智能分析可以看作是一個將數(shù)據(jù)轉(zhuǎn)化為信息的模塊。近兩年，圍繞深度學(xué)習(xí)技術(shù)，人臉視頻結(jié)構(gòu)化描述、車輛視頻結(jié)構(gòu)化描述等復(fù)合型智能分析算法開始在安防中應(yīng)用，而且越來越成熟、廣泛。
智能分析在安防領(lǐng)域的應(yīng)用
在安防領(lǐng)域中，數(shù)據(jù)的主要來源是監(jiān)控視頻，也有部分音頻、雷達、激光等數(shù)據(jù);需要提取的信息主要包括感興趣目標、事件、統(tǒng)計特征等;智能分析技術(shù)負責(zé)建立從數(shù)據(jù)到信息的映射關(guān)系。由于數(shù)據(jù)主要由視頻構(gòu)成，所以智能分析技術(shù)中常用的算法也以計算機視覺領(lǐng)域的算法為主，如前背景建模、目標檢測、分類、識別、跟蹤、特征點提取、匹配、運動估計等等。
智能分析技術(shù)可以代替人力，從視頻等數(shù)據(jù)中提取出客戶感興趣的信息。安防監(jiān)控中，智能分析技術(shù)通過電子警察、人臉識別、人數(shù)統(tǒng)計、自動跟蹤球機、主從跟蹤球機、視頻質(zhì)量診斷服務(wù)器、智能視頻濃縮、車輛二次分析等產(chǎn)品，應(yīng)用在智能交通、安防、公安刑偵、電力、金融等十一個大行業(yè)。
隨著軟硬件技術(shù)的發(fā)展，智能分析技術(shù)早已不局限在安防領(lǐng)域，而是成為人工智能領(lǐng)域的關(guān)鍵技術(shù)。在智慧城市、智能家居、平安城市、物聯(lián)網(wǎng)、虛擬現(xiàn)實、機器人等代表最新科學(xué)技術(shù)發(fā)展水平的領(lǐng)域中，智能分析技術(shù)都發(fā)揮著非常重要的作用。
在這樣的形式下，安防企業(yè)迎來了巨大的機遇和挑戰(zhàn)。一方面，安防企業(yè)對智能分析技術(shù)一直非常重視，也取得了很多成果，由于擁有海量的視頻數(shù)據(jù)，在發(fā)展大數(shù)據(jù)、深度學(xué)習(xí)、云計算等技術(shù)時具有一定優(yōu)勢，可以憑借智能分析相關(guān)軟硬件技術(shù)的積累，向其它領(lǐng)域擴展業(yè)務(wù)。另一方面，新的領(lǐng)域也將帶來更多的投入和競爭，如何通過合理的規(guī)劃來迎接這些挑戰(zhàn)，是需要不斷思考的問題。
前后端智能分析的關(guān)系
智能化作為現(xiàn)代安防發(fā)展的趨勢之一，智能前置VS后端智能分析一直是行業(yè)備受爭議的兩個方向，兩者的主要區(qū)別是：由于前端設(shè)備(主要是相機)內(nèi)的空間有限，再加上功耗、成本等因素的限制，智能前置會受硬件計算資源限制，只能運行相對簡單的、對實時性要求很高的算法;而后端智能分析(如智能分析服務(wù)器)通?？梢愿鶕?jù)需求配置足夠強大的硬件資源，能夠運行更復(fù)雜的、允許有一定延時的算法。
筆者認為這兩者其實不是對立與競爭的關(guān)系，更多的是一種合作關(guān)系，合作的目標是為客戶提供性價比更高的智能解決方案，具體過程是根據(jù)前端與后端的設(shè)計特征，將解決方案的執(zhí)行過程予以分解，在滿足智能需求的前提下，使資源利用得最充分。
從另外一個角度看，智能前置與后端智能分析包含著明顯的轉(zhuǎn)化關(guān)系，隨著芯片技術(shù)的持續(xù)發(fā)展，已經(jīng)有很多智能算法在前端實時運行了，如進入/離開區(qū)域、越界、徘徊、停車、人員聚集、快速移動、物品遺留、物品拿取、人臉檢測等。在intel最新的movidius芯片中，計算能力大幅提高，一些基于神經(jīng)網(wǎng)絡(luò)的智能算法也將在前端完成，而這在前幾年幾乎是不可能實現(xiàn)的。
對于兩者的未來，我認為在很長一段時間里兩者仍會共同存在，相互配合地滿足客戶的需求。隨著芯片技術(shù)的發(fā)展，會有越來越多的后端智能算法轉(zhuǎn)變到前端運行，但同時也會有更復(fù)雜更高級的智能算法被研發(fā)出來，并依托于后端設(shè)備運行。
智能算法存在的問題
智能分析算法受實際場景影響較大。算法在設(shè)計的時候，需要對問題進行建模，這些模型是對場景的抽象和近似，由于實際場景非常復(fù)雜，單一的模型無法準確描述，就需要假設(shè)場景滿足某些約束條件，如果這些條件與實際場景不符，算法的性能就會下降?，F(xiàn)在，深度學(xué)習(xí)技術(shù)的研究有望緩解這一問題，該技術(shù)在訓(xùn)練模型參數(shù)的階段使用了海量數(shù)據(jù)，相比傳統(tǒng)機器學(xué)習(xí)方法，包含了足夠多的場景，并且直接建立從數(shù)據(jù)到信息的映射，對約束條件的依賴較少。但是，短期來看，基于深度學(xué)習(xí)的算法仍然無法從根本上解決算法對實際場景的依賴。