这几年安防产业亦出现相当热门的数据化人工智能学习和识别技术的概念，它们与安防有什么关联?如何应用在安防监控中?AI人工智能目前最多的应用又是哪些?
自从道路视频监控系统在全球兴起之后，目前世界各国的城市视频监控建设即将进入扩张与结构改变的阶段，在这种需求变革下，安防监控系统将需要更多元化与人工智能化的整体解决方案。现代化的公共安全已不再仅止于无限的扩充影像监控覆盖密度、广度以及追求超高清解晰度，而是透过这些人工智能化的手段与工具，让安防时代更进一步，转向注重数据采集、应用和管理的人工智能化AI安防时代。
全球城市道路监控建设都在快速发展，为城市公共安全及治安侦察工作提供了影像的方便性和立即性。但随着监控设备数量的大量倍增，影像解析度的不断提高，公共安全搜集到的影像和图片之数据量呈现等比几何的增长，再加上影像解析度的提高，连带使伺服器的处理能力和使用率都产生了更高的门槛。因此，AI安防影像监控在影像调阅、门禁进出数据、资料的储存、运算等技术上都面临巨大挑战。
AI人工智能与AI安防监控的应用技术
面对这样的挑战，AI安防监控使用者如何能在大量增加的数据中，利用既有的人工智能技术快速获取有价值的资料，便成为当前最重要的课题。以下简述几种与AI安防监控结合的AI人工智能技术：
1、人工智能的模式识别技术
通常在监控系统收集的影像数据资料中，资料本身并不具价值，必须再经过深度挖掘、分析资料中影像呈现的数据模式，才会产生出真正有用的价值。未来是大数据的时代，数据资料的模式识别将备受重视。
2、人工智能的深度学习技术
此为AI人工智能机器深度学习研究中的新领域，其动机在于建立、模拟人脑进行分析学习的神经网路，它模仿人脑的行为思考机制来解释数据资料，例如影像内容、声音和资料本身。未来要让AI人工智能的机器深度学习能够大行其道，数据资料本身将是最主要的关键因素，而影像监控资料占大数据总量的60%以上，也就是说，影像监控领域有70%以上的数据资料分析是用来进行影像识别。目前这种AI机器深度学习在AI安防产业的诸多领域都取得了很大进步，包括：行人检测、车辆检测、非移动车辆检测等，其识别准确率甚至超过人类的眼睛判断。
3、 AI人工智能的前端识别技术
先进的产品技术是一家高科技企业能否长久发展的根本，要AI安防监控智能化，系统就需有基于AI人工智能相关的「影像识别」运算技术，才能够开发出一系列的智能化监控应用设备，因此前端识别技术也就成了AI人工智能的第三个本质技术。
大致介绍说明完三种较常见的AI人工智能的安防应用技术内容，接下来我们再进一步探讨AI人工智能在AI安防上的深度技术发展：
1、多特征识别技术
一般在大量影像数据资料下，想要从历史和即时的影像资料中筛选犯罪嫌疑人有如大海捞针，而多特征识别技术则是透过人工智能的方式，让电脑从大量监控影像中自动识别出嫌疑人，分析资料中的个人特征，然后根据犯罪嫌疑人的特征自动筛选，节省人力物力的同时也大大缩短犯罪嫌疑人的到案时间。现在部分厂商利用先进的深度学习技术，研发出能够克服光照、天气等不可抗力因素，快速准确地识别出个体人物的各种重要特征，如性别、年龄、发型、衣着、体型、是否戴眼镜、是否骑车以及随身携带的物品等。个体人物多特征识别演算法有着灵活的布建方式，可自订时间轴和识别区域范围以达到快速准确的判别，并利用智能影像分析(IVS)于影像伺服器集群的辅助，对监控系统中几百支影像监控摄影机进行24小时不间断的多特征分析与检索，即时找寻可疑人员，发出预先告警信号。
2、姿态识别技术
姿态识别技术是指针对个体人物的走路姿势，是一种可在远距离就感知的生物行为特征技术。和其他生物特征识别技术相比，姿态识别的优势在于非接触性、非侵入性、易于感知、目标物难以隐藏和伪装等。姿态分析还可以轻松的区分出个体人物的不同行为模式，例如是在行走中、奔跑中、还是携负重物等。基于这些优点，姿态识别特别适用于门禁系统、安全监控、人机交换、医疗诊断等部分，尤其在AI安防领域中具有广泛的应用和经济价值。
3、 3D相机技术
身高是人体重要的资料特征之一，在一些特定的场所，例如风景区入口、车站收票口等对身高要求都有明确的规定。传统利用尺度工具测量身高的方法虽然操作简单，但需要被测人员配合，不仅速度慢，精确度也较差;超声波、红外线等方式虽可实现自动测量、精准度较高，但对测量环境条件的要求有较多限制，不适合用于公共场所，而3D电脑视觉技术的3D相机则可以很好地解决上述问题，提供多场景、非接触式、自动化的量测。3D相机是利用深度感测器获取现实场景的深度资料和颜色资讯，透过座标变换建立深度资料与3D座标之间的对应关系，然后藉由去杂讯、配对位准等运算法去除干扰并减小误差，最后再以3D重建的方法得到身高以及其他资料。
4、推动AI安防未来大数据
在AI人工智能分析市场的创新推动下，人们挖掘影像监控中有价值的数据资讯，并不仅只是局限于当前人、事、物的基本资讯而已，同时也需依靠厂商强大的研发能力，可以不断对AI安防大数据采集的关键资讯进行有效补充，不但为最终的大数据平台带来更具附加价值的资料，也为深度的AI人工智能在AI安防产业数据应用下，提供源源不绝的产品发展动力。
1、更智能的AI应用
分布式结构可以包含云计算和边缘计算。它将人工智能(AI)算法从云端扩展到本地视频录像机和服务器，并进一步扩展到安全摄像机等边缘设备。三层架构都支持构建一类新的AI驱动应用目标，甚至更智能，更快速。
云端摄像机视频分析和深度学习功能的结合可以改善视频分析。摄像机可以配备基本的视频分析，它们与云基础设施相连，可提供额外的深度学习算法。这些摄像机提供计算机视觉预处理，而大量详细的分析则可以在云端神经网络中处理。
2、从边缘到云端的数据分布
云计算允许具有各种计算功能的用户在私有云或位于数据中心的第三方服务器上存储和处理数据。然而，随着计算业务变得越来越频繁和复杂，对数据处理性能的需求甚至更高。在数据传输到云端的过程中，云计算消耗了巨大的网络资源和时间，这些都导致网络拥塞和低可靠性。
3、云端增加了AI功能
云端提供了AI和深度学习应用所需的额外数据计算功能。
4、边缘系统的优势
深度学习和神经网络计算无处不在。它们现在已经在本地计算机，嵌入边缘设备的系统中，甚至云端广泛使用。
边缘计算在视频监控市场中尤为重要，它使系统能够在任何带宽或延迟问题都会限制基于中央服务器系统有效性的情况下运行。同时，基于边缘的功能还降低了对信息隐私的担忧和对网络连接的依赖。
人工智能(AI)是一个计算密集型的过程，无论是在云端还是在本地计算机上，在边缘进行处理都无需集中进行。特别是视频监控摄像机，没有足够的带宽来通过网络基础设施传输视频数据以进行处理。全球一半以上人口密集的地区互联网速度低于8 mbps，这肯定无法处理新智能应用所需的数据水平。
延时是采用边缘智能的另一个优势。目前，大量的应用越来越要求很小甚至没有延时(小于200毫秒)，并且将数据传输到其它地方再进行处理则需要花费时间。
边缘计算还可以确保数据更加私密，而不是将数据留存在私有云或公共云中，甚至本地存储。 更高的计算能力和边缘嵌入式系统的效率为具有智能的物理安全设备铺平了道路，远远超出了业界现在使用的范围。东莞市英视特电子有限公司承接：城市及道路照明工程；道路标识及停车场交通设施工程；闭路监控系统、智能防盗报警系统、楼宇对讲系统、门禁停车场道闸系统、视频会议、广播系统、智能家居等集成项目。
网友评论