关键词:安防 物联网 来源:网络整理 作者:IOTER 2017-03-27 12:28 在安防领域，随着平安城市建设的不断推进，监控点位越来越多，从最初的几千路，到几万路，甚至于到现在几十万路的规模，视频和卡口产生海量的数据。与此同时，随着高清视频、智能分析、云计算和大数据等相关技术的发展，安防正在从传统的被动防御向主动判断、预警发展，行业也从单一的安全领域向多行业应用、提升生产效率、提高生活智能化程度方向发展，为更多的行业和人群提供可视化、智能化解决方案。随着安防领域的发展，人工智能的重要作用正逐步显现。当前，用户面对海量的视频数据，已无法简单利用人海战术进行检索和分析，需要人工智能作为专家或助手，实时分析视频内容，探测异常信息，进行风险预测。 人工智能技术 人工智能技术在安防领域的应用主要体现在两个方面：视频结构化技术和大数据技术。 1、视频结构化技术 视频结构化技术是融合了机器视觉、图像处理、模式识别、深度学习等最前沿的人工智能技术，是视频内容理解的基石。 视频结构化在技术领域可以划分为三个步骤：目标检测、目标跟踪和目标属性提取。 目标检测过程是从视频中提取出前景目标，然后识别出前景目标是有效目标（如：人员、车辆、人脸等）还是无效目标（如：树叶、阴影、光线等）。在目标检测过程主要应用到运动目标检测、人脸检测和车辆检测等技术。海康威视研究院在2016年PASCAL VOC目标检测中获得第一，是海康威视10年研发积累的最好体现。 目标跟踪过程是实现特定目标在场景中的持续跟踪，并从整个跟踪过程中获取一张高质量图片作为该目标的抓拍图片。在目标跟踪过程中主要应用到多目标跟踪、目标融合以及目标评分技术。海康威视研究院在2015年MOT Challenge算法测评中获“计算机视觉的多目标跟踪算法”第一。 目标属性提取过程是对已经检测到的目标图片中目标属性的识别，判断该目标具有哪些可视化的特征属性，例如人员目标的性别、年龄、着装，车辆目标的车型、颜色等属性。目标属性提取过程主要基于深度学习网络结构的特征提取和分类技术。 同时，为了解决视频结构化的高性能分析计算问题，我们于2015年设计研制了嵌入式GPU集群服务器，充分利用多GPU的并行处理能力，提高视频结构化处理的综合效能。 2、大数据技术 大数据技术为人工智能提供强大的分布式计算能力和知识库管理能力，是人工智能分析预测、自主完善的重要支撑。其包含三大部分：海量数据管理、大规模分布式计算和数据挖掘。 海量数据管理被用于采集、存储人工智能应用所涉及的全方位数据资源，并基于时间轴进行数据累积，以便能在时间维度上体现真实事物的规律。同时，人工智能应用长期积累的庞大知识库，也需要依赖该系统进行管理和访问。当前，海康威视研究院开发的海康大数据平台已能支撑千亿级规模的车辆通行记录存储管理和应用。 大规模分布式计算使得人工智能具备强大的计算能力，能同时分析海量的数据，开展特征匹配和模型仿真，并为众多用户提供个性化服务。 数据挖掘是人工智能发挥真正价值的核心，利用机器学习算法自动开展多种分析计算，探究数据资源中的规律和异常点，辅助用户更快、更准地找到有效的资源，进行风险预测和评估。 人工智能应用 当前人工智能技术的迅猛发展，积极推动着安防领域向着一个更智能化、更人性化的方向前进，主要体现在以下这几个方面： 1、在公安行业的应用 公安行业用户的迫切需求是在海量的视频信息中，发现犯罪嫌疑人的线索。人工智能在视频内容的特征提取、内容理解方面有着天然的优势。前端摄像机内置人工智能芯片，可实时分析视频内容，检测运动对象，识别人、车属性信息，并通过网络传递到后端人工智能的中心数据库进行存储。汇总的海量城市级信息，再利用强大的计算能力及智能分析能力，人工智能可对嫌疑人的信息进行实时分析，给出最可能的线索建议，将犯罪嫌疑人的轨迹锁定由原来的几天，缩短到几分钟，为案件的侦破节约宝贵的时间。其强大的交互能力，还能与办案民警进行自然语言方式的沟通，真正成为办案人员的专家助手。 以车辆特征为例，可通过使用车辆驾驶位前方的小电风扇进行车辆追踪，在海量的视频资源中锁定涉案的嫌疑车辆的通行轨迹。
\
人工智能（Artificial Intelligence，缩写AI）始于20世纪50年代中期，之后数十年发展起起伏伏，80年代末随着人工神经网络研究的兴起，人工智能进入一个新的阶段。特别是最近几年，深度学习在人工神经网络优化方面获得突破，使得机器辅助成为可能，拓展了人工智能的应用领域。
