□ 文 /吴参毅

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

各安防厂商产品 AI 化已经是当前不争的事实，同时也成为各厂商的新战略高地。自从2012年人工智能在安防行业逐渐深入落地这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。安防行业的 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、大规模结构化和半结构化视频信息检索这几个方向等方向。

按照应用场景来看，人工智能在安防行业的应用主要分为卡口场景和非卡口场景。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。卡口场景约占视频监控摄像机总量的 1%-3%，剩余的均为非卡口场景监控视频。

严格说来，上面所说的人工智能（AI）不是严格的学术名词，在安防企业界，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声称，目前常用AI有三类：

仿人人工智能（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、游戏人工智能。

智能增强（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。

智能基础设施（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。

现在安防行业的AI应用主要属于仿人AI，IA和II方面的应用还很少。

安防中的AI应用

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中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”系统应用于啤酒节安保，并成功抓获网上逃犯 25 名，吸毒人员 19 名，当场还抓获了 5 名扒手，并且驱离扒窃前科人员 32 名。

另外，通过人脸识别系统还可以查询人员行走轨迹，可以借助人脸识别系统寻找走失老人、儿童等，实现便民服务。

宇视科技推出的“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，可实现20像素瞳距人像抓拍。

人脸身份验证

人脸身份验证属于卡口场景应用，人脸白名单应用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，防止通过照片、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。

宇视科技推出的“潼关”系列人脸速通门已经在全国开启多场景规模部署，识别率达到99%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。

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、 效果最明显的技术之一。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基于车牌的车辆识别应用阶段，发展到车型识别、套牌车识别等精准的车辆识别应用阶段。

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，视频结构化业务功能是对视频中的机动车、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智能检索。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到看懂的阶段。

宇视科技的“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。

行为分析

行为分析可辅助安防应用。 通过行为分析系统对人员的异常行为进行分析处理，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进行报警，极大提升了视频监控的应用效率。另外，还可以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。

安防中AI应用限制性

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

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。

设备本身由于产品性能、算力性能等多方面要求造成布置成本较高；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则进一步叠高了“安防+AI”落地的成本。

场景限制高

人工智能算法的泛化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，或者从设计上将智能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，如智能交通中的过车及违章抓拍、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，影响人工智能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。

布点困难

人工智能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、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，具有良好的光照条件。

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。

▲图1 卡口型人脸采集设备架设要求

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应小于等于20°，宜在0°到10°之间；

距目标人实测距离L和安装高度H1满足如图1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。

安全要求更高

人工智能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，将安防监控行业的市场空间进一步拓宽，使安防监控系统在各行各业得到广泛部署。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；另一方面人工智能将大量视频、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：

现阶段大量部署的端计算设备安全风险高：暴露设备数量太多、暴露端口太多、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 。

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）。

人工智能的发展， 数据被终端采集后传输汇集到集中式云计算中心，网络实时性和带宽都带来量级的要求， 对云中心部署方案的带来了挑战， 需要新的模式来适应 AIoT。

IA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、半结构化特征数据以及结构化数据。 当前的人工智能视频大数据分析技术主要存在如下三个问题：

非卡口场景的视频分析算法在准确率、 稳定性及计算成本等核心指标方面还有待于提高， 导致非卡口场景的存量视频利用率极低，目前没有有效利用的非卡口监控视频约占监控视频总量的 97%左右；

当前的人脸识别技术、 行人识别技术、 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，距离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， 还有很大的差距，真正解决客户实战问题的能力还有待于提高；

智能 AI 摄像机及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智能应用，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。

安防中的AI新趋势

布点更易

应该说现阶段的人工智能还不够智能，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智能，以及多种模型的统一，将使得目前的摄像机布点更加容易。

云端结合

安防行业端域计算响应的及时性，芯片算力的不断增强，提升端和云之间数据传输效率，这样端域注重模式识别的仿人AI计算，云上更注重IA和II计算。

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/边缘域计算能力的不均匀。即便是同属于同一个视频监控系统的摄像机或者端设备，由于类型的不同，导致了计算能力、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、 摄像机和智能盒子结合，等等多种端设备协作式计算的产品形态。

数据的多维应用

视频监控系统逐渐和物联网的逐渐融合，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上，视频图像信息逐渐和物联网数据融合应用。安防系统逐渐融入智慧城市的整个体系之中。

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，还是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以及容忍能力，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。