智東西（公眾號： zhidxcom）編 | 智東西內參

傳統的安防企業、新興的 AI 初創企業，開始積極從技術各個維度擁抱人工智慧，在模式識別基礎理論、圖像處理、計算機視覺以及語音信息處理展開了集中研究與持續創新，探索模式識別機理以及有效計算方法，為解決應用實踐問題提供了關鍵技術，具備了原創性技術的突破能力。

很多企業推出了系列化的前後端 AI 安防產品，理論上滿足了許多典型場景下的實戰應用需求。人工智慧技術的不斷進步，傳統的被動防禦安防系統將升級成為主動判斷和預警的智慧安防系統；安防從單一的安全領域有望向多行業應用、提升生產效率、提高生活智能化程度方向發展，為更多的行業和人群提供可視化、智能化解決方案 。

本期的智能內參，我們推薦中國科學院自動化研究所出品的報告《 安防+AI 人工智慧工程化白皮書 》，系統梳理總結當前安防+AI 的發展現狀，尤其重點分析指出了智慧安防領域存在的八大限制性因素，以及智慧安防的八大新的發展趨勢，供學術界及實業界的學者、專家參考。如果想收藏本文的報告全文（安防+AI 人工智慧工程化白皮書 ），可以在智東西公眾號回復關鍵詞「nc302」獲取。

以下為智能內參整理呈現的乾貨：

一、安防+AI的前世今生

1、AI的發展歷程

從20 世紀 50 年代開始，AI的發展經歷了三個階段：

1、20 世紀 50 年代—80 年代： 形成了基本的人工智慧，但還遠遠不及智能化水平。

2、20 世紀 80 年代—90 年代末： 專家系統得到快速發展，數學模型有重大突破。

3、21 世紀初—至今： 隨著大數據的積聚、演算法理論的革新、計算能力的提升， 尤其是深度學習技術的發展，機器實現了分析數據，擁有了自主學習的能力。

AI的發展歷程

2、AI產品化近在眼前

得益於基礎硬體的強化與軟體框架的優化，使這一輪人工智慧的爆髮式增長得以實現。而基礎應用技術的進一步研發則使人工智慧從抽象技術實現了向可及性產品與服務的轉變。

深度學習人工智慧的技術架構

這種產品化是建立在現在的三大技術框架之上的，分別是基礎硬體層、軟體框架層和演算法框架：

基礎硬體層為演算法提供了基礎計算能力。涵蓋 GPU、 CPU、 FPGA、 ASIC。

基礎硬體提供基礎算力，四大類硬體特點

軟體框架層實現演算法的模塊化封裝，為應用開發提供集成軟體工具包。該層涵蓋範圍包括針對演算法實現開發的各類應用及演算法工具包，為上層應用開發提供了演算法調用介面，提升應用實現的效率。

演算法框架是人工智慧核心生態圈建立的關鍵環節， 是決定人工智慧技術、產業、應用的核心環節，是人工智慧核心生態圈建立的基礎和關鍵。

當前人工智慧的商業化實現主要是基於計算機視覺、智能語音、自然語言處理等基礎應用技術實現，並形成了相應的產品或服務。

目前國內外人工智慧企業應用的技術主要是計算機視覺和智能語音語義兩個方面。

國內外人工智慧企業應用技術分布，計算機視覺佔比較高

3、各國政策和智慧安防

人工智慧被認為是第四次工業革命的主要推動技術，獲得了各行業的極大關注。 為了抓住 AI 發展的戰略機遇，越來越多的國家和組織已經相繼制定國家層面的發展規劃。

世界人工智慧產業政策指導

中國高度重視人工智慧發展， 2015 年後密集發布人工智慧相關政策和規劃。

中國高度重視人工智慧發展

在人工智慧應用領域，我國智慧安防領域走在了世界的最前沿。在國內眾多關於人工智慧的政策、發文、規劃中多次提到將人工智慧技術應用於公共安全領域，進行技術創新、產品和應用創新，同時相關部門也提出並發布了在視頻監控應用中基於人工智慧的視頻圖像處理技術標準。

4、智能安防時代到來

全球 AI 相關產品業規模龐大。 據中國人工智慧學會和羅蘭貝格諮詢公司預測， 2016 年至 2025 年，全球人工智慧市場規模年均增速超過 40%， 2025 年將達到 3 萬億美元。

全球人工智慧市場規模預測

在這個技術大背景之下，我國人工智慧產業初具優勢。中國電子學會公開數據顯示， 2017 年，中國人工智慧核心產業規模已達到 56 億美元左右，預計 2020年，中國人工智慧核心產業規模將超過 220 億美元，年均增速接近 65%。

中國人工智慧市場規模預測， 產業初具優勢

按照中國信息通信研究院的統計結果，目前中國人工智慧市場主要由五個領域構成，按照市場規模從高到低分別為：機器視覺佔比 37%，語音識別佔比 22%，自然語言處理佔比 16%，基礎演算法及平台佔比 14%，晶元佔比 11%。其中，由於近幾年中國互聯網娛樂、廣告傳播和公共安全視頻監控市場的高速發展，計算機視覺市場規模以 37%佔比大幅領先。

2017 年人工智慧市場結構，計算機視覺佔主比大幅領先

2017 年中國計算機視覺行業市場構成，安防佔據大部分

在機器視覺領域市場構成中，安防行業以 67.9%佔據大部分份額，這得益於中國公共安全視頻監控建設的龐大市場。 隨著高清視頻、智能分析、雲計算和大數據等相關技術的發展， 安防系統正在從傳統的被動防禦升級成為主動判斷和預警的智能防禦。 安防行業也從單一的安全領域向多元化行業應用方向發展，旨在提升生產效率、提高生活智能化程度，為更多的行業和人群提供可視化、智能化解決方案。 隨著智慧城市、智能建築、智慧交通等智能化產業的帶動， 智慧安防也將保持高速增長。 預計在 2020 年全球產業規模實現 106 億美元， 中國會達到20 億美元。

而在安防行業，人工智慧應用發展最快的是人臉識別 。

人臉識別市場規模發展最快

二、智慧安防生態

現階段，智慧安防行業生態可為五個大類，分別是應用、技術、框架、平台、晶元。

智慧安防生態圈

1、基礎硬體

這裡的基礎硬體特彆強調晶元廠商， 目前主要的 AI 核心晶元供應商如下圖所示：

目前主要 AI 晶元廠商

GPU 主要應用在數據中心，其特點是產品上市快，缺點是功耗高。安防應用中， GPU 晶元基本被英偉達壟斷。

人工智慧應用，安防業內 GPU 晶元被英偉達壟斷

安防領頭企業不乏基於 GPU 的視頻監控產品，如下圖所示：

安防+AI 典型落地應用產品

FPGA 在中心推理及數據中心也有較多應用，與 GPU 比， FPGA 的功耗優勢明顯。安防應用中， FPGA 主要廠家有 Xilinx、 Intel（原 Altera）等。

ASIC 主要應用於端側推理，由於端側應用的多樣性、複雜性以及對高性價比述求等原因， ASIC 廠家很多， 例如： 寒武紀、海思、地平線、比特大陸等，同時提供的方案也多。2018 年安防市場 ASIC 競爭非常激烈，下圖是根據網路數據整理的各 ASIC晶元上市進度。 其中，海思的布局非常密集 。

ASIC 晶元上市快，布局密集

2、軟體框架

軟體框架技術仍掌握在亞馬遜、微軟、谷歌、百度等科技巨頭手中，是深度學習人工智慧的核心。

演算法框架是人工智慧核心生態圈建立的關鍵環節。 實現演算法的模塊化封裝， 為應用開發提供集成軟體工具包，包括針對演算法實現開發的各類應用及演算法工具包，為上層應用開發提供了演算法調用介面等服務。

3、基礎演算法

安防行業的演算法企業總體來說可以分為兩大類。第一大類是商湯、曠視、雲從、依圖、中科神探等 CV 企業；第二大類是海康、大華、宇視，也開始 AI 演算法技術布局。隨著各企業的投入進一步加大，視頻識別演算法準確率大幅度提升。例如人臉識別演算法，在特定條件下，已經達到很高的水平。

此外， 在圖像分類、物體檢測等方面，計算機的識別率都已經遠遠超越了人類平均水平。

4、產品及行業應用

除了傳統的海康、大華、宇視、科達、天地偉業、東方網力等安防廠商外，CV 廠商和雲平台供應商也逐步開始提供產品和行業應用。

除了前文提到的雲中心產品，各企業基本已經完成邊緣智能產品序列化。隨著邊緣和中心產品的豐富，用戶開始對應用業務提出了更高的要求。從目前行業情況來看，無論是傳統安防企業，還是 CV 和雲平台企業，在業務應用上雖有部分提升，但仍以典型通用應用為主。

主流廠家邊緣/中心智能產品豐富，用戶更重視實際應用

三、 典型智慧安防應用

隨著 AI 在安防行業的滲透和深層次應用技術的研究開發，當前安防行業已經呈現「無 AI，不安防」的新趨勢，各安防監控廠商全線產品 AI 化已經是當前不爭的事實，同時也成為各廠商的新戰略。隨著 AI 在安防行業的深入落地， AI在安防領域尤其是視頻監控領域的產品形態及應用模式也開始趨於穩定，安防行業的 AI 技術主要集中在人臉識別、車輛識別、 行人識別、行為識別、 結構化分析、大規模視頻檢索等方向。

安防行業的 AI 應用場景分為卡口場景和非卡口場景， 前者指光線、 角度等條件可控的應用場景， 以車輛卡口及人臉卡口為主； 後者指普通治安監控視頻場景。 其中， 卡口場景約佔監控攝像機總量的 1%-3%， 剩餘的均為非卡口場景監控視頻 。

1、卡口場景： 人臉身份確認應用

人臉身份確認應用以公安行業人員布控為代表，在關鍵點位部署人臉抓拍攝像機，通過後端人臉識別伺服器對抓拍到的人臉進行分析識別，同時與人臉黑名單庫進行比對。隨著人員布控應用的增強，已經初顯效果。例如近期的「張學友演唱會」 抓獲疑犯就是卡口場景確認的身份。

2、 卡口場景： 人臉身份驗證應用

人臉身份驗證應用逐漸普遍。 常見的人臉白名單應用已經在很多行業落地，比如人臉門禁、人臉速通門、人臉考勤、人員身份確認等，廣泛應用於企業、各類園區等場景。 除實現基礎的人臉識別應用外， 人臉門禁還可以防止通過照片、視頻等人臉假冒行為，切實保障出入口人員安全管控及日常人員管理等。

3、卡口場景： 車輛識別應用

車輛識別技術是公安實戰中應用最成熟、 效果最明顯的技術之一。藉助遍布全國各地交通要道的車輛卡口，車牌識別使得「以車找人」 成為現實， 成功協助警方破獲各類案件。 車輛識別技術已經從初級的基於車牌的車輛識別應用階段，發展到車型識別、 套牌車識別等精準的車輛識別應用階段。

4、非卡口場景： 視頻結構化分析與快速檢索應用

在視頻結構化分析與快速檢索應用中，視頻結構化業務功能是對視頻中的機動車、非機動車、行人等活動目標進行分類檢測； 同時提取目標小圖和場景大圖寫入存儲設備中，便於後續的快速查詢及智能檢索。通過視頻結構化業務快速分析並提取出視頻中感興趣目標的特徵屬性信息，用戶能夠高效獲取案事件相關線索，促進大安防時代視頻數據從看清跨入到看懂的階段。

5、非卡口場景： 行為分析輔助安防應用

行為分析可輔助安防應用。通過行為分析系統對人員的異常行為進行分析處理，可應用於重點區域防範、重要物品監視、可疑危險物品遺留等行為的機器識別； 也可對人員的異常行為進行報警，極大提升了視頻監控的應用效率。

四、 智慧安防規模應用的八大限制性因素

雖然人工智慧技術飛速發展，但在產品化和實踐應用中，依然存在很多問題 。 在過去幾年，人工智慧熱度很高，但實際上只完成了「概念模型」的建立，尚未達到「有效利用」的理想效果。 現階段限制規模應用主要有八個因素： 成本高昂 、 演算法場景限制高 、 布點困難 、 網路和安全要求更高 、深度應用不足 、系統性頂層設計、 缺乏行業標準與評估體系和用戶學習與組織保障成本更高 。

成本高昂。當前，影響「安防+AI」產品解決方案規模化應用的因素有很多，成本高昂是眾多原因之一。從一個典型中大型城市級公共安全視頻監控聯網項目各部分成本佔比情況可以清晰看出成本是「安防+AI」發展的重要瓶頸。

安防+AI 與傳統安防兩周方案建設成本比對

演算法限制高。人工智慧演算法的泛化能力是模式識別問題長期面臨的一個問題，也是現階段的主要瓶頸。

由於訓練好的模型用在變化的場景中性能往往會明顯下降，因此在實際使用中，必須對場景進行嚴格定義，或者從設計上將智能演算法定位為對指標不敏感的輔助功能。在比較成熟的應用中，如智能交通中的過車及違章抓拍、機場車站的人證對比等，都需要具體的工程安裝方案。這種做法在技術不夠成熟的條件下有效實現了商業價值，但缺點同樣明顯：一方面，對已有設備的改造需要增加施工成本，影響人工智慧演算法對傳統應用的滲透；另一方面，也限制了獲取有效素材的效率，影響演算法指標的進一步提升。

布點困難。 人工智慧往往有特定的場景要求，只有在特定場景下才能保持較好的識別率。進行人臉識別的攝像機，需要嚴格遵從公安部發出的政策標準，導致大幅度

降低人臉識別的可應用空間，也大幅度提升了施工難度。

人臉識別攝像機使用場景模擬示意圖

網路和安全要求更高 。 近年來，人工智慧技術的蓬勃發展賦予了安防監控系統更加多樣化的業務功能，將安防監控行業的市場空間進一步拓寬，使安防監控系統在各行各業得到廣泛部署。但從風險角度而言，在 AI 與安防融合發展的進程中，將大量非結構化視頻轉化為可快速檢索的結構化數據，一旦網路被攻擊，數據泄漏後的損失將更為惡化；另一方面人工智慧將大量視頻、圖片集中到雲中心，對網路帶寬提出了更高要求。

深度應用不足 。 視頻監控系統產生的數據量龐大， 而且日趨多元化 ，但現階段存在一些數據的利用率低、真正解決客戶實戰問題的能力還有待於提高和基於結構化視頻數據的深度智能應用尚處於初級階段。

系統性頂層設計 。 安防+AI 解決方案在傳統安防的基礎之上不僅對布點、 網路、存儲等提出新的挑戰，還在組成上多出了視圖分析系統、 大數據研判系統、視圖資源歸檔、 對外介面服務， 以及最重要也是必不可少的告警、審核、輔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統集成的同時，不論是前期的科學選點，還是後期的研判抓捕，以及組織、 流程保障等人的因素貫穿始終。 因此， 安防+AI 解決方案需要進行前瞻性、 系統性、 科學的頂層設計， 這是能否真正落地、取得豐富實戰效果的前提。

缺乏行業標準與評估體系 。 當前情況下， 安防+AI 演算法、 產品及解決方案以企業標準為主， 應逐步建立面向實戰應用的行業標準。鑒於人工智慧技術飛速發展的現狀，現階段全面建立統一的行業標準有可能會傷害安防行業的健康發展， 但安防+AI 演算法、 產品及解決方案的評估體系應儘快構建。

用戶學習與組織保障成本更高 。 AI 產品方案在安防行業的落地，對用戶來說：如何使用好這樣一套系統，讓系統發揮出它最大的功效是一個全新的挑戰，這個挑戰不僅源於對顛覆原有以往任何技術手段的不斷學習和經驗總結，更來自於用戶自身的組織和制度如何保障系統的有效運轉 。

五、八大新趨勢造就智慧安防新未來

工程的科學布點 。 工智能的強場景化特點，決定了在智慧安防應用中，攝像機的使用位置、覆蓋範圍受到很大限制。相同數量的攝像機，在一個城市中的開放區域，安裝於不同的位置，所能起到的作用顯然是不同的。 一個智慧安防系統如何在有限的攝像機資源覆蓋情況下，達到最優的防範效果？這就對系統方案設計、布點設計提出了更高的要求。

產品的雲端結合。目前安防系統中，常見的中心計算架構問題已經日趨嚴重，主要體現為網路傳輸帶寬問題、 及時性問題得不到有效解決。 邊緣計算的出現有效緩解了上述問題。 雲計算聚焦非實時、長周期數據以及業務決策場景，而邊緣計算在實時性、短周期數據以及本地決策等場景方面有不可替代的作用。 這使得雲端雲端結合成為新趨勢： 一些需要集中式處理的計算繼續交由大型雲計算中心，如大數據挖掘、大規模學習； 大量實時的需要交互的計算、 分析在邊緣節點完成。 同時邊緣計算也是雲端所需高價值數據的採集終端，可以更好的支撐雲端應用的大數據分析； 而雲端通過大數據分析得出的一些業務規則也可以下發到邊緣端，優化邊緣端的業務決策。雲計算與邊緣計算分工協作，來滿足智能時代爆髮式的計算需求。

AI 分散式計算 。 在智能應用場景中，存在空間和時間的不均衡性。空間不均衡性是指在不同場景不同地點，分析目標的密集度是不同的；時間不均衡性是指在同一個區域，不同時間的分析目標的密集度是不同的。 因此，採用分散式計算架構將成為未來趨勢。 通過對全網的中心計算設備和邊緣計算設備進行統一的計算調度，可以有效地緩解問題，大幅度降低智能應用系統的整體建設成本。

數據的多維應用 。現今的智能監控系統已經開始融合人工智慧分析技術和物聯網技術，採集和提取更多有效的多維數據。人工智慧技術能夠對視頻內容進行智能分析，將所有運動目標進行自動分離、自動分類， 並自動提取目標多維度的結構化數據以及半結構化數據。 通過對歷史數據的分析挖掘， 可以挖掘事件的內在聯繫， 識別出異常模式，從而提供實時報警服務；利用知識圖譜技術， 可以挖掘人和人、人和事、事件和事件之間的關聯關係，並進行深度推理，進而為重大事件提供決策分析， 提高預警的準確性和及時性。

數據和網路安全 。 為了解決安防系統中的安全問題，適應新的等級保護條例要求，主要在以下幾點採用新技術、 新方案來解決安防系統中的安全問題。

網路安全相關技術要求

下一代人機交互技術 。 隨著智能技術在安防系統里的應用，產生的數據越來越多，隨之而來問題：如何讓使用者快速看懂數據，也就是數據可視化的問題。安防行業下一代的人機交互， 展現上會朝著操作性和立體性更強的方面發展， 交互上朝著互動感更強方面發展，應用上朝著功能業務深度結合的方面發展。

系統設計及項目實踐能力不斷提升 。 智能業務應用的落地需要建立在合理的成本控制、合格的施工質量、完善的數據整合和配套的管理機制之上。再由配套場景的演算法、模型基於高效的計算框架將數據轉化為可視化的用戶業務，進一步驅動或輔助用戶決策。因此，智能業務應用是一項系統工程，架構、演算法、計算、數據、應用、工程、管理流程等缺一不可，需要不斷加強系統性頂層設計的能力，提高項目實踐能力。

非卡口存量視頻逐步應用 。 據統計數據，中國一年有約 5000 萬個攝像機需求，實際只有約 50 萬個智能攝像機被有效應用，僅占 1%左右，而高達 99%的攝像機無法賦予「智能」屬性。這意味著安防+AI 剛剛進入初級階段。 非卡口場景下人工智慧演算法的泛化能力是在安防領域落地的主要瓶頸之一。與傳統模式識別方法相比，在大數據的支撐下，深度學習演算法的泛化能力和複雜場景的適應性有了明顯的提升。

智東西認為， 智慧安防的技術基礎和產品化已趨成熟，因此在下一階段的命題就是如何系統化規模部署。挑戰與機遇並存，從技術手段的不斷革新到產品形態的成熟落地，智慧安防仍然面臨眾多難題，諸如成本高昂、工程化布點困難、演算法場景局限大、缺乏深度應用、缺乏系統性頂層設計、缺乏滿足實戰應用的行業標準與評估體系等。能夠在多大程度上解決這些問題，關係著智慧安防產品和方案能否真正的落地生根。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！