純中心分析模式存在問題
帶寬壓力。中心分析模式下，傳輸的是7*24小時不間斷的實時視頻流。智能分析需要較高清晰度的視頻，單個200萬像素高清攝像機即使采用最新的H.265編碼，每天需要傳輸的數據量仍然高達20G左右。前端攝像頭數量達到一定規模時，對傳輸和存儲的壓力巨大。而在前端抓拍+中心分析模式下，傳輸的是圖片流，僅在有人臉抓拍圖片的情況下才需要占用帶寬，極大地節省了帶寬和存儲資源。
實時性。在一些應用，比如對重點人員布控預警中，要求系統有很高的實時性。中心分析模式下人臉識別、人臉建模比對等都依賴于中心服務器。但在大規模部署前端的情況下，中心服務器壓力巨大，計算資源的限制影響了實時性。根據海康威視的實測數據，純中心分析模式下，報警延時在15~20s，而前端抓拍+中心分析模式下，報警延時不超過3s。
準確度。中心分析模式下，前端設備傳輸到服務器的視頻流是經過編碼壓縮的，損失了很多細節，也因此影響了識別準確度。而前端人臉識別基于壓縮前的原始碼流分析，避免了壓縮的損失，提供給中心的圖片質量更高，是保證系統準確度的關鍵因素。
邊緣計算帶來的優勢
隨著邊緣計算興起，“云邊結合”方案漸成主流。與將數據放在遠程云端的云計算相比，邊緣計算是指在靠近物或數據源頭的一側，采用網絡、計算、存儲、應用核心能力為一體的開放平臺，就近提供最近端服務，優勢在于即時性強、反應迅速、低傳輸成本。預計到2020年將有超過500億的終端與設備互聯，未來超過50%的數據需要在邊緣側分析、處理和儲存。這一趨勢對前端設備的計算能力提出了高要求，直接反映在對前端芯片的需求升級上。
具體到視頻監控領域，具備智能計算能力的智能攝像頭將大大提高視頻處理及時性、節約帶寬和人力成本。視頻監控系統是一種天然的物聯網系統，在邊緣計算的應用方面還有很大的潛力。攝像機作為機器的眼睛，已經實現了從“看得見”到“看得清”的轉變。如果攝像機能夠“看得懂”，實現對視頻圖像內容的實時處理，將能夠極大地降低信息傳輸系統和后端設備的負擔，并提升整個安防系統的響應速度。
比如在人臉識別應用當中，通過前端抓拍+中心分析的前后端智能相結合的模式，將人臉識別智能算法前置，在前端攝像機內置高性能智能芯片，通過邊緣計算，將人臉識別抓圖的壓力分攤到前端，解放中心的計算資源，以集中優勢計算資源做更高效的分析。
云邊結合成趨勢
云邊結合的趨勢下，前端智能芯片迎來更大機會。由于云邊結合的原理是將智能算法前置，通過邊緣計算，將人臉識別等應用的抓圖的壓力分攤到前端，解放中心的計算資源。因此，需要在攝像機內布置高性能智能芯片。
目前的主流方案是采用GPU，如NVIDIA的JETSONTX系列嵌入式芯片(海康深眸);也可使用高通等的通用芯片，搭配特定算法進行圖像抓取(蘇州科達);還可以用IPC芯片搭配專用協處理器的方式(北京君正T20+T01方案)。云邊結合的趨勢為芯片廠商打開了新空間。
在去年12月底，召開的華為智能計算大會上，華為智能計算業務部總裁邱隆指出，華為智能計算將結合華為的四大能力，通過芯片和技術創新，來滿足客戶期望的算力，通過云邊協同的架構和高帶寬、低延遲、無縫的網絡覆蓋實現數據的協同和互通;通過一體化解決方案來降低人工智能使用的門檻，讓AI更簡單，像使用水電一樣便利。
目前，安防行業中云邊結合正在逐步落地，海康威視在2018年一直大力倡導AI Cloud架構，該架構由云中心、邊緣域、邊緣節點三部分構成，實現從端到中心的邊緣計算+云計算，使得圖像目標細節傳輸更高效，數據分級應用更加靈活。
京公網安備 11010502049343號