在安防領域中，數據的主要來源是監控視頻，也有部分音頻、雷達、激光等數據;需要提取的信息主要包括感興趣目標、事件、統計特征等;智能分析技術負責建立從數據到信息的映射關系。

智能分析可以看作是一個將數據轉化為信息的模塊。近兩年，圍繞深度學習技術，人臉視頻結構化描述、車輛視頻結構化描述等復合型智能分析算法開始在安防中應用，而且越來越成熟、廣泛。

智能分析在安防領域的應用

在安防領域中，數據的主要來源是監控視頻，也有部分音頻、雷達、激光等數據;需要提取的信息主要包括感興趣目標、事件、統計特征等;智能分析技術負責建立從數據到信息的映射關系。由于數據主要由視頻構成，所以智能分析技術中常用的算法也以計算機視覺領域的算法為主，如前背景建模、目標檢測、分類、識別、跟蹤、特征點提取、匹配、運動估計等等。

智能分析技術可以代替人力，從視頻等數據中提取出客戶感興趣的信息。安防監控中，智能分析技術通過電子警察、人臉識別、人數統計、自動跟蹤球機、主從跟蹤球機、視頻質量診斷服務器、智能視頻濃縮、車輛二次分析等產品，應用在智能交通、安防、公安刑偵、電力、金融等十一個大行業。

隨著軟硬件技術的發展，智能分析技術早已不局限在安防領域，而是成為人工智能領域的關鍵技術。在智慧城市、智能家居、平安城市、物聯網、虛擬現實、機器人等代表最新科學技術發展水平的領域中，智能分析技術都發揮著非常重要的作用。

在這樣的形式下，安防企業迎來了巨大的機遇和挑戰。一方面，安防企業對智能分析技術一直非常重視，也取得了很多成果，由于擁有海量的視頻數據，在發展大數據、深度學習、云計算等技術時具有一定優勢，可以憑借智能分析相關軟硬件技術的積累，向其它領域擴展業務。另一方面，新的領域也將帶來更多的投入和競爭，如何通過合理的規劃來迎接這些挑戰，是需要不斷思考的問題。

前后端智能分析的關系

智能化作為現代安防發展的趨勢之一，智能前置VS后端智能分析一直是行業備受爭議的兩個方向，兩者的主要區別是：由于前端設備(主要是相機)內的空間有限，再加上功耗、成本等因素的限制，智能前置會受硬件計算資源限制，只能運行相對簡單的、對實時性要求很高的算法;而后端智能分析(如智能分析服務器)通常可以根據需求配置足夠強大的硬件資源，能夠運行更復雜的、允許有一定延時的算法。

筆者認為這兩者其實不是對立與競爭的關系，更多的是一種合作關系，合作的目標是為客戶提供性價比更高的智能解決方案，具體過程是根據前端與后端的設計特征，將解決方案的執行過程予以分解，在滿足智能需求的前提下，使資源利用得最充分。

從另外一個角度看，智能前置與后端智能分析包含著明顯的轉化關系，隨著芯片技術的持續發展，已經有很多智能算法在前端實時運行了，如進入/離開區域、越界、徘徊、停車、人員聚集、快速移動、物品遺留、物品拿取、人臉檢測等。在intel最新的movidius芯片中，計算能力大幅提高，一些基于神經網絡的智能算法也將在前端完成，而這在前幾年幾乎是不可能實現的。

對于兩者的未來，我認為在很長一段時間里兩者仍會共同存在，相互配合地滿足客戶的需求。隨著芯片技術的發展，會有越來越多的后端智能算法轉變到前端運行，但同時也會有更復雜更高級的智能算法被研發出來，并依托于后端設備運行。

智能算法存在的問題

智能分析算法受實際場景影響較大。算法在設計的時候，需要對問題進行建模，這些模型是對場景的抽象和近似，由于實際場景非常復雜，單一的模型無法準確描述，就需要假設場景滿足某些約束條件，如果這些條件與實際場景不符，算法的性能就會下降。現在，深度學習技術的研究有望緩解這一問題，該技術在訓練模型參數的階段使用了海量數據，相比傳統機器學習方法，包含了足夠多的場景，并且直接建立從數據到信息的映射，對約束條件的依賴較少。但是，短期來看，基于深度學習的算法仍然無法從根本上解決算法對實際場景的依賴。

智能分析算法在整個智能方案中的重要性需要轉化為引導作用。在大部分智能化產品的設計過程中，已經認識到了智能分析算法的重要性，但是，留給算法使用的資源卻很有限，如計算資源不足，目標在圖像中的分辨率不夠等問題，最終體現出來現象就是算法準確率、實時性等指標達到不預期。隨著智能分析重要性的提升，尤其是客戶對智能分析結果的要求越來越高，算法需要在整個方案中發揮一定的引導作用，在軟硬件的設計過程中，將滿足客戶的智能需求作為共同的目標。

此外，某些智能分析算法的性能與安防行業的具體要求間也存在著一定差距，如算法準確性、實時性、魯棒性、環境適應性等等，但這些指標的提升是長期的，需要相關領域的人才一起努力來完成。

智能分析與人工智能

作為強化智能分析的手段，人工智能在近一年表現搶眼，已經有很多安防企業開始投入資源開發基于深度學習技術的算法、產品，深度學習和大數據為智能視頻分析技術的發展帶來兩大方面的提升。

首先，提升了智能視頻分析中很多機器學習算法的準確性，例如，在國際權威人臉識別公開測試平臺LFW(LabeLEDFacesintheWild)上，排行前列的算法精度都已經超過了人類的識別精度。其它如車系識別、人數統計等算法中，深度學習算法的表現也遠遠超過了傳統的機器學習算法。

其次，深度學習和大數據技術直接建立了從數據到目標模型的映射，不再需要人工選擇或創建特征集來描述目標。這種特點一定程度上降低了機器學習領域的門檻，也幫助一些以前很難人工建模的問題得以解決，促進了相關技術應用的發展。但同時，深度學習的訓練過程需要海量數據，需要計算能力足夠強大的硬件，深度學習算法本身的升級則需要更專業的人才能完成，這些因素也帶來了新的挑戰。

智能分析技術將以解決方案的形式獲得更快速、更廣泛的發展。在很多人的印象中，智能分析技術可能是一個算法上的概念，但如果傳感器提供的數據、用于計算的芯片性能都不理想，那么只靠算法，對最終結果的提升作用是有限的。所以，現在很多智能解決方案中都包含了更豐富的傳感器與更強大的處理芯片，一方面，智能分析算法需要硬件方案提供輸入的全景視頻信息;另一方面，多目拼接相機中的實時拼接算法、與球機進行聯動時的高精度標定算法等，也是硬件方案中的關鍵部分。同樣，芯片技術也是智能解決方案中不可或缺的。

過去幾年，安防龍頭企業成功地從產品營銷升級為解決方案營銷，隨著算法、芯片、多維傳感等技術的不斷發展，必將推動智能解決方案快速發展。

注：文章內容和圖片均來源于網絡，只起到信息的傳遞，不是用于商業，如有侵權請聯系刪除！