安防的智能化，从2014年就开始提出来，归到“安防四个现代化”的第三位。最早是以软件和平台为主，主要面向公安系统和交通系统。随着技术的发展，安防监控系统的前后端设备都呈现出智能化趋势。本文将探讨安防与人工智能如何结合？如果采用单纯的前端或后端智能，其弊端在哪？“云边结合，协同智能”的方式，又如何能博得青睐？

　　一、安防+人工智能的整体框架释义

　　如图所示，分为四大块：智能前端，云，大数据，终端。它们各有分工，各司其职，将一个个点变成网，行程结构化信息数据为终端用户所用。

　　智能前端，就是边缘计算的硬件。相比于云的前端和远程中心离得很远，边缘计算就是前端摄像机智能化，把初步的数据解析和解构在本地完成，再交付云端和大数据中心进行共享和二次解析并形成结构化数据。现在市面所用的绝大多数摄像设备和系统都是由摄像设备、传输记录存储设备、显示设备组成。摄像机只管拍摄抓取，把拍摄到的东西由传输设备传到DVR/NVR，在远程的中心显示出来。还有就是远程中心平台加入智能化分析软件，进行数据解析；但是保安室一般用的，虽然比CCTV系统先进，但还是多以投到大屏幕墙为主。高度集成后，摄像机集采集、处理、解构于一体，减少了传输、存储和处理的单元，实现了小型化，并且通过GPU介入前端，图像处理的效率、准确率也随之提升。

　　云，是一个中间件。之前做智慧城市、平安城市，大量的前端设备投入使用，但是信息共享却成为了很大的难题，专人专岗。管拍交通的不管治安，管治安的不管交通，管银行的就拍自个儿，包括之前的天网，都是专网专用，各部门之间不进行信息共享。前端是信息孤岛，需要一个分类的中间件将其整合后交付后端汇集，给出实时动态的结论。每个关键行业一朵云，无论前端是治安的、交通的、是超市、小区的、街道的、还是银行的、学校的，都会有行业属性和划分。将智能前端处理过后的数据和图像按照属性归类到其行业的云端，就实现了所谓的“信息共享”和“实时大联网”。

　　大数据中心是个公用平台。它所做的就是将每一朵云汇集的数据进行吸收，二次计算。将公用部分存留，将细分行业所需要的信息进行分发，下发到每个行业。如果在视频领域，它其实就是SDT的二次方。大数据中心属于攻守兼备型。攻能为所有有需要的用户提供各种不同的信息；守能存储记录海量数据以备后续之用。如果说云解决了共享，那大数据中心就是给共享指明了方向，告诉用户该怎么用。并且高度结构化，把大量数据甩出接口，用户按需领取。

　　二、视频监控领域的智能节点

　　视频监控领域人工智能技术的引入可以在前端摄像头、NVR数据存储设备以及大数据综合应用平台等节点。

　　1、前端智能摄像机

　　根据智能化程度以及应用场景的不同，智能摄像机大体可分为3个层次：

　　· 智能网络摄像机

　　此类摄像机的算法相对固定，能够完成某些特定识别任务，比如行为分析、统计分析等。通常在现有的IPC SoC芯片中即可集成相应的算法，无须额外增加协处理芯片，而且目前的技术也已经比较成熟。

　　· 结构化分析摄像机

　　此类摄像机能够对视频流进行实时的结构化属性分析，从而提取其中的视频信息、语义信息和图片信息，并能对人员、车辆进行分类抓拍，支持对目标人/车/物进行结构化属性分析。该类摄像机需要在原有的IPC SoC 芯片基础上加入 NPU 浅层学习处理器，或者利用通用芯片结合安防厂商自主开发的感知算法。

　　· 深度学习摄像机

　　此类摄像机采用的是深度学习算法，并以海量图片集视频资源为基础，通过机器自身提前目标特征，形成深层可供学习的图像数据，极大地提升目标检出率。该类摄像机通常带有高性能深度学习的 GPU 芯片，如海康的深眸系列。

　　2、后端智能产品

　　后端智能产品主要包括采用了高密度 GPU 架构的结构化服务器和智能 NVR。在后端利用智能算法对视频数据进行深层次的结构化分析，仍然是当前的主流方案，具有软件开发周期短、项目应用灵活、改造项目适用性强的特点。其中，结构化服务器主要是集成了基于深度学习的算法，每秒可实现数百张人脸图片的分析、建模，也可实现“数十万人脸黑名单布控”、“人脸比对”、“以脸搜脸”等功能；还能对人/车/物进行结构化处理。智能 NVR 则是基于深度学习算法，在兼顾传统 NVR 存储的基础上，增加了视频结构化分析功能。

　　3、综合应用平台

　　综合应用平台能够实现多品牌产品的兼容，并且能够实现视频监控、防盗报警、门禁、巡更系统等多系统的联动。目前的综合应用平台智能化产品很多是由人工智能的初创公司提供的，通常都用于后台分析，在公安、交通行业应用较多。

　　总体来看，人工智能技术对产业链的影响包括 3个方面：第一，在上游硬件产品侧，主要体现在前端的视频芯片叠加了人工智能功能。因此，前端价值大幅提高，在产业链内部的话语权扩大。此外，整个行业的空间也在扩大，这一方面是由于一方面有更多的芯片企业进入行业；另一方面，芯片厂商将核心算法等加载于原产品之上的实现方式，降低了低端设备的技术开发难度，因此也会吸引更多的厂商加入。第二，在中游的解决方案和系统集成侧，出现了独立的智能分析软件，但是软件商需要依附于大型监控设备商或集成商。随着整个产业的发展，监控设备必然会标准化以实现互联互通，而独立于监控设备之上的智能分析软件由于其复杂度高、开发难度大，因此出现了第三方软件开发商，但是运行这些软件的载体则是由大型监控设备商或集成商决定的。因此，软件商要与监控设备商结盟才能保证智能分析软件的正常运行和市场发展。第三，在下游用户侧，系统集成商的渠道作用更明显。这是由于系统比以前更为复杂，负责集成的厂商须承担总体需求分析和架构设计，因此进入的门槛变高，话语权也扩大了。

　　三、云边结合，协同智能

　　在视频监控领域，智能化的过程首先是从后端服务器和应用平台开始起步的。这是由于后端设备的空间、能耗、环境等限制相对较少，便于对更大规模的数据进行深度处理，因此各大安防监控厂商也是首先在后端设备上部署人工智能技术，纷纷推出自己的人工智能产品。另外，如果没有大规模改造前端设备的条件，采用智能化的后端设备能够更好地利用当前的非智能前端设备，以实现安防监控系统的智能化升级。

　　随着技术和市场的发展，后端服务器的分析模式已经无法满足智能安防的需求。这是因为一方面，视频监控市场规模本身在快速增长，市场对视频监控的要求也是从“看得见”，到“看得清”，再到“看得懂”，高清设备逐渐取代标清设备，因此前端摄像头要传输的数据量是在飞速发展。如果这些高清的数据不经过处理就传输，会给网络传输设备和后端设备都带来巨大的压力。另一方面，人工智能技术的发展也给前端设备智能化带来可能性。因此，在视频监控领域，将智能算法前置，使智能分析的压力能分摊到前端，解放中心的计算资源，以用于处理更复杂、高效的分析工作，大大提高视频处理的及时性，节约带宽和人力成本。

　　但是，如果采用单纯的前端或后端智能，都有其弊端。对于纯前端智能方式，其优势是计算资源比较集中，实施后能大幅节省带宽资源；劣势是前端的硬件计算资源量相对受限，运行的算法比较简单，并且由于部署很分散，算法升级、运维会比较困难。而单纯的后智能的优势是能够提供足够的硬件计算资源，运行的算法可以很复杂，其集中设置的方式使得算法升级、运维很方便；劣势是计算资源比较分散，前端的不智能会占用大量带宽资源。

　　如果在视频监控系统中采用前端、后端智能相配合的“云边结合”方式，则能充分发挥这两种方案的各自优势，主要体现在：

　　· 带宽压力。中心分析方式需要7×24h不间断地提供实时视频流，而云边结合只需要在有人脸抓拍图片的情况下才需要占用带宽，以传输图片流。

　　· 报警的时间。中心分析的方式下报警延时在15～20s，云边结合时的报警延时不超过3s。

　　· 分析的准确度。采用中心分析的方式，由于视频流经过了编码压缩，因此损伤了很多细节，影响了识别的准确度，而采用云边结合，由于前端人脸识别基于的是压缩前的原始码流分析，避免因压缩而带来的图像质量损伤，识别准确度更高。

　　因此，在视频监控领域中智能化架构采用的是“云边结合，协同智能”的方式，即前端摄像头内置智能算法，进行边缘计算；后端服务器和云中心进行视频数据的解析和表述，利用庞大的大数据分析与挖掘系统对海量数据进行高效精准的处理。