淺析AI＋安防應用之難及趨勢

□ 文 /吳參毅

隨著人工智能（AI）在安防行業的滲透和深層次應用，當前安防行業已經呈現“無 AI，不安防”的新趨勢。

各安防廠商產品 AI 化已經是當前不爭的事實，同時也成為各廠商的新戰略高地。自從2012年人工智能在安防行業逐漸深入落地這6年以來， AI在安防領域尤其是視頻監控領域的產品形態及應用模式也開始趨于穩定。安防行業的 AI 技術主要集中應用在人臉識別、行人識別、行為識別、車輛識別、結構化分析、大規模結構化和半結構化視頻信息檢索這幾個方向等方向。

按照應用場景來看，人工智能在安防行業的應用主要分為卡口場景和非卡口場景。卡口場景主要為人臉/人員卡口和車輛卡口，此類場景攝像機的采集位置、光線、角度等條件可控。非卡口場景指的是普通治安監控場景，攝像機安裝位置、角度不嚴格，對采集光線也不做嚴格要求。卡口場景約占視頻監控攝像機總量的 1%-3%，剩余的均為非卡口場景監控視頻。

嚴格說來，上面所說的人工智能（AI）不是嚴格的學術名詞，在安防企業界，AI大都指的是基于視頻圖像的機器學習，是一種模式識別AI。機器學習領域的泰斗級學者Michael Jordan聲稱，目前常用AI有三類：

仿人人工智能（human-imitative AI），最近深度學習的一系列成功案例，包括計算機視覺、語音識別、游戲人工智能。

智能增強（Intelligence Augmentation，IA），能夠增強人類記憶能力的搜索引擎和增強人類溝通能力的機器翻譯都屬此類。

智能基礎設施（Intelligence Infrastructure，II），這一領域旨在利用計算機技術讓人類生活的環境更加安全有趣，從基礎設施的角度為人類生活提供支持。物聯網是這一類概念的早期版本。現在的智慧城市是II的一種典型應用。

現在安防行業的AI應用主要屬于仿人AI，IA和II方面的應用還很少。

安防中的AI應用

人臉身份確認

人臉身份確認應用屬于卡口場景仿人AI應用，以公安行業人員布控為代表，在關鍵監控點位安裝人臉抓拍攝像機，通過后端人臉識別服務器對抓拍到的人臉進行比對識別，確定該人員身份。一種是與人臉黑名單庫進行比對識別，另一種是和靜態人臉庫進行比對識別。

人臉黑名單動態布控應用中主要利用人臉抓拍攝像機從高清/超高清視頻畫面中使用深度學習模型檢測并抓拍人臉照片，然后提取人臉深度學習特征向量，與黑名單庫人臉的比對并實現報警提示。

人臉靜態比對指的是使用深度學習模型檢測并抓拍人臉圖片，然后提取的人臉深度學習特征向量與靜態庫中的人臉比對識別，確認該人臉身份。

2017 年在某啤酒節期間，警方將“人臉識別”系統應用于啤酒節安保，并成功抓獲網上逃犯 25 名，吸毒人員 19 名，當場還抓獲了 5 名扒手，并且驅離扒竊前科人員 32 名。

另外，通過人臉識別系統還可以查詢人員行走軌跡，可以借助人臉識別系統尋找走失老人、兒童等，實現便民服務。

宇視科技推出的“函谷”系列人臉抓拍相機，采用1/1.8”大靶面超星光技術，可實現40張人臉并發檢測，可實現20像素瞳距人像抓拍。

人臉身份驗證

人臉身份驗證屬于卡口場景應用，人臉白名單應用屬于人臉身份驗證應用。人臉白名單應用已經在很多行業落地，比如人臉門禁、人臉速通門、人臉考勤、人證核驗等，廣泛應用于企事業、各類園區等場景。除了實現基礎的人臉識別應用外， 人臉身份驗證還使用活體檢測等手段，防止通過照片、視頻、面具等人臉假冒行為，切實保障出入口人員安全管控及日常人員管理等。

宇視科技推出的“潼關”系列人臉速通門已經在全國開啟多場景規模部署，識別率達到99%以上，支持活體檢測，白名單庫容30000人，實現0.2秒識別，1秒內閃身通過。

車輛識別應用

車輛識別應用屬于卡口場景應用。車輛識別技術是公安實戰中應用最成熟、 效果最明顯的技術之一。借助遍布全國各地交通要道的車輛卡口，車牌識別使得“以車找人” 成為現實， 成功協助警方破獲各類案件。車輛識別技術已經從初級的基于車牌的車輛識別應用階段，發展到車型識別、套牌車識別等精準的車輛識別應用階段。

視頻結構化

視頻結構化應用一般屬于非卡口應用。在視頻結構化分析與快速檢索應用中，視頻結構化業務功能是對視頻中的機動車、非機動車、行人等活動目標進行分類檢測，并對其特征屬性識別。提取目標小圖和場景大圖寫入存儲設備，便于后續的快速查詢及智能檢索。通過視頻結構化業務快速分析并提取出視頻中感興趣目標的特征屬性信息，用戶能夠高效獲取案事件相關線索，促進大安防時代視頻數據從看清跨入到看懂的階段。

宇視科技的“昆侖”視圖數據中心一體機，支持業界最高性能的人臉識別、視頻結構化、人數統計以及百億級大數據秒級檢索業務。

行為分析

行為分析可輔助安防應用。 通過行為分析系統對人員的異常行為進行分析處理，可應用于重點區域防范、重要物品監視、可疑危險物品遺留等行為的機器識別； 也可對人員的異常行為進行報警，極大提升了視頻監控的應用效率。另外，還可以實現對群體的態勢分析，如人群密度分析、人員聚集分析等，對重點區域或人員聚集較多的場所態勢進行分析，防止人群事件發生，做到提前預警、及時處置。

安防中AI應用限制性

雖然基于大數據、GPU和深度學習的人工智能技術飛速發展，但在產品化和實踐應用中，依然存在很多問題。

成本高

當前，影響“安防+AI”產品解決方案規模化應用的因素有很多，成本高昂是眾多原因之一。從一個典型中大型城市級公共安全視頻監控聯網項目各部分成本占比情況可以清晰看出成本是“安防+AI”發展的重要瓶頸。

設備本身由于產品性能、算力性能等多方面要求造成布置成本較高；而科學化工勘布點需求帶來的時間和人力成本、海量圖片高并發網絡帶寬需求帶來的設備和鏈路成本、多業務系統聯網應用帶來的溝通和研發成本、大數據研判分析應用帶來的設備及研發成本以及不斷增長的設備與集成施工和機房改造等因素則進一步疊高了“安防+AI”落地的成本。

場景限制高

人工智能算法的泛化能力是模式識別問題長期面臨的一個問題，也是現階段的主要瓶頸。由于訓練好的模型用在變化的場景中性能往往會明顯下降，因此在實際使用中，必須對場景進行嚴格定義，或者從設計上將智能算法定位為對指標不敏感的輔助功能。在比較成熟的應用中，如智能交通中的過車及違章抓拍、機場車站的人證對比等，都需要具體的工程安裝方案。這種做法在技術不夠成熟的條件下有效實現了商業價值，但缺點同樣明顯：一方面，對已有設備的改造需要增加施工成本，影響人工智能算法對傳統應用的滲透；另一方面，也限制了獲取有效素材的效率，影響算法指標的進一步提升。

布點困難

人工智能往往有特定的場景要求，只有在特定場景下才能保持較好的識別率。按照《安全防范視頻監控人臉識別系統技術要求》（GA/T 31488-2015），《安防人臉識別應用視頻人臉圖像提取技術要求》（GA/T 1334-2016）等技術要求，人像識別攝像機主要指安裝在公安檢查站人行通道，車站、機場、碼頭等出入口或閘機，人行道、非機動車道、步行街、商業中心等重要部位出入口，能夠有效限制人員通行、具有良好人像抓取條件的部位，應面向人員行進方向正面安裝，具有良好的光照條件。

人像抓拍攝像機的架設位置應滿足GA/T 922.2-2011的要求。對漏報無專門要求的場景可采用上限位置安裝，視場內應避免有遮擋目標人的物體。

▲圖1 卡口型人臉采集設備架設要求

距地面安裝高度H1應小于等于6000mm，宜在2200mm到3000mm之間；

采集設備光軸與水平線俯仰角度A應小于等于20°，宜在0°到10°之間；

距目標人實測距離L和安裝高度H1滿足如圖1所示的要求。其中

L：采集設備距目標人實測距離；

H1：采集設備安裝高度；

H2：目標人平均身高；

A：采集設備光軸與水平線俯仰角度。

安全要求更高

人工智能技術的蓬勃發展賦予了安防監控系統更加多樣化的業務功能，將安防監控行業的市場空間進一步拓寬，使安防監控系統在各行各業得到廣泛部署。但從風險角度而言，在AI與安防融合發展的進程中，將大量非結構化視頻轉化為可快速檢索的結構化數據，一旦網絡被攻擊，數據泄漏后的損失將更為惡化；另一方面人工智能將大量視頻、圖片集中到云中心，對網絡帶寬提出了更高要求。 此類需求和風險可歸類為以下3個方面：

現階段大量部署的端計算設備安全風險高：暴露設備數量太多、暴露端口太多、設備漏洞太多、固件更新不及時、通信協議安全性不高、數量過多無法管控 。

監控等物聯網設備已經成為新的攻擊目標（僵尸網絡與 DDOS、遠程錄拍、勒索病毒、挖礦木馬、APT 攻擊）。

人工智能的發展， 數據被終端采集后傳輸匯集到集中式云計算中心，網絡實時性和帶寬都帶來量級的要求， 對云中心部署方案的帶來了挑戰， 需要新的模式來適應 AIoT。

IA應用不足

視頻監控系統產生的數據量龐大，而且日趨多元化，包含：非結構化數據、半結構化特征數據以及結構化數據。 當前的人工智能視頻大數據分析技術主要存在如下三個問題：

非卡口場景的視頻分析算法在準確率、 穩定性及計算成本等核心指標方面還有待于提高， 導致非卡口場景的存量視頻利用率極低，目前沒有有效利用的非卡口監控視頻約占監控視頻總量的 97%左右；

當前的人臉識別技術、 行人識別技術、 行為分析等視頻分析技術往往是接近于實驗室場景下的初級應用、數據孤立下的單點識別應用，距離全天候場景下的精準鎖定，最快時間、最小成本、跨攝像機下的識別搜索， 還有很大的差距，真正解決客戶實戰問題的能力還有待于提高；

智能 AI 攝像機及視頻結構化分析產品開始進入安防市場，產生了海量的結構化視頻數據，但基于結構化視頻數據的深度智能應用，如時空分析、模式挖掘、預測預警、 技戰法訓練等尚在探索階段，有可能形成新的數據浪費和低效投資。

安防中的AI新趨勢

布點更易

應該說現階段的人工智能還不夠智能，導致了它的強場景化特點，限制了攝像機的部署。后續隨著訓練的深度神經網絡模型更加智能，以及多種模型的統一，將使得目前的攝像機布點更加容易。

云端結合

安防行業端域計算響應的及時性，芯片算力的不斷增強，提升端和云之間數據傳輸效率，這樣端域注重模式識別的仿人AI計算，云上更注重IA和II計算。

端域協作計算

安防行業中視頻監控系統分批分期建設的現實，導致了端域/邊緣域計算能力的不均勻。即便是同屬于同一個視頻監控系統的攝像機或者端設備，由于類型的不同，導致了計算能力、計算類型的不同。這樣的現實逐漸演化出端域設備分工協助的產品狀態，比如槍球聯動、全景相機與球機聯動、 攝像機和智能盒子結合，等等多種端設備協作式計算的產品形態。

數據的多維應用

視頻監控系統逐漸和物聯網的逐漸融合，催生出針對人、車、物的多維應用。形式有二：在數據采集端，攝像機逐漸和物聯網采集融合；在大數據分析與挖掘上，視頻圖像信息逐漸和物聯網數據融合應用。安防系統逐漸融入智慧城市的整個體系之中。

安全性

安防系統的安全性將逐漸增強，不論是設備安全、邊界安全、網絡安全、數據安全、計算安全、系統安全，還是對安全風險的抵御能力、還是受到安全威脅后的系統的響應以及容忍能力，雖然GB 35114已經頒布，《網絡安全等級保護條例》即將發布，但這些標準遠遠不夠，這只是開始，安防系統的安全性必將是下一個研究與建設的重點領域。