人工智能|为何说视频监控行业智能化已时机成熟人脸识别|人工智能|cpu|cuda|英伟

安防市场的快速增长，给视频监控技术提出了新的需求，促使视频监控技术从“高清化”往“智能化”发展，究其原因，既有技术因素（数据、算力和算法）的驱动，又和国内的政策引导息息相关。
海量数据成优质训练场
数据是人工智能的原材料，没有原材料就好比“巧妇难为无米之炊”。人工智能是非常消耗大数据储备的“监督性学习场景”，要有足够多的量才能满足训练数据的需求。
视频监控高清化进程使得图像分辨率从D1发展到 720P、1080P 再到 4K，同时市场上高清摄像头的比例也在扩大，每日产生的视频监控录像的数据量就可达到上千PB，累积的历史数据就更为庞大了，而且其中99%以上都是非结构化数据。
这些海量的数据一方面为视频监控人工智能化的数据训练工作提供优质的资源；另一方面，面对如此巨大的数据量，如果再采用过去简单的人海战术进行检索和分析，已经很难满足新时代的安防工作需求。在此情况下，智能安防成为解决问题的唯一途径，也就是要通过将非结构化的图像信息转换为计算机能够理解的结构化数据，并利用人工智能技术，实时分析视频内容，将这些海量的视频数据转化为有效的数据，以提高监控系统效率。

文章插图
深度学习日渐成熟
在人类有史以来积累的大数据中，85%以上是视频和图像数据，因此人工智能的核心之一是视觉智能。而深度学习算法的应用，使得计算机视觉技术得到了突破性的发展，从而也突破了视频监控的许多应用限制，使其应用范围日益广泛。
在深度学习算法成熟之前，传统的计算机视觉算法主要采用特征识别的方法，通过人工定义的特征参量来对图像进行分类和识别。当需要区分的图像类别增加，或者图像的内容更加复杂时，特征识别方法需要引入大量的参数，并且需要对模型不断地进行微调，其实现难度急剧增长，因此这种方法的识别效率和准确度都存在瓶颈。在实际应用中，传统的特征识别方法可以实现诸如交通卡口的车牌号识别、入侵检测、逆行检测等简单功能，但是在人脸识别、行为识别等领域一直没有形成有效的解决方案。
深度学习算法通过设置多层神经网络结构，让算法自行寻找和调节中间参量来进行大规模训练。自2006年以来，深度学习算法取得了重大突破，在随后的10多年里，凭借互联网发展带来的大数据资源、算力的快速提升、巨头公司的基础框架开源等有利因素，基于深度学习的计算机视觉算法性能也快速提升。在ILSVRC图像分类比赛中，2012年的深度学习算法将识别错误率降到 15.3%，2015 年微软更是将识别错误率降到3.6%，已经超过了人类5.1%的识别水平。在人脸识
【人工智能|为何说视频监控行业智能化已时机成熟】别领域，深度学习算法在 LFW 竞赛中已经达到了99.83%的识别水平，也超过了人类99.2%的识别水平。因此，深度学习算法的成熟为计算机视觉领域带来了革命性的进展，在安防领域利用计算机视觉来实现人工智能已经具备了先决条件。目前，人脸识别、车辆识别、行为识别等功能已经突破应用门槛，实际的应用场景和应用方案也都在不断扩展。
算力承载大幅提升
1999年，英伟达首次推出GPU架构。相比CPU，GPU 拥有大量的逻辑单元，更擅长处理海量数据，因而被应用到深度学习领域中。2006年，英伟达又推出CUDA编程工具包，CUDA框架使得GPU可以通过更简单、有效的接口和开发者进行交互，使得开发者可以充分利用 GPU 的运算资源，进一步提升 GPU 架构的性能。