安防市場的快速增長，給視頻監控技術提出了新的需求，促使視頻監控技術從“高清化”往“智能化”發展，究其原因，既有技術因素(數據、算力和算法)的驅動，又和國內的政策引導息息相關。

　　海量數據成優質訓練場

　　數據是人工智能的原材料，沒有原材料就好比“巧婦難為無米之炊”。人工智能是非常消耗大數據儲備的“監督性學習場景”，要有足夠多的量才能滿足訓練數據的需求。

　　視頻監控高清化進程使得圖像分辨率從D1發展到 720P、1080P 再到 4K，同時市場上高清攝像頭的比例也在擴大，每日產生的視頻監控錄像的數據量就可達到上千PB，累積的歷史數據就更為龐大了，而且其中99%以上都是非結構化數據。

　　這些海量的數據一方面為視頻監控人工智能化的數據訓練工作提供優質的資源；另一方面，面對如此巨大的數據量，如果再采用過去簡單的人海戰術進行檢索和分析，已經很難滿足新時代的安防工作需求。在此情況下，智能安防成為解決問題的唯一途徑，也就是要通過將非結構化的圖像信息轉換為計算機能夠理解的結構化數據，并利用人工智能技術，實時分析視頻內容，將這些海量的視頻數據轉化為有效的數據，以提高監控系統效率。

　　深度學習日漸成熟

　　在人類有史以來積累的大數據中，85%以上是視頻和圖像數據，因此人工智能的核心之一是視覺智能。而深度學習算法的應用，使得計算機視覺技術得到了突破性的發展，從而也突破了視頻監控的許多應用限制，使其應用范圍日益廣泛。

　　在深度學習算法成熟之前，傳統的計算機視覺算 法主要采用特征識別的方法，通過人工定義的特征參 量來對圖像進行分類和識別。當需要區分的圖像類別增加，或者圖像的內容更加復雜時，特征識別方法需要引入大量的參數，并且需要對模型不斷地進行微調，其 實現難度急劇增長，因此這種方法的識別效率和準確度都存在瓶頸。在實際應用中，傳統的特征識別方法可以實現諸如交通卡口的車牌號識別、入侵檢測、逆行檢測等簡單功能，但是在人臉識別、行為識別等領域一直沒有形成有效的解決方案。

　　深度學習算法通過設置多層神經網絡結構，讓算法自行尋找和調節中間參量來進行大規模訓練。自2006年以來，深度學習算法取得了重大突破，在隨后的10多年里，憑借互聯網發展帶來的大數據資源、算力的快速提升、巨頭公司的基礎框架開源等有利因素，基于深度學習的計算機視覺算法性能也快速提升。在ILSVRC圖像分類比賽中，2012年的深度學習算法將識別錯誤率降到 15.3%，2015 年微軟更是將識別錯誤率降到3.6%，已經超過了人類5.1%的識別水平。在人臉識

　　別領域，深度學習算法在 LFW 競賽中已經達到了99.83%的識別水平，也超過了人類99.2%的識別水平。因此，深度學習算法的成熟為計算機視覺領域帶來了革命性的進展，在安防領域利用計算機視覺來實現人工智能已經具備了先決條件。目前，人臉識別、車輛識別、行為識別等功能已經突破應用門檻，實際的應用場景和應用方案也都在不斷擴展。

　　算力承載大幅提升

　　1999年，英偉達首次推出GPU架構。相比CPU，GPU 擁有大量的邏輯單元，更擅長處理海量數據，因而被應用到深度學習領域中。2006年，英偉達又推出CUDA編程工具包，CUDA框架使得GPU可以通過更簡單、有效的接口和開發者進行交互，使得開發者可以充分利用 GPU 的運算資源，進一步提升 GPU 架構的性能。

　　從目前的實際應用來看，安防領域的數據是以圖像視覺數據為主，其數據量大，并且數據層次非常復雜，因此能夠充分發揮GPU圖像處理以及高性能計算的特點。GPU作為專為圖像處理設計的處理器，能3D模型的信息轉換為2D數據，即實現視頻圖像的結構化處理；而且，隨著 GPU 的快速發展，在浮點運算、并行計算等部分，GPU可以提供數十倍乃至上百倍于CPU 的性能，相比 CPU，GPU 能將程序運行的時間從幾周降低到一天。所以說，算力的成熟使得深度學習強大的數據表達能力得以體現。

　　政策東風加碼

　　政策層面，國務院印發《新一代人工智能發展規劃》，提出了面向 2030 年我國新一代人工智能發展的總體要求、重點任務、資源配置、保障措施等。智能安防會作為人工智能產品創新的重點應用推廣領域，實施智能安防推廣工程，鼓勵安防企業與互聯網企業開展合作，研發集成圖像與視頻精準識別、生物特征識別、編碼識別等多種技術的智能安防產品，推動安防產品的智能化、集約化、網絡化。

　　在國家政策的支持下，“感知互聯、數據驅動、云端共享、智慧應用”將是未來安防行業的發展方向，物聯網、大數據、視頻結構化、生物識別及人工智能等技術將融入到安防行業整體解決方案中，推動國內安防智能化的快速發展。

?

（轉自中國安防行業網）