“人類正從IT時代走向DT時代，”2014年三月在北京舉行的一場大數據產業推介會上，阿里巴巴集團創始人馬云在主題演講中發表了他的這一最新觀點。這個被視為商界傳奇的中國電子商務創始人，同時透露了阿里巴巴未來將加大在無線客戶端和大數據平臺及人才的投入意向。馬云提出，人類已經從IT時代走向DT時代，IT時代是以自我控制、自我管理為主，而DT(Datatechnology)時代，它是以服務大眾、激發生產力為主的技術。
圖片來源：360微信
一、為什么安防會從IT轉入DT？
中國安防行業歷經2003年至2013年近十年的飛速發展，基礎設施已比較健全，包括前端海量的標清、高清監控攝像機，后端大規模的視頻存儲系統，基于視頻可視化應用的系統遍地開花，為城市治安環境及個人生活提供了可靠的安全保障。但這十年的發展，攝像機從標清到高清，從獨立到聯網，其使用方式并沒有發生明顯變化，還是以事后倒查錄像查找線索為主，需要人員快速查看和分析判斷，效益低下。轟動一時的周克華案，其視頻就耗費了上千警力進行研判分析。用戶希望他們幾年來建設的大規模視頻監控系統能發揮更大的效能，而不是一堆被周期性循環覆蓋的視頻錄像記錄。用戶的新需求，推動了安防行業向DT領域進行探索，通過利用最近幾年深度學習、大數據技術的發展成果，開展視頻內容的結構化，累積海量數據，并借用互聯網的數據分析思路，發展安防行業獨有的數據分析能力，這預示著安防行業開始從IT時代轉入DT時代。
二、進入安防DT時代，用戶的使用習慣發生了什么變化？
在安防IT時代，當發生事件時，用戶直接想到的是確認時間、地點，查看事件周邊的視頻錄像，通過快速回放發現事件線索或前因后果。而進入安防DT時代，用戶可以逐步減少倒查錄像的時間，先通過線索快速查找相似特征，如車輛、人臉等，再根據匹配到的信息去查看對應的短視頻，縮短了時間，提升了效率。還可以通過對歷史數據的分析，掌握整體態勢，根據區域的態勢特點合理安排人員及資源。用戶由被動變主動，不再局限于事后追查，已能實現實時告警及事前預警，增加了對風險的防范時間。
三、視頻結構化是基礎
從安防IT時代跨入安防DT時代，有個關鍵的變化，那就是視頻被結構化了。原始的視頻錄像雖然忠實地記錄了監控場景的信息，但這信息太豐富了，難以利用機器進行快速計算。用戶對監控場景的信息其實并不要求面面俱到，其主要的關注對象還是人、車、物、行為這四項，從用戶的需求出發，我們利用機器視覺技術，將視頻中的關鍵特征提取出來，對車輛可結構化出車牌、車型、品牌等信息，對人員可結構化出性別、年齡段、是否戴眼鏡等信息，對物品可結構化出種類、形狀等信息，行為則有跑動、聚集等。將這些結構化信息進行存儲，記錄采集的時間、地點、抓拍照片、圖像特征，為后續查詢、分析應用累積數據資源。視頻結構化是安防DT時代的基礎，通過視頻結構化才能把非結構化的視頻數據轉化為可分析的特征數據，才能為數據應用提供多種可能。
視頻結構化的實用，其實得益于安防行業這幾年深度學習技術的發展。其最有影響力的突破發生在2012年，海康威視贏得ImageNet圖像分類比賽的冠軍小組采用的就是深度學習方法，比排名第2采用傳統計算機視覺方法、手工設計特征的團隊，在準確率方面超過10%以上，引發了深度學習的熱潮。這之后，各種訓練網絡、訓練方法如雨后春筍般冒出，并隨著GPU芯片的性能提升以及海量樣本數據的增加，使得目標檢測和跟蹤、對象識別等算法快速成熟，準確率提升到可實用階段。海康威視也在嘗到技術飛速演化帶來的豐碩成果后，于2015年年初成立海康威視研究院，進一步加碼深度學習技術，利用技術進步推動產品創新，并在2015年底推出第一代“獵鷹”產品，基于GPU異構集群開展大規模視頻結構化，探索安防DT之路。
利用“獵鷹”后端產品開展大規模并行分析，相比傳統服務器堆疊，節約了機房空間，能效比更高，而其承載的深度學習算法也比傳統計算機視覺算法速度更快，準確性更高。對于目前大規模聯網視頻監控系統，“獵鷹”只要完成對接，就能源源不斷地將實時視頻轉化為結構化數據。
四、從后端到前端
利用后端進行大規模視頻結構化，在短期來看是可行的，但從長期來看，投入產出比較低，用戶投入巨大。隨著技術的成熟，帶GPU或專有芯片的前端攝像機將分擔掉主要的智能分析功能，成本逐步下降，這滿足了用戶大規模視頻結構化的成本效率期望。不具備前端智能化能力的攝像機廠商，市場會進一步縮小。平臺廠商進一步整合，只留少數自有知識產權、技術能力強的企業。而基于平臺、數據的第三方應用開發者會進一步繁榮，針對用戶需求開展有針對性的數據分析應用。就以海康威視來說，2015年底推出了后端產品“獵鷹”，隨著安防DT時代的發展，在2016年10月份推出前端產品深眸系列智能攝像機，實現從后端產品到前端產品的布局。
當然不論是前端還是后端，其對視頻進行智能分析的目的還是為了產生海量的結構化數據。有了數據才能進一步加工應用，創造出新的價值。
五、視頻數據的價值
從視頻中提取的特征數據有著重要的應用價值，特別是車輛、人臉、行為。
車輛方面，利用車牌信息，可以快速檢索車輛軌跡，了解車輛的通行規律。也可快速查找事件發生區域附近的車輛信息，逐步排查可疑線索。對于無牌車輛或頻繁換牌車輛，以車搜車技術還能就車輛外觀快速查找相似車輛進行線索追蹤。截止到2016年底，全國機動車保有量達2.9億輛，私家車總量達1.46億輛，平均每百戶家庭擁有36輛。如此龐大的機動車群體，其每天通行產生海量的軌跡數據，利用大數據技術開展全樣本分析，將給用戶呈現非常有意義的信息，幫助用戶洞察規律。
人臉方面，應用主要還是針對室內或行為人較為配合的場景，通過抓拍到的清晰人臉照片，可進行人員信息查詢、人員身份鑒別等。以生活小區為例，通過人臉采集，并累計一段時間后，就能自動建立常住人員檔案，包括業主、租戶、物業管理人員、快遞人員等等，對于短暫出入人員及可疑人員，根據其出現的時間、地點，有針對性地設置風險等級，方便管理人員加強管控。這種方式對住戶來說是非侵入式的，不影響住戶的正常生活，只是大數據分析技術在現實生活中的具體應用。
行為方面，則有別于車輛及人臉，主要是通過對視頻內容的分析，提前預判行為動作，向用戶提供告警信息，引起最終用戶的關注，包括人員跑動、人員聚集等。目前行為方面還是存在一定的復雜性，而基于活動目標數量的分析應用會更有前景一些。
六、用戶需求推動數據融合
單一數據車輛、人臉的應用見效，通過快速部署數據平臺，就能實現海量車輛、人臉數據的采集、存儲，并提供查詢、分析應用。目前這類應用在最終用戶側都取得了不俗的實戰效果。但隨著用戶實戰應用的逐步深入，就有點力不從心了，因此隨著用戶需求的提升，數據應用開始向多數據融合發展。如：車輛信息與駕駛員信息進行綁定，有利于明確主駕人員身份。也可以建立一車多人的群組關系，揭示人員關系網絡。從視頻中提取的數據，還可以與交通數據、警務數據、城市數據結合，為智能交通、智慧警務、智慧城市服務。車輛通行記錄可以作為城市交通流的重要數據來源，反映城市交通擁堵情況，與車載GPS數據、導航數據一起綜合應用，通過疏導，緩解城市交通壓力，提升城市交通運輸效率。
七、智能化是安防DT時代的催化劑
視頻結構化需要依靠智能分析技術，而結構化數據的分析應用更離不開智能技術，利用人工智能才能讓用戶擺脫數據風暴，讓數據成為協助用戶進行分析決策的基石。
人工智能是安防DT時代的用戶需求的集中體現，用戶對專業化、輔助化的需求一直存在，一個基于海量數據的人工智能專家助手將能把用戶從數據海洋中解放出來，讓用戶更聚焦在核心業務上，為用戶提供全面的評估，輔助用戶的最終決策。
有云計算、大數據、人工智能技術儲備的企業將持續獲得發展，其他企業只能向產業鏈末端遷移，通過滿足用戶個性化需求維持市場位置。
結語
安防行業必須以用戶需求為牽引，只有圍繞用戶需求開展的一切技術創新、應用創新才有生命力，才能繁榮發展。在安防DT時代，一切圍繞數據的采集、存儲、計算都是基石，都是為用戶需求服務，數據的涓涓細流匯聚成溪流、湖泊、大海，并繁衍出多彩的生命，形成繁榮的生態圈。每個企業只要找準自己的位置，都能獲得一片發展的空間。
京公網安備 11010502049343號