AI時代，向“前”看

□ 文/李歡

得益于IP技術的普及，前端攝像機近十年迅速發展。傳統攝像機由于功能單一，基本上只能做到音視頻數據采集，這與用戶對于行業的高適應性、高自動化的需求之間的矛盾日益明顯。同時，安防行業經過多年的發展和技術積累，硬件性能有了質的提高，業界對于圖像技術，視頻處理和分析的研究取得了突破性進展，智能攝像機應運而生。2013年，國內主流廠商開始推出智能攝像機——smartIPC。smartIPC的出現標志著智能功能開始從后端到前端的戰略性遷移，這使整個安防行業發生了革命性的變化。

smartIPC的優勢

相對于傳統IPC，smartIPC的優勢主要體現在以下方面：

提高分析和處理的實時性和精準性

監控行業的核心需求是快速及時地處理和記錄異常發生時的音視頻信息并能及時驅動相關聯動動作，所以對于智能應用來說，實時性是關乎用戶體驗的第一要素，但是在smartIPC出現之前，智能安防方案的核心在于后臺分析服務器，視頻數據通過前端采集、編碼、打包、網絡傳輸等一系列過程之后才能到達服務器進行解碼分析，這一過程所耗費的時間看似短暫，但對于監控行業而言卻是失之毫厘差之千里。smartIPC則可以在第一時間對于采集的視頻數據進行分析，提取關鍵信息，判斷需要采取的措施，并驅動相關聯動動作，保證在事件發生的第一時間得到有效處理；同時，設備對于復雜網絡環境的適應性也得到有效保證。

釋放后臺服務器資源

鑒于主要的數據計算分析工作在前端攝像機上已經完成，那么對于后臺服務器的性能要求會大大下降，性能較低的后臺服務器即能滿足整個系統方案的需求。同時單服務器所能接入處理的前端相機數量也能得到提高，安防系統的網絡建設和系統復雜度也能得到有效控制。從業主的角度講，即節省了經費，又提高了智能化功能。整個系統變得更佳均衡，而不是頭輕腳重。

提高升系統容錯能力

傳統的后端智能方案中，一旦智能分析平臺出現故障，則整個智能分析系統就處于癱瘓狀態，容錯能力比較差，而對于采用smartIPC的系統，單個IPC節點出現故障，不會影響其他節點的智能分析，故而容錯能力較好。

SmartIPC的推出是業界對于智能前置一系列探索的結果，仍然存在不少問題，使用過程中一直在持續性改進。其改進方向主要有兩個方面：一方面是智能功能的橫向擴展，從行為分析到人臉偵測、車輛檢測、熱度圖再到視頻結構化等功能的橫向擴展。另一方面是智能功能的縱向拓展。早期智能攝像機是業界對于前端智能的初步探索，功能還比較簡單，智能效果在持續改進。

智能攝像機通過不斷滿足用戶的核心需求，提升應用價值。使用戶體驗感得到的巨大提升，為用戶帶來便捷貼心服務的同時也能降低系統總體成本，在市場上形成了良好的正向反饋。 人工智能經過60多年的發展，這幾年呈現出爆發的趨勢。不單單是算法改進、數據積累，同時還有計算能力的變革，這三項成為前端攝像機AI化的關鍵要素。

未來智能前端的發展趨勢

未來智能前端的發展趨勢將體現在如下幾個方面：

超高清

相對于高清視頻監控，超高清視頻監控可以獲得更多的視頻細節內容，生成更多有價值的數據，從而在一定程度上能夠促進人工智能的發展，推動人工智能在視頻監控領域更深層次的應用。在超高清視頻產品發展規劃方面，前端采集端主要分成兩個方向，一是繼續完善產品種類，采用多目拼接方式實現，實現4K，8K超高分辨率180度/360度全景監控；二是朝智能方向發展，采用超高像素可以覆蓋更大場景，采集更多人車物做智能分析，實現單臺設備全場景智能分析。比如排隊，人群密度分析等等。

場景化

前端場景化向兩個方向發展，一方面向精細化場景發展，前端攝像機設備部署在不同的場所，比如城市主干道、商業路段、火車站、行政中心區域、醫院、學校、企事業單位大樓內部、村居、街道、社會面個體等場景。

為了讓解決方案更加貼合這些細分后的場景，常規的前端：球機、槍機、半球、筒機，已經無法滿足這些細分后的用戶場景，需要一些特殊形態，比如多目攝像機。

這些場景類攝像機能覆蓋大場景，提供立體實景，從而更易感知；把傳統的多畫面模式切換到融合呈現模式，體驗更佳；再基于AR技術和資源融合，使效率極大提升。

同時由于各類場景的差異性，一套算法不足以適用所有場景，需針對各類場景進行算法優化，提升場景適應性，這對于所有智能攝像機都是挑戰，使得產品的系統工程門檻大幅提升。

深度學習

當前的智能化發展趨勢已經不同于以往的人工建模方式，深度學習作為機器學習的一個分支，其目的在于建立、模擬人腦進行分析學習的神經網絡，它模仿人腦的機制來解釋數據，例如圖像、聲音和文本等。目前，深度學習的應用領域中大約有70%都在圖像識別方面。隨著大數據與高清攝像機應用的普及，海量高清及以上分辨率視頻數據給安防產品技術帶來了大數據，這也就成為深度學習在安防領域必將快速發展的肥沃土壤。和以往的傳統智能算法相比，深度學習可以像人類大腦一樣搜集信息，并將這些信息轉化為相應的行為，在解決視頻結構化問題方面更“智能”。未來智能不是單純的分析、判斷，設備將向決策方向演變發展。

物聯

早期的前端攝像機主要采集的數據還僅限于音頻和視頻，但是隨著前端硬件性能的提升，攝像機將向著信息采集一體化平臺的方向發展，攝像將不止“能看能聽”，還能“能感覺、能嗅探、知方位”，作為一體化信息采集平臺，其優勢不僅在于信息采集的多樣性，同時基于多維度信息的輔助，攝像機對于周界環境的感知和適應性將得到大幅提高，多維的感知手段帶來的是多維的數據類型，比如音視頻信息、地理位置信息、環境信息、報警信息等等，這就滿足了大數據時代對樣本種類足夠豐富的要求。同時，安防感知網絡所獲取的數據信息都是以視頻為核心的，各種數據與視頻相結合后，就能獲得可視的感知內容。舉幾個簡單的例子，把攝像頭和電子羅盤、GPS等傳感器結合起來，就能在電子地圖上清楚的看到這個攝像機所監控的區域，還可以自動在監控畫面上疊加顯示設備所在地的經緯度和街道信息，便于管理和調動;把視頻和溫濕度傳感器結合起來，在廚房或者藥店這些對環境溫濕度有很高要求的場所下，就既可以看到倉庫的監控實景，又能了解倉庫當前的環境狀況了，當溫濕度超過設定閾值，還可以彈出溫濕度異常倉庫的監控實景圖片，讓監控人員快速定位和了解現場情況;如果RFID技術和視頻結合起來，比如在工地工人的安全帽上安裝RFID標簽，就可以進行無接觸的打卡，結合工地大門口安裝的監控攝像機將人員圖像和信息同時錄入系統。

技術的發展，必將帶來價值的提升。云作為載體，將一次性買賣升級為持續的服務，前端的AI化，將互聯網與智能帶入了中下層市場，使得AI更加的親民普及。