慧聪安防网

解密“安防+AI”生态中那些痛点

http://www.secu.hc360.com2019年06月19日08:51 来源:Ofweek维科网作者:黄仁贵T|T

    经过20多年的本土化发展,安防经历了模拟、数字、网络、高清4个时代,目前已经进入到“安防+AI”智能化阶段。就在传统安防企业砥砺前行之时,广阔的AI安防蓝海市场吸引了众多AI公司纷纷参与围猎,就连BAT、华为等巨头也参与其中。

    5月27日,智能交通知名集成商千方科技宣布获得阿里巴巴近36亿元参股,一时竟引得行业纷纷竞猜阿里巴巴的安防布局意图。其实在此之前,阿里巴巴就已经推出了布局智慧城市顶层应用的“城市大脑”,这是一套基于大数据应用的城市级管理平台,也是阿里布局安防的标志。

    以阿里之能,仍需投资一家拥有安防生态的集成商,至少说明阿里此前的安防布局进展并不顺利,需要扩充资源来协助其AI技术在安防领域纵横捭阖。

    那么,安防究竟一个什么样的行业?其AI生态都存在哪些痛点,竟然在众多知名AI企业围剿下仍需合纵连横?

    四重生态,AI各有布局

    我们看安防+AI,通常为算法+芯片、设备制造+解决方案、行业应用三级生态。

    上层为基础算法和芯片,以宇视科技为代表的安防企业都开发有各自的AI算法;商汤、旷视、依图、云从4大AI独角兽更是闻名全球,可以说在算法端,中国企业、中国的安防公司都走在了世界前列。而芯片端,主流产品有GPU、ASIC、FPGA三大类型产品,相较国际芯片巨头,中国已能满足自给自足需求。

    中游则是各种软硬件产品和解决方案。宇视科技高级人工智能专家黄攀告诉OFweek安防网:这是安防生态中,宇视科技等一众安防企业的强项,可以提供从端计算——边缘计算——云计算的三个覆盖大安防各细分行业的所有产品和解决方案,其中就包括了AI、存储、大数据等基础应用。

    下游为政府、教育、医疗、零售等各个行业场景应用,涉及的产业链和企业类型较多,除了深耕安防的设备商外,还包括运营服务商、系统集成商、软件定制服务商等安防生态企业;宇视黄攀指出,安防+AI的产品落地中,终面对用户的部分恰是产品变现的“后一公里”。

    除了上面三部分生态,安防+AI还需要底层的核心架构,也是易为大家所忽视的部分。目前主流的AI底层架构有Caffe(卷积神经网络框架)、TensorFlow(第二代人工智能学习系统)等,且掌握在谷歌、Facebook等国际巨头手里,本土企业中,仅有百度、阿里巴巴、商汤、旷视等少数AI玩家在构建自己的深度学习架构。

    2大因素制约早期AI爆发

    人工智能之于安防,一直存在;只是人脸识别技术起来后,才广被大众所熟知。其实,安防领域是人工智能技术应用早、类型全的一个行业,涵盖车辆、行人、人脸、行为、动作、步态、物品、事件等的识别与应用,不过早期安防智能较集中于智能交通领域,对车辆的车牌识别、车辆品牌、颜色等车辆属性涉及较多,近几年才慢慢扩展到人体、人脸、动作、事件等各种智能方案。宇视黄攀认为,这是历史发展规律使然,主要有受两方面因素制约。

    先从算法维度分析,安防业经历了从模拟——数字——高清——智能的转变。早期安防需要解决的是图像清晰化的命题,编解码算法和图像处理算法是业内厂商优先发展的算法;随着智能交通的兴起,对车辆属性的识别成为主流应用,传统模式识别+浅层机器学习逐步在安防领域成为主流。随着2012年AlexNet的惊艳表现,深度学习算法得到爆发性发展,安防智能真正进入到“深度”智能阶段,并先在人脸识别领域得到大规模应用。

    再从硬件维度分析,早期没有专门针对人工智能的算法芯片——算力,当行业进入到深度学习算法阶段后,专注于游戏业务的英伟达发现GPU在分布式计算、大规模集群运算中有着非常大的优势,由此找到了新的业务落脚点,并发力推出针对人工智能深度学习的多个产品线专用处理芯片,如工业级的Tesla系列、消费级的GTX系列等。

    随着算力的大幅提升,原先需要几个月才能完成的深度训练迭代,在分布式GPU集群的加持下,只需要几个小时便可完成。

    固定场景让车辆识别脱颖而出

    经如上介绍,大家会产生新的疑惑:在深度学习算法兴起之前,为什么车牌识别技术能在众多的AI应用中脱颖而出?

    对此,宇视黄攀给出了两个字的答案——场景,他进一步分析道:“早期的智能交通虽然采用的是普通图像处理和浅层机器学习技术,但它们与其他AI应用大的区别在于有标准化场景,如卡口、电警中的六米安装高度、夜间提供爆闪补光、专业的图像调教、45度朝下抓拍角度等,加上车辆的可变动幅度不大,使得抓拍的图像非常清晰,因此在传统算法下也有非常高的识别率,可做到95%~99%的精准识别效果。”

    需要说明的是,在2010-2012年,小编曾做过多次车辆抓拍识别测试,即便是采用200万像素智能交通摄像机,只要场景设置得当,识别率可轻松做到99%,很好佐证了宇视黄攀的观点。

    但传统方案也有缺陷,一是算法对多种场景的适应性难以进一步提升,如识别率很难趋近于100%;二是传统的浅层机器学习在特征提取、算法设计上对开发人员要求较高,不能很好满足智能交通的复杂场景需求。

    在进入到深度学习阶段,大量的场景适应性问题通过丰富的训练素材让算法在训练迭代中得到解决,大幅提升了算法鲁棒性,大大简化了对技术人员的要求。利用新的算法体系做视频结构化,在标准场景下,车牌识别率无限趋近于100%;而在非标准场景下,车牌识别率也能达到98%以上,如辅助卡口的车牌抓拍识别应用。

    不过早期与车牌识别应用几乎同时发展的人脸识别需求却始终无法满足,主要受两大因素制约,一是因为人脸并不像车牌那样是一种相对固定的模型,人脸在检测过程中受到姿态、表情、穿戴物、朝向、年龄等各种因素的影响;二是摄像机的安装场景无法达到交通卡口般的标准化水平,受环境影响较大。

    通过浅层机器学习算法在这样的条件下完成人脸识别会遇到非常大的挑战,特征提取方式严重依赖工程师的丰富经验:不同场景下,边缘特征、颜色特征等的提取需要工程师具备非常好的数学能力和经验,如此才能设计出佳特征提取方式;即便如此,人脸识别还要面临人员移动随意性、脸部装饰、环境光照等的制约,识别率难以有保障。这些问题的存在,一度让人脸识别难以在实际场景中得到落地。

    利用深度学习算法后,机器可自学习适合的特征提取方式,对工程师的依赖大大降低。设备通过大数据学习获取人脸特征经验,以此来自动识别人脸,由原来的经验为王转变为以数据为王,更是突破了逆光人脸、阴阳脸、戴墨镜、戴帽子等极端场景人脸的识别障碍。

上一页12下一页
《慧聪安防网》服务升级
扫码关注

安防资讯官方微信

安防资讯官方微博