人工智能技术将成安防下一阶段新热点

在IT技术支撑起来的安防行业当下，网络化、高清化日益普及，唯有智能化这一概念仍在嘲笑行业的低应用，从当前的主流厂商提出的概念分析，如DT1.0、超感IPC、感知型摄像机等都在证实，智能化是视频监控网络化与高清化之后新的竞争热点。这也是安防行业一直在追求的目标将被动防御变为主动预防，因此安防亟需寻找新技术突破智能化的最后壁垒。

在实际的困境中，各级政府大力推进“平安城市”建设的过程中，监控点位越来越多，从最初的几千路到几万路，甚至于到现在几十万路的规模，视频和卡口产生了海量的数据。尤其是高清监控的普及，整个安防监控领域的数据量都在爆炸式增长，依靠人工来分析和处理这些信息变得越来越困难，已无法简单利用人海战术进行检索和分析，需要新的智能化技术作为专家或助手，实时分析视频内容，探测异常信息，进行风险预测，以最高效、最直接的方法提升摄像头的性能，让它变得更智能。因此安防本身业务应用的需求决定了安防人工智能市场的潜在需求巨大，

在安防领域，视频监控系统作为面向城市公共安全综合管理应用中智慧安防和智慧交通的重要组成部分，面临着深度应用的巨大挑战。其应用的瓶颈是视频数据的非结构化现象。因此在大数据时代，利用视频结构化描述技术实现视频图像结构化数据提取，将是行业应用单位实现安防大数据应用的重要基础建设。

视频结构化技术是融合了机器视觉、图像处理、模式识别、深度学习等最前沿的人工智能技术，是视频内容理解的基石。视频结构化在技术领域可以划分为三个步骤：目标检测、目标跟踪和目标属性提取。

目标检测过程是从视频中提取出前景目标，然后识别出前景目标是有效目标（如：人员、车辆、人脸等）还是无效目标（如：树叶、阴影、光线等）。目标检测过程主要应用到运动目标检测、人脸检测和车辆检测等技术。

目标跟踪过程是实现特定目标在场景中的持续跟踪，并从整个跟踪过程中获取一张高质量图片作为该目标的抓拍图片。在目标跟踪过程中主要应用到多目标跟踪、目标融合以及目标评分技术。

目标属性提取过程是对已经检测到的目标图片中目标属性的识别，判断该目标具有哪些可视化的特征属性，例如人员目标的性别、年龄、着装，车辆目标的车型、颜色等属性。目标属性提取过程主要基于深度学习网络结构的特征提取和分类技术。

大数据技术为人工智能提供强大的分布式计算能力和知识库管理能力，是人工智能分析预测、自主完善的重要支撑。其包含三大部分：海量数据管理、大规模分布式计算和数据挖掘。

海量数据管理被用于采集、存储人工智能应用所涉及的全方位数据资源，并基于时间轴进行数据累积，以便能在时间维度上体现真实事物的规律。同时，人工智能应用长期积累的庞大知识库，也需要依赖该系统进行管理和访问。大规模分布式计算使得人工智能具备强大的计算能力，能同时分析海量的数据，开展特征匹配和模型仿真，并为众多用户提供个性化服务。

数据挖掘是人工智能发挥真正价值的核心，利用机器学习算法自动开展多种分析计算，探究数据资源中的规律和异常点，辅助用户更快、更准地找到有效的资源，进行风险预测和评估。

在过去的几年，公安、政府、交通这些代表性的行业都已开始积极利用基于人工智能的新一代智能安防产品，其中公安行业用户的迫切需求是在海量的视频信息中，发现犯罪嫌疑人的线索。人工智能在视频内容的特征提取、内容理解方面有着天然的优势。前端摄像机内置人工智能芯片，可实时分析视频内容，检测运动对象，识别人、车属性信息，并通过网络传递到后端人工智能的中心数据库进行存储。

汇总的海量城市级信息，再利用强大的计算能力及智能分析能力，人工智能可对嫌疑人的信息进行实时分析，给出最可能的线索建议，将犯罪嫌疑人的轨迹锁定由原来的几天，缩短到几分钟，为案件的侦破节约宝贵的时间。其强大的交互能力，还能与办案民警进行自然语言方式的沟通，真正成为办案人员的专家助手。