人工体育与安防新趋势

吴参毅

1 引言

随着人工体育（AI）在安防行业的渗透和深层次应用，当前已经呈现“无AI，不安防”的新趋势。

各安防厂商产品AI化已经是进行时，也是新战略高地。自2012年人工体育在安防行业逐渐深入落地，6年以来，AI在安防领域尤其是视频监控领域的产品形态及应用模式也开始趋于稳定，AI技术主要集中应用在人脸识别、行人识别、行为识别、车辆识别、结构化分析、大规模结构化、半结构化视频信息检索等方向。

按照应用场景来看，人工体育在安防行业的应用主要分为卡口与非卡口场景。卡口场景主要为人脸/人员卡口和车辆卡口，此类场景摄像机的采集位置、光线、角度等条件可控。非卡口场景指的是普通治安监控场景，摄像机安装位置、角度不严格，对采集光线也不做严格要求。卡口场景约占监控摄像机总量的1~3%，剩余的均为非卡口场景监控视频。

严格说来，上述人工体育（AI）不是严格的学术名词，在安防领域，AI大都指的是基于视频图像的机器学习，是一种模式识别AI。机器学习领域的泰斗级学者Michael Jordan称，目前常用AI有三类：

1.仿人工体育（Human-imitative AI），最近深度学习的一系列成功案例，包括计算机视觉、语音识别、游戏人工体育。

2.体育增强（Intelligence Augmentation，IA），能够增强人类记忆能力的搜索引擎，和增强人类沟通能力的机器翻译都属此类。

3.体育基础设施（Intelligence Infrastructure，II），这一领域旨在利用计算机技术让人类生活的环境更加安全有趣，从基础设施的角度为人类生活提供支持。物联网是这一类概念的早期版本。现在的智慧城市是II 的一种典型应用。

目前安防行业的AI应用主要属于仿人AI，IA和II方面的应用还很少。

2 安防中的AI应用

2.1 人脸身份确认

人脸身份确认应用属于卡口场景仿人AI应用，以公安行业人员布控为代表，在关键监控点位安装人脸抓拍摄像机，通过后端人脸识别服务器对抓拍到的人脸进行比对识别，确定该人员身份。一种是与人脸黑名单库进行比对识别，另一种是和静态人脸库进行比对识别。

人脸黑名单动态布控应用，主要利用人脸抓拍摄像机从高清/超高清视频画面中使用深度学习模型检测并抓拍人脸照片，然后提取人脸深度学习特征向量，与黑名单库人脸的比对并实现报警提示。人脸静态比对指的是使用深度学习模型检测并抓拍人脸图片，然后提取的人脸深度学习特征向量与静态库中的人脸比对识别，确认该人脸身份。

2017年在某啤酒节期间，警方将人脸识别系统应用于安保，成功抓获网上逃犯25名，吸毒人员19名，当场抓获5名扒手，驱离扒窃前科人员32名。另外，通过人脸识别系统可查询人员行走轨迹，寻找走失老人儿童等，实现便民服务。如左图所示，宇视推出的“函谷”系列人脸抓拍相机，采用1/1.8"大靶面超星光技术，可实现40张人脸并发检测，20像素瞳距人像抓拍。

图 uniview HIC2621系列2MP超星光深度体育人脸抓拍筒机

2.2 人脸身份验证

人脸身份验证属于卡口场景应用，人脸白名单属于人脸身份验证应用。人脸白名单应用已经在很多行业落地，比如人脸门禁、人脸速通门、人脸考勤、人证核验等，广泛应用于企事业、各类园区等场景。除了实现基础的人脸识别应用外，人脸身份验证还使用活体检测等手段，以防止使用照片、视频、面具等人脸假冒行为，切实保障出入口人员安全管控及日常人员管理等。

宇视“潼关”系列人脸速通门已经在全国开启多场景规模部署，识别率99.5%以上，支持活体检测，白名单库容30000人，实现0.2秒识别，1秒内闪身通过。

图 uniview FG8222系列人脸速通门

2.3 车辆识别应用

车辆识别应用属于卡口场景应用。车辆识别技术是公安实战中应用最成熟、效果最显著的技术之一。借助遍布全国各地交通要道的车辆卡口，车牌识别使得“以车找人”成为现实，成功协助警方破获各类案件。车辆识别技术已经从初级的识别车牌，发展到车型、套牌车识别等精准的应用阶段。

2.4 视频结构化

视频结构化应用一般属于非卡口应用。在视频结构化分析与快速检索应用中，对视频中的机动车、非机动车、行人等活动目标进行分类检测，并对其特征属性识别。提取目标小图和场景大图写入存储设备，便于后续的快速查询及体育检索。通过视频结构化业务快速分析并提取出视频中感兴趣目标的特征属性信息，用户能够高效获取案事件相关线索，促进大安防时代视频数据从看清跨入看懂的阶段。

宇视的“昆仑”视图数据中心一体机，支持业界最高性能的人脸识别、视频结构化、人数统计以及百亿级大数据秒级检索业务。

2.5 行为分析

行为分析可辅助安防应用。该系统通过分析处理人员的异常行为，可应用于重点区域防范、重要物品监视、可疑危险物品遗留等行为的机器识别；也可对人员的异常行为报警，极大提升视频监控的应用效率。另外，还可实现对群体的态势分析，如人群密度分析、人员聚集分析等，对重点区域或人员聚集较多的场所态势进行分析，防止人群事件发生，做到提前预警、及时处置。

3 安防中AI应用限制性

虽然基于大数据、GPU、深度学习的人工体育技术飞速发展，但在产品化和实践应用中，依然存在很多问题。

3.1 成本高

当前，影响“安防+AI”产品解决方案规模化应用的因素有很多，成本高昂是众多原因之一。从一个典型中大型城市级公共安全视频监控联网项目各部分成本占比情况，可以清晰看出成本是“安防+AI”发展的重要瓶颈。

由于产品性能、算力等多方面要求，设备部署成本较高；而科学化工勘布点需求带来的时间和人力成本、海量图片高并发网络带宽需求带来的设备和链路成本、多业务系统联网应用带来的沟通和研发成本、大数据研判分析应用带来的设备及研发成本，以及不断增长的设备与集成施工和机房改造等因素，进一步叠高了“安防+AI”落地的成本。

3.2 场景限制多

人工体育算法的泛化能力（Generalization ability，指机器学习算法对新鲜样本的适应能力）是模式识别问题长期面临的一个问题，也是现阶段的主要瓶颈。

由于训练好的模型用在变化的场景中性能往往会明显下降，因此在实际使用中，必须对场景进行严格定义，或者从设计上将体育算法定位为对指标不敏感的辅助功能。在比较成熟的应用中，如体育交通中的过车及违法抓拍、机场车站的人证对比等，都需要具体的工程安装方案。这种做法在技术不够成熟的条件下有效实现了商业价值，但缺点同样明显：一方面，对已有设备的改造需要增加施工成本，影响人工体育算法对传统应用的渗透；另一方面，也限制了获取有效素材的效率，影响算法指标的进一步提升。

3.3 布点困难

人工体育往往有特定的场景要求，只有在特定场景下才能保持较好的识别率。

按照《安全防范视频监控人脸识别系统技术要求》（GA/T 31488-2015），《安防人脸识别应用视频人脸图像提取技术要求》（GA/T 1334-2016）等技术要求，人像识别摄像机主要指安装在公安检查站人行通道，车站、机场、码头等出入口或闸机，人行道、非机动车道、步行街、商业中心等重要部位出入口，能够有效限制人员通行、对于具有良好人像抓取条件的部位，应面向人员行进方向正面安装，保证良好的光照条件。

人像抓拍摄像机的架设位置应满足GA/T 922.2-2011的要求。对漏报无专门要求的场景可采用上限位置安装，视场内应避免有遮挡目标人的物体。

距地面安装高度H1应小于等于6000mm，宜在2200mm到3000mm之间；

采集设备光轴与水平线俯仰角度A≤20°，宜在0°～10°之间；距目标人实测距离L和安装高度H1满足如下图所示的要求。

其中：

L：采集设备距目标人实测距离；

H1：采集设备安装高度；

H2：目标人平均身高；

A：采集设备光轴与水平线俯仰角度。

图 卡口型人脸采集设备架设要求

3.4 安全要求更高

人工体育技术的蓬勃发展，赋予了安防监控系统更加多样化的业务功能，进一步拓宽安防市场空间，和安防监控系统一起在各行各业广泛部署。但从风险角度而言，在AI与安防融合发展的进程中，将大量非结构化视频转化为可快速检索的结构化数据，一旦网络被攻击，数据泄漏后的损失将更为恶化。此外人工体育将大量视频、图片集中到云中心，对网络带宽提出了更高要求。此类需求和风险可归类为以下3个方面：

1.现阶段大量部署的端计算设备安全风险高：暴露设备与端口数量太多、设备漏洞太多、固件更新不及时、通信协议安全性不高、数量过多无法管控。

2.监控等物联网设备已经成为新的攻击目标（僵尸网络与DDOS、远程录拍、勒索病毒、挖矿木马、APT攻击）。

3.人工体育的发展，数据被终端采集后传输汇集到集中式云计算中心，对网络实时性和带宽都提出海量级的要求，对云中心部署方案的带来了挑战，需要新的模式来适应AIoT（人工体育结合物联）。

3.5 IA和II应用不足

视频监控系统产生的数据量庞大，而且日趋多元化，包含：非结构化数据、半结构化数据、结构化数据。当前的人工体育视频大数据分析技术主要存在如下三个问题：

1.非卡口场景的视频分析算法在准确率、稳定性、计算成本等核心指标方面还有待提高，导致非卡口场景的存量视频利用率极低，目前未有效利用的非卡口视频约占监控视频总量的97%。

2.当前的人脸识别、行人识别、行为分析等视频分析技术往往是接近于实验室场景下的初级应用、数据孤立下的单点识别应用，对于全天候场景下的精准锁定，最快时间、最小成本、跨摄像机下的识别搜索，还有很大差距，真正解决客户实战问题的能力有待提高。

3.体育AI摄像机、视频结构化分析产品开始进入安防市场，产生了海量的结构化视频数据，但基于结构化视频数据的深度体育应用，如时空分析、模式挖掘、预测预警、技战法训练等尚在探索阶段，有可能形成新的数据浪费和低效投资。

4 安防中的AI新趋势

4.1 布点更易

应该说现阶段的人工体育还不够体育，导致了它的强场景化特点，限制了摄像机的部署。后续随着训练的深度神经网络模型更加体育，以及多种模型的统一，将使得摄像机布点更加容易。

4.2 云端结合

安防行业端域计算响应提高了及时性。芯片算力不断增强，提升了端和云之间数据传输效率。如此以来，端域更加注重模式识别的仿人AI计算，云上更注重IA和II计算。

4.3 端域协作计算

安防行业中视频监控系统分批分期建设的现实，导致了端域/边缘域计算能力不均匀。即便是同属一个视频监控系统的摄像机或者端设备，由于类型不同，也会导致计算能力、计算类型的不同。这样的现实逐渐演化出端域设备分工协助的产品状态，比如枪球联动、全景相机与球机联动、摄像机和体育盒子结合等多种端设备协作式计算的产品形态。

4.4 数据的多维应用

视频监控系统和物联网逐渐融合，催生出针对人、车、物的多维应用。形式有二：在数据采集端，摄像机逐渐和物联网采集融合；在大数据分析与挖掘侧，视频图像信息逐渐和物联网数据融合应用。安防系统有融入智慧城市的整个体系中的趋势。

4.5 安全性

安防系统的安全性将逐渐增强，不论是设备安全、边界安全、网络安全、数据安全、计算安全、系统安全，对安全风险的抵御能力，还是受到安全威胁后的系统的响应及容忍能力，虽然GB 35114已经颁布，《网络安全等级保护条例》即将发布，但这些标准远远不够，这只是开始，安防系统的安全性必将是下一个研究与建设的重点领域。