安防设备有哪些弊端 AI赋能安防升级

导读

生活中处处可见的摄像头为我们的生活提供了安全保障，但是这些安全小卫士并不能百分百保证我们工作生活的安全。当前安防设备有哪些弊端？如今在新科技的加持下，安防又有哪些改善和提升？一起往下看吧。

PS：文末互动有礼

几十年前，一个老大爷外加一条大黄狗基本上构成了大多数厂房、仓库安防的“标配”。随后，人工逐渐被机器取代，大量的摄像头、录像机（NVR）、红外探测器等设备被投入到公共及私人的安防系统中。但是机器肯定不是万能的，这些安防设备不仅一次次在电影中成为被“玩弄”的对象，甚至其中的桥段还被一些法外之徒有样学样地搬到了现实中，一把钳子、几块口香糖就能将其轻松破解。在一个几乎什么都要带些智能的现代社会，安防也是时候痛定思痛，来一波智能化的升级改造了。

传统安防面临的痛点

“看”不过来

在城市公共场所中，人流密集、人口流动量大是监控系统面临的一大难题，在这些区域很难做到全方位的覆盖以及准确定位。此外，在一些大型会议、活动举办时期或节假日内，所在区域的人口流动量会瞬间扩大也会增加安防监控的实施难度。

被动“防守”

传统的监控系统多偏向于事后响应，缺少事前主动出击和主动预防的能力。工作人员通常只能在事后调取监控录像机中存储的录像，利用大量的人力对其进行逐秒逐帧的分析，好比在一本没有目录的纸质书中查找几行文字，对于已经习惯用搜索引擎的我们，这样工作的效率和难度可想而知。

占资源

视频资源数据量大、利用率低也是目前传统安防亟需智能化的主要原因。2020年全球视频监控产生的数据约为18.1PB（1PB=1024TB），如此庞大的数据占同期物联网数据量的83.1%。然而在实际应用中，由于各种人力和技术条件的限制，这些数据的利用效率依然很低。如今，搭建基础的视频监控网络和基础设施并不难，难的是如何利用这些数据为安防业务提供既快又准的支持。

信息孤立

数据孤岛是整个智慧城市建设中避不开的议题，也是安防智能化升级需要突破的问题。传统的安防体系中，各个管辖区域、各平台系统之间，无论是硬件匹配还是平台架构之间都有难以填平的沟壑，在规模联网和智能化改造中，工程实施难度和成本都成为了棘手的问题。

传统安防技术的局限性越来越突出，各行业对安防技术应用场景也有不同的要求。受益于人工智能（AI）和物联网（IoT）等新技术的实现，安防产业也迎来和AI牵手的契机，视频识别、人脸识别等机器视觉技术得以在安防场景中应用。尤其在疫情之后，包括园区、办公楼宇带来了新一波人脸识别需求，也加快了智能安防落地和成熟的速度。AI赋能安防也成为众多技术领域热衷的方向。

AI赋能安防升级

传感升级

人们通常会用眼睛与摄像头进行类比，虽然这个“要求”在现在看来仍然很高，但也为摄像头的智能升级提供了参考的方向。眼睛的作用首先要能看见和看清，我们也见证了视频分辨率从720P到1080P、2K、4K的不断升级。但是高分辨率却并不是“看清”的充要条件，一旦环境条件没法满足要求，这些数字也成了虚标的参数。要让摄像头更加主动地“看清”，便需要摄像头的图像传感器（CIS）完成一系列的智能感知功能。

在安防应用中，对于成像的清晰度以及场景覆盖率的要求将会持续提升，除了在光照良好的白天能够提供细节清晰、色彩逼真的图像信息外，晨昏及夜间等光线复杂的环境对CIS夜视性能的要求也更为严苛。因此，图像传感器的暗光成像、产品性能、色彩表现力以及近红外成像性能也成为安防智能化落地的基础技术条件。

机器视觉

传统的安防系统，导致效率低的一大原因就是录像机几乎是以“无脑”的方式将摄像机拍摄的画面存储下来，虽然画面的分辨率在不断提升，存储空间也在一直扩容，但是所获得的更多是“高品质”的无效数据。要提高效率，就得为系统增加一层智能分析的环节，借助分析系统的计算能力，对海量数据进行分析、筛选、处理，以提取人们需要的信息。

机器视觉技术的应用为安防行业带来了新的改变。机器视觉的主要目标是使计算机具有通过二维图像认知三维坏境信息的能力，从而处理三维环境中物体的形状、位置、姿态、运动等几何信息，在其门类下也衍生出了目标识别、目标追踪、双目技术、多球机跟踪联动技术等。机器视觉提供的分析功能，让安防系统实现“看懂”成为了可能。比如，它可以与图像处理技术相结合，设计出实时监控系统，该系统在监控录像的同时就可以通过机器视觉技术，增加视频变化检测和自动录像功能，能够同时做出识别场景、发出警报等功能，实现了从被动到主动的根本性提升。

数据实时处理

在对数据进行AI分析的过程中，实时和近实时的数据处理能力是必不可少的，这往往要求系统在智能边缘平台就要开始进行AI的推理和识别。目前这些分析推理过程主要是在图像/视觉处理器和视频处理器芯片中进行，要实现数据“就地处理”，就需要各模块之间能够协同运行。首先，有效数据要经过ISP获得清晰的图像数据，接下来让NPU（神经网络处理器）对数据进行实时计算。这时，端侧的算力的大小就决定了它能够实现多少功能。例如，当端侧算力达到1.5T时就可以满足同时运行3到5种算法的需求，进行人脸检测、识别、跟踪等功能。为了能使端侧具有足够的AI算力，在性能上需要SoC有很强的集成能力，包括ISP、NPU、视频编解码等模块。

目前市场上的边缘计算大多面向的是4-16路的视频分析处理，例如车路协同、加油站等，或是支持200路左右的小型数据中心，例如采油厂、变电站等场景。在这些场景中，数据的实时处理能力对于用户的数据隐私保护以及节约成本和节能方面起到很大的帮助。

高算力性价比

专业的人干专业的事，这是一条适用于各个行业的真理，在智能安防的AI计算中，采用专门的AI视觉芯片相比于通用的CPU/GPU便能够得到更优的计算性能、高效、低成本等诸多好处。

以一家国内的AI视觉芯片为例，在一个使用100台AI服务器来处理25000路视频分析的数据中心场景中，如果采用AI专用且算力性价比更高的数据流AI芯片，能在实测算力上高出4倍以上的性能。这就意味着，同样一个应用达到相同的性能，从原来需要100台AI服务器减少到只需要25台，为数据中心带来了70%以上的成本降低。这笔合算的“经济账”也保证了智能安防不仅是一次需求上的更新换代，在商业上也具有很大的潜力。

近几年，“AI+安防”在B端企业和C端个人安防市场需求逐渐扩大。相关数据显示：2020年中国AI+安防软硬件市场规模为453亿元，预计2021年达到542亿元，同比增长19.5%。在这条新赛道上，玩家们比拼的不仅仅是自身擅长的看家本领，而且还得能够实现多种技术的跨门类、跨行业融合，看来，想要“安全感”十足，也一定少不了周到的考虑。

原文标题：AI为安防再加一把锁

文章出处：【微信公众号：安富利】欢迎添加关注！文章转载请注明出处。