不但要看見 還得能看“懂” 安防需要充“智”了！

幾十年前，一個警衛外加一條土狗基本上構成了大多數廠房、倉庫安防的“標準配備”。隨著人工逐漸被機器取代，大量的攝影鏡頭、錄影機（NVR）、紅外探測器等設備被投入到公共及私人的安防系統中。然而，機器肯定不是萬能的，這些安防設備不僅一次次在電影中成為 “出包”的對象，其中的橋段，還被一些法外之徒有樣學樣搬到了現實中，一把鉗子、幾塊口香糖就能將其輕鬆破解。在一個幾乎什麼都要帶些智慧的現代社會，安防也是時候痛定思痛，來一波智能化的升級改造了。

傳統安防面臨的痛點

“看”不過來

在城市公共場所中，人流密集、人口流動量大是監控系統面臨的一大難題，在這些區域很難做到全方位的覆蓋以及準確定位。此外，在一些大型會議、活動舉辦時期或節假日內，所在區域的人口流動量會瞬間擴大也會增加安防監控的實施難度。

被動“防守”
傳統的監控系統多偏向於事後回應，缺少事前主動出擊和主動預防的能力。工作人員通常只能在事後調閱監控錄影機中儲存的錄影，利用大量的人力對其進行逐秒逐幀的分析，好比在一本沒有目錄的書中查找幾行文字，對於已經習慣用搜尋引擎的我們，這樣工作的效率和難度可想而知。

佔資源
視頻資來源資料量大、利用率低也是目前傳統安防亟需智慧化的主要原因。2020年全球視頻監控產生的資料約為18.1PB (1PB=1024TB)，如此龐大的資料佔同期物聯網資料量的83.1%。然而在實際應用中，由於各種人力和技術條件的限制，這些資料的利用效率依然很低。如今，搭建基礎的視頻監控網路和基礎設施並不難，難的是如何利用這些資料為安防業務提供既快又準的支援。

資訊孤立
資料孤島是整個智慧城市建設中避不開的議題，也是安防智慧化升級需要突破的問題。傳統的安防體系中，各個管轄區域、各平臺系統之間，無論是硬體匹配還是平臺架構之間都有難以填平的溝壑，在規模聯網和智慧化改造中，工程實施難度和成本都成為了棘手的問題。

傳統安防技術的侷限性越來越突出，各行業對安防技術應用場景也有不同的要求。受益於人工智慧（AI）和物聯網（IoT）等新技術的實現，安防產業也迎來和AI牽手的契機，視頻識別、人臉識別等機器視覺技術得以在安防場景中應用。尤其在疫情之後，包括園區、辦公樓宇帶來了新一波人臉識別需求，也加快了智慧安防落地和成熟的速度。AI賦能安防也成為眾多技術領域熱衷的方向。

傳感升級

人們通常會用眼睛與攝影鏡頭進行類比，雖然這個“要求”在現在看來仍然很高，但也為攝影鏡頭的智慧升級提供了參考的方向。眼睛的作用首先要能看見和看清，我們也見證了視頻解析度從720P到1080P、2K、4K的不斷升級。但是高解析度卻並不是“看清”的充要條件，一旦環境條件沒法滿足要求，這些數字也成了虛標的參數。要讓攝影鏡頭更加主動地“看清”，便需要攝像頭的圖像感測器(CIS)完成一系列的智慧感知功能。

在安防應用中，對於成像的清晰度以及場景覆蓋率的要求將會持續提升，除了在光照良好的白天能夠提供細節清晰、色彩逼真的圖像資訊外，晨昏及夜間等光線複雜的環境對CIS夜視性能的要求也更為嚴苛。因此，圖像感測器的暗光成像、產品性能、色彩表現力以及近紅外成像性能也成為安防智慧化落地的基礎技術條件。

機器視覺

傳統的安防系統，導致效率低的一大原因就是錄影機幾乎是以“無腦”的方式將攝影機拍攝的畫面存儲下來，雖然畫面的解析度在不斷提升，存儲空間也在一直擴容，但是所獲得的更多是“高品質”的無效資料。要提高效率，就得為系統增加一層智慧分析的環節，藉助分析系統的計算能力，對大量資料進行分析、篩選、處理，以提取人們需要的資訊。

機器視覺技術的應用為安防行業帶來了新的改變。機器視覺的主要目標是使計算機具有通過二維圖像認知三維壞境資訊的能力，從而處理三維環境中物體的形狀、位置、姿態、運動等幾何資訊，在其門類下也衍生出了目標識別、目標追蹤、雙目技術、多球機跟蹤聯動技術等。機器視覺提供的分析功能，讓安防系統實現“看懂”成為了可能。比如，它可以與影像處理技術相結合，設計出即時監控系統，該系統在監控錄影的同時就可以通過機器視覺技術，增加視頻變化檢測和自動錄影功能，能夠同時做出識別場景、發出警報等功能，實現了從被動到主動的根本性提升。

數據即時處理

在對資料進行AI分析的過程中，即時和近即時的資料處理能力是必不可少的，這往往要求系統在智慧邊緣平臺就要開始進行AI的推理和識別。目前這些分析推理過程主要是在圖像/視覺處理器和視頻處理器晶片中進行，要實現資料“就地處理”，就需要各模組之間能夠協同運行。首先，有效資料要經過ISP獲得清晰的圖像資料，接下來讓NPU（神經網路處理器）對資料進行即時計算。這時，端側的算力的大小就決定了它能夠實現多少功能。例如，當端側算力達到1.5T時就可以滿足同時運行3到5種演算法的需求，進行人臉檢測、識別、跟蹤等功能。為了能使端側具有足夠的AI算力，在性能上需要SoC有很強的集成能力，包括ISP、NPU、視頻編解碼等模組。

目前市場上的邊緣計算大多面向的是4-16路的視頻分析處理，例如車路協同、加油站等，或是支持200路左右的小型資料中心，例如採油廠、變電站等場景。在這些場景中，資料的即時處理能力對於使用者的資料隱私保護以及節約成本和節能方面起到很大的幫助。

高算力性價比

專業的人幹專業的事，這是一條適用於各個行業的真理，在智慧安防的AI計算中，採用專門的AI視覺晶片相比於通用的CPU/GPU便能夠得到更優的計算性能、高效、低成本等諸多好處。
以一家國內的AI視覺晶片為例，在一個使用100台AI伺服器來處理25000路視頻分析的資料中心場景中，如果採用AI專用且算力性價比更高的資料流程AI晶片，能在實測算力上高出4倍以上的性能。這就意味著，同樣一個應用達到相同的性能，從原來需要100台AI伺服器減少到只需要25台，為資料中心帶來了70%以上的成本降低。這筆合算的“經濟賬”也保證了智慧安防不僅是一次需求上的更新換代，在商業上也具有很大的潛力。

近幾年，“AI+安防”在B端企業和C端個人安防市場需求逐漸擴大。相關資料顯示：2020年中國AI+安防軟硬體市場規模為453億元，預計2021年達到542億元，同比增長19.5%。在這條新賽道上，玩家們比拼的不僅僅是自身擅長的看家本領，而且還得能夠實現多種技術的跨門類、跨行業融合。

看來，想要“安全感”十足，也一定少不了考慮要“周到”。