智能安防技術，是指視圖采集、傳輸、存儲、視頻分析和大數據處理，以及涉及到機器視覺、AI芯片、算法、圖像傳感、生物識別（人臉識別、虹膜識別、指紋識別等）以及智能視頻分析、多維數據融合、大數據分析等新技術。從另外一個角度來看，一個完整的智能安防系統則主要包括門禁出入口、報警和視頻監控三大部分。新冠肺炎疫情可以阻礙市場的發展，但不能阻擋安防技術的進步，今年各大安防企業在智能化、網絡化、物聯網化等技術方面的應用更加深化。隨著科學技術的發展與進步，當前智能安防已邁入了一個全新的領域。a&s根據產品實測，從數據采集、視頻智能分析、生物識別、數據智能以及零部件等技術預測智能安防技術發展趨勢。

多模態是生物識別技術的發展方向

人工智能技術體系中，生物識別是最早進入落地應用的技術。生物特征識別技術背后涉及到計算機科學、光學與聲學等物理科學、生物科學、生物傳感器和生物統計學原理，安全技術，以及人工智能技術等眾多基礎科學與創新應用技術，是一個完整的多學科技術解決方案。目前可用于身份識別的人體特征包括指紋、虹膜、面部、掌紋、靜脈等生理特征和步態、筆跡、聲音等行為特征。生物特征識別技術具有安全性好、不易丟失、難以仿冒和攜帶方便等諸多優點。不可否認，從指紋認證、掌紋識別、指靜脈識別到人臉識別、虹膜識別，生物識別技術變得更加成熟的同時，也正在邁進“視覺”時代。

指紋識別是最“傳統”的生物識別技術，其地位比較特殊，與人臉識別、聲紋識別相比，其識別準確度、區分度要高很多，甚至可以說，指紋身份識別是很多場景下唯一可行的一種方式。從2018年指紋識別技術取得重大突破開始，更高效的推動全國性的社會公共服務及商業模式變革。但是，隨著2020年初的一場疫情，非接觸式門禁出入口控制技術的應用得到了高度的重視和發展。

掌紋識別是一種新型的生物特征識別技術，它以人體的掌紋作為目標特征，通過多光譜成像技術采集生物信息。多光譜掌紋識別算得上是多模態和多種目標特征融合的生物特征識別技術的典范。這種新技術將皮膚光譜、掌紋紋路與靜脈脈絡三種可識別特征結合，一次性提供更加豐富的信息，增加了目標特征的可區分度。目前，行業中共識是，單種模態的識別無論在識別性能還是在安全性上均存在瓶頸，而多模態融合是人臉識別乃至生物特征識別的重要突破——不僅能通過多因子的方式提升識別精準度，也能在一定程度提升生物識別技術的場景適應性和隱私安全性。相比傳統單模態算法，更能滿足金融級誤識率（低至千萬分之一），也是生物特征識別發展的主要趨勢。

在非接觸生物識別技術中，人臉識別是最重要模塊，從2019年“刷臉”應用已經較為廣泛，疫情更進一步的推動了發展，未來仍將是很長時期內AI落地安防的重要方向。目前傳統人臉識別困難包括面部旋轉，遮擋，相似性等都有了很大的算法提升，使得人臉識別的精準度得到極大的提高，以2D人臉、3D人臉、多光譜人臉等多種模態為代表，每種模態都具有不同的采集適應場景、數據安全程度和隱私敏感度等，而大數據的深度學習的加入，使3D人臉識別算法補充2D投影的缺陷，能快速識別人員身份，為二維人臉識別的應用帶來了一定的突破。同時，目前基于活體檢測技術正作為提高人臉識別安全性的關鍵性技術，可以有效抵御照片、視頻、三維模型、假體面具等仿冒欺詐，自主判斷操作用戶身份。人臉應用一方面主要是面向交通樞紐場景，比如機場、車站等，主要應用于實名認證和重點人員布控。另一方面是面向城市級應用，通過對接天網工程，構建由前端攝像機布控，后端是識別平臺以及大數據分析平臺組成的綜合實戰平臺。在公安、交通領域，AI四小龍商湯科技、曠視科技、云從科技、依圖科技的人臉算法水平在AI企業中技術領先，傳統企業則是主要由海康威視、大華股份這些傳統巨頭引領市場。伴隨人臉識別技術的快速發展，智能設備、線上金融、人臉支付等諸多創新應用已日趨普遍，為大家生活、工作帶來快捷和方便。

另外，面對人臉識別的局限，以步態識別為代表體態識別以難隱藏性、非接觸性和非侵入性等特點從眾多技術中脫穎而出，成為目前生物特征識別領域的一匹“黑馬”。步態識別通過身體體型和行走姿態來識別目標的身份，是一種頗為復雜的行為特征，體態識別技術不需要人為配合，能夠適應更為普遍的應用場景，特別適合用來進行遠距離身份識別。目前，國內已經有幾家企業識別精度已經達到了非常高的水平。

值得一提的是，虹膜識別技術也是一種較為成熟的生物識別技術，目前虹膜識別技術也正普及開來，虹膜識別誤識率低至1/100萬，主要利用虹膜壽命不變性和差異的特征來識別身份。但由于成本以及對產品端的要求限制，其落地速度比較緩慢，不過，近一兩年來，隨著政府機關包括金融機構，已經開始重視虹膜識別，其落地速度正在逐漸加快。下一步或將是人臉和虹膜的結合。總結來說，生物識別本身并不是完全的替代關系，更多的是組合甚至融合應用。

隨著技術的進步和成熟，以及市場應用需求的逐漸演變，多模態生物識別技術的聲音越來越響亮。展望未來，多模態生物識別技術將成生物識別市場的主流發展趨勢，并將迎來越來越寬廣的應用領域和市場。a&s Research調查顯示，單一的生物識別并不能夠解決所有場景下的身份認證問題，每一種技術都有一定的局限性。而多模態識別技術，一方面豐富了場景數據，使識別更為高效精準;另一方面，它更適合復雜場景的應用變化，在很多場景中是最適合的生物識別技術。不可置否，多模態識別是未來生物識別技術發展的主流的一個方向。而多模態統一認證平臺，不但融合多種識別技術，而且可以根據決策權重和場景需求，靈活自動配置適合的生物識別技術，將成為多模態生物識別技術發展的理想狀態。當前來看，多模態識別技術的落地還面臨著市場教育的過程，需要生物識別技術企業共同努力促進技術的商業化和規模化應用。

視頻智能從感知階段走向認知智能

視頻智能分析是AI落地安防的重要技術之一。所謂視頻智能分析是利用基于深度學習的各類智能算法來分析前端設備采集的視頻信息，實現對各種安全事件主動預警，并將報警信息反饋至監控平臺及客戶端。不過，從安防企業發展的產品和技術實現的功能來看，視頻智能分析還處于感知智能發展階段。

視頻智能分析主要包括行為分析和特征識別。行為分析是基于背景模型為基礎，技術應用表現在人員聚集、物品遺留、物品丟失、人員徘徊、人員倒地、安全帽/工裝檢測、區域人數統計、進入/離開區域以及跨越警戒線、火焰檢測等方面;而特征識別主要包括車牌識別和人臉識別。較于傳統視頻分析，視頻智能分析的重大突破在于，能夠將場景中的背景和目標分離，識別出真正的目標，也就是具備對風、雨、雪等多種背景的過濾能力。從技術角度來看，就是通過建立人體活動算法模型，并借助計算機的高速計算能力，排除監視場景中的干擾因素，準確判斷并動態跟蹤人類在視頻監視圖像中的各種行為，達到有效預警。

當前，主流廠商推出的智能產品，視頻智能分析技術均已實現了排除干擾背景因素，動態實時跟蹤目標并分析目標行為的目的，大大提升了報警準確率。并且實現對人臉、人體、車輛等并行綜合檢測，精準全息化感知業務場景數據，提升綜合研判能力，當前這類技術主要應用周界防范、人臉布控應用中。除了視頻的智能分析識別之外，物聯網技術的結合應用也是人工智能的發展方向之一，將溫度、濕度、水浸（水位）、SF6、O2濃度等環境信息集成進視頻中并智能分析和識別，目前的技術發展已經可以做到物聯網視頻智能處理。不過，相較到人臉識別和車牌識別等特征識別，行為分析技術發展還不夠成熟，但無疑它們是未來視頻智能分析一個重要方向，在智能安防領域應用前景廣闊，未來仍需要主流廠商大力投入研發不斷進行技術迭代。

雖然視頻智能分析在準確率和融合檢測能力有很大的突破，但是從當前來看，智能安防行業的視頻智能分析基本還處于視頻結構化分析的感知智能階段。公安系統包括其他監控系統，在數據應用上只是就結構化數據進行簡單應用，數據價值并未完全發揮出來。未來整個智能安防行業中的智能視頻分析將走向知識圖譜即認知智能、決策智能階段。所謂的知識圖譜是一種針對應用語義理解技術實現更高質量、可計算、計算機可理解的大數據結構，也就是針對多類異構數據源的知識結構化、關聯化分析，屬于實用型認知應用，能夠更高效的實現決策智能，當前已經有一些主流廠商和技術商實現了在視頻智能分析技術應用上實現一部分認知智能。

邊緣計算與中心智能結合應用發展

隨著深度學習算法的突破，安防領域的目標識別、物體檢測、場景分割、信息提取標簽化、數據檢索及分析研判等各項技術應用也在不斷取得新的進展，相比于傳統智能帶來的應用效果，AI深度智能在識別準確率、環境適應性、識別種類等方面的效能提升顯著。

在終端和邊緣端，主要體現為內置高達30多種算法，其中混合目標檢測模式支持同一場景下人臉、人體、車輛圖片并行抓拍，人臉人體關聯，以及人臉、人體、非機動車和機動車結構化屬性提取，也就是輕量級的多維數據融合。當前技術領先的廠商推出的相關產品，已經可以支持前端多維數據的提取和分析，包括全場景和細分感知數據采集和融合。這類技術產品比較適合小規模項目場景應用，相當于一機多用，不僅大大減化項目部署的復雜性，而且降低工程實施成本。

邊緣智能是將邊緣計算與用戶、業務結合，其不是簡單的把邊緣計算搭建起來，而是對管道能力的整體提升，是物聯網應用的使能者。邊緣智能具有數據處理實時性、業務數據可靠性、應用開發多樣化等的優勢。目前，安防領域邊緣智能的發展一日千里，許多智能安防產品已經從具有邊緣計算的能力開始進化為邊緣智能，但是，邊緣智能依然處于發展的初級階段，技術、業務、商業模式等各方面的挑戰仍然具有不確定性，接下來需要在標準化、產業聯盟、場景驅動、產業鏈協同、安全隱私等方面做好工作，推動邊緣智能的規模化落地。驅動邊緣智能發展的業務場景主要包括網絡傳輸的場景和應用特征產生的場景，從而形成對邊緣智能的需求。目前，邊緣智能已經在智能城市、智能工業、智能社區、智能家居、車聯網等大量的垂直行業中形成示范應用，給垂直領域帶來新的價值。

需要提及的是，現階段，數據資源大多歸屬于不同地區不同部門，未來是否有這樣一種機制，讓數據既能夠本地化又能實現跨地域互通，可以在降低數據傳輸的風險和成本的同時滿足數據計算的需求。也就是說，多維數據融合和智能分析需要視頻流媒體的分布式計算引擎和大數據動態分布式架構來支撐實現。

除了邊緣智能的發展應用，以大數據分析為代表的中心智能分析技術也有了長足進步，通過多維數據融合分析平臺，初步實現輿情監控和事件預警功能。多維數據融合是充分利用多源數據的互補性和計算機的高速運算與智能來提高結果信息的質量。包含有人流管控、交通熱力圖等應用。同時，預警的另一個方向，利用行為大數據來預判潛在犯罪，在具體技術涉及對人物目標特征和行為識別、分析，以及目標歷史數據的線性研判方面，也有很大進步。安防大數據的多維數據融合應用初步成熟，邊緣端和中心端的結合應用使安防大數據的實用性有了強大進步。從技術發展水平和未來方向看，“大智能”在中心端，“小智能”在邊緣是長期趨勢。

AI芯片發展構建智能應用基礎

安防智能化時代，芯片是構建智能安防產業鏈的第一環。芯片技術的突破實現了安防產業的智能化，基于芯片設計的AI計算加速卡、模組等，在智能分析應用中更能發揮巨大的作用，基于PCIE的多芯片互聯，更易于橫向擴展和支持大規模數據中心。AI芯片、加速卡、模組為工業自動化、安防智能化、機器人、智慧城市、軍工和航空航天等應用提供可操作的洞察力。

縱觀整個芯片市場，頂層依然是Nvidia、Intel得天下。而針對安防監控市場，視頻編解碼芯片被集中于SoC系統級芯片之上，基于芯片開發的模組、加速卡在國內的芯片產業中發展迅速，并在安防行業應用廣泛，從終端IPC到邊緣端、云端，AI芯片及集成產品發展如日中天。可以說，中國芯片產業崛起幾乎是板上釘釘的事兒。

從需求市場來看，憑借行業內快速增長的優勢，AI芯片發產業發展的機遇已經到來，傳統市場可能認為安防芯片的主導權掌握在國外公司手中。但是，隨著近幾年智能安防的飛速發展，國產安防監控芯片在技術水平上與國外先進產品已相差無幾，并且在性價比上明顯占優。隨著安防智能化的深入，高技術含量的深度學習芯片進入到安防領域中，這為國產芯片廠商提供了突破的方向。

未來，AI 勢必將改變安防，賦予安防系統更加智能化，自動化處理視頻、圖片等非結構化數據和結構化數據，讓整個社會更安全、更有秩序，而要實現這樣的轉變則有賴于行業上下游的通力配合。上游AI芯片即成為了構建智能安防的第一環，具有創新性、性價比高的AI芯片必將成為成功選擇的基石。

基礎零部件軟件走向集成化、場景定制化

從2018年開始，智能安防應用的底層零組件就開始趨向系統化、集成化，同時也在提升監控系統本身的硬件系統整體性能。AI芯片、傳感器等基礎硬件和算法軟件集成化，讓產品可以根據不同業務算法進行定制化開發。當前AI芯片廠商已經在朝著算力和算法集成的方向進行研發，也就是根據特定場景算法來設計AI芯片架構，以更高效的應用于場景業務。

在以視覺為核心的安防監控系統中，CMOS圖像傳感器是核心角色。為了更好的AI智能應用，CMOS圖像傳感器從成像設計上需要做針對性的改善。從這幾年來成像技術廠商推出的安防專用CMOS傳感器產品來看，由于需要考慮到場景環境、光照、氣溫等各種因素的影響，監控用CMOS圖像傳感器的設計也開始進入到“場景定制化”階段，不同的應用場景所適用的產品不一而同。

除了將多樣化的智能算法灌注到傳感器器件外，也可以同時植入到AI芯片中封裝。隨著視覺類AI算法的深度學習計算逐步從云端部署擴展到邊緣部署，邊緣的設備比云端多1-2個數量級，業內對邊緣AI計算硬件的需求快速升溫，需要具有高算力、低功耗、接口豐富的芯片、模組、板卡等方案來替代原來的CPU、GPU方案。可以說，隨著AI技術的應用及普及，在大數據及深度學習的要求下，安防對CPU及GPU的硬件要求逐步提升，基礎零部件的集成化、定制化應用需求逐漸成為發展趨勢。
? ? ? ?責任編輯:pj