『安防+AI 人工智能工程化白皮书』集合了中科院自动化所、浙江 宇视科技有限公司的技术专家及行业专家的研究成果、实践经验。本报告从当前 人工智能技术与产业发展的背景、智慧安防生态圈、智慧安防典型应用、智慧安 防规模化应用存在的问题，以及智慧安防未来趋势等五个维度，系统梳理总结了 当前安防+AI 的发展现状，尤其重点分析指出了智慧安防领域存在的八大限制性 因素，以及智慧安防的八大新的发展趋势，供学术界及实业界的学者、专家参考。
第四章智慧安防规模应用的八大限制性因素 24 4.1成本高昂 25 4.2算法场景限制高 26 4.3布点困难 27 4.4网络和安全要求更高 28 4.5深度应用不足 30 4.6系统性顶层设计 31 4.7缺乏行业标准与评估体系 32 4.8用户学习与组织保障成本更高 32 第五章八大新趋势造就智慧安防新未来 33 5.1工程的科学布点 33 5.2产品的云端结合 33 5.3A|分布式计算 35 5.4数据的多维应用 36 5.5数据和网络安全 36 5.6下一代人机交互技术 39 5.7系统设计及项目实践能力不断提升 39 5.8非卡口存量视频逐步应用 40 参考文献 42 意见征集和互动 43 版权声明 47 研究与撰写团队 47 前言 近年来,人工智能迎来了第三个发展高峰期。在计算、大数据、深度学习等 技术的综合作用,人工智能技术得以大幅度提升。在很多应用领域,人工智能 被给予很大期望,最乐观的预期认为可以带来人类文明的第四次工业革命。过去 几年里,中国公共安全视频建设经历了飞速发展的黄金时期,适逢人工智能技术 取得突破性进展,以人脸识别为代表的人工智能(主要是机器视觉)在安防行业 迅速落地,诞生了一系刎初具成效的应用,也存在虚张声势的营销。 批评者指出,人工智能当前的主要矛盾,是业界的营销能力和PPT水准,远 远领先于用户的真实需求和实战准备;人工智能序幕揭开,算法仍有很多发展空 闾,对于算法落地难、实战差,工程化是今后要解决的问题。实饯者认为,仼何 项技术,其生命力由商业化应用的程度决定,只有将技术转化为宀品,形成解 决方案,最终转化为用户的有效利用,才能形成技术和价值的良性循环。 在顶层设计方面,中国政府对人工智能发展战略的高度重视。自2015年6 月以来,中国密集发布了7项关于人工智能的政策与规划,并倡导将人工智能技 术应用于公共安全领域,进行技术创新、产品创新和应用创新 在技术创新层面,传统的安防企业、新兴的AI初创企业,都开始积极从技 术各个维度拥抱人工智能,在模式识别基础理论、图像处理、计算机视觉以及语 音信息处理展开了集中研究与持续创新,探索模式识別机理以及有效计算方法, 为解决应用实践问题提供了关键技术,具备了原创性技术的突破能力。 在产品应用层面,很多企业推出了系列化的前后端AI安防产品,理论上满 足了许多典型场景下的实战应用需求。人工智能技术的不断进步,传统的被动防 御安防系统将升级成为主动判断和预警的智慧安防系统;安防从单一的安全领域 有望向多行业应用、提升生宀效率、提高生活智能化程度方向发展,为更多的行 业和人群提供可视化、智能化解决方案。 智慧安防的技术基础和产品化已趋成熟,因此在下一阶段的命题就是如何系 统化规模部署。挑战与机遇并存,从技术手段的不断革新到宀品形态的成熟落地, 智慧安防仍然面临众多难题,诸如成本高昂、工程化布点困难、算法场景局限大、 缺乏深度应用、缺乏系统性顶层设计、缺乏满足实战应用的行业标准与评佔体系 等。能够在多大程度上解决这些问题,关系着智慧安防宀品和方案能否真正的落 地生根 安防+AI前景可期,久久为功。国内的学术界及实北界积极尝试将人工智能 应用于安防领域,正视问题,研宄方法,实践中总结改进,稳健推动安防行业的 第三次升级。『安防+AⅠ人工智能工程化白皮书』集合了中科院自动化所、浙江 宇视科技有限公司的技术专家及行业专家的研究成果、实践经验。本报告从当前 人工智能技术与产业发展的背景、智慧安防牛态圈、智慧安防典型应用、智慧安 防规模化应用存在的问题,以及智慧安防术来趋势等五个维度,系统梳理总结了 前安防+AⅠ的发展现状,尤其重点分析指出了智慧安防领域存在的八大限制性 因素,以及智慧安防的八大新的发展趋势,供学术界及实业界的学者、专家参考 由于编写时间仓促,木报告存在一定的不足,欢迎业内各界人士批评指正; 作为一个开放系统,也欢迎其他国内外的机构和企业加入汇聚自己的经验智慧。 中科院自动化所、宇视研究院报告团队 2018年11月于乌镇 第一章背景 11从自动化迈向智能化时代 人工智能始于20世纪50年代,至今大致分为三个发展阶段: 第一阶段(20世纪50年代—80年代):形成了基本的人工智能,但还远 远不及智能化水平。符号主义理论快速发展,一些基础的算法理论得到证明。计 算机的出现,人工智能的实际应用具备了硬件条件;但是硬件设备的计算能力极 为有限,难以处理复杂性更大的计算任务。 第二阶段(20世纪80年代——90年代末):专家系统得到快速发展,数 学模型有重大突破。计算机从完成单纯的数学和逻辑运算,演变为执行知识库的 臼动化工具。这一阶段的专家系统需要人们把知识总结后灌输给计算机,计算机 只能按规则应用这些知识,无法从数据中自行获取知识。 第三阶段(21世纪初—一至今):随着大数据的积聚、算法理论的革新、计 算能力的提升,尤其是深度学习技术的发展,机器实现了分析数据,从而自动学 习出知识能力。 从人工智能的发展历程来看,深度学习(深度神经网络)推动了木轮人工智 能的发展,本质上是多层次的人工神经网络算法,即从结构上模拟人脑的运行机 制,从最基本的单元上模拟了人类大脑的运行机制。当前基于深度学习的人工智 能技术架构下图所示: 图1:人工智能发展历终6大时期,深度学习推动本轮发展 人工智能的发展历程 起步 反思 应用 低迷 稳步 莲勃 发展期 发展期 发展期 发展期 发展期 1发展期 人工智能任务失败1专家系统谝地开花 多项研究1互联网推动人工智等1函度学习与 诞生日标落空1人T智能转向实用 发展慢不断创新和实用y大数据兴起 带来了人工 智能的爆发 195619601970 1980 1990 2000 2010 机器定理1定理证明 专家系统 1物联网 证明 发展乏力 医疗专家系统MYC|N 发展乏力 深蓝战胜国际象棋冠军1大数据 化学专家系统 DENDRAL IBM提出智慧地球1 程序机器翻译她质专家系统 PROSPECTOR神经网络 智能跳棋 笑话百出 研究受阻 我国提出感知中国 1.2三个框架奠定产品化基础 从人工智能的技术架构来看,得益于基础硬件的强化与软件框架的优化,使 这一轮人工智能的爆发式増长得以实现。而基础应用技术的进一步研发则使人工 智能从抽象技术实现了向可及性产品与服务的转变 1数据来源:《中国科学院第十九次院士大会报告》 图2:基于深度学习的人工智能技术架构得益于软硬件的优化 基于深度学习的人工智能技术架构 行业应用 口口 平台及服务 基础应用技术 智能语音 自然语言机器视觉 其他 软件框架 Tensor flow MXNet caffe CNTK Paddle Paddle 基础硬件 CPU GPU FPGA ASIC 基础硬件层为算法提供了基础计算能力。涵盖GPU、CPU、FPGA、ASIC。 2数据来源:《人工智能发展白皮书技术架构篇》 5 图33:基础硬件提供基础算力,四大类硬件各有特点 四大类硬件特点比较 类别 GPU ASIC CPU FPGA 1、可多达上千个简1、需求确定后可进1、通用性强; 1、电路级别的通用性; 单核心,上千个并行专门优化设计,2、核心复杂程度高;2、可编程性 行硬件线程; 优秀的功耗控制;3、串行运算能力强,3、适用于开发周期较 特点 2、并行运算能力,3、性能稳定,可靠单线程性能优化;短的OT产品、传感器 浮点运算能力强大;性高; 4、晶体管空间用于数据预处理工作以及小 3、最大化浮点运算 复杂并行性指令 型开发试错升级迭代阶 数据吞吐量。 (Complex ILP) 段; 软件框架层实现算法的模块化封装,为应用开发提供集成软件工具包。该层 涵盖氾围包括针对算法实现开发的各类应用及算法工具包,为上层应用开发提供 了算法调用接口,提升应用实现的效率。 算法框架是人工智能核心生态圈建立的关键环节,是决定人工智能技术、产 业、应用的核心环节,是人工智能核心生态圈建立的基础和关键。 3数据来源:微软 build、谷歌官网、天风证券研究所整理 6 图4:国内外人工智能企业应用技术分布,计算机视觉占比较高 国内外人工智能企业应用技术分布 3%6130 19%.19%6 4,39% 20%,20 46%,45% 49014% 国内 国外 22%6,22% 28%,28% ■视觉■语音■基础硬件■自然语言处理 前人工智能的商业化实现主要是基于计算机视觉、智能语音、自然语言处 理等基础应用技术实现,并形成了相应的产品或服务 目前国内外人工智能企业应用的技术主要是计算机视觉和智能语音语义两 个方面。 自然语言是人与人沟通交流最主要的手段。智能语音语义的核心是研究人与 计算机直接以自然语言的方式进行有效沟通的各种理论和方法。自然语言处理技 术仅在特定领域取得了较好的应用,鲁棒性存在大量挑战,学术发展和产品应用 上都有非常大的空间。 4数据来源:《中国人工昝能发展报告2018》