边缘计算兴起，“云边结合”方案渐成主流。与将数据放在远程云端的云计算相比，边缘计算是指在靠近物或数据源头的一侧，采用网络、计算、存储、应用核心能力为一体的开放平台，就近提供最近端服务，优势在于即时性强、反应迅速、低传输成本。预计到2020年将有超过500亿的终端与设备互联，未来超过50%的数据需要在边缘侧分析、处理和储存。

　　具体到视频监控领域，具备智能计算能力的智能摄像头将大大提高视频处理及时性、节约带宽和人力成本。视频监控系统是一种天然的物联网系统，在边缘计算的应用方面还有很大的潜力。摄像机作为机器的眼睛，已经实现了从“看得见”到“看得清”的转变。如果摄像机能够“看得懂”，实现对视频图像内容的实时处理，将能够极大地降低信息传输系统和后端设备的负担，并提升整个安防系统的响应速度。

  前端智能化对芯片提出高要求

　　前端智能化对前端设备的计算能力提出了高要求，直接反映在对前端芯片的需求升级上。

　　比如在人脸识别应用当中，通过前端抓拍+中心分析的前后端智能相结合的模式，将人脸识别智能算法前置，在前端摄像机内置高性能智能芯片，通过边缘计算，将人脸识别抓图的压力分摊到前端，解放中心的计算资源，以集中优势计算资源做更高效的分析。

　　前端智能化层层加码，已出现自带GPU/NPU/通用芯片等多种网络摄像机（IPC）方案。根据智能化程度的不同，大体可以分为三个层次：一是智能网络摄像机（Smart IPC）：其算法固定，能够完成某些特定识别任务（如行为分析、异常侦测、识别检测、统计功能等），其代表了一种高清网络摄像机的发展趋势，即高清化、智能化、集成化。目前大部分IPC SoC芯片都已集成部分智能分析能力，不需要额外增加协处理芯片，这使得Smart IPC在市场上快速普及。

　　二是结构化分析摄像机：其特点是能够对视频流进行实时结构化属性分析，从中提取视频信息、语义信息、图片信息，提供人员、车辆分类抓拍、支持目标的人/车结构化属性分析，如颜色、方向、速度、车牌识别等。这需要在IPC SoC芯片的基础上加入NPU浅层学习处理器（如北京君正的T20+T01芯片方案）；或利用高通、英特尔等通用芯片，结合安防厂商自主开发的感知算法（如苏州科达的感知型摄像机）。

　　三是深度学习摄像机：采用深度学习算法，以海量图片及视频资源为基础，通过机器自身提取目标特征，形成深层可供学习的图像数据，极大的提升了目标的检出率。此类摄像机通常带有高性能深度学习GPU芯片，典型产品如海康的“深眸”系列。

　　云边结合的趋势下，前端智能芯片迎来更大机会。由于云边结合的原理是将智能算法前置，通过边缘计算，将人脸识别等应用的抓图的压力分摊到前端，解放中心的计算资源。因此，需要在摄像机内布置高性能智能芯片。

　　AI时代 国产芯片有更多机会

　　目前，在海思等国产芯片厂商的高性价比解决方案带动下，量产的普通的IPC SoC芯片价格已经非常亲民，这使得具备初步智能化能力的网络摄像机大量普及。然而要实现前端的深度学习功能，以及后端的大规模数据处理，目前为止仍然离不开价格高昂的GPU芯片。

　　国内前端智能主流方案是采用GPU，如NVIDIA的JETSON TX系列嵌入式芯片；也可使用高通等的通用芯片，搭配特定算法进行图像抓取；还可以用IPC芯片搭配专用协处理器的方式（北京君正T20+T01方案），另外，华为昇腾310芯片是面向边缘计算场景强算力AISoC，云天励飞的DeepEye1000 嵌入式视觉AI芯片等等。需要指出的是GPU在深度学习计算方面能够比CPU节约10倍以上的能耗，但它毕竟是一种通用型的芯片，没有专门针对安防监控需求进行优化，在处理大量的视频数据时功耗仍然很高，抬高了用电及散热成本。相比之下，经过专门优化的ASIC/FPGA芯片的能效比明显更胜一筹。

　　在云边结合的趋势为芯片厂商打开了新空间，但目前尚未形成最优的方案。对国产芯片厂商而言，这是一个值得去争取的机会。