随着当前AI技能的不断进步，作为天然AI落地场景的安防领域引起了监控大佬、IT巨子、算法新贵们的极大关注。各种安防+AI，或者AI+安防观点炒的火热，但是真正经得起市场磨练的百里挑一。
细究起来，不是技能问题，高精尖技能海内基本上可以与美国保持同步，海内团队夺得国际比赛的成绩单光明刺目耀眼；不是人才问题，顶尖的国际人才流动比比皆是。更不是制造能力问题，中国的监控设备制造商制造了天下六成还多的设备，可能有的小伙伴会说是对行业的理解度问题。
不可否认，这是个主要成分，但对大规模落地“安防+AI”的关键要素认知可能是个更关键的问题。
一、当前视频监控的运用现状
从2004年以来的安然城市，天网工程，雪亮工程，经由十多年的培植，全国各省市乃至村落庄，都建起了大规模的视频监控系统。
据不完备统计，目前全国已建各种监控近2亿路，加上在建的和待建的，至少规模会翻翻。随之而来的是天量级视频文件，纵然配备数百万视频巡视员来看视频，每天能监控到的视比年夜概也不到总视频量的百分之一。
但是这些天量的视频数据，在社会公共安全管理和案件侦破等事情中，起着越来越主要的浸染。在公共安全信息化培植深入持续开展的背景下，现有视频系统缺少深度运用模式，视频数据智能化程度不高的问题不断凸显。如何用AI升级现有的视频系统，使之能更好地适应物联网时期视频智能化、信息化、情报化的运用需求已势在必行。
当前小规模落地安防+AI，已经不是难题，智能摄像头或者构造化做事器就能办理这个问题。
以下要说的是大规模、城市级的安防+AI中的落地要素：
要素一：视频构造化
要实现视频信息智能化、信息化的问题，必须要先面对构造化的问题，构造化之后就可以把原来只能看无法调用的视频变成可调用的信息。欢迎视频数据深度运用的寻衅，其核心及瓶颈是通过研究视频构造化描述技能，办理通用视频数据向视频信息化、视频情报化方向的转化，实现社会公共安全视频运用事情模式的创新。
视频构造化描述是一种基于视频内容信息提取的技能，它对视频内容按照语义关系，采取时空分割、特色提取、工具识别等处理手段，组织成可供打算机和人类理解的构造化信息的技能。
从数据处理的流程看，视频构造化描述技能，能够将非构造化的视频数据转化为人和机器可理解的构造化信息，并进一步转化为公安民警实战所用的情报数据，实现视频数据向信息化、情报化、智能化的运用转化，达到借用视频监控掌控安全的目的。
视频构造化描述的内容类型方面紧张是：职员、车辆、物品、行为。
在视频中把人作为一个可描述的个体展现出来，个中包括职员的脸部精准定位、脸部特色提取、脸部特色比对，还包括职员的性别、年事范围、大概身高、衣着特色、发饰特色、配饰、携带物品、步履形态、交通工具等多种可构造化描述信息；对付车辆的描述信息包括：车牌、品牌、车颜色、车型、子品牌、车贴、车饰物信息等多种车辆描述信息；对付行为的描述信息包括：区域、越界、徘徊、遗留、聚拢等多种行为描述信息。经由视频构造化解析处理，可以实现如下目标：
一是视频变成了可调用的信息库，可以针对目标工具进行快速检索，线索查找速率会得到极大的提升。视频构造化之后，从百万量级的目标图库中（大约一千小时内的高清视频），查找视频截图中的一个嫌疑人工具，一秒内即可完成；千万量级目标的图库中查找，数秒内即可完成。二是监控系统所占用存储容量极大的降落，构造化后的信息，存储人的构造化检索信息和目标数据信息不到原视频数据容量的2%；对付车辆和行为，均不到1%。存储容量极大地降落，可以办理视频长期存储和存储本钱高昂的问题。三是视频构造化可以活化视频数据，作为数据挖掘、运用的根本。构造化的图像及描述信息，存入相应的数据仓库，对各种数据仓库可以进行深度的数据挖掘、关联、领悟、运用，充分发挥大数据的浸染，提升视频监控的运用代价，提高对视频场景的剖析和预测能力。要素二：视频智能剖析技能
视频构造化描述是针对视频内容的智能构造化剖析，将非构造化的视频数据经由智能剖析，形成可供标记描述的构造化数据，因此视频智能化剖析是视频构造化的核心技能。
智能视频剖析技能的高低，对视频构造化描述的准确率至关主要。为了能更高质量地进行视频构造化剖析，必须在这三个方向进行创新：
首先、视频预处理技能，紧张包括视频解码、图片筛选、图片洗濯等，也包括视频防抖动和图像增强。
视频解码把视频还原成一张张的图片，图片筛选把图片中的无用图片进行废弃处理，图片洗濯保留最有效图片；视频抖动紧张是道路监控中高架安装办法带来的较高频率的小幅抖动，抖动的拍摄每每会拍出一团糊的视频，视频防抖动能有效抑制智能剖析中的误报和漏报，提高智能剖析的准确率；图像增强是对视频源进行质量改进处理，有效改进画质，提高图像的清晰度，使原来低质量的图像达到清晰可辨。其次，不断提升剖析准确率。
如人脸识别技能从最初的特色脸方法过渡到卷积神经网络方法，由可见光人脸识别到多源光人脸识别。类同，车辆、物品和行为的智能剖析也有了更高效的剖析技能。要不断关注前沿AI技能的发展，重点关注实沙场景下的演习方法、模型构建，加上大数据量的实践，不断提升剖析识别的准确率，末了达到可实用的程度。
再次，影像处理技能，紧张包括图像复原技能等。图像复原便是综合利用超分辨率、去模糊滤波、变形纠正、色彩调度等对模糊视频进行处理，使之清晰可辨。
要素三：构造化图像信息数据库
通过对视频内容的智能化剖析处理，天生一个高密度存储，又能快速调用的构造化图像信息大数据库。只有实现了对图像库的快速落盘，才能使构造化信息不堵塞、不丢失；也只有实现了快速调用，才能做到千万量级秒级检索，也才能快速准确的创造有效线索，充分发挥视频资源的实战代价。
然而，在公安信息化培植深入开展的背景下，现有视频资源缺少深度运用的模式。其运用的瓶颈依然是视频信息如何高效提取？如何保障识别的准确率？如何进行快速调用？如何同其他信息系统进行标准数据交流、领悟、共享等。
视频构造化技能难点
首先是视频构造化核心算法技能的打破。
视频构造化描述依托于智能剖析技能，但是当前视频智能剖析技能还未打破各种运用环境的制约。
比如：人脸识别的运用处景，当下的人脸识别多数是合营式、重复式运用处景，如：银行、机场、海关卡口。在这种运用处景下，人脸的识别率基本能达到实用哀求，而在无合营、多人脸、动态视频的场景下就很难达到实用目标。特殊是在一样平常视频监控场景下，由于架设位置高、拍摄间隔远，基本上识别不到人脸，更别说进行人脸构造化了。
虽然当前的深度学习卷积神经网络学习模式，使得人脸检测和识别的准确度大幅提长，但是随之而来的负面效应也相称明显，首当其冲的便是运算繁芜度的提升，须要耗费大量的打算资源。
针对这一瓶颈，虽然业内公司试图通过将打算前端推移（智能摄像头）和后端集中化处理（GPU构造化做事器）两种方案来办理，但是智能摄像头方案大规模支配本钱高昂，且对已安装的巨量监控无法构造化。
集中化处理方案也须要大量价格昂贵的构造化做事器，而且带来的带宽压力巨大，也不利于规模性履行。这就须要第三种更贴合当前实际的办理方案，宣布称由安软慧视推出的这种方案已在部分省市公安厅公安局开始履行，作者已与市局进行了联系，等详细理解后再详细写出。
其次是实沙场景大数据和深度学习场景演习模型的构建。
算法、算力和数据作为AI的基本三大支撑，少了哪一个都弗成。不得到足够量的场景数据就演习不出好的模型，而没有好的模型又不被客户认可，没办法从客户那里得到巨量的场景数据。
末了是视频构造化标记描述数据存储，检索和运用技能创新。
随着构造化数据总量的海量累积，如何实现其图像大数据的超大容量、高效存储、高效检索以及快速调用就须要不断进行技能创新。如果不能做到规模性实时处理实时检索，它终极只能是一个事后处置系统，仍旧会让公安办案失落去机遇，对付提高破案率的效果不大。
虽然当前还面临不少困难，但随着AI技能的发展和成熟，AI+安防，一定会为视频资源的信息化、情报化、智能化供应强有力的支撑，变视频的被动防御为主动识别，变事后处置为事前事中事后全程掌控，进而终极实现“AI+安防”的规模性落地。
本文由 @李震 原创发布于大家都是产品经理。未经容许，禁止转载
题图来自Unsplash，基于CC0协议