专访苏州科达科技股份有限公司市场总监刘志强
人工监控存在的诸多问题促使了视频智能分析技术的出现。早期，受限于前端芯片计算性能，智能运算几乎都在后端进行，但随着前端芯片性能的提升，越来越多的智能化功能逐渐向前端转移，更多的前端智能摄像机正在研发以及应用。
那么，相比于智能分析“后置”，“前置”智能分析有哪些优势？随着智能前端产品逐渐成熟，前端智能分析产品市场应用情况如何？本期，本刊邀请到苏州科达科技股份有限公司市场总监刘志强，请他来为我们详解智能分析前置化进程中遇到的问题。
《中国安防》：智能视频分析为什么会向前端采集设备转移，感知型摄像机出现的诱因和背景是什么？
刘志强：随着视频监控的日益普及，视频资源正变得越来越庞大。面对这些视频，如果我们还是采用“人海战术”来查阅，结果只会导致构建的监控前端越来越多，效率却越来越低。所以，如果能将视频图像转换成计算机能够识别的数据并做出关联分析，由计算机代替人去查找目标，那么所有的问题将迎刃而解。
智能分析服务器的诞生，使得这个目标跨出了第一步：前端摄像机采集视频信号，后端由智能分析服务器进行分析并提取视频中有价值的目标信息，最后生成结构化的数据。但是，受性能限制，当前主流的服务器一台也只能同时分析6路～8路高清视频，如果要实现2000路智能分析，至少需要动用250台服务器。面对平安城市几千路到几十万路不等的监控点规模，成本之高不容忽视。因此，业内便产生了将智能分析算法移至前端的想法。
智能前移可以让前端摄像机具备分析能力，其成本又可控，无疑将推动智能分析在平安城市建设中的规模化应用。但是，前几年市场上就有具备智能分析能力的摄像机，只能提供一些基础智能功能，如入侵检测、区域防范等；摄像机输出信息也非常简单，只是告警开关量信号，无法识别、描述画面中的内容，不能达到真正的“智能”效果，实战意义不大。所以说，人们的需求逐渐慢慢转变成了真正有智慧的IntelligentIPC，这才是真正意义上的“智能分析”。于是，真正具有前端智能感知能力的摄像机应运而生了。
《中国安防》：智能视频分析功能在前端采集设备上或后端服务器都可以实现，您觉得智能分析技术“前置”与“后置”各有怎样的优势，在各领域或场景应用中应该如何选择？
刘志强：后端智能实现方式是由普通摄像机采集视频信号，由后台进行存储，再通过后端智能服务器进行分析，最终将分析结果返送至存储设备中。这种部署方案的最大问题是带宽受到制约，后端分析需要大量占用带宽传递数据，从而使得后端分析出现延时甚至数据的丢失，影响运算结果；同时后端智能分析设备的动用量相当大，成本很高。但是，由于后端模式可以方便排除故障，可以有效地解决存储容量的压力；同时采用后端方式，可以节省很大一批模拟摄像机转数字摄像机的成本投入，而只需要对服务器进行智能化升级即可，选择后端明显具有极高的成本优势。
而将智能前移，在摄像机中就可以完成目标识别、特征描述以及图片抓拍工作，这样后端就节省了大量的智能分析服务器。可以说，智能前置摄像机是智能分析经济性和规模化部署的基础。
当然，智能前置摄像机指的是可以执行复杂智能算法的摄像机。智能前置摄像机识别的是目标的特征，是内容，而不是简单的告警信息，最关键的是可以将图像信息生成语义描述，连同抓拍的目标快照、原始视频一起上传至后端。这类的前端智能可以收集海量的特征信息，在大数据平台下可以开展一系列实战化的应用，进而在智慧城市、智能交通等领域发挥巨大作用。它可以担任起物联网世界中视觉传感器的角色，使我们不仅能从单个摄像机中识别内容做出判断，还能从海量的监控数据中，做出深度分析和挖掘。但是，目前来讲，这种智能前端摄像机技术还有待进一步成熟，才能更适应更加苛刻的监控要求。
当然，对于已经建设完成的监控系统，如果前端采用的不是感知型摄像机，但图像还需要进行一定的智能分析的话，一般就采用后端服务器的方式，毕竟这样可以节约一部分成本。但是针对城市道路、交通卡口等重点场所，视频数据较多，提取次数频繁，所以，为了获得更详细的车辆特征信息，可以考虑均部署智能型前端，以方便数据随时调用与研究。
《中国安防》：目前的智能分析摄像机可以实现哪些功能？在哪些市场领域智能分析摄像机需求较为强烈？
刘志强：根据监控场景和需要识别的内容，笔者所在企业重点攻关了三款智能感知型摄像机：特征分析摄像机、车辆卡口摄像机、人员卡口摄像机。实际应用过程中，单个场景的目标特征提取都是在前端完成，这些数据处理完成后将送到后台大数据库，通过调动很多的节点，同时来做分析。目前，平安城市、智能交通、监狱监所、商业零售、出入口管理这些领域对感知型摄像机的需求较为强烈。越来越多的行业开始关注智能视频分析的应用，他们希望通过智能视频分析技术来提升对庞大的视频数据的查询与分析效率。
通过与智慧城市大数据平台的结合，感知型摄像机已经在智慧城市中取得了众多的应用：实时布控、基于语义的智能搜索、高危人员比对、人脸照片搜索、全身像搜索、人像多点碰撞、车辆以图搜图、车辆多点碰撞……
更进一步，未来，如果基于大数据平台对感知型摄像机上传的海量视频、图片以及结构化信息可以进行深度挖掘，我们还能发展公共安全管理、城市交通管理、社会管理以及应急管理等方面的应用。
《中国安防》：贵公司分别将特征分析、车辆、人员作为主要因素推出了三类感知摄像机，而不是一种更集成的智能前端，我们是否可以认为，目前来讲前端智能只能“各自为战”？
刘志强：先介绍一下三个系列感知型摄像机的区别：
特征分析摄像机适用于相对开阔的场景，能在较为宽广的画面中捕获人、车、物等目标，并准确识别出目标的类型、大小、颜色、方向、速度，然后生成语义与图片信息。
车辆卡口摄像机专门针对车。虽然特征分析摄像机也能识别车，但其主要应用于视野较大的场景，难以识别车牌、车标等更具体的特征信息。而专用的车辆卡口摄像机不仅能够准确抓拍和识别车牌信息，还能准确识别车标、车型、车身颜色等更丰富的车辆特征。
人员卡口摄像机专门针对人。同样的，虽然特征分析摄像机也能识别人，但其主要应用于视野较大的场景，难以准确抓拍人脸及识别更丰富的人员特征信息。人员卡口摄像机通过视野较小的断面视频，能够准确抓拍人脸照片，专用的人员卡口摄像机还能抓拍人的整个轮廓，同时还可识别人员行进的方向、速度等特征。
虽然这三类摄像机功能和应用场景不同，但并不是“各自为战”的关系，实际上，也不可能有一款智能摄像机能够通用于各种场景。在实际的部署中通过合理规划，这三类感知型摄像机是相互配合互为补充的关系。比如，平安城市的点位规划中，如何真正实现一个断面的人、机动车、非机动车的全封闭，如何对通过该断面的所有人车目标进行识别，就需要人员卡口/车辆卡口两类摄像机的分工配合，保证一个对象，无论是开车、骑摩托车、电瓶车、自行车还是步行，无论是在机动车道上，还是在非机动车道或人行道上，都可以被拍下来。
《中国安防》：能否为我们列举一下贵公司前端智能分析摄像机的应用实例，与公安系统深层次应用主要体现在哪些方面？
刘志强：公安是一个最典型的应用行业，因为它有大量的场景和记录的需要。通过感知型摄像机和大数据平台的应用，能够做到视频信息多点碰撞、以图搜图（搜车或搜人），车辆多点碰撞，人脸多点碰撞等，这些都是公安行业比较实战化的应用，对于案件的迅速、准确侦破很有帮助。目前，我们在全国铺了50多个大数据平台，基本都是省市级应用，因为产品符合公安实战需要，接地气，所以能够比较好地落地。
在交通领域，以往应用较多的是车牌抓拍，感知型摄像机不仅可以抓拍车牌，还能识别车身、颜色、车型、车标——几乎可以把全球所有品牌的车标都能识别出来，甚至同一品牌车的新旧款。同时还可以抓拍车内的人，司乘人员的人脸都能抓取。对这些信息的采集和分析，就不再仅仅是做过车查询、罚款这类的基础应用了，而是能够对整个交通的综合态势、交通流量疏导，对人们购买车的消费习惯和趋势做出预判和指导。
此外，像连锁门店的应用也比较典型。以往在门店应用最多的是视频监控，后来做了远程巡店系统，再后来有延伸出统计进店的客流数，分析客流和销售量的关联性。现在，我们又添加了新的功能：抓拍识别人脸，分析性别、年龄，跟踪其关注和感兴趣的商品区域，这些信息以前只能等人来查看、分析，现在通过感知型摄像机能够识别和描述这些信息，并上传至大数据平台，通过大数据的分析，从蛛丝马迹中找出很多具有商业价值的信息。
《中国安防》：2014年，很多企业都推出了各类前端智能摄像机，作为参与者，您觉得在前端智能摄像机产品推进的过程中，还有哪些技术与应用困难需要克服？未来，企业应该如何把握“智能前端”这个机会？
刘志强：感知型摄像机的推出，标志着智能监控与视频大数据应用迈出了非常重要的一步。但从长远来看，要全面实现所有视频的海量分析和面向各行业的视频大数据应用的普及，还有很长的路要走。
首先作为智能分析的基础技术——计算机视觉本身也还在不断的完善中，如何在各种不同的环境下更准确地识别人、车更丰富的特征信息，仍然是这个领域的难点。科达在这方面也在不断探索，目前也取得了不错的进展，比如人员卡口摄像机不仅抓拍人脸，还同时抓拍人的全身像，通过人脸和全身像的组合，可以有效提升后端人像识别和人像比对的准确率。
其实，智能前置也可以理解为网络摄像机端的应用平台，未来的网络摄像机不仅仅起到基本的视频获取、传输作用，而且还可以运行第三方的视频分析软件。就像目前最受关注的智能手机，可以运行很多APP应用，也有许多为某一特定人群定制的程序服务，这些程序服务让智能手机不仅仅作为一种通讯工具而存在。网络摄像机也一样，未来将不仅仅是传输视频，一旦嵌入各种各样的软件应用，一些定制化的智能分析功能就可以运行在摄像机端。所以，网络摄像机发展，前端智能发展一定是基于更加开放的应用平台。
未来，作为安防厂商，一方面需要投入基础研发资源，加强计算机视觉与人工智能基础技术的研究，加强云计算、大数据基础技术的研究；另一方面需要深入行业，挖掘细分行业的应用场景和应用需求，让智能分析与视频大数据真正落地在每一个行业。
