智慧城市网

　　【智慧城市网 行业动态】最近十年以来，人工智能技术已成为各传统行业自我革新、提高效能的重要推手。AI赋能各个产业，成为了国家战略。在以视频监控为主要应用的安防行业，AI技术迅速落地，让海量的视频数据发挥了更大的价值，催生出更多更强大的智能产品，为安防行业赋予了前所未有的驱动力。本文从应用，算力和算法三个方面，对已经深度融入安防行业的AI技术发展进行分析。
 

　　AI+安防之应用：智能场景多样化与智能需求精细化趋势明显，软件解决方案将成为主流
 

　　之所以把AI+安防之应用放在首篇，是想强调AI能顺利落地安防行业，是由其应用本质所决定的。社会安全是城市建设以及国家发展的根本性决定因素，该领域对新技术的迫切需求超越了其他行业。
 

　　而随着安防数字化、网络化的发展，视频监控系统的规模日益扩大，监控数据量迅速增加，包含的信息数据更加丰富，已经超出了人力所能管理的范围，必须要依赖先进的AI算法和强大的算力，进行各类海量数据的智能化分析，因此，安防行业的智能化转型是技术发展的必经之路，势在必行。
 

　　在智慧城市、智能交通等各大安防应用场景中，对重点目标，如人员和车辆，进行特征分析，并且完成数据的结构化，是人工智能技术最为成熟的应用。特别是在面向政府(ToG)的各个大型安防城市项目中，人脸识别、车牌识别、视频结构化等典型AI算法已成为标配，产生了良好的社会效益。这些头部应用的成功，使得人们对人工智能技术在安防各行业的拓广有了更多想象和试验的空间，行业期望在更多的社会场景中，如政法、城管、校园、医院、工地、景区等等，全面推广AI，能够完全代替人工，大幅提高生产力。
 

　　另一方面，安防行业在传统上就是一个具有长尾效应的碎片化市场，强调个性化与客户需求， 大到城市宏观治理，小到单元楼宇监控，应用场景复杂多变, 不同应用下的安防侧重点大相径庭，场景碎片化局面形成已久。因此，智能的泛化需求叠加在碎片化的场景之上，使得当前各细分安防市场的AI应用层出不穷，呈现出了百花齐放的局面。
 

　　不仅如此，在每个AI+安防的应用实践中，我们所需要的智能功能已经越来越细，例如，在一个复杂的人像平台中，不仅要做大规模的人脸识别，还要有各类人脸的属性分析，以及人脸饰物的检测识别，还会增加对人体特征的提取和人体比对、人员再识别的应用；不仅有人员衣着的分析，还要给出人员行为姿态描述；
 

　　在一个车辆分析系统中，不仅需要对车辆，车型，车色等基本属性的分析，更增加了对车内饰物，驾乘人员，非机动车各种属性，是否载人等多种特征的分析；
 

　　又如在城市精细化运营的应用需求中，要求运用AI分析技术，对垃圾溢出、井盖异常、游摊经营、乱挂衣物、广告屏损坏、路面破损、道路积水、施工占道等多种环境秩序问题进行细化检测。
 

　　这些对感兴趣目标的细致入微的分析，提供了更多，更精准的人员与车辆个体，和环境特征的刻画，大大拓宽了AI在各种实际应用的技战术方法。
 

　　面对精细化和碎片化的AI应用，安防厂商普遍期待的AI安防项目标准化变得更为困难和不切实际，非标准的安防项目整体研发和执行周期长、产品和服务方案的复用率低，项目成本高，特别是大规模应用时，由于AI算法本身也还在持续不断的迭代，算法更新更延长了交付时间和运维成本。因此，通过软件解决，由软件来定义安防产品，已经成为了明显的趋势。
 

　　相比硬件而言，软件具有高可扩展性，可持续集成，可持续部署的应用优势。首先，在系统层面，安防厂家应尽可能将AI产品设定成通用平台+定制化开发的模式。
 

　　其次，要真正实现新的AI应用和平台脱钩，实现算法版本的不断迭代，而不影响整体智能平台的正常运维，需采用更加先进的软件设计架构，如当前流行的微服务架构，通过将功能分解到各个离散的服务中，实现对整体AI解决方案的解耦，降低系统的耦合性，并提供更加灵活的服务支持；
 

　　最后，围绕安防业务领域组件，来创建各定制化的AI应用，这些AI微服务可独立地进行开发、管理和迭代。通过容器的方式，在通用平台中部署、管理和服务功能，使产品交付变得更加简单。
 

　　AI+安防之算力：研发自主可控的AI芯片，国产化算力替代势在必行
 

　　AI智能化水平的提高依赖于算力的快速增长，而AI算力的基本载体是一颗颗高度集成的芯片。随着以AI+安防为代表的智能应用不断推广，AI算力需求平均三四个月就会翻一番，已经远超芯片集成摩尔定律的增长速度，在已经与AI深度融合的安防行业中，AI芯片的快速迭代需求尤为迫切。
 

　　而另一方面，近年来美国企图遏制我国科技产业的发展，对华实施技术封锁，已经断供了我国各大安防龙头企业的芯片供给；特别是美国对我国上游国产芯片生产企业的直接制裁，使得国内安防芯片的生产中断，各下游安防企业处于无芯可用的困难局面；
 

　　在此背景下，研发生产自主可控的AI芯片，保障AI芯片供给，关乎着我国安防行业的命脉，已经成为当前AI+安防最重要的课题之一。
 

　　现代化的安防终端设备上所使用的AI芯片用量极大，以智能网络摄像机内的核心SoC为例，根据IHS相关数据估算，2020年安防SoC芯片市场规模约为31亿元，2023年有望达到42亿元，年复合增长率为13.4%。在国外芯片断供，国内龙头芯片生产企业受禁的当下，国内各芯片厂家均看到了这一广阔真空地带，快速推出了多款具备AI算力的安防SoC芯片；大量的创投资本涌入，也孕育出若干颇具潜力的安防芯片公司，一时间国产安防终端芯片出现了熙熙攘攘的繁荣局面。
 

　　但是，SoC系统芯片设计复杂，集成度极高，在单颗SoC芯片内除了具有一定算力的AI加速引擎之外，还集成了视频采集，ISP，编码器，DSP等多种不同的功能组件，每个组件均必须具备出色的性能，才能构成一颗优质的SoC系统芯片。此外，如此复杂的芯片，又受限于端侧芯片的封装面积，功耗和散热的限制，需要28nm以下，甚至是7-10nm的先进半导体工艺，这些对半导体设计企业提出了极高要求。不仅如此，AI加速引擎的软件工具配套，需要大量的软件开发人员，相应的设计厂家还必须具有高超的软件设计能力。
 

　　目前来看，国产终端侧AI芯片，良莠不齐，在AI算力提供上，介于0.5Tops到8Tops之间，差别很大；各功能组件依赖与IP设计提供商，不具备对安防场景的定制化能力，缺少直接有力的技术支持；AI加速引擎的软件工具链均不完善，对深度学习网络的量化和优化支持不足，各厂家的加速引擎开发软件也完全不具备通用性。诸多问题，不仅使得AI算法在端侧的开发周期迟滞，部署实现困难，甚至出现了AI迭代产品的各项性能指标倒退的状况。
 

　　在智能云侧的AI芯片，则以通用图形处理器(GPU)为算力代表，作为横跨图像显示、视觉计算和人工智能计算的通用平台，GPU拥有巨大的市场前景；特别是随着人工智能技术的发展，GPU作为AI核心算力基础，在科学计算、自动驾驶、智能分析、大数据等云端计算领域有着海量的应用空间。目前，国产GPU芯片设计厂家也不断涌现出来，正招兵买马，力求替代国外先进GPU芯片算力。
 

　　尽管如此，目前的国产GPU虽然可满足目前大多数图形应用需求，但在科学计算、人工智能方面仍然和国外领先水平存在较大差距，特别是国际上GPU的领头企业已经对AI算力的开发生态耕耘多年，很多深度学习的加速库都是基于其底层加速，并且是与其特定硬件深度绑定，这成为了国内新兴GPU公司难以撼动的壁垒。GPU芯片的竞争不仅仅是简单的半导体设计之争，更是AI算力的生态之争。国产AI芯片企业在努力提升产品性能同时，更需关注芯片生态的建设和完善，在进行GPU芯片推广时，不仅要强调芯片的高超性能，还要强调对应AI支撑软件的易用性，兼容性和可移植性。
 

　　由上可见，无论是在边端还是云端，国产AI芯片的开发设计还任重道远, 其软硬件基础技术在功能、性能、成熟度等方面与国外同类型产品存在一定的差距，生态尚不完善。
 

　　当前，全球半导体产业供应链的局势仍然异常紧张，部分安防芯片供应短缺影响，安防设备普遍涨价，业内人士估计这一周期将会延续到2022年底，这一深刻教训已经警示我们，忽视对制造业的关键领域中核心科技的掌握，必然受制于人，行业的持续性健康发展难以为继。我们必须在AI芯片方向迎头赶上，加大投入，快马加鞭，实现国产化算力的真正替代。
 

　　目前，国家各有关部门正大力推进各个信息技术应用创新(信创)项目，信创产业发展是一项国家战略，也是当今形势下对国家经济发展的重要保障。各信创项目从国产化的人工智能、云计算、软硬件安全等方面推进行业的创新发展，提升信息安全管理的技术防护能力，已经成为促进安防行业产业链平稳有序发展的关键。安防行业各厂家必须尽快拥抱信创项目，大量开发、采购和使用信息技术应用创新名录中的厂家的人工智能设备，从根本上摆脱AI算力对国外技术和产品的依赖。
 

　　AI+安防之算法：向低层次图像处理拓展，向小样本自训练延伸
 

　　人工智能算法是AI+安防的根本原动力。我们可以按低层次，中层次，和高层次三个级别对AI算法在安防中的应用进行分类：
 

　　低层次的AI算法，主要对监控视频图像在像素级别进行各种加工修复，以改善视觉效果、突出有用信息，或是通过有效编码以减少对其所需存储空间或传输带宽的要求；
 

　　中等层次的AI算法，主要对视频图像中感兴趣的目标进行检测、分割和分析，从而建立对感兴趣目标的客观描述；
 

　　而高层次的AI算法，则是在中级AI算法的基础上，进一步研究视频图像中各目标的性质和它们之间相互的联系，得出对视频图像内容含义的解释，从而真正达到智能理解场景，指导人工行动的目的。
 

　　过去大量的AI+安防算法，主要集中于中高层次的图像分析与理解而忽视了低层次图像处理这一方向；
 

　　但是，视频图像中的丰富信息，能否准确完整的呈现给用户，一直是以视频为主要信息载体的安防应用的根本追求。例如，视频监控成像受限于环境光线，在白天可以提供清晰、色彩还原度高的影像，然而在低光照的夜间环境下成像质量大幅下降，而夜间却正是*分子作案的高发时段，所以低照成像技术是安防应用的关键点。
 

　　近两年来，低层次AI图像增强、超分、恢复等算法，已经开始得到了业界的重视。如最近出现的AI超微光算法，就是针对这一低层次图像处理要求，运用神经网络完成输入图像到输出图像端到端的非线性映射，通过对应用场景目标图像要求的提炼，针对性的进行数学建模，在提升图像亮度的同时，还能充分还原物体颜色与纹理等细节信息，完全革新了传统夜视监控产品的成像技术；又如由AI加持的ISP技术，已经在多个安防厂商的产品中开始出现，并且开始在芯片设计层面逐步替代传统ISP算法链；此外，利用AI算法进行编码器的性能和压缩比优化，也是近来学术界和工业界研究的一大热点。
 

　　需要指出的是，这些底层的AI 算法，需要进行大量的图像数据计算，因此，正是近年来边缘侧算力的巨大提升，推动了低层次AI算法在安防行业的爆发。
 

　　另一个安防智能算法发展的趋势，是力图摆脱对大规模海量数据的依赖。毫无疑问，基于深度学习的现代人工智能算法，在原理上需要大量的数据进行训练。但是，随着公众对隐私认知的提高，我国对于个人信息的保护力度不断加大，先后密集出台了一系列的法律法规、国家标准文件以及其他规范性文件，以前各安防厂家对数据予取予求的状况已经不复存在。
 

　　而与此同时，由于场景的碎片化和需求的广泛化，对特定数据的大量采集和标定，一则需要大量的人力物力，二则需要漫长的数据准备和清洗时间，这与和希望敏捷部署的AI应用需求格格不入。因此，是否能仅利用少量带标签的数据来训练得到一个可用的深度学习模型，已经成为AI算法能否在安防行业进一步深入发展的重要问题，引起了学术界和工业界的高度关注。目前，学术界中较为前沿的小样本学习，弱监督学习与自监督学习方向，均已经开始在各安防AI算法中率先得到应用，各种不依赖海量数据训练模型的方法正被大量试验；例如，可利用先验知识来增强监督数据；可利用先验知识来缩小模型假设空间的大小；或是利用先验知识来改进最优假设搜索等等，这些新的AI算法思路，都已成为各安防厂家重点研究的对象。
 

　　为了进一步减少对数据，特别是敏感数据的需求，在AI算法的工程部署上，不少安防厂家也提出了另一种新的思路，就是设计一个自学习平台，与只用少量样本训练完成的AI算法，一同部署到用户现场；在现场，直接利用自学习平台和敏感的用户数据，闭环进行学习，持续对算法进行迭代，这一方案，即避免了数据的无序泄露，又能保证算法对现场实际场景的适应性，正逐渐得到部分对数据安全要求极高的用户的认可。
 

　　总结
 

　　安防行业作为AI最先得到广泛应用的领域，经过这几年的迅猛发展，已经进入了一个稳健的成熟期。可以看到，AI产品已是诸多安防项目中的基本配置，没有AI的视频监控系统基本被淘汰，另一方面，AI+安防所面临的技术挑战和困难也非常严峻，需要所有的产业上下游人员一起努力，顺利完成继高清化和网络化之后的第三次安防技术变革。