|
人工智能（Artificial Intelligence，缩写AI）始于20世纪50年代中期，之后数十年发展起起伏伏，80年代末随着人工神经网络研究的兴起，人工智能进入一个新的阶段。特别是最近几年，深度学习在人工神经网络优化方面获得突破，使得机器辅助成为可能，拓展了人工智能的应用领域。
首先，有一些重要的事要知道：AI是一门严谨的科学，专注于设计智能系统和智能机器，其中使用的算法技术在某些程度上借鉴了我们对大脑的了解。许多现代AI系统使用人工神经网络和计算机代码，模拟非常简单的、通过互相连接的单元组成的网络，有点像大脑中的神经元。这些网络可以通过修改单元之间的连接来学习经验，有点像人类和动物的大脑通过修改神经元之间的连接进行学习。现代神经网络可以学习识别模式、翻译语言、学习简单的逻辑推理，甚至创建图像并且形成新的想法。其中，模式识别是一项特别重要的功能——AI十分擅于识别大量数据中的模式，而这对于人类来说则没有那么容易。 深度学习系统中一个特别有用的架构被称为卷积神经网络或 ConvNet。 ConvNet 是连接神经网络中单元的一种特定方式，受其他动物和人类视觉皮层体系结构的启发构建而来。现代 ConNet可以利用从7~100层的单元。在公园里，我们人类看到大牧羊犬和奇瓦瓦，尽管它们的体型和体重都不同，但我们却知道它们都是狗。对于计算机而言，图像只是一串数组。在这串数组内，局部图案，例如物体的边缘，在第一层中能够被轻易检测出来。神经网络的下一层将检测这些简单图案的组合所形成简单形状，比如汽车的轮子或人脸的眼睛。再下一层将检测这些形状组合所构成的物体的某些部分，例如人脸、腿部或飞机的机翼。神经网络的最后一层将检测刚才那些部分的组合：一辆汽车、一架飞机、一个人、一只狗等等。神经网络的深度——具有多少层——使网络能够以这种分层次的方式识别复杂模式。 一旦经过了大量样本数据库的训练，ConvNet 对于识别图像、视频、语音、音乐甚至文本等自然信号特别有用。为了很好地训练网络，我们需要提供给这些网络被人标记的大量图像数据。ConvNet会学习将每个图像与其相应的标签相互关联起来。有趣的是，ConvNet 还能将以前从未见过的图像及其相应的标签配对。由此我么就得到了一个系统，可以梳理各种各样的图像，并且识别照片中的元素。 在安防领域，随着平安城市建设的不断推进，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，视频和卡口产生海量的数据。与此同时，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，安防正在从传统的被动防御向主动判断、预警发展，行业也从单一的安全领域向多行业应用、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。随着安防领域的发展，人工智能的重要作用正逐步显现。当前，用户面对海量的视频数据，已无法简单利用人海战术进行检索和分析，需要人工智能作为专家或助手，实时分析视频内容，探测异常信息，进行风险预测。 一、人工智能技术 近年来苏州千视通一直在研发智能技术，历经几年的积累，其智能技术已被用到产品线的方方面面，而作为智能技术发展的目标——“人工智能”，更是我们矢志不渝的追求。立足现在，放眼未来，我们把当前的人工智能研发重点聚焦在视频结构化技术和大数据技术两方面。 1．视频结构化技术 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）。在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。 同时，为了解决视频结构化的高性能分析计算问题，我们于2016年推出了“千视”视频结构化服务器，充分利用多GPU的并行处理能力，提高视频结构化处理的综合效能。
2．大数据技术 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。 二、人工智能应用 当前人工智能技术的迅猛发展，积极推动着安防领域向着一个更智能化、更人性化的方向前进，主要体现在以下这几个方面： 1．在公安行业的应用 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。智能视频分析系统，可实时、事后分析视频内容，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。 以车辆特征为例，可通过使用车辆驾驶位前方的小电风扇进行车辆追踪，在海量的视频资源中锁定涉案的嫌疑车辆的通行轨迹。
2．在交通行业的应用 在交通领域，随着交通卡口的大规模联网，汇集的海量车辆通行记录信息，对于城市交通管理有着重要的作用，利用人工智能技术，可实时分析城市交通流量，调整红绿灯间隔，缩短车辆等待时间，提升城市道路的通行效率。城市级的人工智能大脑，实时掌握着城市道路上通行车辆的轨迹信息，停车场的车辆信息，以及小区的停车信息，能提前半个小时预测交通流量变化和停车位数量变化，合理调配资源、疏导交通，实现机场、火车站、汽车站、商圈的大规模交通联动调度，提升整个城市的运行效率，为居民的出行畅通提供保障。 3．在智能楼宇的应用 在智能楼宇领域，人工智能是建筑的大脑，综合控制着建筑的安防、能耗，对于进出大厦的人、车、物实现实时的跟踪定位，区分办公人员与外来人员，监控大楼的能源消耗，使得大厦的运行效率最优，延长大厦的使用寿命。智能楼宇的人工智能核心，汇总整个楼宇的监控信息、刷卡记录，室内摄像机能清晰捕捉人员信息，在门禁刷卡时实时比对通行卡信息及刷卡人脸部信息，检测出盗刷卡行为。还能区分工作人员在大楼中的行动轨迹和逗留时间，发现违规探访行为，确保核心区域的安全。 4．在工厂园区的应用 工业机器人由来已久，但大多数是固定在产线上的操作型机器人。可移动巡线机器人在全封闭无人工厂中将有着广泛的应用前景。在工厂园区场所，安防摄像机主要被部署在出入口和周界，对内部边边角角的位置无法涉及，而这些地方恰恰是安全隐患的死角，利用可移动巡线机器人，定期巡逻，读取仪表数值，分析潜在的风险，保障全封闭无人工厂的可靠运行，真正推动“工业4.0”的发展。 5．在民用安防的应用 在民用安防领域，每个用户都是极具个性化的，利用人工智能强大的计算能力及服务能力，为每个用户提供差异化的服务，提升个人用户的安全感，确实满足人们日益增长的服务需求。以家庭安防为例，当检测到家庭中没有人员时，家庭安防摄像机可自动进入布防模式，有异常时，给予闯入人员声音警告，并远程通知家庭主人。而当家庭成员回家后，又能自动撤防，保护用户隐私。夜间期间，通过一定时间的自学习，掌握家庭成员的作息规律，在主人休息时启动布防，确保夜间安全，省去人工布防的烦恼，真正实现人性化。 三、存在的问题 人工智能在安防领域的应用有着非常好的前景，但目前国内的基础还较薄弱，在应用过程中还有较多问题需要完善和解决： 1）视频成像质量受环境影响较大，存在光照不足、图像模糊、目标尺寸过小或相互遮挡等问题，不利于人工智能对视频内容的辨识。 2）数据资源分散，开放和共享程度低，难以开展多维数据融合分析，使得人工智能缺乏有效的数据支撑。 3）领域专业知识的积累不足。早期的智能分析技术属于单场景的目标检测和行为分析，对视频内容的理解能力偏弱，同时也很少涉及大范围场景的关联行为分析，没有积累下有效的经验知识用于异常分析和风险预测。 4）缺乏有效的自主完善能力。当前很多的智能，只是一种反应式智能，根据输入条件进行自动判断而已，并不具备成长能力。人工智能应具备基于时间的经验积累，以及群体间的经验分享能力，才能不断完善，使得智能能力更强，更高效。 总 结 人工智能是安防领域的未来，在通往未来的道路上，还有许许多多障碍和困难需要跨越和克服，但总体趋势是乐观的，我们坚信只有具备自主、个性化、不断进化完善的人工智能大脑，才能解决安防领域日益增加的需求，成为广大用户的专家和助手，提升整个安防领域的智能化水平，推动安防产业的升级换代。
|
|
|
