| 
在公共安全领域尤其是安全防范产品技术应用领域，人工智能应用已经落地，2016年底北京安博会众多安防企业的高性能芯片+机器视觉、深度学习算法等方案的相继提出，同时在安博会上，基于GPU运算的方案、人脸识别、大数据应用等已经成为厂商的共识。那么，在安防领域当前人工智能的发展水平究竟如何?还有哪些障碍和困难需要跨越和克服?未来的发展趋势究竟如何?非常值得我们去关注与探讨。
2017年3月，“人工智能”首次写进政府工作报告，多只人工智能概念股在两会期间也表现抢眼。安防领域主要是以视频为核心数据，通过视频的直观展现实现安防实际需求，随着安防领域视频的逐步增多，已经无法通过人眼进行实时浏览和监看，此时通过对非结构化视频数据的结构化描述，达到快速定位视频兴趣区域，快速检索查找的目的，实现类似人类大脑一样的数据分析与信息碰撞，形成安防领域的行业数据应用。所有这些将会极大提升视频安防领域应用前景，为人工智能在安防领域拓展多种机遇。
安防是人工智能最具市场空间的应用领域
视频是安防领域内应用最多的数据，而视频结构化描述又是人工智能最直接的表达方式，随着国家对维稳的重视，视频结构化描述面临爆发的增长模式，因此人工智能在安防领域最具市场空间。
安防领域的人工智能主要集中在人、车、行为的分析识别上，不同的目标有着不同的识别算法。对于人的人工智能主要包括人脸识别和行人识别，人脸识别特征，如性别、年龄、民族、眼镜、笑容以及人脸特征数据，行人识别特征，如背包、挎包、拉杆箱、裙子、帽子、伞、头发、围巾等。当前的安防领域人脸的应用，对于定点的，按照人脸抓取要求条件安装的摄像机可实现落地应用，对于通用的安防类摄像机，其应用水平将大打折扣，不适合落地。
而对于行人特征识别受到摄像机分辨率、光线以及角度的影响，在当下的技术水平尚无法实现高精度的人体识别。车辆特征化比较成熟，在卡口/微卡口系统中基本做到落地实用，但是在治安摄像机，其精准度受到光线和角度的影响，精准度快速下降，无法达到落地实用。异常行为，如绊线、区域、遗留等可实现落地使用，其他如徘徊、聚集、火焰等需在特定场景下才可落地实用，通用场景尚无法落地实用。
深度学习与高效计算奠定技术基础
目前支持人工智能在安防领域内得以落地的关键技术就是深度学习与高效计算。众所周知，由于深度学习的出现使得人脸识别技术得到突飞猛进的发展，由原来的实验室阶段一跃成为现场可使用的技术，但是深度学习带来的另外一个负面效应就是超大计算量。由于传统的CPU不适合并行的图像运算，使得人脸的解决方案面临高昂的代价，而GPU(或TPU)等高密度计算的出现极大地缓解了深度学习对计算资源的需求，使得人工智能最终实现落地。
人工智能在安防领域面临的挑战
尽管人工智能的应用已是大势所趋，但就当前的行业应用现状来看，人工智能在安防领域的应用仍然存在相关技术限制，首要的挑战便是技术的普适性，如光线、分辨率、环境等的影响。以人脸为例，按照人脸采集标准设立的摄像机与普通的治安摄像机在捕捉人脸的数量和质量上存在巨大差异。其次是技术计算需求，我们知道人工智能需要大量的机器运算，这对系统建设和维护都提出了较高的要求。当前流行的CPU(i7)只能处理3-4路1080P分辨率下的人脸捕捉与特征化，如果要进行大量的人脸采集入库，则需要大量的计算资源。现在很多公司为了提高计算效率，采用GPU，但是如何保证GPU7X24不间断稳定运行，仍是横亘在各家公司面前的难题。最后在市场上，人工智能当前还处于应用前期，这注定其处于较高的价位，如要进行大面积应用，必然会对其价格提出较为适宜的要求。
当然，随着人工智能在安防领域的大面积应用，必然会催生更加适合应用场景的技术创新，使得人工智能能够适应多种应用场景，真正实现落地实用。 |
