全國布滿3000萬攝像頭 千億級智能安防行業報告

智東西

編 | 十四

有數據顯示，2016年，我國安防行業市場規模已經達到總產值5400億元，同比增加9%，預計2020年將增至8759億元。在智慧城市、平安城市、智慧社區等重點建設項目的背景下，安防儼然成為人工智慧最為重要的落地場景之一。

安防智能化的問題主要在於海量視頻監控數據與人力分析瓶頸之間的矛盾，深度學習提供了很好的解決方案。目前，智能安防系統可以實現目標檢測（車牌識別）、人臉識別（屬性提取）、目標分類（車、行人）等功能。

本期的智能內參，我們推薦來自安信證券的智能安防行業報告，盤點四大產品化方向，剖析核心技術以及產品研發節奏，預測產業未來格局發展。如果想收藏本文的報告全文，可以在智東西（公眾號：zhidxcom）回復關鍵詞「nc181」下載。

以下為智能內參整理呈現的乾貨：

十年安防布局 AI一招引爆

*2011-2020年全球安防鏡頭市場銷售情況及預測（援引產研智庫）

根據美國信息服務社的數字，截至 2015 年末全球已安裝了超過 2.45 億個視頻監控攝像頭，目前我國已安裝的監控攝像頭也已超過 3000 萬個，而同時全球和國內監控攝像頭銷售市場仍在逐年擴張，每年僅僅我國就將產生數萬PB的數據量。人工處理耗時耗力，智能安防的需求呼之欲出。

*安防智能化的核心技術：視頻結構化（援引安防知識網）

安防智能化的核心目的正是建立視頻監控數據與有用信息之間的映射，即將監控視頻轉化為人和機器可理解的信息，並進一步轉化為公安實戰所用的情報，實現視頻數據向信息、情報的轉化。

事實上，2006年起安防行業就開始向智能化發展，但一直不能有令人滿意的重大突破，主要原因有三點：智能識別準確率低，設備環境適應性差，識別智能種類少。近十年的布局能在最近厚積薄發，與深度學習的發展息息相關：

*深度學習在各個領域的商業應用（援引商湯科技）

1、深度學習促使識別準確率空前提高。應用深度學習演算法的深度智能設備，可以自行提取更多更詳細、更微小的特徵，從而使得識別分類對象的準確率更高，深度學習讓識別率有了質的提升。

2、深度學習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徵集來描述目標。

此外，過去智能分析演算法受場景影響較大，單一的模型無法準確描述多種場景，且模型有偏差的話，演算法的性能就會下降。而深度學習恰恰解決了智能分析的兩大瓶頸：

*深度學習實現的多種人物、汽車特徵識別（援引安防知識網）

1、 適應足夠多的環境和場景。深度學習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，並且直接建立從數據到信息的映射，對約束條件的依賴較少，這就意味著深度學習的產品可以應用到更廣泛的環境當中。

2、 識別種類更豐富。理論上只要有足夠多的樣本進行訓練，深度學習能夠實現比較精準的目標分類識別，自主特徵識別的特點又讓深度學習特別適用於抽象、複雜的關於人的特徵、行為的分析領域。

*各大廠商的成功案例

四大場景 兩種思路

雖然目前市場上各大安防企業的深度學習智能產品宣傳側重點各有不同，但其出發點都離不開四個方向：

1、人體分析(人臉識別、人體特徵提取技術)；

2、車輛分析(車輛識別技術、車輛特徵提取技術)；

3、行為分析(目標跟蹤檢測技術、異常行為分析技術)；

4、圖像分析(視頻質量診斷技術、視頻摘要分析技術）

*深度學習在安防應用的四大場景

具體到供應端來看，目前主流安防廠商的人工智慧產品包括前端（攝像頭）和後端（伺服器）兩類。

前端產品的核心功能是為後端提供高質量、初步結構化的圖像數據，其主要作用有兩點：提升部分智能分析應用的實時性；節省帶寬和後端計算資源。

典型的前端智能攝像頭內置深度學習演算法，一方面可以在前端完成人臉定位和質量判斷，有效解決漏抓誤報問題，同時擁有較好的圖像效果，即使周圍環境光線不佳，人員戴帽子或一定角度下低頭、側臉，仍然可以做到準確識別，並自動截取視頻中的人臉輸出給後端；另一方面可以輸出編碼後的網路視頻，還支持輸出非壓縮、無損無延時的視頻流圖像。這樣可以為大型用戶節省伺服器成本和帶寬，因為在同等伺服器數量和計算能力的情況下能夠接入更多路攝像頭。

後端產品的核心功能是利用計算能力對視頻數據進行結構化分析，一般包括：1、智能 NVR，它是基於深度學習演算法推出的智能存儲和分析產品，兼顧傳統 NVR 優勢的同時增加了視頻結構化分析功能；2 、高密度 GPU 架構結構化伺服器，集成了基於深度學習的智能演算法，每秒可實現數百張人臉圖片的分析、建模，可支持數十萬人臉黑名單布控，人臉 1V1 比對、以臉搜臉等多項實用功能，滿足各行業的人臉智能分析需求。

*主流廠商人工智慧產品

從前後端智能化模塊來看，有兩種思路：智能前置和後置智能，這一直是行業備受爭議的兩個方向：

1、 由於前端設備(主要是相機)內的空間有限，再加上功耗、成本等因素的限制，智能前置會受硬體計算資源限制，只能運行相對簡單的、對實時性要求很高的演算法，但演算法升級、運維較難；智能放在前端優點是計算資源專註於前端，大幅節省帶寬資源。

2、 後端智能分析(如智能分析伺服器)通常可以根據需求配置足夠強大的硬體資源，能夠運行更複雜的、允許有一定延時的演算法，另外，在後端演算法升級、運維都會比較方便。

* 智能前置、後置智能分析優劣勢比較

前後端產品不是對立與競爭的關係，將長期同時存在：

1、前端和後端合作的共同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後端的設計特徵，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。

一般來說視頻的檢測、跟蹤、去重這類與具體識別目標無關、較為通用的功能適合放在前端，而較為複雜的識別、涉及到敏感信息的比對等功能適合放在後端。

2、智能前置與後端智能分析包含著明顯的轉化關係。隨著晶元技術的持續發展，尤其是在以 movidius 為代表的專門為視覺處理設計的終端晶元成熟，使得針對神經網路演算法的計算能力大幅提高，越來越多的智能演算法可以從後端轉向在前端完成。

目前已經有很多智能演算法可以在前端實時運行，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。

兩大晶元方案推動後端放量

*人工智慧神經網路演算法與傳統計算模式對比

深度學習與傳統計算模式不同，最大的區別是不以執行指令為目的，但需要大量並行計算資源，因此需要專門的計算晶元來加速計算。實際上無論是前端智能攝像頭還是後端結構化伺服器，其額外增加的硬體資源核心目的實質上都是為了增加計算能力。

對於智能前端產品目前有兩種晶元解決方案：

1、採用較為通用的視覺處理器（半定製晶元），如 movidius 、英偉達的 Jetson 系列晶元，通用性較好，能夠運行各類神經網路演算法，但價格相對較高，主要針對高端市場。

2015 年底，NVIDIA 發布了 Jetson TX 晶元，主要針對終端市場，隨後，海康、大華、宇視科技、蘇州科達、格靈深瞳、商湯科技等大部分公司的前端智能產品在 2016 年正式推出。

*英偉達針對各類智能計算設備開發對應 GPU

*2016年主流安防廠商前端智能產品大都是在 NVIDIA 2015年底發布了Jetson TX 芯

2、將較為通用的智能識別類演算法直接固化為 IP ，嵌入到視頻監控 SOC 晶元中（全定製晶元），優點是量產後功耗、價格等都極具優勢，但功能拓展性有限。

雖然英偉達已推出 Jetson 系列晶元並與多家安防公司合作前端產品，但包含 256 顆 CUDA 核心的Jetson 晶元仍然屬於通用型 GPU 計算產品，高昂的晶元成本使得智能前端產品價格過高，難以快速推廣，而專用晶元的成熟應用成為我們跟蹤前端產品放量的前瞻指標：

海康視頻監控晶元供應商富瀚微招股說明書透露海康已經將智能分析 IP 授權給公司，應用該 IP 的晶元將在 2017 年量產。

商湯科技的 SenseEmbed目前已支持海思Hi3519/Hi3516A/Hi3516D、飛思卡爾 IMX6、ARMCortexA7 等多款主流嵌入式晶元，預計今年人臉識別專用晶元出貨可達10萬片。

安防智能化不同於安防高清化，安防高清化解決的是輸入數據質量問題，所以由前端啟動，帶動後端需求。智能化解決的是數據處理效率問題，一方面目前大部分安防數據處理都在後端，另一方面後端 GPU 晶元已經應用成熟，相對前端沒有晶元價格和功耗的限制，故在安防智能化時代後端產品將率先啟動。

未來格局：資源集聚 兩超多強

*全球安防視頻監控市場佔有率一覽（援引 HIS）

*全產業鏈的廠商布局（援引 欣智恆）

過去幾年安防行業網路化、高清化的發展過程使得 「兩超（海康威視和大華股份）多強」的競爭格局愈加明顯，技術升級推動行業集中度不斷提升已經得到充分驗證：

1、龍頭企業才足夠支撐大規模和高質量的研發團隊。

傳統安防行業規模效應主要體現在上游晶元採購成本優勢和銷售渠道優勢上，在智能化技術變革中研發能力門檻空前提升：目前國內主要只有海康、大華兩家安防企業能夠在全球 LFW 人臉識別比賽、ImageNet 圖像識別中拔得頭籌已經驗證了這一點。

更需要關注的是隨著圖像識別率進步速度的放緩，使得安防龍頭企業在應用場景、產品能力、市場渠道方面的優勢相比於純技術驅動的科技公司更為顯著。

*A股主要安防視頻監控公司研發費用（單位：萬元，援引Wind）

*A 股主要安防視頻監控公司研發費用占營收比例（援引Wind）

2、龍頭企業才有智能化所需的全解決方案運營經驗和完整的產品體系。

安防產品是非標準化市場，行業龍頭本身品牌溢價優勢明顯，而實現安防智能化需要前後端產品的整體配合（包括前後數據格式的統一），市場將進一步向能夠提供整體解決方案的龍頭企業集中。

*安防智能化需要針對不同場景提供各類解決方案（援引 face++）

人工智慧給安防企業帶來的根本性改變是：

1、對計算資源要求空前巨大，雲計算模式成為趨勢，零售行業成為踐行安防雲模式的首選場景。

目前後端智能業務大多以提供搭載 GPU 結構化伺服器和相應的人臉搜索、人臉布控等軟硬體一體解決方案來盈利。對於公安等信息安全敏感客戶需要搭建自己的私有雲，但對於更廣泛的客戶群體所需要的並不是結構化伺服器，而是其提供的計算資源和上層應用，這使得轉向雲計算模式越來越重要。

2、安防企業的能力從提供安防設備和解決方案上升為從安防數據中獲取有價值的信息，使得客戶可以只為有價值的信息買單而不用為安防設備買單， 將加速安防運營模式推廣 。

從產業結構來看，根據安防知識網數據，去年我國安防產業總規模達到了 4000 多億元，安防工程和安防產品佔據超過 90%的市場份額，而運營服務規模佔比僅為 7%左右，遠低於歐美安防運營服務市場規模，這意味著安防運營服務仍有很大的市場空間。

*安防行業各產值概況（單位：億元；援引 CPS）

智東西認為，在人工智慧技術目前的成熟度來看，基於感知智能的智能安防成為主要的落地產品。這一領域的相關技術部局已有十年之久，加上政策環境利好（智慧城市、平安城市、智慧社區等重點建設項目），可以說是人工智慧率先開啟的一大風口。但考慮到相關的模式識別技術趨於成熟，傳統安防企業的產業鏈布局相對完善，且已有成熟的應用場景、產品能力和市場渠道，而半定製晶元產業的壁壘又太高，留給技術驅動型創企的空間似乎並不多。

附： 智能前後端設備市場空間測算

點擊展開全文

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！