安防新闻  人工智能历经五十年代的达特茅斯会议、八十年代 Hopfield 神经网络和 BT 训练算法到2006 年 Hinton 深度学习技术的提出，时至今日在积蓄了足够的能量后再次爆发。这一次人工智能不仅在技术上频频取得突破，在商业市场同样炙手可热，尤其在安防领域，伴随着人工智能技术的发展，各安防厂家已目露峥嵘。

有数据显示，2016年，我国安防行业市场规模已经达到总产值5400亿元，同比增加9%，预计2020年将增至8759亿元。在智慧城市、平安城市、智慧社区等重点建设项目的背景下，安防俨然成为人工智能*为重要的落地场景之一。

安防智能化的问题主要在于海量视频监控数据与人力分析瓶颈之间的矛盾，深度学习提供了很好的解决方案。目前，智能安防系统可以实现目标检测

根据美国信息服务社的数字，截至 2015 年末全球已安装了超过 2.45 亿个视频监控摄像头，目前我国已安装的监控摄像头也已超过 3000 万个，而同时全球和国内监控摄像头销售市场仍在逐年扩张，每年仅仅我国就将产生数万PB的数据量。人工处理耗时耗力，智能安防的需求呼之欲出。

安防智能化的核心目的正是建立视频监控数据与有用信息之间的映射，即将监控视频转化为人和机器可理解的信息，并进一步转化为公安实战所用的情报，实现视频数据向信息、情报的转化。

事实上，2006年起安防行业就开始向智能化发展，但一直不能有令人满意的重大突破，主要原因有三点：智能识别准确率低，设备环境适应性差，识别智能种类少。近十年的布局能在*近厚积薄发，与深度学习的发展息息相关：

1、深度学习促使识别准确率**提高。应用深度学习算法的深度智能设备，可以自行提取更多更详细、更微小的特征，从而使得识别分类对象的准确率更高，深度学习让识别率有了质的提升。

2、深度学习直接建立了从数据到目标模型的映射，不再需要人工选择或创建特征集来描述目标。

此外，过去智能分析算法受场景影响较大，单一的模型无法准确描述多种场景，且模型有偏差的话，算法的性能就会下降。而深度学习恰恰解决了智能分析的两大瓶颈：

1、 适应足够多的环境和场景。深度学习在训练模型参数的阶段使用了海量数据，相比传统机器学习方法，包含了足够多的场景，并且直接建立从数据到信息的映射，对约束条件的依赖较少，这就意味着深度学习的产品可以应用到更广泛的环境当中。

2、 识别种类更丰富。理论上只要有足够多的样本进行训练，深度学习能够实现比较精准的目标分类识别，自主特征识别的特点又让深度学习特别适用于抽象、复杂的关于人的特征、行为的分析领域。

*各大厂商的成功案例

四大场景 两种思路

虽然目前市场上各大安防企业的深度学习智能产品宣传侧重点各有不同，但其出发点都离不开四个方向：

1、人体分析

具体到供应端来看，目前主流安防厂商的人工智能产品包括前端(摄像头)和后端(服务器)两类。

前端产品的核心功能是为后端提供高质量、初步结构化的图像数据，其主要作用有两点：提升部分智能分析应用的实时性;节省带宽和后端计算资源。

典型的前端智能摄像头内置深度学习算法，一方面可以在前端完**脸定位和质量判断，有效解决漏抓误报问题，同时拥有较好的图像效果，即使周围环境光线不佳，人员戴帽子或一定角度下低头、侧脸，仍然可以做到准确识别，并自动截取视频中的人脸输出给后端;另一方面可以输出编码后的网络视频，还支持输出非压缩、无损无延时的视频流图像。这样可以为大型用户节省服务器成本和带宽，因为在同等服务器数量和计算能力的情况下能够接入更多路摄像头。

后端产品的核心功能是利用计算能力对视频数据进行结构化分析，一般包括：1、智能 NVR，它是基于深度学习算法推出的智能存储和分析产品，兼顾传统 NVR 优势的同时增加了视频结构化分析功能;2 、高密度 GPU 架构结构化服务器，集成了基于深度学习的智能算法，每秒可实现数百张人脸图片的分析、建模，可支持数十万人脸黑名单布控，人脸 1V1 比对、以脸搜脸等多项实用功能，满足各行业的人脸智能分析需求。

*主流厂商人工智能产品

从前后端智能化模块来看，有两种思路：智能前置和后置智能，这一直是行业备受争议的两个方向：

1、 由于前端设备(主要是相机)内的空间有限，再加上功耗、成本等因素的限制，智能前置会受硬件计算资源限制，只能运行相对简单的、对实时性要求很高的算法，但算法升级、运维较难;智能放在前端优点是计算资源专注于前端，大幅节省带宽资源。

2、 后端智能分析(如智能分析服务器)通常可以根据需求配置足够强大的硬件资源，能够运行更复杂的、允许有一定延时的算法，另外，在后端算法升级、运维都会比较方便。

前后端产品不是对立与竞争的关系，将长期同时存在：

1、前端和后端合作的共同目标是为客户提供性价比更高的智能解决方案。具体过程是根据前端与后端的设计特征，将解决方案的执行过程予以分解，在满足智能需求的前提下，使资源利用得*充分。

一般来说视频的检测、跟踪、去重这类与具体识别目标无关、较为通用的功能适合放在前端，而较为复杂的识别、涉及到敏感信息的比对等功能适合放在后端。

2、智能前置与后端智能分析包含着明显的转化关系。随着芯片技术的持续发展，尤其是在以 movidius 为代表的专门为视觉处理设计的终端芯片成熟，使得针对神经网络算法的计算能力大幅提高，越来越多的智能算法可以从后端转向在前端完成。

目前已经有很多智能算法可以在前端实时运行，如进入/离开区域、越界、徘徊、停车、人员聚集、快速移动、物品**、物品拿取、人脸检测等。

两大芯片方案推动后端放量

深度学习与传统计算模式不同，*大的区别是不以执行指令为目的，但需要大量并行计算资源，因此需要专门的计算芯片来加速计算。实际上无论是前端智能摄像头还是后端结构化服务器，其额外增加的硬件资源核心目的实质上都是为了增加计算能力。

对于智能前端产品目前有两种芯片解决方案：

1、采用较为通用的视觉处理器(半定制芯片)，如 movidius 、英伟达的 Jetson 系列芯片，通用性较好，能够运行各类神经网络算法，但价格相对较高，主要针对**市场。

2015 年底，NVIDIA 发布了 Jetson TX 芯片，主要针对终端市场，随后，海康、大华、宇视科技、苏州科达、格灵深瞳、商汤科技等大部分公司的前端智能产品在 2016 年正式推出。

2、将较为通用的智能识别类算法直接固化为 IP ，嵌入到视频监控 SOC 芯片中(全定制芯片)，优点是量产后功耗、价格等都**优势，但功能拓展性有限。

虽然英伟达已推出 Jetson 系列芯片并与多家安防公司合作前端产品，但包含 256 颗 CUDA 核心的Jetson 芯片仍然属于通用型 GPU 计算产品，高昂的芯片成本使得智能前端产品价格过高，难以快速推广，而专用芯片的成熟应用成为我们跟踪前端产品放量的前瞻指标：