2024視頻分析中的人工智能AI

視頻分析中的人工智能(AI)依托機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的分析技術(shù)3月2024PAGEPAGE10PAGEPAGE11目錄概述 3引言 4AI、機(jī)器學(xué)習(xí)與深度學(xué)習(xí) 4機(jī)器學(xué)習(xí) 4深度學(xué)習(xí) 5經(jīng)典機(jī)器學(xué)習(xí)與深度學(xué)習(xí) 6機(jī)器學(xué)習(xí)的開發(fā)階段 6數(shù)據(jù)收集和數(shù)據(jù)注釋 7訓(xùn)練 7測(cè)試 8部署 8前端分析 8硬件加速 9AI仍然處在初期發(fā)展階段 9保障分析性能的注意事項(xiàng) 9圖像可用性 10偵測(cè)距離 10報(bào)警與錄像設(shè)置 108.4維護(hù) 11隱私與個(gè)人信息保護(hù) 1210 附錄 13神經(jīng)網(wǎng)絡(luò) 13卷積神經(jīng)網(wǎng)絡(luò)(CNN) 13概述基于AI的視頻分析是視頻監(jiān)控行業(yè)討論很多的話題之一。某些應(yīng)用程序能夠顯著提升數(shù)據(jù)分析速度，自動(dòng)開展重復(fù)性任務(wù)。但現(xiàn)今，AI解決方案無法取代人類操作員的經(jīng)驗(yàn)和決策制定能力。它的切實(shí)優(yōu)勢(shì)在于組合：利用AI解決方案，改善和提高人工效率。AI概念包含機(jī)器學(xué)習(xí)算法和深度學(xué)習(xí)算法。這兩種類型都能夠使用大量采樣數(shù)據(jù)（訓(xùn)練數(shù)據(jù)）自動(dòng)構(gòu)建數(shù)學(xué)模型，以便能夠在無需專門編程的情況下計(jì)算結(jié)果。AI算法的開發(fā)通過迭代過程實(shí)現(xiàn)，其中，在得到所需的質(zhì)量水平之前，要反復(fù)執(zhí)行如下操作循環(huán)：收集訓(xùn)練數(shù)據(jù)、對(duì)訓(xùn)練數(shù)據(jù)加標(biāo)記、使用加標(biāo)記的數(shù)據(jù)訓(xùn)練算法以及測(cè)試經(jīng)訓(xùn)練的算法。此后，可隨時(shí)將算法用于分析應(yīng)用程序中，此應(yīng)用程序在購買后即可部署在監(jiān)控點(diǎn)。這時(shí)，所有訓(xùn)練都已完成，應(yīng)用程序?qū)⒉辉龠M(jìn)行任何新的學(xué)習(xí)?；贏I的視頻分析的典型任務(wù)是，以視覺方式偵測(cè)視頻流中的人和車輛，并對(duì)它們加以區(qū)分。機(jī)器學(xué)習(xí)算法已學(xué)習(xí)對(duì)這些目標(biāo)予以定義的視覺特征的組合。深度學(xué)習(xí)算法是進(jìn)一步優(yōu)化，在經(jīng)過相應(yīng)訓(xùn)練后，能夠偵測(cè)復(fù)雜得多的目標(biāo)。但在使用最終的應(yīng)用程序時(shí)，它需要的開發(fā)量和訓(xùn)練量以及計(jì)算資源也多得多。因此，應(yīng)依據(jù)明確的監(jiān)控需求，考慮專門的、經(jīng)優(yōu)化的機(jī)器學(xué)習(xí)算法是否已經(jīng)足夠。攝像機(jī)的算法開發(fā)和不斷提升的處理能力使得能夠直接在攝像機(jī)上（基于前端）運(yùn)行先進(jìn)的基于AI的視頻分析工具，而不必在服務(wù)器上（基于服務(wù)器）執(zhí)行計(jì)算。這樣就能夠改善實(shí)時(shí)功能性，因?yàn)閼?yīng)用程序能夠直接訪問未壓縮的視頻材料。相比CPU或GPU（圖形處理單元），利用攝像機(jī)中的專用硬件加速器，如MLPU（機(jī)器學(xué)習(xí)處理單元）和DLPU（深度學(xué)習(xí)處理單元），能夠更省電地實(shí)現(xiàn)前端分析。在安裝基于AI的視頻分析應(yīng)用程序之前，必須仔細(xì)研讀并遵守制造商基于已知前提條件和限制要求所提出的建議。每套監(jiān)控安裝都具有唯一性，應(yīng)針對(duì)每個(gè)監(jiān)控點(diǎn)評(píng)估應(yīng)用程序的性能。如果質(zhì)量低于預(yù)期，應(yīng)開展全面調(diào)查，而不是僅著眼于分析應(yīng)用程序本身。視頻分析性能取決于多方面因素，涉及攝像機(jī)硬件、攝像機(jī)配置、視頻質(zhì)量、場(chǎng)景動(dòng)態(tài)和照明等。在許多情況下，了解這些因素的影響并進(jìn)行相應(yīng)的優(yōu)化有助于提升系統(tǒng)的視頻分析性能。隨著AI在監(jiān)控領(lǐng)域的應(yīng)用日益廣泛，必須嚴(yán)謹(jǐn)評(píng)估這項(xiàng)技術(shù)的使用時(shí)機(jī)和場(chǎng)合，從而在運(yùn)行效率優(yōu)勢(shì)與新應(yīng)用場(chǎng)合之間合理平衡。引言自首臺(tái)計(jì)算機(jī)面世以來，AI（人工智能）就被開發(fā)了出來，有關(guān)它的爭(zhēng)論也從未停止。雖然目前尚無最具變革性的代表產(chǎn)品，但基于AI的技術(shù)當(dāng)今已在語音識(shí)別、搜索引擎、虛擬助手等應(yīng)用中廣泛用于開展明確的任務(wù)。AI在醫(yī)療保健領(lǐng)域的應(yīng)用也日益廣泛，它可在（比如）X光診斷和視網(wǎng)膜掃描分析中提供寶貴的資源?；贏I的視頻分析是視頻監(jiān)控行業(yè)討論很多的話題之一，相關(guān)的預(yù)期也較高。市面上已有應(yīng)用產(chǎn)品采用AI算法來成功實(shí)現(xiàn)了數(shù)據(jù)分析速度的提升以及重復(fù)性任務(wù)的自動(dòng)開展。但就較廣泛的監(jiān)控情景而言，在現(xiàn)今以及在不久的將來，AI應(yīng)僅被視作一種元素，尤其是在構(gòu)建正確解決方案的過程中，更應(yīng)如此。本白皮書介紹了有關(guān)機(jī)器學(xué)習(xí)和深度學(xué)習(xí)算法的技術(shù)背景，以及如何開發(fā)這些算法并將它們應(yīng)用于視頻分析。其中還簡(jiǎn)要介紹了AI加速硬件，以及較之于服務(wù)器，在前端運(yùn)行基于AI的分析有哪些優(yōu)缺點(diǎn)。本白皮書還介紹了，在廣泛兼顧多方面因素的情況下，如何優(yōu)化基于AI的視頻分析性能的先決條件。AI、機(jī)器學(xué)習(xí)與深度學(xué)習(xí)人工智能(AI)是一個(gè)廣泛概念，它與能夠解決復(fù)雜任務(wù)同時(shí)又有著貌似智能特性的機(jī)器相關(guān)。深度學(xué)習(xí)和機(jī)器學(xué)習(xí)是AI的細(xì)分類。人工智能機(jī)器學(xué)習(xí)深度學(xué)習(xí)機(jī)器學(xué)習(xí)機(jī)器學(xué)習(xí)是AI的一個(gè)細(xì)分類，它使用統(tǒng)計(jì)學(xué)習(xí)算法構(gòu)建在訓(xùn)練期間能夠在無需顯式編程的情況下自動(dòng)學(xué)習(xí)并改進(jìn)的系統(tǒng)。這里，我們?cè)跈C(jī)器視覺的情景下，對(duì)傳統(tǒng)編程與機(jī)器學(xué)習(xí)進(jìn)行了區(qū)分-后者通過分析圖像或視頻，使計(jì)算機(jī)理解場(chǎng)景中正在發(fā)生什么。經(jīng)傳統(tǒng)編程的計(jì)算機(jī)視覺基于計(jì)算圖像特征的方法，比如，查找明顯邊緣和拐角點(diǎn)的計(jì)算機(jī)程序。這些特征需要由算法開發(fā)人員手動(dòng)定義，這些開發(fā)人員知道圖像數(shù)據(jù)中哪些是重要數(shù)據(jù)。開發(fā)人員然后組合這些特征，以供算法用于推斷在場(chǎng)景中所找到的信息。機(jī)器學(xué)習(xí)算法使用大量采樣數(shù)據(jù)（訓(xùn)練數(shù)據(jù)）自動(dòng)構(gòu)建數(shù)學(xué)模型，以便能夠在無需專門編程的情況下，通過計(jì)算結(jié)果做出判定。這些特征仍然是人為設(shè)計(jì)的，但如何組合這些特征由算法自身通過對(duì)大量加標(biāo)記（或加注釋）的訓(xùn)練數(shù)據(jù)的接觸來學(xué)習(xí)。在本文中，我們將這種在學(xué)習(xí)組合中使用人為設(shè)計(jì)的特征的技術(shù)稱為經(jīng)典機(jī)器學(xué)習(xí)。換言之，對(duì)于機(jī)器學(xué)習(xí)應(yīng)用，我們需要訓(xùn)練計(jì)算機(jī)來獲取我們希望的程序。數(shù)據(jù)在收集后由人來加注釋，有時(shí)還要輔以服務(wù)器計(jì)算機(jī)的預(yù)先注釋。結(jié)果被送入系統(tǒng)中，這個(gè)過程會(huì)一直持續(xù)，直到應(yīng)用程序所獲得的學(xué)習(xí)足以實(shí)現(xiàn)我們想要的偵測(cè)，比如偵測(cè)特定類型的車輛。經(jīng)訓(xùn)練的模型就變成了程序。請(qǐng)注意，當(dāng)程序執(zhí)行結(jié)束時(shí)，系統(tǒng)不再進(jìn)行新的學(xué)習(xí)。傳統(tǒng)編程：收集數(shù)據(jù)。定義程序條件。對(duì)程序編碼（人工）。完成。機(jī)器學(xué)習(xí)：收集數(shù)據(jù)。標(biāo)記數(shù)據(jù)。模型歷經(jīng)迭代訓(xùn)練過程。最終的模型變成程序。完成。在構(gòu)建計(jì)算機(jī)視覺程序時(shí)，AI相比傳統(tǒng)編程的優(yōu)勢(shì)在于，能夠處理大量數(shù)據(jù)。計(jì)算機(jī)能夠全神貫注處理數(shù)以千計(jì)的圖像，而人類程序員在一段時(shí)間后就會(huì)疲倦且無法專注。因此，AI能夠大大提升應(yīng)用程序的準(zhǔn)確度。但應(yīng)用程序越復(fù)雜，機(jī)器得到預(yù)期結(jié)果的難度就越大。深度學(xué)習(xí)深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的優(yōu)化版本，在這種模式中，以數(shù)據(jù)驅(qū)動(dòng)的方式，在用于生成輸出的深度規(guī)則結(jié)構(gòu)中，學(xué)習(xí)特征提取以及如何組合這些特征。這種算法能夠自動(dòng)定義要在訓(xùn)練數(shù)據(jù)中尋找的特征。它還能夠?qū)W習(xí)鏈?zhǔn)教卣鹘M合的非常深層次的結(jié)構(gòu)。深度學(xué)習(xí)中使用的算法的核心基于神經(jīng)元的工作方式、以及大腦如何使用這些神經(jīng)元通過以鏈?zhǔn)椒▌t的深層次結(jié)構(gòu)（或網(wǎng)絡(luò)）組合神經(jīng)元輸出來形成上層知識(shí)。大腦就是一套系統(tǒng)，其中，組合本身也是由神經(jīng)元形成的，這就消除了特征提取與特征組合之間的區(qū)別，使得它們?cè)谀撤N意義上是相同的。這些結(jié)構(gòu)被研究人員仿真成人工神經(jīng)網(wǎng)絡(luò)，這是深度學(xué)習(xí)中廣泛使用的算法類型。有關(guān)神經(jīng)網(wǎng)絡(luò)簡(jiǎn)述，請(qǐng)參見本文檔的附錄。利用深度學(xué)習(xí)算法，能夠構(gòu)建復(fù)雜的視覺偵測(cè)器，并自動(dòng)訓(xùn)練這些設(shè)備來偵測(cè)復(fù)雜的目標(biāo)，靈活適應(yīng)不同比例、旋轉(zhuǎn)和其他型式。這種靈活性的原因在于，相比經(jīng)典機(jī)器學(xué)習(xí)系統(tǒng)，深度學(xué)習(xí)系統(tǒng)能夠從大量的數(shù)據(jù)以及廣泛的數(shù)據(jù)形式中進(jìn)行學(xué)習(xí)。在大多數(shù)情況下，它們將大大優(yōu)勝于人為設(shè)計(jì)的機(jī)器視覺算法。這使得深度學(xué)習(xí)尤其適用于解決復(fù)雜問題，諸如圖像分類、語言處理和目標(biāo)偵測(cè)，因?yàn)樵谶@些情形中，專業(yè)人員無法輕松形成特征組合?；谏疃葘W(xué)習(xí)的目標(biāo)偵測(cè)可以對(duì)復(fù)雜目標(biāo)分類。例如，分析應(yīng)用程序不僅能夠偵測(cè)車輛，而且還能夠?qū)囕v類型分類。經(jīng)典機(jī)器學(xué)習(xí)與深度學(xué)習(xí)雖然這是兩種相似的算法，但深度學(xué)習(xí)算法使用的學(xué)習(xí)特征組合通常比經(jīng)典機(jī)器學(xué)習(xí)多得多。這就意味著，基于深度學(xué)習(xí)的分析能夠更靈活，并且在經(jīng)過相應(yīng)訓(xùn)練后，能夠?qū)W習(xí)執(zhí)行復(fù)雜得多的任務(wù)。但對(duì)于特定監(jiān)控分析而言，專門的、經(jīng)優(yōu)化的經(jīng)典機(jī)器學(xué)習(xí)算法可能已經(jīng)足夠。在有效監(jiān)控范圍內(nèi)，它提供的結(jié)果與深度學(xué)習(xí)算法的結(jié)果不相上下，但需要的數(shù)學(xué)運(yùn)算卻更少，因此使用成本可能更低、電源占用可能更小。此外，它需要的訓(xùn)練數(shù)據(jù)也少得多，這就大大降低了開發(fā)工作量。機(jī)器學(xué)習(xí)的開發(fā)階段機(jī)器學(xué)習(xí)算法的開發(fā)遵循一系列步驟和迭代（大致如下所示），然后才能夠部署最終的分析應(yīng)用程序。分析應(yīng)用程序的核心是一種或多種算法，比如目標(biāo)偵測(cè)器。如果是基于深度學(xué)習(xí)的應(yīng)用程序，則算法的核心是深度學(xué)習(xí)模型。準(zhǔn)備：定義應(yīng)用程序的用途。訓(xùn)練：收集訓(xùn)練數(shù)據(jù)。對(duì)數(shù)據(jù)加注釋。訓(xùn)練模型。測(cè)試模型。如果質(zhì)量與預(yù)期不符，則在迭代改進(jìn)循環(huán)中，再次執(zhí)行先前的步驟。部署：安裝并使用最終的應(yīng)用程序。數(shù)據(jù)收集和數(shù)據(jù)注釋如要開發(fā)基于AI的分析應(yīng)用程序，需要收集大量數(shù)據(jù)。在視頻監(jiān)控領(lǐng)域中，這通常包括人和車輛或其他相關(guān)目標(biāo)的圖像和視頻片段。為了讓機(jī)器或計(jì)算機(jī)能夠識(shí)別這些數(shù)據(jù)，必須執(zhí)行數(shù)據(jù)注釋過程，期間將對(duì)相關(guān)目標(biāo)分類并加標(biāo)記。數(shù)據(jù)注釋主要由人工完成，任務(wù)繁重。預(yù)處理數(shù)據(jù)需要涵蓋種類足夠廣泛且與分析應(yīng)用程序預(yù)期的應(yīng)用情境相關(guān)的樣本。訓(xùn)練訓(xùn)練或?qū)W習(xí)是指，為模塊送入加注釋的數(shù)據(jù)，并使用訓(xùn)練框架反復(fù)修改和改善模型，直到獲得所需的質(zhì)量。換言之，通過優(yōu)化模型來解決預(yù)定義任務(wù)。訓(xùn)練方法主要有三種，可任選其一。監(jiān)督學(xué)習(xí)：模型學(xué)習(xí)執(zhí)行準(zhǔn)確的預(yù)測(cè)無監(jiān)督學(xué)習(xí)：模型學(xué)習(xí)識(shí)別數(shù)據(jù)集群強(qiáng)化學(xué)習(xí)：模型從錯(cuò)誤中學(xué)習(xí)監(jiān)督學(xué)習(xí)監(jiān)督學(xué)習(xí)是當(dāng)今機(jī)器學(xué)習(xí)中常使用的方法。它可以被表述為示例學(xué)習(xí)。訓(xùn)練數(shù)據(jù)被明確加注釋，這就意味著，輸入數(shù)據(jù)已經(jīng)與所需的輸出結(jié)果配對(duì)。監(jiān)督學(xué)習(xí)所需的注釋數(shù)據(jù)量通常很大，經(jīng)訓(xùn)練的算法的性能直接取決于訓(xùn)練數(shù)據(jù)的質(zhì)量。最重要的質(zhì)量方面是，使用代表來自實(shí)際部署情景的所有潛在輸入數(shù)據(jù)的數(shù)據(jù)集。對(duì)于目標(biāo)偵測(cè)器，開發(fā)人員必須確保以種類廣泛的圖像以及不同的目標(biāo)實(shí)例、方向、比例、光照情形、背景和干擾來訓(xùn)練算法。只有在訓(xùn)練數(shù)據(jù)能夠表征所計(jì)劃的應(yīng)用場(chǎng)合時(shí)，最終分析應(yīng)用程序才能夠在處理于訓(xùn)練階段中未見到過的新數(shù)據(jù)時(shí)，也執(zhí)行準(zhǔn)確的預(yù)測(cè)。無監(jiān)督學(xué)習(xí)無監(jiān)督學(xué)習(xí)利用算法來分析和分組未標(biāo)記的數(shù)據(jù)集。它不是監(jiān)控行業(yè)的常用訓(xùn)練方法，因?yàn)槠淠Ｐ托枰罅啃?zhǔn)和測(cè)試，而質(zhì)量可能仍然無法預(yù)測(cè)。數(shù)據(jù)集必須對(duì)于分析應(yīng)用程序而言具有相關(guān)性，但不必明確加標(biāo)記或標(biāo)簽。不需要手動(dòng)加注釋，但訓(xùn)練所需的圖像或視頻量必須大大增加達(dá)數(shù)倍之多。在訓(xùn)練階段中，待訓(xùn)練模型在訓(xùn)練框架的支持下，識(shí)別數(shù)據(jù)集中的公共特征。這樣，在部署階段中，就能夠根據(jù)樣式對(duì)數(shù)據(jù)分組，同時(shí)還能夠檢測(cè)出不匹配學(xué)習(xí)組的異常。強(qiáng)化學(xué)習(xí)強(qiáng)化學(xué)習(xí)被用在機(jī)器人、工業(yè)自動(dòng)化、商業(yè)策略規(guī)劃等應(yīng)用中，但由于需要大量的反饋，這種方法在監(jiān)控領(lǐng)域的應(yīng)用目前依然有限。強(qiáng)化學(xué)習(xí)涉及采取適當(dāng)措施最大程度提高在特定應(yīng)用情形下的潛在回報(bào)，在模型做出正確選擇時(shí)，這種回報(bào)會(huì)進(jìn)一步提升。算法不使用數(shù)據(jù)/標(biāo)記對(duì)進(jìn)行訓(xùn)練，而是通過與環(huán)境交互并同時(shí)衡量回報(bào)的方式，來檢測(cè)決策，從而得以優(yōu)化。算法的目的是學(xué)習(xí)策略，以便開展有助于實(shí)現(xiàn)更大化回報(bào)的措施。測(cè)試一旦對(duì)模型進(jìn)行訓(xùn)練，便需要對(duì)其進(jìn)行全面測(cè)試。這個(gè)步驟通常包含一個(gè)自動(dòng)開展的部分，同時(shí)還輔以面向真實(shí)部署情形的廣泛測(cè)試。在這個(gè)自動(dòng)開展的部分中，以模型在訓(xùn)練期間未見到過的新數(shù)據(jù)集對(duì)應(yīng)用程序執(zhí)行基準(zhǔn)測(cè)試。如果這些基準(zhǔn)測(cè)試的結(jié)果與預(yù)期不符，則會(huì)重新開始以下過程：收集新訓(xùn)練數(shù)據(jù)、加注釋或優(yōu)化注釋、以及對(duì)模型進(jìn)行再訓(xùn)練。在達(dá)到期望的質(zhì)量水平后，開始現(xiàn)場(chǎng)測(cè)試。在這個(gè)測(cè)試中，應(yīng)用程序被應(yīng)用到真實(shí)場(chǎng)景中。具體的測(cè)試量和型式取決于應(yīng)用范圍。應(yīng)用范圍越小，需要測(cè)試的型式越少。應(yīng)用范圍越大，需要的測(cè)試越多。然后再次比較并評(píng)估結(jié)果。這個(gè)步驟隨后可能再次導(dǎo)致重啟上述過程。另一個(gè)潛在結(jié)果可能是，需定義前提條件，說明不應(yīng)使用或僅部分推薦使用該應(yīng)用程序的已知場(chǎng)景。部署部署階段也被稱為推斷或預(yù)測(cè)階段。推斷或預(yù)測(cè)是執(zhí)行經(jīng)訓(xùn)練的機(jī)器學(xué)習(xí)模型的過程。算法使用在訓(xùn)練階段中所學(xué)習(xí)的信息來得到預(yù)期的結(jié)果。在監(jiān)控分析情景中，推斷階段是在監(jiān)控系統(tǒng)上運(yùn)行的應(yīng)用程序監(jiān)控真實(shí)場(chǎng)景的階段。在對(duì)音頻或視頻輸入數(shù)據(jù)執(zhí)行基于機(jī)器學(xué)習(xí)的算法時(shí)，如要實(shí)現(xiàn)實(shí)時(shí)性能，通常需要特定硬件加速。前端分析高性能視頻分析曾經(jīng)一度基于服務(wù)器，因?yàn)樗麄儗?duì)電源能力和冷卻能力的要求較高，而攝像機(jī)無法提供這樣的能力。但近些年，前端設(shè)備的算法開發(fā)和不斷提升的處理能力已使得能夠直接在前端運(yùn)行先進(jìn)的基于AI的視頻分析工具。前端分析應(yīng)用程序的優(yōu)點(diǎn)非常明顯：它們能夠以很低的延遲訪問未壓縮的視頻材料，從而確保實(shí)時(shí)應(yīng)用，同時(shí)還能夠避免因?qū)?shù)據(jù)轉(zhuǎn)移到云端進(jìn)行計(jì)算而造成的額外成本和復(fù)雜度。由于監(jiān)控系統(tǒng)中所需的服務(wù)器資源較少，前端分析涉及的硬件和部署成本也較低。在某些應(yīng)用中，也可以將前端處理與服務(wù)器處理組合使用，讓攝像機(jī)負(fù)責(zé)預(yù)處理，隨后讓服務(wù)器負(fù)責(zé)深化處理。這樣的混合系統(tǒng)通過對(duì)若干攝像機(jī)流的處理，能夠有助于以成本效益好的方式擴(kuò)展分析應(yīng)用程序。硬件加速雖然通常可以在多種類型的平臺(tái)上運(yùn)行分析應(yīng)用程序，但在處理能力有限的情況下，使用專門的硬件加速工具能夠?qū)崿F(xiàn)更高的性能。硬件加速器有助于更省電的分析應(yīng)用程序。此外，還可以視情況輔以服務(wù)器和云計(jì)算資源。GPU（圖形處理單元）。GPU主要用于圖形處理應(yīng)用，但也可用于服務(wù)器和云平臺(tái)上的AI加速。雖然有時(shí)也用在嵌入式系統(tǒng)（前端）中，但從省電效率上講，GPU不是機(jī)器學(xué)習(xí)推斷任務(wù)的理想選擇。MLPU（機(jī)器學(xué)習(xí)處理單元）。MLPU能夠加速特定經(jīng)典機(jī)器學(xué)習(xí)算法的推斷，從而以省電的處理效率解決計(jì)算機(jī)視覺任務(wù)。它設(shè)計(jì)用于對(duì)種類有限的若干目標(biāo)（比如，人和車輛）同時(shí)進(jìn)行實(shí)時(shí)目標(biāo)偵測(cè)。DLPU（深度學(xué)習(xí)處理單元）。內(nèi)置有DLPU的攝像機(jī)能夠加速通用深度學(xué)習(xí)算法推斷，同時(shí)兼顧高效省電處理，實(shí)現(xiàn)更細(xì)化的目標(biāo)分類。AI仍然處在初期發(fā)展階段首先，我們不禁要將AI解決方案的潛力與真人的能力進(jìn)行一下比較。負(fù)責(zé)視頻監(jiān)控的人類操作員只能在較短時(shí)間內(nèi)保持全神貫注，而計(jì)算機(jī)能夠不知疲倦地快速度持續(xù)處理大量數(shù)據(jù)。但如果認(rèn)為AI解決方案將取代人類操作員，這是一種誤解。前者的切實(shí)優(yōu)勢(shì)在于基于現(xiàn)實(shí)的組合：利用AI解決方案，改善和提高人類操作員的效率。機(jī)器學(xué)習(xí)或深度學(xué)習(xí)解決方案通常被描述為，具有自動(dòng)學(xué)習(xí)或通過經(jīng)驗(yàn)實(shí)現(xiàn)改進(jìn)的能力。但當(dāng)前市面上的AI系統(tǒng)還不會(huì)在部署后自動(dòng)學(xué)習(xí)新技能，也不會(huì)記住已發(fā)生的特定事件。為了提升系統(tǒng)性能，在監(jiān)督學(xué)習(xí)會(huì)話期間，需要以更好更準(zhǔn)確的數(shù)據(jù)進(jìn)行再訓(xùn)練。無監(jiān)督學(xué)習(xí)通常需要大量數(shù)據(jù)，才能生成數(shù)據(jù)集群，因此不適用于視頻監(jiān)控應(yīng)用。當(dāng)今，它主要用于分析大數(shù)據(jù)集，以查找異常，例如，在財(cái)務(wù)交易中。在視頻監(jiān)控領(lǐng)域中，大多數(shù)被視為“自學(xué)”的方法都基于統(tǒng)計(jì)數(shù)據(jù)分析，而不是基于對(duì)深度學(xué)習(xí)模型的實(shí)際再訓(xùn)練。就監(jiān)控目的而言，人類經(jīng)驗(yàn)仍然完勝許多基于AI的分析應(yīng)用。這尤其體現(xiàn)在需要執(zhí)行普通的任務(wù)以及情景理解很關(guān)鍵的那些場(chǎng)合中?；跈C(jī)器學(xué)習(xí)的應(yīng)用程序在經(jīng)過專門的訓(xùn)練后，也許能夠成功偵測(cè)“正在奔跑的人”，但與能夠?qū)?shù)據(jù)與情景相結(jié)合的人類不同，應(yīng)用程序無法理解是要趕公共汽車，還是在逃避附近警察的追捕？盡管有企業(yè)承諾將AI應(yīng)用到自己的分析應(yīng)用中以實(shí)施監(jiān)控，但應(yīng)用程序仍無法像人類那樣做到對(duì)視頻內(nèi)容的理解。出于同樣的原因，基于AI的分析應(yīng)用還可能觸發(fā)假報(bào)警或不發(fā)出報(bào)警。這通?？赡馨l(fā)生在涉及大量運(yùn)動(dòng)的復(fù)雜環(huán)境中。但這也可能是因?yàn)?，比如，拿著大物件的人人體特征遭到遮擋，應(yīng)用程序無法有效捕捉，從而難以正確分辨。現(xiàn)今，基于AI的分析應(yīng)作為輔助手段使用，例如，用于先大致判斷事件的相關(guān)性，然后再向人類操作員發(fā)出警報(bào)以做出響應(yīng)決策。這樣，AI就是用于能力擴(kuò)展的，而人類操作員負(fù)責(zé)評(píng)估潛在的事件。保障分析性能的注意事項(xiàng)如要達(dá)到AI分析應(yīng)用程序的質(zhì)量預(yù)期，建議仔細(xì)研究并理解相關(guān)前提條件和限制要求，這些通常在應(yīng)用程序的文檔中已列出。每套監(jiān)控安裝都應(yīng)針對(duì)監(jiān)控點(diǎn)評(píng)估應(yīng)用程序的性能。如果質(zhì)量未達(dá)到預(yù)期或期望的水平，強(qiáng)烈建議不要僅著眼于調(diào)查應(yīng)用程序本身。應(yīng)開展全面調(diào)查，因?yàn)榉治鰬?yīng)用程序的性能取決于許多因素，而其中大多數(shù)因素都可以在了解它們的影響后加以優(yōu)化。這些因素包括，例如，攝像機(jī)硬件、視頻質(zhì)量、場(chǎng)景動(dòng)態(tài)、照明水平、以及攝像機(jī)的配置、位置和朝向。圖像可用性圖像質(zhì)量通常被認(rèn)為是取決于攝像機(jī)的高分辨率和高感光度。雖然這些因素的重要性毋庸置疑，但確實(shí)也有其他因素同樣會(huì)影響到圖像或視頻的實(shí)際可用性。比如，如果監(jiān)控場(chǎng)景夜間照明不良，如果攝像機(jī)朝向改變，或者如果系統(tǒng)連接斷開，即便是昂貴的監(jiān)控?cái)z像機(jī)提供的出色的視頻流，也可能變得毫無用處。在部署之前，應(yīng)仔細(xì)斟酌攝像機(jī)的安置。為了使視頻分析工具達(dá)到預(yù)期性能，攝像機(jī)的安置需要確保能夠清晰看到目標(biāo)場(chǎng)景，視野中無障礙物。圖像可用性還可能取決于應(yīng)用場(chǎng)合。人眼看起來很好的視頻可能并不代表視頻分析應(yīng)用程序的更好性能表現(xiàn)。事實(shí)上，在使用視頻分析時(shí)，不建議使用通常用于面向人眼增強(qiáng)視頻視效的許多圖像處理方法。其中可能包括（比如）降噪方法、寬動(dòng)態(tài)范圍方法、或自動(dòng)曝光算法。當(dāng)今的視頻攝像機(jī)通常隨附有集成式紅外照明裝置，這讓它們能夠在漆黑環(huán)境中工作。優(yōu)點(diǎn)在于，攝像機(jī)能夠安置在光照差的地方，降低了對(duì)額外安裝照明裝置的需求。但如果安置點(diǎn)有大雨或降雪的可能，則強(qiáng)烈建議不要依賴于來自攝像機(jī)或攝像機(jī)近旁位置的光照。許多光都可能被雨水和雪花直接反射回?cái)z像機(jī)，使得分析工具無法發(fā)揮其功能。而如果有環(huán)境光的幫助，即使在較差的天氣下，分析工具也有較高幾率提供一些結(jié)果。偵測(cè)距離要確定基于AI的分析應(yīng)用程序的最大偵測(cè)距離，是困難的-數(shù)據(jù)表中（以米或英尺為單位）給出的明確值無法代表全部事實(shí)。圖像質(zhì)量、場(chǎng)景特征、天氣條件和目標(biāo)屬性（如顏色和亮度）都對(duì)偵測(cè)距離有著顯著影響。舉例來說，很明顯的是，相較于雨天下的陰暗目標(biāo)，晴朗天氣下有著陰暗背景的明亮目標(biāo)的視覺偵測(cè)距離要遠(yuǎn)得多。偵測(cè)距離還取決于被偵測(cè)的目標(biāo)的速度。如要獲得準(zhǔn)確的結(jié)果，視頻分析應(yīng)用程序需要在足夠長(zhǎng)的時(shí)間內(nèi)“看到”目標(biāo)。而這個(gè)時(shí)間的長(zhǎng)短需要取決于平臺(tái)的處理性能（幀速）：處理性能越低，偵測(cè)目標(biāo)所需的這個(gè)可視時(shí)間越長(zhǎng)。如果攝像機(jī)的快門時(shí)間與目標(biāo)速度匹配不夠良好，圖像中出現(xiàn)的運(yùn)動(dòng)模糊也可能降低偵測(cè)準(zhǔn)確度?？焖龠\(yùn)動(dòng)的目標(biāo)在從攝像機(jī)近旁通過時(shí)可能更容易被丟失。例如，在攝像機(jī)遠(yuǎn)處奔跑的人可能被很好地偵測(cè)到，而以相同速度在距離攝像機(jī)近的地方奔跑的人可能快速進(jìn)出攝像機(jī)視野，從而導(dǎo)致不會(huì)觸發(fā)報(bào)警。在基于運(yùn)動(dòng)偵測(cè)的分析中，直接朝向或遠(yuǎn)離攝像機(jī)運(yùn)動(dòng)的目標(biāo)還帶來了另一項(xiàng)挑戰(zhàn)。對(duì)慢速運(yùn)動(dòng)目標(biāo)的偵測(cè)將尤其困難，相較于跨整個(gè)場(chǎng)景的運(yùn)動(dòng)，這種情況產(chǎn)生的圖像變化將會(huì)很小。分辨率較高的攝像機(jī)通常不支持較長(zhǎng)的偵測(cè)距離。執(zhí)行機(jī)器學(xué)習(xí)算法所需的處理能力與輸入數(shù)據(jù)的大小成正比。這就意味著，相比1080p攝像機(jī)，分析4K攝像機(jī)全部分辨率所需的處理能力要至少高出四倍。常見的是，由于攝像機(jī)的處理能力限制，基于AI的應(yīng)用程序在運(yùn)行時(shí)所使用的分辨率要低于攝像機(jī)或數(shù)據(jù)流能夠提供的分辨率。報(bào)警與錄像設(shè)置由于應(yīng)用了多種過濾級(jí)別，目標(biāo)分析工具產(chǎn)生的假報(bào)警少。但只有在滿足所列出的全部前提條件時(shí)，目標(biāo)分析工具才能正確發(fā)揮其性能。否則，它們可能錯(cuò)失重要事件。如果并不確定是否始終滿足所有條件，那么建議采取保守措施，并將系統(tǒng)設(shè)置為：特定目標(biāo)分類不作為僅報(bào)警觸發(fā)因素。這將導(dǎo)致更多的假報(bào)警，但同時(shí)也會(huì)降低錯(cuò)失重要信息的風(fēng)險(xiǎn)。如果讓報(bào)警或觸發(fā)直接到達(dá)報(bào)警監(jiān)控中心，假報(bào)警會(huì)造成高昂的代價(jià)。因此，明顯需要一套可靠的目標(biāo)分類系統(tǒng)來過濾掉不期望的報(bào)警。但錄像解決方案仍然可以并且應(yīng)該被設(shè)置成不僅僅依靠目標(biāo)分類。在錯(cuò)失真報(bào)警的情況下，這種設(shè)置讓您能夠根據(jù)錄像內(nèi)容評(píng)估錯(cuò)失報(bào)警的原因，然后改進(jìn)整個(gè)系統(tǒng)和配置。如果在事件搜索期間，在服務(wù)器上執(zhí)行目標(biāo)分類，則建議將系統(tǒng)配置成能夠持續(xù)錄像，且根本不過濾原始錄像內(nèi)容。持續(xù)錄像會(huì)占用大量存儲(chǔ)空間，但這在一定程度上可通過先進(jìn)的壓縮算法（如Zipstream）予以彌補(bǔ)。維護(hù)應(yīng)定期維護(hù)監(jiān)控系統(tǒng)。建議開展實(shí)地檢查，而不僅是通過VMS接口查看視頻，以便發(fā)現(xiàn)并移除可能干擾或阻擋攝像機(jī)視野的物體。這在僅支持錄像功能的標(biāo)準(zhǔn)系統(tǒng)中也是重要的，而在使用分析工具時(shí)，甚至更為重要。在基礎(chǔ)視頻移動(dòng)偵測(cè)中，典型的障礙物，比如隨風(fēng)搖擺的蜘蛛網(wǎng)，可能使報(bào)警數(shù)量增加，造成不必要地占用存儲(chǔ)空間。在支持目標(biāo)分析的情況下，蜘蛛網(wǎng)基本上會(huì)在偵測(cè)區(qū)域中形成一個(gè)排除區(qū)。它的威脅在于，有可能使目標(biāo)變得模糊，大大降低偵測(cè)和分類的成功幾率。蜘蛛網(wǎng)可能干擾監(jiān)控?cái)z像機(jī)的視野。攝像機(jī)前玻璃罩或圓罩上的污漬不大可能在白天引起問題。但在低照度條件下，從側(cè)部投射到臟污圓罩上的光（比如，來自汽車前大燈）可能造成不期望的反射，進(jìn)而可能降低偵測(cè)準(zhǔn)確度。場(chǎng)景相關(guān)的維護(hù)跟攝像機(jī)維護(hù)一樣重要。在攝像機(jī)的壽命期內(nèi)，監(jiān)控場(chǎng)景內(nèi)可能發(fā)生各種各樣的情況。簡(jiǎn)單的前后圖像比較將能夠揭示潛在問題。部署攝像機(jī)時(shí)的場(chǎng)景狀況如何，而如今的場(chǎng)景狀況又是如何？是否需要調(diào)整偵測(cè)區(qū)域？是否應(yīng)調(diào)整攝像機(jī)視野，或者是否應(yīng)將攝像機(jī)轉(zhuǎn)移到別的位置？隱私與個(gè)人信息保護(hù)安防與監(jiān)控業(yè)務(wù)要求平衡隱私和個(gè)人信息保護(hù)方面的權(quán)利，通過防止犯罪或助推司法證據(jù)調(diào)查的方式，增強(qiáng)安全性。在特定的系統(tǒng)和應(yīng)用場(chǎng)合中，這要求謹(jǐn)慎的道德倫理考量，以及了解并遵守當(dāng)?shù)胤煞ㄒ?guī)。它還對(duì)解決方案提出了要求，例如，確保網(wǎng)絡(luò)安全以及防止視頻材料的意外泄露。同時(shí)，如果僅傳輸匿名數(shù)據(jù)以供后期分析，那么出于統(tǒng)計(jì)目的的前端分析和元數(shù)據(jù)生成便有助于提升隱私保護(hù)。隨著自動(dòng)化分析在監(jiān)控系統(tǒng)中的應(yīng)用日益廣泛，還必須考慮某些新的方面。由于分析應(yīng)用程序伴隨有假偵測(cè)風(fēng)險(xiǎn)，讓有經(jīng)驗(yàn)的操作人員或用戶參與決策過程是很重要的。這通常被稱為“人機(jī)回圈”。此外，還必須認(rèn)識(shí)到，人類決策可能受到報(bào)警生成和呈現(xiàn)方式的影響。在未經(jīng)恰當(dāng)培訓(xùn)且未充分了解分析解決方案的功能的情況下，可能得出錯(cuò)誤的結(jié)論。另一關(guān)注點(diǎn)可能是深度學(xué)習(xí)算法的開發(fā)方式，對(duì)于某些應(yīng)用場(chǎng)合，要求以謹(jǐn)慎的方式應(yīng)用這一技術(shù)。這些算法的質(zhì)量基本上與用于算法訓(xùn)練的數(shù)據(jù)集（即，視頻和圖像）相關(guān)。測(cè)試結(jié)果顯示，如未仔細(xì)挑選材料，某些AI系統(tǒng)可能在偵測(cè)中同時(shí)表現(xiàn)出種族偏見和性別偏見。這引發(fā)了公開的討論，同時(shí)，不僅在法律層面予以了相關(guān)限制，而且還要求采