浅析十三五规划下智慧城市安防智能化技术

□ 文/毛 敏

浅析十三五规划下智慧城市安防智能化技术

□ 文/毛 敏

随着安防监控行业的不断发展，前端设备的高清化，每天有大量的数据源源不断地产生并且不断地被更新覆盖，传统的通过人力对大量数据进行分析的手段已无法应对当前的海量数据，此外，如此巨大的信息量，包含着巨大的冗余信息，所谓的“视频结构化”，即在视频中提取行业所需要的关键目标，并对关键目标的特征进行获取，以便于后续通过计算机进行海量分析。

针对安防领域，当前主要关注的目标是视频中的人和车，视频结构化的优势在于能够快速分析海量视频信息，节省存储，并可支持语义查找，从而解放人力。然而“视频结构化”的概念很早就被业界所提出，但直到近两年才得以在实际的场景中使用，其主要原因在于算法及硬件平台的开发不够完善，例如：传统的人脸识别算法需要输入150*150ppi以上的图像才能进行有效识别，因此导致算法在多路及实时性方面受到了严重的限制，一台服务器只能支持十几路图像同时传输，此外，传统的算法无法对目标的信息进行精确地结构化。例如：对行人而言，无法获取（性别，年龄段，上下衣着颜色，眼睛，背包，拉杆箱，打伞，姿态及方向等的特征），对车而言，则无法获取（年检标，遮阳板，挂饰，纸巾盒，副驾，是否打电话，是否系安全带等），因此无法有效的对目标人物进行检索。

近年来，由于深度学习的不断发展，针对图像的分类及检测技术取得了关键性的突破，得益于深度学习所具有的高精度及对场景的宽适应性特点，当前已经可以实现对100*100ppi以下的人脸图像进行检测，另一方面由于GPU的迅速发展，算法的并行处理能力得到的巨大的提升，目前对车辆的信息分析可支持80路1080P，对活动目标分析可支持最高40路1080p。由于能提取到更多的信息，因此支持矢量化的精细特征检索，从而有效减少搜素空间，另一方面，由于深度学习的优势在于自动学习有效特征，因此基于该技术的以图搜图算法已经到了实用化的阶段。总的来讲：深度学习相比与传统的算法（SVM，AdaBoost等）具有更高的精确度及场景泛化能力，此外，由于其硬件平台为GPU，其可以轻松对多路数据进行实时处理。

基于深度学习的智能视频解决方案其效果优劣取决于训练数据的规模，大华作为国内领先的AI安防企业拥有海量的专业数据源，从安防产品化来看，深度学习及其相关的硬件只是整个产品中的一个环节，大华具有整套智能视频分析的解决方案，其中每个模块都有专业的技术人员进行优化，相比于其他软件技术提供商，大华更了解实际的业务需求，并能根据该需求提供专业的解决方案。

作者单位：浙江大华技术股份有限公司