銷售熱線
0755-33616813
0755-33616813
時間：2021/03/02 點擊量：1
在當下，中國安防行業談及最多的話題是“如何防爆”。其實，視頻監控從模擬到數字，再到網絡、防爆、智能，一直在解決二個問題：“實時監控”和“記錄存儲”。智能防爆即解決由機器來完成人工監視、另一個是在海量視頻數據中快速搜索到想要找的圖像。因此，下一個安防爆發點必將是智能化應用，未來，或許智能化將是安防系統的“標配”。
智能化，安防技術突進的下一個結點
目前，監控系統通常采用數碼攝像頭采集數據，很少進行圖像處理。數字內容隨后轉換為模擬信號，在現有基礎設施上進行傳輸，到達指揮中心后，再轉換回數字格式以進行分析和最終存儲。在整個過程中，我們很難對信息加以處理。具有智能化的安防系統卻大不相同，它們主要為端到端數字系統，采用的是IP網絡，因為IP傳輸的靈活性大大高于傳統的點到點模擬傳輸。從本質上說，每部攝像頭都成了智能的網絡攝像頭，能在通信路徑的任意一點上分析視頻數據，并就此采取行動。智能防爆過程主要由前景檢測、目標檢測、目標跟蹤、目標分類、軌跡分析、事件檢測等部分組成，各部分有專業應用。但有時為了提高算法在某些場景下的性能，一些附加模塊也會被加入到算法中，如抗抖動、陰影抑制、車燈抑制模塊等。所以說，智能算法常常會有多種實現方案，這就是為什么各種智能產品標稱功能可能相同，但性能差異或很大。一套智能算法在設計中需要考慮場景中可能出現的各種復雜情況，各算法模塊必須要具有對復雜場景的適應性，并且加入相宜的附加模塊來提升算法對場景的處理效果。
但從行業發展需求和技術前沿來說，智能防爆還可研發以下兩點功能：
生成重要數據
生成元數據是一項復雜的工作，要完全打破傳統的視頻概念。由于要用計算機而不是人來監視視頻，因此必須進行圖形增強處理。計算機分析需要提高對比度，這是一個說明問題的很好的例子。由于運動檢測以及圖形識別算法取決于識別對象的邊緣，因而提高圖形的對比度非常重要我們可以在攝像頭子系統中內置邊緣銳化算法。對在攝像頭視野中的運動對象進行跟蹤，通過活動參照引擎將對象的活動與一系列規則相對比，通常可以得出結論，有時還會要求采取安全行動。我們可向攝像頭的定位系統發出指令，以便對對象執行搖動、縮放和聚焦等操作，或命令攝像頭轉變方向，從而在原始的視野范圍之外繼續跟蹤對象。
中國安防智能化現狀分析
事后的取證分析
智能防爆除了能生成數據給用戶帶來安全和管理的統計分析，還還可解決比非法闖入等更廣泛的安全問題。過去幾年來，視頻監控技術已成為眾多政府和企業部門******的技術。從模擬向數字系統轉換的潮流是大勢所趨。不過，大家普遍認同，將壓縮視頻傳輸到人工控制的指揮中心是一種落后的策略。利用內容分析引擎和推論引擎等算法對從視頻中提取的元數據進行分析，這在安全系統的各個層面都具有優勢。此外，使監控外設具備盡可能高的智能化程度(比如提高攝像頭的智能化程度)將有助于減輕處理負載、提高信息質量以及加快采取補救措施的速度。
顯然，集萬千寵愛于一身的智能防爆，比將成為安防的主角。
中國安防智能化的現狀：理想豐滿，現實骨感
雖然是市場上“寵愛”的技術，但智能防爆技術在中國的應用并非一帆風順。全球一些專業的IVS研究廠家，像美國的ObjectVideo、Vidient；以色列的NICE，Mate，IOImage；澳大利亞的IOmniscient等。這些廠家都相繼進入中國市場，一度造成外國廠商獨占國內智能防爆市場的局面。而終究因其技術與中國國情的差異性，無法真正滲透中國市場。而國內的一些智能防爆廠家多數能夠識別的行為特征僅局限于一些特定的場合。
如目標跟蹤、越界、計數、目標丟失、物體遺留等，主要應用于像看守所、監獄、博物館、倉庫、廠區、地鐵站等相對固定的應用場景，而在針對社會層面的監控環境中，因監控場景的復雜和多變性導致監控的穩定性大打折扣，而以報警事件準確性為評價標準的智能監控產品也因此而突顯了其應用局限性，因此，智能防爆技術處于“叫好不叫座”的尷尬境地，那如果我們探究安防智能化規模化應用的拐點在哪？應該說，除了之前分析的本身技術具有的先天性優勢之外，還需要解決以下瓶頸問題，或許，聚沙成塔，安防智能化的大爆發指日可待。
技術難能滿足應用需求。目前來看，雖然近年智能視頻技術迅速發展，應用范圍也在不斷擴展，市場上已經有了網絡監控的各種產品，如網絡攝像機、網絡矩陣等，但由于這些系統的質量還有待提高，圖像看起來有明顯的延遲、跳動、不夠清晰等缺陷，由于硬件本身性能不夠穩定，易出現死機、重啟、誤漏報等問題。而智能防爆本身算法的局限，在理想環境下才可實現其全部功能，所以在實際應用中，只能初步實現較簡單的功能。
首先是無法完全消除誤報的影響。例如，運動目標識別中的背景建模技術，在控制漏報數量的同時，還不能完全的刪除誤報。在以目標識別為技術基礎的周界防范產品中，誤報的數量一直是反映該產品優劣的一大指標。而誤報的數量是由背景模型與實際使用情況之間的差距造成的。模型的適應能力越強，造成的誤報越少，背后要求的技術也越高。影響背景模型建立的因數很多。又例如，空曠的柏油馬路和邊上有樹木的圍墻，6m高的攝像機與2m高的攝像機所拍攝的畫面就需要不同的背景模型，白天和黑夜的狀態需要的模型也不同。目前，行業中還沒有開發出一種可以涵蓋所有使用情況的背景模型來，也無法完全的解決隨機事件的影響，如在黑夜環境下車燈造成的誤報；
其次，不具備行為的判斷能力。例如，周界防范，機器中行為分析的區域入侵功能能夠發現活動目標，并可以在這些活動目標中利用技術手段把用戶希望的目標(例如人體)提取出來。但是再進一步，這個闖入者的動機是什么，是偶爾路過，還是故意闖入，是否有意的往警戒區域內探望，這些都無法靠機器來識別；再次，特征識別技術對畫面要求高。對于基于特征識別的分析技術，對于圖像的要求比較高。除了畫面本身清晰度外，也需要清楚的展示目標物體的特征，目前計算機的識別能力大大低于人類對物體特征的識別能力，不同的光照條件和拍攝角度，都將改變計算機所看到的特征；
最后，CPU的處理能力仍然是瓶頸。要滿足實際復雜的應用環境就需要越加復雜的算法，隨之帶來了巨大的計算量，目前DSP芯片的能力有限，已經不能滿足某些復雜算法的需要。因此，難以開發相應高級功能的嵌入式產品，這也增加了很多產品的施工難度與實際推廣的阻力。
