AI安防監控工程在智慧城市的應用現狀與趨勢

　　伴隨著云計算、大數據、物聯網、AI人工智能等技術的不斷進步，國內“智慧城市”的安防監控工程的建設欣欣向榮。AI+(人工智能)安防視頻監控迎來了新的發展機遇與挑戰，也是AI+視頻監控布局的好時代。人工智能時代，安防監控工程將面臨著怎樣的發展機遇、挑戰，以及未來的趨勢如何？本文從演變的過程和見微知著的角度來對上述這幾個問題進行淺析。

　　一、“AI+安防”在智慧城市建設中的落地應用現狀

　　在云計算、大數據、芯片、算法等基礎能力技術的助推下，“AI+安防”的概念開始浮出水面，應用已經落地。基于GPU運算的方案、人臉識別、大數據應用等已經成為業內的共識。可以說，安防監控行業正在經歷一次重大轉型，各種新技術的大規模植入，加速驅動著智能監控技術升級，向更高層級進化。與此同時，行業用戶對視頻監控也提出更多需求，多樣化的應用場景催生出不同的用戶需求。

　　以公共安全領域為例，目前大規模建設的“雪亮工程”是安防監控工程繼平安城市建設之后又一歷史性機遇。“雪亮工程”已出現加速向上拐點，成為安防市場主要驅動力。

　　通過雪亮工程的監控建設，增強了預計預防、打擊犯罪、整體防控、基礎防控和破解社會管理難題的能力，目前已進入以數據分析為核心的情報驅動的信息化建設階段，數據是重中之重，對于公共安全領域的使用者和管理者來說，如何更高效地收集和分析數據是一個重點。所以，從應用層面來看，大數據、視頻云和智能分析的有機結合與多維應用已經是當前公共安防監控工程建設的熱點。

　　二、AI+安防在智慧城市中急需突破的瓶頸

　　當前，AI技術對安防監控工程的驅動和顛覆力是遠甚于先前的高清視頻、智能分析，未來的AI+(人工智能)安防發展趨勢將從后端向前端延伸、從靜態處理到動態識別、從被動防御到主動防控轉變。AI技術的融入，促使智慧城市不斷向網絡化、集約化、智能化發展。但是，目前的AI+(人工智能)安防在智慧城市的建設中依然存在一些問題，主要表現在以下幾個方面：

　　1.技術成熟度亟待提高

　　隨著人工智能技術大爆發的來臨，視頻智能分析、深度學習、大數據技術也已經開始在安防監控工程嶄露頭角。但是目前視頻智能分析技術對于視頻成像質量要求較高，而目前視頻監控圖像質量受環境影響較大，加上由于編碼、網絡帶寬等因素制約，在視頻模糊、光照不足等情況下無法實現視頻分析技術的有效辨識。深度學習技術目前也只能保證在設備制造過程中進行學習，無法實時對采集的圖像進行進一步學習分析，尚不具備成長能力。此外，大數據技術應用中，目前的結構化處理能力尚有較大的發展空間，數據量的幾何規模對計算機的計算能力、處理能力以及結構化分析能力有著更高的期待與要求。

　　2.提高數據的開放程度以及加強數據之間的聯系

　　目前，我國的互聯網用戶規模大，隨著平安城市、雪亮工程的建設，為安防監控工程帶來了豐富的數據資源和應用優勢。但是，數據之間的關聯融合非常少，數據資源仍處于分散狀態，各個數據所有者之間的孤島現象、煙囪現象仍很嚴重，數據的開放和共享程度低，難以開展多維數據融合分析，導致人工智能在獲取有效的數據支撐這條道路上仍有很長時間要走。但是，承載著AI技術的實時智能視頻監控系統將作為智慧城市中的雪亮工程、平安社區、智能交通、智慧商業、智能家居等領域物聯網應用的核心一環。

　　3.專業領域稀有人才的缺失

　　據相關數據統計，全球目前擁有約25萬名人工智能專業人才。然而，從市場的發展來看，這一數量級的人才儲備遠無法滿足未來幾年中人工智能在垂直領域及消費者市場快速、穩健增長的宏觀需求。

　　未來，無論是安防巨頭，還是人工智能領域的“獨角獸”公司，亦或是普通公司，人才缺口都將成為這些企業人工智能發展的一道坎。

　　4.安防監控業務應用需求不聚焦

　　在推動AI人工智能技術實際應用中，至今尚未有比較成熟的應用項目。隨著智慧城市、平安城市的不斷發展，各個城市你追我趕、大干快上，底層基礎的建設在不斷加強，但面向客戶的應用需求仍然亟待從廠家到用戶全鏈條的關注與開發。

　　三、AI+安防在智慧城市建設中的應用前景與趨勢

　　1.前端物聯設備高清化、智能化

　　安防監控工程業務系統應遵循“看得清、看得全、看得懂、看為用”的實戰目標，而實現這一目標的基本前提就是規模化部署智能化、立體化的高清采集前端。隨著編碼技術的提升，目前720P、1080P碼流帶寬都在大規模應用范圍之內，4K高清也逐步應用于特定的一些場景。要做到智能化、立體化，就必須要求場景足夠細化，產品類型足夠豐富，選型部署足夠匹配。

　　另一方面，安防監控工程的視頻監控具有點位多、信息量大、傳輸成本高、后端大規模分析成本高、分析時效延遲等特點，如果單個前端設備具備智能化能力，不但可以大大提高整個系統的響應效率，還可以縮減后端平臺的建設成本。通過計算和數據的邊緣化，降低了整個系統對數據中心的依賴。應用人像識別、車輛識別、行為識別等前端分析行為，使視頻圖片的深度精細化分析逐步前置，我們將“霧計算”與“云計算”相結合，更好的提升了全網效能。

　　2.深度挖掘，為探知數據加載智慧大腦

　　以視頻圖像為核心內容的智能前端設備，實現了數據多元化、探知立體化。數據的有效性分為兩個方面：一方面，按照數學統計的說法，有效信息可能只分布在一個較短的時間段內，即所謂信息的密度，往往密度越高的信息價值越大；另一方面是深層次挖掘龐大的海量數據，關聯得出高價值的有效信息。將這些視圖大數據快速有效轉變為各種業務實戰所需的價值信息，需要為智能的前端探知設備加載智慧大腦。經過智能感知之后，智慧大腦實現了海量數據價值的智能挖掘和海量價值數據的智慧流通，并因此讓價值信息的實戰應用成為可能。

　　3.精耕視頻云，實現實戰應用數據化

　　依托專有業務信息網新建人臉大數據防控、車輛大數據防控、視頻大數據治安巡控、視頻大數據情報追蹤、視頻大數據指揮調度、視頻大數據偵查實戰等視頻大數據應用建設，實現視頻云調用、圖像云智能、涉車云分析、人像云比對、綜合云研判、策略云評估等應用。實現更廣泛的大數據整合應用和跨業務部門的深度視頻大數據應用，實現省內應用關聯，跨地市的視頻大數據防控、視頻情報分析、專項行動指揮等，從而達到提升預警防范能力、治安防控能力、指揮救援能力的目的。

　　隨著語音識別、圖像識別、語言處理等技術的愈加成熟，智能分析、云計算、云存儲、大數據技術不斷升級，加上深度學習算法種類的不斷完善與芯片技術的計算及穩定性能提升，使得視頻深度學習技術成熟度越來越高，給AI+安防監控工程帶來了全新的機遇。