中国安防为何世界最强？中科院AI+安防报告解密8大趋势和8大限制【附下载】 智东西内参

  传统的安防企业、新兴的 AI 初创企业，开始积极从技术各个维度拥抱人工智能，在模式识别基础理论、图像处理、计算机视觉以及语音信息处理展开了集中研究与持续创新，探索模式识别机理以及有效计算方式，为解决应用实践问题提供了关键技术，具备了原创性技术的突破能力。

  很多企业推出了系列化的前后端 AI 安防产品，理论上满足了许多典型场景下的实战应用需求。人工智能技术的慢慢的提升，传统的被动防御安防系统将升级成为主动判断和预警的智慧安防系统；安防从单一的安全领域有望向多行业应用、提升生产效率、提高生活智能化程度方向发展，为更多的行业和人群提供可视化、智能化解决方案。

  本期的智能内参，我们推荐中国科学院自动化研究所出品的报告《安防+AI 人工智能工程化白皮书》，系统梳理总结当前安防+AI 的发展现状，尤其重点分析指出了智慧安防领域存在的八大限制性因素，以及智慧安防的八大新的发展的新趋势，供学术界及实业界的学者、专家参考。如果想收藏本文的报告全文（安防+AI 人工智能工程化白皮书），可以在智东西公众号：（zhidxcom）回复关键词“nc302”获取。

  1、20 世纪 50 年代—80 年代： 形成了基本的人工智能，但还远远不及智能化水平。

  2、20 世纪 80 年代—90 年代末： 专家系统得到加快速度进行发展，数学模型有重大突破。

  3、21 世纪初—至今： 随着大数据的积聚、算法理论的革新、计算能力的提升， 尤其是深度学习技术的发展，机器实现了分析数据，拥有了自主学习的能力。

  得益于基础硬件的强化与软件框架的优化，使这一轮人工智能的爆发式增长得以实现。而基础应用技术的进一步研发则使AI从抽象技术实现了向可及性产品与服务的转变。

  这种产品化是建立在现在的三大技术框架之上的，分别是基础硬件层、软件框架层和算法框架：

  基础硬件层为算法提供了基础计算能力。涵盖GPU、 CPU、 FPGA、 ASIC。

  软件框架层实现算法的模块化封装，为应用开发提供集成软件工具包。该层涵盖范围有针对算法实现开发的各类应用及算法工具包，为上层应用开发提供了算法调用接口，提升应用实现的效率。

  算法框架是AI核心生态圈建立的关键环节， 是决定人工智能技术、产业、应用的核心环节，是AI核心生态圈建立的基础和关键。

  当前人工智能的商业化实现主要是基于计算机视觉、智能语音、自然语言处理等基础应用技术实现，并形成了相应的产品或服务。

  目前国内外AI企业应用的技术主要是计算机视觉和智能语音语义两个方面。

  人工智能被认为是第四次工业革命的主要推动技术，获得了各行业的极大关注。 为了抓住 AI 发展的战略机遇，慢慢的变多的国家和组织已经相继制定国家层面的发展规划。

  中国格外的重视人工智能发展， 2015 年后密集发布人工智能有关政策和规划。

  在人工智能应用领域，我国智慧安防领域走在了世界的最前沿。在国内众多关于人工智能的政策、发文、规划中多次提到将人工智能技术应用于公共安全领域，进行技术创新、产品和应用创新，同时有关部门也提出并发布了在视频监控应用中基于AI的视频图像处理技术标准。

  全球 AI 相关这类的产品业规模庞大。 据中国人工智能学会和罗兰贝格咨询公司预测， 2016 年至 2025 年，全球AI市场规模年均增速超过 40%， 2025 年将达到 3 万亿美元。

  在这个技术大背景之下，我国人工智能产业初具优势。中国电子学会公开数据显示， 2017 年，中国人工智能核心产业规模已达到 56 亿美元左右，预计 2020年，中国人工智能核心产业规模将超过 220 亿美元，年均增速接近 65%。

  按照中国信息通信研究院的统计结果，目前中国AI市场主要由五个领域构成，按照市场规模从高到低分别为：机器视觉占比 37%，语音识别占比 22%，自然语言处理占比 16%，基础算法及平台占比 14%，芯片占比 11%。其中，由于近几年中国互联网娱乐、广告传播和公共安全视频监控市场的高速发展，计算机视觉市场规模以 37%占比大幅领先。

  在机器视觉领域市场构成中，安防行业以 67.9%占据大部分份额，这得益于中国公共安全视频监控建设的庞大市场。 随着高清视频、智能分析、云计算和大数据等相关技术的发展， 安防系统正在从传统的被动防御升级成为主动判断和预警的智能防御。 安防行业也从单一的安全领域向多元化行业应用方向发展，旨在提升生产效率、提高生活智能化程度，为更多的行业和人群提供可视化、智能化解决方案。 随着智慧城市、智能建筑、智慧交通等智能化产业的带动， 智慧安防也将保持高速增长。 预计在 2020 年全球产业规模实现 106 亿美元， 中国会达到20 亿美元。

  现阶段，智慧安防行业生态可为五个大类，分别是应用、技术、框架、平台、芯片。

  这里的基础硬件特别强调芯片厂商， 目前主要的 AI 核心芯片供应商如下图所示：

  GPU 主要应用在数据中心，其特点是产品上市快，缺点是功耗高。安防应用中， GPU 芯片基本被英伟达垄断。

  FPGA 在中心推理及数据中心也有较多应用，与 GPU 比， FPGA 的功耗优势明显。安防应用中， FPGA 主要厂家有 Xilinx、 Intel（原 Altera）等。

  ASIC 主要应用于端侧推理，由于端侧应用的多样性、复杂性以及对高性价比述求等原因， ASIC 厂家很多， 例如： 寒武纪、海思、地平线、比特大陆等，同时提供的方案也多。2018 年安防市场 ASIC 竞争非常激烈，下图是根据网络数据整理的各 ASIC芯片上市进度。 其中，海思的布局非常密集。

  软件框架技术仍掌握在亚马逊、微软、谷歌、百度等科技巨头手中，是深度学习人工智能的核心。

  算法框架是AI核心生态圈建立的关键环节。 实现算法的模块化封装，为应用开发提供集成软件工具包，包括针对算法实现开发的各类应用及算法工具包，为上层应用开发提供了算法调用接口等服务。

  安防行业的算法企业总体来说可大致分为两大类。第一大类是商汤、旷视、云从、依图、中科神探等 CV 企业；第二大类是海康、大华、宇视，也开始 AI 算法技术布局。随着各企业的投入进一步加大，视频识别算法准确率大幅度提升。例如人脸识别算法，在特定条件下，已达到很高的水平。

  此外， 在图像分类、物体检测等方面，计算机的识别率都已经远远超越了人类平均水平。

  除了传统的海康、大华、宇视、科达、天地伟业、东方网力等安防厂商外，CV 厂商和云平台供应商也逐步开始提供产品和行业应用。

  除了前文提到的云中心产品，各企业基本已完成边缘智能产品序列化。随着边缘和中心产品的丰富，用户开始对应用业务提出了更高的要求。从目前行业情况去看，无论是传统安防企业，还是 CV 和云平台企业，在业务应用上虽有部分提升，但仍以典型通用应用为主。

  随着 AI 在安防行业的渗透和深层次应用技术的研究开发，当前安防行业已经呈现“无 AI，不安防”的新趋势，各安防监控厂商全线产品 AI 化已经是当前不争的事实，同时也成为各厂商的新战略。随着 AI 在安防行业的深入落地， AI在安防领域尤其是视频监控领域的产品形态及应用模式也开始趋于稳定，安防行业的 AI 技术大多分布在在人脸识别、车辆识别、 行人识别、行为识别、 结构化分析、大规模视频检索等方向。

  安防行业的 AI 应用场景分为卡口场景和非卡口场景， 前者指光线、 角度等条件可控的应用场景， 以车辆卡口及人脸卡口为主； 后者指普通治安监控视频场景。 其中， 卡口场景约占监控摄像机总量的 1%-3%， 剩余的均为非卡口场景监控视频。

  人脸身份确认应用以公安行业人员布控为代表，在关键点位部署人脸抓拍摄像机，通过后端人脸识别服务器对抓拍到的人脸做多元化的分析识别，同时与人脸黑名单库进行比对。随着人员布控应用的增强，已经初显效果。例如近期的“张学友演唱会”抓获疑犯就是卡口场景确认的身份。

  人脸身份验证应用逐渐普遍。 常见的人脸白名单应用已经在很多行业落地，比如人脸门禁、人脸速通门、人脸考勤、人员身份确认等，大范围的应用于企业、各类园区等场景。 除实现基础的人脸识别应用外， 人脸门禁还可以有效的预防通过照片、视频等人脸假冒行为，切实保障出入口人员安全管控及日常人员管理等。

  车辆识别技术是公安实战中应用最成熟、 效果最明显的技术之一。借助遍布全国各地交通要道的车辆卡口，车牌识别使得“以车找人” 成为现实， 成功协助警方破获各类案件。 车辆识别技术已从初级的基于车牌的车辆识别应用阶段，发展到车型识别、 识别等精准的车辆识别应用阶段。

  在视频结构化分析与快速检索应用中，视频结构化业务功能是对视频中的机动车、非机动车、行人等活动目标进行分类检测； 同时提取目标小图和场景大图写入存储设备中，便于后续的快速查询及智能检索。通过视频结构化业务快速分析并提取出视频中感兴趣目标的特征属性信息，用户能高效获取案事件相关线索，促进大安防时代视频数据从看清跨入到看懂的阶段。

  行为分析可辅助安防应用。通过行为分析系统对人员的异常行为做多元化的分析处理，可应用于重点区域防范、重要物品监视、可疑危险物品遗留等行为的机器识别； 也可对人员的异常行为进行报警，极大提升了视频监控的应用效率。

  虽然人工智能技术快速的提升，但在产品化和实践应用中，依然存在很多问题。在过去几年，人工智能热度很高，但实际上只完成了“概念模型”的建立，尚未达到“有效利用”的理想效果。现阶段限制规模应用主要有八个因素：成本高昂、算法场景限制高、布点困难、网络和安全要求更高、深度应用不足、系统性顶层设计、 缺乏行业标准与评估体系和用户学习与组织保障成本更高 。

  成本高昂。当前，影响“安防+AI”产品解决方案规模化应用的因素有很多，成本高昂是众多原因之一。从一个典型中大型城市级公共安全视频监控联网项目各部分成本占比情况可以清晰看出成本是“安防+AI”发展的重要瓶颈。

  算法限制高。AI算法的泛化能力是模式识别问题长期面临的一个问题，也是现阶段的主要瓶颈。

  由于训练好的模型用在变化的场景中性能往往会显而易见地下降，因此在实际使用中，必须对场景进行严格定义，或者从设计上将智能算法定位为对指标不敏感的辅助功能。在很成熟的应用中，如智能交通中的过车及违章抓拍、机场车站的人证对比等，都需要具体的工程安装方案。这种做法在技术不够成熟的条件下有效实现了商业经济价值，但缺点同样明显：一方面，对已有设备的改造需要增加实施工程的成本，影响AI算法对传统应用的渗透；另一方面，也限制了获取有效素材的效率，影响算法指标的进一步提升。

  布点困难。人工智能往往有特定的场景要求，只有在特定场景下才能保持较好的识别率。进行人脸识别的摄像机，需要严格遵从公安部发出的政策标准，导致大幅度

  网络和安全要求更高。近年来，人工智能技术的蓬勃发展赋予了安防监控系统更加多样化的业务功能，将安防监控行业的市场空间进一步拓宽，使安防监控系统在各行各业得到普遍部署。但从风险角度而言，在 AI 与安防融合发展的进程中，将大量非结构化视频转化为可快速检索的结构化数据，一旦网络被攻击，数据泄漏后的损失将更为恶化；另一方面AI将大量视频、图片集中到云中心，对网络带宽提出了更高要求。

  深度应用不足。视频监控系统产生的数据量庞大， 而且日趋多元化，但现阶段存在一些数据的利用率低、真正解决客户实战问题的能力还有待于提高和基于结构化视频数据的深度智能应用尚处于初级阶段。

  系统性顶层设计。安防+AI 解决方案在传统安防的基础之上不仅对布点、 网络、存储等提出新的挑战，还在组成上多出了视图分析系统、 大数据研判系统、视图资源归档、 对外接口服务， 以及最重要也是必不可少的告警、审核、辅助研判及抓捕一系列流程配合。安防+AI 方案融入了更多的系统集成的同时，不论是前期的科学选点，还是后期的研判抓捕，以及组织、 流程保障等人的因素贯穿始终。因此， 安防+AI 解决方案有必要进行前瞻性、 系统性、 科学的顶层设计， 这是能否真正落地、取得丰富实战效果的前提。

  缺乏行业标准与评估体系。当前情况下， 安防+AI 算法、 产品及解决方案以企业标准为主， 应逐步建立面向实战应用的行业标准。鉴于人工智能技术快速的提升的现状，现阶段全面建立统一的行业标准有一定的概率会伤害安防行业的健康发展， 但安防+AI 算法、 产品及解决方案的评估体系应尽快构建。

  用户学习与组织保障成本更高。AI 产品方案在安防行业的落地，对用户来说：怎么样去使用好这样一套系统，让系统发挥出它最大的功效是一个全新的挑战，这个挑战不仅源于对颠覆原有以往任何技术方法的不断学习和经验总结，更来自于用户自身的组织和制度如何保障系统的有效运转。

  工程的科学布点。工智能的强场景化特点，决定了在智慧安防应用中，摄像机的使用位置、覆盖范围受到很大限制。相同数量的摄像机，在一个城市中的开放区域，安装于不同的位置，所能起到的作用显然是不同的。 一个智慧安防系统如何在有限的摄像机资源覆盖情况下，达到最优的防范效果？这就对系统方案设计、布点设计提出了更高的要求。

  产品的云端结合。目前安防系统中，常见的中心计算架构问题已日趋严重，大多数表现为网络传输带宽问题、 及时性问题得不到有效解决。边缘计算的出现有效缓解了以上问题。 云计算聚焦非实时、长周期数据及业务决策场景，而边缘计算在实时性、短周期数据及本地决策等场景方面有无法替代的作用。 这使得云端云端结合成为新趋势： 一些需要集中式处理的计算继续交由大型云计算中心，如大数据挖掘、大规模学习； 大量实时的需要交互的计算、 分析在边缘节点完成。 同时边缘计算也是云端所需高价值数据的采集终端，可以越来越好的支撑云端应用的大数据分析； 而云端通过大数据分析得出的一些业务规则也可以下发到边缘端，优化边缘端的业务决策。云计算与边缘计算分工协作，来满足智能时代爆发式的计算需求。

  AI 分布式计算。在智能应用场景中，存在空间和时间的不均衡性。空间不均衡性是指在不同场景不同地点，分析目标的密集度是不同的；时间不均衡性是指在同一个区域，不同时间的分析目标的密集度是不同的。因此，采用分布式计算架构将成为未来趋势。通过对全网的中心计算设备和边缘计算设备做统一的计算调度，可以轻松又有效地缓解问题，大幅度降低智能应用系统的整体建设成本。

  数据的多维应用。现今的智能监控系统慢慢的开始融合人工智能分析技术和物联网技术，采集和提取更多有效的多维数据。人工智能技术能够对视频内容做智能分析，将所有运动目标进行自动分离、自动分类， 并自动提取目标多维度的结构化数据及半结构化数据。 通过对历史数据的分析挖掘， 可以挖掘事件的内在联系， 识别出异常模式，从而提供实时报警服务；利用知识图谱技术， 可以挖掘人和人、人和事、事件和事件之间的关联关系，并进行深度推理，进而为重大事件提供决策分析， 提高预警的准确性和及时性。

  数据和网络安全。未解决安防系统中的安全问题，适应新的等级保护条例要求，主要在以下几点采用新技术、 新方案来解决安防系统中的安全问题。

  下一代人机交互技术。随只能技术在安防系统里的应用，产生的数据慢慢的变多，随之而来问题：如何让使用者快速看懂数据，也就是数据可视化的问题。安防行业下一代的人机交互， 展现上会朝着操作性和立体性更强的方面发展， 交互上朝着互动感更强方面发展，应用上朝着功能业务深度结合的方面发展。

  系统设计及项目实践能力不断的提高。智能业务应用的落地要建立在合理的成本控制、合格的实施工程质量、完善的数据整合和配套的管理机制之上。再由配套场景的算法、模型基于高效的计算框架将数据转化为可视化的用户业务，进一步驱动或辅助用户决策。因此，智能业务应用是一项系统工程，架构、算法、计算、数据、应用、工程、管理流程等缺一不可，要一直加强系统性顶层设计的能力，提高项目实践能力。

  非卡口存量视频逐步应用。据统计数据，中国一年有约 5000 万个摄像机需求，实际只有约 50 万个智能摄像机被有效应用，仅占 1%左右，而高达 99%的摄像机无法赋予“智能”属性。这在某种程度上预示着安防+AI 刚刚进入初级阶段。非卡口场景下AI算法的泛化能力是在安防领域落地的主要瓶颈之一。与传统模式识别方法相比，在大数据的支撑下，深度学习算法的泛化能力和复杂场景的适应性有了明显的提升。

  智东西认为， 智慧安防的技术基础和产品化已趋成熟，因此在下一阶段的命题就是如何系统化规模部署。挑战与机遇并存，从技术方法的不断革新到产品形态的成熟落地，智慧安防仍然面临众多难题，诸如成本高昂、工程化布点困难、算法场景局限大、缺乏深度应用、缺乏系统性顶层设计、缺乏满足实战应用的行业标准与评估体系等。能够在多大程度上解决这样一些问题，关系着智慧安防产品和方案能否真正的落地生根。