人工智能或?qū)⒏淖兒椭匦滤茉彀卜佬袠I(yè)

目前，AI早已成為各行業(yè)熱點關(guān)鍵詞，物理安防行業(yè)也不例外，人工智能也是一股有可能改變和重新塑造行業(yè)的重要力量。

廣義的人工智能（AI）指的是關(guān)于機器計算的智能，而非人類本身。在安防行業(yè)，我們所說的AI指的是機器模仿人類及其它生物認知功能的技術(shù)應(yīng)用，即模仿人類大腦學(xué)習(xí)和解決問題的思路和方法。

人工智能推動安防行業(yè)快速發(fā)展

當(dāng)前，計算機行業(yè)的三大趨勢正在推動人工智能的快速增長。這三大趨勢分別是：

首先，計算機硬件的崛起能夠處理復(fù)雜的計算，尤其是圖形處理器（GPU， 其使用“并行處理”模式而不是我們熟悉的CPU“串行處理”模式）?？梢酝瑫r并行處理多個計算任務(wù)，效率遠遠高于“串行”模式。而且這是一種更具可擴展性的方案：將大問題分為許多可以同時解決的小問題來處理。

其次，更有效“訓(xùn)練”系統(tǒng)編程方法的發(fā)展，特別是神經(jīng)網(wǎng)絡(luò)，它能夠與GPU并行處理同時工作。神經(jīng)網(wǎng)絡(luò)是由許多簡單、高度互連的處理單元組成的計算系統(tǒng)，通常以層的形式構(gòu)成，每層由互連的節(jié)點組成。每一層計算出的結(jié)果決定下一層的輸入。神經(jīng)網(wǎng)絡(luò)可能超過一百層，因此能夠?qū)⒋罅繌?fù)雜的數(shù)據(jù)。

第三，傳感器（包括攝像機）的激增，產(chǎn)生足夠大的數(shù)據(jù)，使系統(tǒng)能夠被有效地“訓(xùn)練”（例如“大數(shù)據(jù)”）。“大數(shù)據(jù)”的激增提供了大量的訓(xùn)練數(shù)據(jù)。而安防視頻監(jiān)控數(shù)據(jù)占據(jù)了大數(shù)據(jù)的60%，并且每年還在以20%的速度增長。這種數(shù)據(jù)的激增為人工智能發(fā)展提供了源動力，并且增強了系統(tǒng)的功能。

人工智能系統(tǒng)訓(xùn)練

在GPU上運行的神經(jīng)網(wǎng)絡(luò)中，學(xué)習(xí)規(guī)則不斷優(yōu)化調(diào)整連接的權(quán)重（重要性）; 每一層都有不同的“權(quán)重”，反映了在前一層學(xué)到的東西。當(dāng)呈現(xiàn)數(shù)據(jù)模型（例如視頻圖像）時，神經(jīng)網(wǎng)絡(luò)能夠通過分析模式判斷它可能是什么。

訓(xùn)練包括了確定初始結(jié)果與最終結(jié)果的過程，并對連接權(quán)重進行適當(dāng)調(diào)整。用高度概括性的術(shù)語說，這就是AI系統(tǒng)的“學(xué)習(xí)”方式。不過整個“訓(xùn)練”過程分為多個階段，就像過濾器一樣，每個階段的結(jié)果都引導(dǎo)通往正確分析的路徑。

深度學(xué)習(xí)是更廣泛的機器學(xué)習(xí)方法的一種類型，也是與安防視頻行業(yè)最為相關(guān)的概念。深度學(xué)習(xí)需要使用大量來自能神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)系統(tǒng)的數(shù)據(jù)（例如，視頻圖像）。

視頻監(jiān)控系統(tǒng)中的深度學(xué)習(xí)

神經(jīng)網(wǎng)絡(luò)互相連接的處理單元與GPU并行工作，它們被設(shè)計成模仿人類大腦通過數(shù)十億個神經(jīng)元分析處理問題。人工智能深度學(xué)習(xí)，正在成為新一代視頻監(jiān)控系統(tǒng)的基礎(chǔ)，賦予了傳統(tǒng)系統(tǒng)卓越的性能表現(xiàn)。

這種方法極大改變視頻監(jiān)控系統(tǒng)的有效性。在此之前，計算機已使用視頻分析算法進行編程。相比之下，深度學(xué)習(xí)系統(tǒng)才是更加“訓(xùn)練有素的”。如果你想識別一只貓，則提供大量貓的圖像，系統(tǒng)將之分解成較小的組件并尋找共性的數(shù)據(jù)。然后它就會“學(xué)習(xí)”這些案例中的共同特征。

為了最大程度地訓(xùn)練，系統(tǒng)呈現(xiàn)的數(shù)據(jù)越多，它就越精確，即“學(xué)習(xí)”到的越多。通過大量的案例數(shù)據(jù)學(xué)習(xí)，深度學(xué)習(xí)系統(tǒng)便形成相應(yīng)的識別模式。

從訓(xùn)練到推理

雖然計算機程序員也可以花費數(shù)月時間編寫指令來告訴計算機汽車長什么樣，但神經(jīng)網(wǎng)絡(luò)可以通過展示大量的示例來“學(xué)習(xí)”，不需要編程。另外，訓(xùn)練神經(jīng)網(wǎng)絡(luò)也很費時間，可能需要數(shù)小時或數(shù)天。訓(xùn)練也屬于計算密集型工作。

然而，一旦訓(xùn)練了神經(jīng)網(wǎng)絡(luò)，我們就可以用來“推斷”，協(xié)助決策，例如，判斷一張新拍攝到的圖片里面是否有貓。這使得我們能夠在諸如網(wǎng)絡(luò)視頻錄像機（NVR）之類的設(shè)備上，甚至在網(wǎng)絡(luò)邊緣的視頻攝像機中部署受過訓(xùn)練的系統(tǒng)，從而能夠快速識別目標物體，并快速做出相應(yīng)決策。

深度學(xué)習(xí)可以實現(xiàn)超人類模式識別準確性，還具備抵抗干擾性，能分類和識別數(shù)千個不同特征。例如，最新的人臉識別、車牌識別系統(tǒng)準確率都已經(jīng)接近100%，這些特性使得深度學(xué)習(xí)對視頻分析應(yīng)用具有很高的價值和意義。