[摘要] 圖文解析傳統智能與深度智能應用的區別

伴隨著AI在安防視頻監控的深入應用，圍繞著智能安防的核心-精準識別目標(人、車、物、行為......)、高效視頻結構化(提取目標詳細信息并標簽化)為安防實戰輸出有效數據信息，基于深度學習的算法和底層技術架構為傳統意義上的智能安防帶來了更深層次的應用，推動著現有智能安防升級到更高階的產業層次。

一、深度智能第一層：深度學習帶來機器學習方式的改變

視頻智能分析技術一直是各大科研院校、安防企業的核心研究領域，但是在過去傳統的智能分析技術由于算法是人來根據不同的場景和應用需求進行設計，在適應性上需要人來不斷的來改善和提升，所以表現出在特定的環境下表現出良好的性能，但是一旦環境等因素發生變化，傳統的智能分析算法在應用上的性能就會降低。

傳統智能分析算法存在不可突破的局限性，限制了智能分析技術的進一步發展，直到2012年之后，隨著深度學習算法的突破，引起了工業界的廣泛關注，同時得到了安防廠商的青睞。深度學習作為一種技術思想，其理論和技術本身并不是一種新鮮事物，但是隨著硬件計算能力的突破和海量數據的積累，深度學習在各個領域的智能應用取得重大突破。深度學習解決了一些傳統智能算法無法解決的問題，而且輸出結果會隨著數據處理量的增大而更加準確，使得機器學習能夠實現眾多應用。目前各種相關的智能算法，都可以使用深度學習實現，深度學習拓展了人工智能的領域范圍，提升了智能程度。

深度學習最成功的應用領域是計算機視覺，深度學習開啟了視頻智能應用的新篇章，其價值主要體現在應用深度和廣度等方面。

(1) 應用深度方面

相比傳統的智能視頻分析算法，深度學習算法可以大幅提升智能算法分析性能，提高視頻智能應用水平。例如，人臉識別在安防領域還沒有達到理想的效果，利用優化的深度學習模型結合海量數據，可以訓練出泛化能力更強的模型，大幅提升人臉識別的準確率，從而提升人臉識別智能應用水平。

(2) 應用廣度方面

相比傳統的智能視頻分析技術，深度學習可以克服其靠人工選擇特征和淺層學習的局限性，可以完成傳統智能視頻分析技術很難完成或者不可能完成的任務。例如，對于大流量人群分析任務，使用深度學習技術，通過大量數據樣本分析，讓計算機自行學習人和其他目標的區別，運算出能顯著標識人的一層層特征信息，有效突破光照突變、背景復雜、人體部分遮擋等傳統技術的難點，使得以前很難實用的大流量人群分析變得實用化，擴大了智能視頻分析的應用范圍。

總之，深度學習技術可以取代傳統的智能視頻分析技術，提升智能應用的水平，拓展智能應用的領域范圍。

二、深度智能第二層：前后端智能系統功能疊加

簡單來說，智能安防也好，深度智能安防也罷，其核心目的主要是為了通過“聰明”的機器自主完成對復雜的視頻畫面中的人、車、環境的目標分析識別和信息提取。深度學習算法和底層技術架構賦予了視頻監控系統(攝像頭、服務器、平臺)“聰明”的能力，那么，如何實現這種能力的最優化，還取決于核心設備應用的組合。

當前業內領先的智能安防廠商陸續發布基于深度學習的智能安防產品，包括前端嵌入式智能攝像機、后端高性能智能視頻結構化分析服務器、綜合智能分析管理平臺等產品，不過，大多數廠商都只擁有單一的深度智能設備或通用型的產品，盡管基于深度學習的智能單品擁有高超的性能，但受限于組合系統中其他設備的局限性，仍然會影響到系統整體的性能發揮。

為了真正實現安防監控的深度智能，安防龍頭海康威視自2016年起即連續推出了其從前端到后端完善的深度智能產品線，并且圍繞著人、車兩大關鍵的目標，針對性的進行了前后端的產品組合配套，實力詮釋深度智能的實戰效果。

　　人臉卡口、人臉布控場景　　

交通卡口、電警車輛布控場景

三、實戰場景效能對比

場景一：尋人(人臉識別+人臉大數據)

公安實戰應用場景中，很多時候的業務核心最終都聚焦在對目標人物的查找上面，走失的老人、小孩，或者犯罪嫌疑人之類，這里我們以海康威視專業的人臉攝像機和后端臉譜服務器的組合應用為例。

GIF圖:海康威視某人臉系統實時抓拍比對實景圖

場景二：車輛識別(車輛檢索+車輛大數據)