【
中國安防展覽網 品牌專欄】邊緣計算分擔了部署在云端源站的部分計算能力，降低物聯網高頻、碎片計算、傳輸和回源帶來的延時、擁塞等問題，使AI時代下的“數字商業與數字世界、增強與混合現實、機器學習”等重度應用不再受限于網絡帶寬傳輸能力，助力萬物互聯走進生活。
在萬物互聯的背景之下融合邊緣計算模型和視頻監控技術，構建基于邊緣計算的新型視頻監控應用的軟硬件服務平臺，以提高視頻監控系統前端攝像頭的智能處理能力。億歐智庫近日調研訪談的人人智能，攜手ARM專注做人臉機芯。
一、背景——從集中式數據處理時代到萬物互聯為核心的邊緣計算時代；
云計算大多采用集中式管理的方法，這使云服務創造出較高的經濟效益，而在萬物互聯的背景下，邊緣設備產生大量實時數據，云計算性能正逐漸達到瓶頸(邊緣計算在下文第二部分會有詳細解釋)。
一方面邊緣設備的數據量的增加。思科云指數GCI預測，到了2020年存儲數據總量將從2015年的1.4ZB增加至6.2ZB，2020年6.2ZB數據中有84%存儲在客戶端設備上；思科可視化網絡指數VNI預測，到了2020年，連接到IP網絡的設備數量將接近人口數量的三倍，到了2020年，人均網絡設備數量將由2015年的2.2部增長達到3.4部，人均IP流量也從2015年的10GB增長至25GB；
另一方面新興萬物互聯應用對延遲時間的要求，諸如——裝載在無人駕駛汽車上的傳感器和攝像頭實時捕捉路況信息，每秒產生約1GB數據，據麥肯錫預測，到2030年，L4級別的自動駕駛汽車市場規模將達到5500萬輛至6000萬輛，如何實現短延時將成為無人車上路前的主要研究方向之一。
邊緣設備的數據量的增加，網絡帶寬正逐漸成為云計算的另一瓶頸，然而僅靠提高網絡帶寬并不能滿足萬物互聯應用對延遲時間的要求，所以在接近數據源的邊緣設備上執行部分或全部計算是適應萬物互聯應用需求的新興計算模式。
二、概念——何謂邊緣計算(Edge computing)？
邊緣計算中的“邊緣”是個相對概念，指從數據源到云計算中心數據路徑之間的任意計算資源和網絡資源。邊緣計算的“邊緣”不限制在邊緣服務器這樣的邊緣節點，還包括網絡邊緣的攝像頭、智能手機、網關、可穿戴的計算設備和傳感器等設備。
邊緣計算的基本理念指利用邊緣設備已有的計算能力，將應用服務程序的全部或部分計算任務從云中心遷移到邊緣設備終端執行，降低能源消耗。
傳統云計算模型和邊緣計算模型
如上圖左所示為傳統云計算模型，數據消費者向云中心發送請求，數據生產者將源數據發送至云端，云計算利用大量計算資源來處理數據。
如上圖右為基于雙向計算流的邊緣計算模型，云計算中心不僅從數據庫收集數據，也從傳感器和智能手機等邊緣設備收集數據，這些設備兼顧數據生產者和消費者，因此終端設備和云中心之間的請求傳輸是雙向的。網絡邊緣設備不僅從云中心請求內容及服務，而且還可以執行部分計算任務，包括數據存儲、處理、緩存、設備管理、隱私保護等。
三、應用——邊緣計算模型+視頻監控技術；
分布在城市各個角落的視頻監控攝像頭屬于萬物互聯應用中的一支，用來應對新型*及社會管理等公共安全問題。傳統視頻監控系統前端攝像頭內置計算能力較低，而現有智能視頻監控系統的智能處理能力不足。為此，以云計算和萬物互聯技術為基礎，融合邊緣計算模型和視頻監控技術，構建基于邊緣計算的新型視頻監控應用的軟硬件服務平臺，以提高視頻監控系統前端攝像頭的智能處理能力，進而實現重大刑事案件和恐怖襲擊活動預警系統和處置機制，提高視頻監控系統的防范刑事*和恐怖襲擊能力。
邊緣計算+視頻監控技術其實是構建了一種基于邊緣計算的視頻圖像預處理技術，通過對視頻圖像進行預處理，去除圖像冗余信息，使得部分或全部視頻分析遷移到邊緣處，由此降低對云中心的計算、存儲和網絡帶寬需求，提高視頻分析的速度，此外，預處理使用的算法采用軟件優化、硬件加速等方法，提高視頻圖像分析的效率。
除此之外，為了減少上傳的視頻數據，基于邊緣預處理功能，構建基于行為感知的視頻監控數據彈性存儲機制。邊緣計算軟硬件框架為視頻監控系統提供具有預處理功能的平臺，實時提取和分析視頻中的行為特征，實現監控場景行為感知的數據處理機制；根據行為特征決策功能，實時調整視頻數據，既減少無效視頻的存儲，降低存儲空間，又大化存儲“事中”證據類視頻數據，增強證據信息的可信性，提高視頻數據的存儲空間利用率。
四、公司——人人智能；
億歐智庫近日調研訪談的人人智能便是一家基于邊緣計算加載視頻監控技術的企業，專注做人臉機芯。其機芯芯片的落地，除了人人智能人臉識別算法之外，亦依托于芯片ARM公司的布局。
軟銀用320億美金收購的ARM，想讓未來所有的設備、硬件都能在ARM的芯片智能技術上運行，為此ARM特地在2017年3月發布下一代的人工智能架構DynamIQ，通過對CPU和系統兩方面進行提升，比市面上好性能的芯片AI能力再提升50倍。“依靠ARM芯片強大的處理能力能夠讓產品節省80%的成本，研發周期縮短到6~12個月。”
受訪者王海增資料：
畢業后在華為做3-4年交換機，后來在華三開始做視頻會議+視頻監控，后來轉到了芯片公司——中星微電子，具體包括視頻監控、智能分析、芯片分析，再后來出來創業成為人人智能的CEO，現年39歲，主要負責規劃產品方向等。
業務描述：
人人智能是一家人臉識別服務商，人人智能的人臉識別模組是支持深度學習算法的嵌入式高性能ARM平臺，支持外接攝像機等硬件設備，可以直接從視頻流截取人臉照片或提取人臉特征值，完成人臉比對識別過程。目前，人人智能提供了深度學習的軟硬件一體化解決方案。他們的產品主要包括硬件模組、物聯網云平臺以及基于模組的落地產品。
人人智能組織架構：
四個模塊：營銷中心+產品中心+供應鏈合作中心+運營；營銷中心：負責尋找市場機會，然后尋找客戶，然后轉化定單；產品中心：主要是負責研發，然后做產品原型；供應鏈合作中心：主要是負責系統新進的工程和外包合作伙伴，提供產品和提供產品的定制化；運營：財務、流程，包括一些人力。
五、億歐智庫觀點——邊緣計算的挑戰；
一方面網絡邊緣設備資源有限，還難以支撐更高階的功能運算處理；另一方面現有的數據安全方法并不能完全適用于邊緣計算，網絡邊緣高度動態的環境也會使網絡更易受到攻擊；此外由于邊緣設備的異構性，數據表示及操作也有所不同，這將成為數據分析運用的障礙。
再者邊緣計算這個概念的提出背負著再造概念的嫌疑。
隨著大數據時代的發展，為了解決云計算中心的負載和數據傳輸帶寬的問題，學術界提出了多種關于計算任務從云計算中心遷移到網絡的邊緣的技術，主要典型模型包括有：分布式數據庫模型、P2P模型、內容分發網絡模型CDN、移動邊緣計算模型、霧計算模型、海云計算模型，以及本文提及的邊緣計算模型。
以上種種模型概念之間有重合也有所區分，共同點便是基于CAP理論即分布式系統理論，為了實現計算資源、數據通信、存儲以及能耗的綜合優目的，來指導云中心和邊緣端的任務分配；多種模型之間的區分在于實現目的的路徑不同，詳情可參見參考文獻《邊緣計算：萬物互聯時代新興計算模型》，由施巍松、孫輝、曹杰和孫權等撰寫。
也許是再造概念，但邊緣計算的愿景一直在實現的過程中。2015年10月，霧計算的支持者組成開放霧聯盟；2016年美國聯邦政府包括國家科學基金會、美國國家標準局將邊緣計算列入了項目申請指南；2016年10月屆邊緣計算會議在美國華盛頓特區舉辦；2016年11月30日由華為、中國科學院沈陽自動化研究所、中國信息通信研究院、英特爾公司、ARM和軟通動力信息技術(集團)有限公司聯合倡議發起的邊緣計算產業聯盟在北京正式成立。
六、訪談附錄——人人智能CEO王海增觀點(有刪減)：
1.為什么安防領域會成為AI的著陸場？
首先安防是政府導向和信息安全雙驅動的領域。
1)政府導向：國家政策是促增長和保穩定，在這兩塊上跟進的投資資金和項目機會會多一點。促增長：促進經濟的增長，實際上現在叫經濟的穩定增長，保持不下滑的增長率；國內經濟增長的兩個半，一個是*隊相關的，另外是公共安全相關的。半個就是醫療相關，這是增量比較多的；保穩定：增加社會安全，保證類似于公共安全穩定。
2)信息安全：注重于管理和行業的私密性的要求，叫安全性的要求。信息安全——在這個行業之內是可以的，在行業之外是不可以的，它算一個監管層。在這個行業里，它會把這個行業分兩類，一類是監管者，一類是被監管者。所以在數據使用方面，監管者數據不能給被監管者使用，這種行業內不是一個平等交流。*的數據、視頻的數據，只能在公安局或者特定的領域使用，這個數據是不能公開共享的。不像互聯網，講求開源共享。
2.對城市公共安全的定義？
1)我覺得城市公共安全的定義，反正就是政府投資建設的行為，就是指這種城市公共安全。它的投資主體和建設主體是由政府主導的，它的實施主體是由一些國家專業部門的，然后它的使用用戶反倒是涉及到整個城市群體居民的。城市公共安全典型就是感覺它的投資主體方和它的運營主體方，和終使用方，它是幾個層次的一個分離的，一個層次這邊分割的狀態。政治、科技、社會層面的主要定義。智慧樓宇、智慧社區里面這些裝的視頻監控不會規劃到城市公共安全里面。
2)城市公共安全的視頻監控會分三個層面進行建設；
政府主導建設：政府主導+政府出資建設，主要體現在路面街道；
企業主導建設：政府主導+企業建設。主要體現在酒店、賓館、建筑，甚至學校等，就是政府主導這些單位自行解決，但是這就要求你必須說，就像銀行一樣；
個人主導建設：第三個層面就是指政府可能不一定主導，但是有些個人，還有中小企業自行建設，也是為了自己的家庭保護或者自己周邊的院子進行保護；
數據不兼容+數據量大，政府平時不會收集和建設，而是出現事件之后去調用。
3.AI對安防的作用沒有質的變化，深度學習和別的智能技術沒有太多本質的變化，只不過從一個領域進入另一個新的領域而已。深度學習提高識別準確率，深度學習促進某些技術接近臨界生產狀態，從非可商業化進入可商業化狀態；
正如車牌識別其實早在2009年出現，到現在有7、8年時間。從興起的一兩年到高速發展的三五年，到現在平緩發展的兩三年，是一個新技術的導入周期和高成長的平穩發展，發展到一定程度之后，有了一定普及率就不會高速發展了，這是車牌識別。
再有，現在人臉識別太火了，導致人臉識別和別的智能技術，除了本質這塊，其實包括深度學習和別的智能技術沒有太多本質的變化，只不過只是從一個領域進入一個新的領域而已。文字識別其實是一個機器事物，比如人工AI來講，機器識別也是AI的一個比較早的階段，只不過原來有淺層模型，后面有深層模型，深層模型并不是終結，后面也許有更多的新的模型出現。
所以到現在AI對安防這塊有多大作用，說質的變化就是靠人臉識別，或者深度模型有質的變化，我們認為一些成功的變化，質的變化還不能說太大質的變化。
因為人臉識別中間是因為準確率從80%多提升到90%多，其實程度也沒那么夸張。
深度學習對人工智能帶來多大的變化，帶來一些變化，但是這個變化產生一些新的希望，但是我覺得沒有什么。深度學習是一個現在火的，深度學習對人工智能起到一個很重要的變化，但是這個變化促進了原來有些叫接近臨界生產狀態的技術，從非可商業化進入可商業化狀態。什么叫臨界，就是95%的準確度，原來是達到95%的準確度，原來是80%到90%左右，現在提升到90%的準確度。那么，我認為深度學習促進了一些技術的轉到了一個可商業的、可深入的一個準確度的一個級別，我認為這是一個變化。
4.模式識別技術已經成熟，但是能不能識別的出來還要看工程條件；
北京市有3.5萬個公安建的攝像頭，能做車牌識別的只有2000個，分布在紅綠燈路口、平常路口、停車場路口，只有這三種場景下才能做車牌識別，其他都是非明確的場景并不能檢出來。人臉識別即照片比對，能不能識別出來要看人臉識別放在哪些具體場景，還要看拍攝的照片清晰度合不合適等，有很多限制條件，存在很多工程條件。適用人臉識別的場景有人臉閘機、人臉門禁、人臉自助機等，它有一個特點就是近場容易識別，攝像頭和人距離幾米之內都好識別，這和靜態還是動態沒有關系，而是和距離、角度有關系，距離和角度決定人臉識別的應用場景可不可以識別。
5.特定的場景、特定的攝像頭才能發揮前端實時車牌識別、人臉識別功能；
做智能分析的攝像頭和做公安的攝像頭，比例只是一小部分。3.5萬個攝像頭只有2000個是電子警察，2000個電子警察現在幾乎在前端抓拍前端處理，只把結果抓拍后做分析，不把視頻做分析。并且有95%的攝像頭是不能做這些視頻分析，因為受到角度、距離、燈光的影響，不屬于近場識別場景。
現在是一個路口有三個攝像頭，一個抓車牌，一個抓人臉，一個專門存視頻內容。
前端智能就是為了實時響應前端抓拍的這些東西，比如專抓人臉的就要放在前端，攝像頭又要配合燈光的問題，配合安裝角度的問題，包括在調試的過程中，在路邊調，還要跑到機房里調參數，都是在攝像頭旁邊就有管理服務器或者抓拍設備。
所以在做視頻智能分析的時候，不能從傳統的業務模型來看這個分析。因為傳統業務模型的話，95%甚至99%的攝像頭不能做這些視頻，角度不好，場景不對，沒辦法，就要專門建一個專抓人臉的攝像頭。專抓人臉的就要放在前端，攝像頭又配合燈光的問題，配合安裝角度的問題。那么，包括調試的過程中，在路邊調，還要跑到機房里調參數，都是在攝像頭旁邊就有管理服務器或者抓拍設備。所以前端智能就是為了實時響應前端抓拍這些東西。
6.前端的計算資源足夠支撐特定場景的識別技術；
車輛識別的運算不算復雜，前端可以承擔，一些近場的人臉識別，比對的數據庫也相對小，所以前端智能也可以處理。車牌識別分很多種、人臉識別也分很多種，種類的區分是依據場景的不同來劃分，場景的影響因子有明暗(光線)、攝像頭高清度、攝像頭距離、攝像頭角度；特定的攝像頭+特定的場景可以做到前端實時識別分析處理車牌識別、人臉識別。目前人臉識別沒有大規模商用批量使用，問題在于產品也需要一個逐漸發展的過程。
前后端能都能實現識別的功能，但是因為計算資源的受限，所以前端適合處理一些計算量小，距離近的，適中的計算。前端的識別將視頻半結構化后方便目標分類、目標檢索。前端的功能是通過前端分析，將設備和應用場景分類化，從而讓智能分析功能進行場景化分類。
7.政府每三年更換一批設備，出于維穩業務主導，而不是技術的影響；
設備的報廢周期也是三到五年，政府的采購周期是每三年換一批設備，等哪一個技術成熟了，三到六年就把它換成新的技術。政府制訂財政規劃是按照它的業務目標，怎么維護這個目標，怎么維穩，有技術因素，也有業務管理的因素。業務主導，而不是技術主導，就因為想增加維穩才上高清。
原標題 億歐智庫丨案例分析：人人智能，邊緣計算+視頻監控技術
移動版
智慧城市網APP
智慧城市網小程序
微信公眾號
