以公安對這個東西一方面非常想用，另一方面又老是誤報，所以他就把這個東西禁用了，甚至最后放棄，在過去幾年有很多實施的動態人臉監控最后都放棄了。

眾所周知，安防視頻監控應用場景非常復雜多變。監控攝像頭除了監控行人之外，還要監控汽車、物體、事件等等。每一種監控對象都有責不同特征，如監控行人需要了解到性別、年齡、身高、穿著、是否戴眼鏡等等信息，對于汽車除了要識別車牌，還需要更多細節特征，如顏色、品牌等等，并結構化處理并存儲信息，后續才能高效利用或作出相應的預判。

但是在實際應用中，我們往往會遇到很多來自不同場景的挑戰。例如人口密集的車站。比如這樣

還有這樣

這樣

咋整？靜態人臉識別以及很成熟了，但動態人臉識別目前仍然還面臨著巨大的挑戰。除了前端高清攝像機必須要能夠采集到高質量的人臉信息之外，還需要強大的算法和算力支持。通過神經網絡、深度學習、大數據自主訓練以及高性能并行計算能力等等綜合提升才能解決當前應用難題。

AI落地，垂直領域更有想象空間

隨著AI技術的優化升級和人們生活水平的提高，利用AI技術促進系統升級，是未來的大勢所趨。但是，目前影響AI大規模落地的主要原因，在于數據的質量和數量必須達到一定要求，而許多初創公司不具備這個條件；此外，應用領域是否存在針對問題的清晰定義，也是能否利用AI來解決問題的重要因素。因此，安防企業針對各自的特色進一步分化AI應用布局，將成為各大企業的下一步棋。

以天地偉業為例，在16年就提出“回歸安防本質、無警戒不安防”的智能細分應用。從場景來看，智能安防的實際應用可根據事件發生的時間、事件發生的類型、如何阻止事件發生、如何回放事件過程等4種環節做應用分析。具體來說：

星光級效果：確保24小時都看得清

大部分事件都是在夜晚發生，而普通的產品在夜晚都是紅外燈補光黑白效果。這些錄像對事件的查看會丟失很多的色彩信息和關鍵細節。所以在效果上一定要達到24小時全彩。以天地偉業的警戒系列為例，其全部采用星光和超星光級傳感器，在夜晚無光或微光監控環境，無需外接補光設備，同樣可以還原完美色彩圖像。

警戒功能：智能預警，自動跟蹤實現提前預防

安防的本質在于預防，如何有效的阻止事件發生，或者把事件消滅在萌芽狀態是智能安防的剛需。當有人/車闖入警戒區域的話，如果可以通過內置的入侵檢測算子，可以過濾掉多種自然現場干擾，精確識別入侵目標后觸發聲光預警系統，內置的白光燈開始閃爍，并同步進行語音提示，對闖入的人/車進行震懾，以此同時，聯動后端進行報警推送。以天地偉業的警戒球為例，當有人闖入警戒區域后，該產品可立即對闖入的人/車進行同步計時，當目標在限定區域內的滯留時間超過預設時間（時間可設，默認10秒）后，警戒球開始提升警戒級別，啟動跟蹤聯動和激光掃描系統，警戒球將開啟激光束對準入侵人/車，發出報警聲，聯動球機進行跟蹤。

智能震懾：聲光結合智能震懾

一個完整的智能安防產品必須有聲光震懾系統，以確保系統在預判事件發生時可積極的采取震懾策略，阻止事件發生。以天地偉業的警戒球為例，其實現了全光譜補光，通過應用全光譜補光系統，通過內置的白光燈對近距離場景進行補光，通過內置紅外燈對遠距離場景進行補光，從而讓夜間的成像效果繼續得到了提升。

警戒融合了聲音提示、白光閃爍、激光追光等聯動預警模式，與傳統安防的最大區別在于智能化，因為智能安防能夠通過機器實現智能判斷，從而盡可能實現人想做的事；而傳統安防對人的依賴性比較強，非常耗費人力。AI的落地必須結合應用場景，從事后追溯變成事前預警這個根本的變化將使得智能的普及成為必然，解放人力、更高效的安防科技是建設智慧城市的需要。警戒系列，智能分析區域周界、人員行為，靈活處理各種闖入、區域徘徊、區域停留等情況，針對不同級別的警情處以四級預警和自定義報警模式，在最大程度上減少了后臺值守的人員精力，降低人力與時間成本，在智能時代趨近的當代，顛覆力量盡顯。

結束語

安防視頻監控是一個系統工程，AI技術在視頻監控的應用挑戰，同樣貫穿于前端、傳輸、存儲、應用等等每個環節。隨著神經網絡、深度學習、邊緣技術等技術的進步、算法的不斷優化、計算機性能提升，當前面臨的種種問題都會逐步得到有效解決。同時，由此我們也可以看到，隨著安防與AI的深度融合，對安防企業的技術研發實力要求也越來越高。垂直細分，在某種程度上代表著差異化，差異化則意味著擁有競爭力。在提升AI技術的提同時，融入細分領域的附加內容，是AI落地的必經之路。