人工智能(Artificial Inligence，縮寫AI)始于20世紀50年代中期，之后數十年發展起起伏伏，80年代末隨著人工神經網絡研究的興起，人工智能進入一個新的階段。特別是zui近幾年，深度學習在人工神經網絡優化方面獲得突破，使得機器輔助成為可能，拓展了人工智能的應用領域。
首先，有一些要的事要知道：AI是一門嚴謹的科學，專注于設計智能系統和智能機器，其中使用的算法技術在某些程度上借鑒了我們對大腦的了解。許多現代AI系統使用人工神經網絡和計算機代碼，模擬非常簡單的、通過互相連接的單元組成的網絡，有點像大腦中的神經元。這些網絡可以通過改變單元之間的連接來學習經驗，有點像人類和動物的大腦通過修改神經元之間的連接進行學習。現代神經網絡可以學習識別模式、翻譯語言、學習簡單的邏輯推理，甚至創建圖像并且形成新的想法。其中，模式識別是一項特別重要的功能——AI十分擅于識別大量數據中的模式，而這對于人類來說則沒有那么容易。
深度學習系統中一個特別有用的架構被稱為卷積神經網絡或 ConvNet。 ConvNet 是連接神經網絡中單元的一種特定方式，受其他動物和人類視覺皮層體系結構的啟發構建而來。現代 ConNet可以利用從7~100層的單元。在公園里，我們人類看到大牧羊犬和奇瓦瓦，盡管它們的體型和體重都不同，但我們卻知道它們都是狗。對于計算機而言，圖像只是一串數組。在這串數組內，局部圖案，例如物體的邊緣，在*層中能夠被輕易檢測出來。神經網絡的下一層將檢測這些簡單圖案的組合所形成簡單形狀，比如汽車的輪子或人臉的眼睛。再下一層將檢測這些形狀組合所構成的物體的某些部分，例如人臉、腿部或飛機的機翼。神經網絡的zui后一層將檢測剛才那些部分的組合：一輛汽車、一架飛機、一個人、一只狗等等。神經網絡的深度——具有多少層——使網絡能夠以這種分層次的方式識別復雜模式。
一旦經過了大量樣本數據庫的訓練，ConvNet 對于識別圖像、視頻、語音、音樂甚至文本等自然信號特別有用。為了很好地訓練網絡，我們需要提供給這些網絡被人標記的大量圖像數據。ConvNet會學習將每個圖像與其相應的標簽相互關聯起來。有趣的是，ConvNet 還能將以前從未見過的圖像及其相應的標簽配對。由此我么就得到了一個系統，可以梳理各種各樣的圖像，并且識別照片中的元素。
在安防領域，隨著平安城市建設的不斷推進，監控點位越來越多，從zui初的幾千路，到幾萬路，甚至于到現在幾十萬路的規模，視頻和卡口產生海量的數據。與此同時，隨著高清視頻、智能分析、云計算和大數據等相關技術的發展，安防正在從傳統的被動防御向主動判斷、預警發展，行業也從單一的安全領域向多行業應用、提升生產效率、提高生活智能化程度方向發展，為更多的行業和人群提供可視化、智能化解決方案。隨著安防領域的發展，人工智能的重要作用正逐步顯現。當前，用戶面對海量的視頻數據，已無法簡單利用人海戰術進行檢索和分析，需要人工智能作為專家或助手，實時分析視頻內容，探測異常信息，進行風險預測。
一、人工智能技術
近年來蘇州千視通一直在研發智能技術，歷經幾年的積累，其智能技術已被用到產品線的方方面面，而作為智能技術發展的目標——“人工智能”，更是我們矢志不渝的追求。立足現在，放眼未來，我們把當前的人工智能研發重點聚焦在視頻結構化技術和大數據技術兩方面。
1．視頻結構化技術
視頻結構化技術是融合了機器視覺、圖像處理、模式識別、深度學習等zui前沿的人工智能技術，是視頻內容理解的基石。
視頻結構化在技術領域可以劃分為三個步驟：目標檢測、目標跟蹤和目標屬性提取。
目標檢測過程是從視頻中提取出前景目標，然后識別出前景目標是有效目標(如：人員、車輛、人臉等)還是無效目標(如：樹葉、陰影、光線等)。在目標檢測過程主要應用到運動目標檢測、人臉檢測和車輛檢測等技術。
目標跟蹤過程是實現特定目標在場景中的持續跟蹤，并從整個跟蹤過程中獲取一張高質量圖片作為該目標的抓拍圖片。在目標跟蹤過程中主要應用到多目標跟蹤、目標融合以及目標評分技術。
目標屬性提取過程是對已經檢測到的目標圖片中目標屬性的識別，判斷該目標具有哪些可視化的特征屬性，例如人員目標的性別、年齡、著裝，車輛目標的車型、顏色等屬性。目標屬性提取過程主要基于深度學習網絡結構的特征提取和分類技術。
同時，為了解決視頻結構化的高性能分析計算問題，我們于2016年推出了“千視”視頻結構化服務器，充分利用多GPU的并行處理能力，提高視頻結構化處理的綜合效能。
2．大數據技術
大數據技術為人工智能提供強大的分布式計算能力和知識庫管理能力，是人工智能分析預測、自主完善的重要支撐。其包含三大部分：海量數據管理、大規模分布式計算和數據挖掘。
海量數據管理被用于采集、存儲人工智能應用所涉及的數據資源，并基于時間軸進行數據累積，以便能在時間維度上體現真實事物的規律。同時，人工智能應用長期積累的龐大知識庫，也需要依賴該系統進行管理和訪問。
大規模分布式計算使得人工智能具備強大的計算能力，能同時分析海量的數據，開展特征匹配和模型仿真，并為眾多用戶提供個性化服務。
數據挖掘是人工智能發揮真正價值的核心，利用機器學習算法自動開展多種分析計算，探究數據資源中的規律和異常點，輔助用戶更快、更準地找到有效的資源，進行風險預測和評估。
二、人工智能應用
當前人工智能技術的迅猛發展，積極推動著安防領域向著一個更智能化、更人性化的方向前進，主要體現在以下這幾個方面：
1．在*行業的應用
*行業用戶的迫切需求是在海量的視頻信息中，發現**的線索。人工智能在視頻內容的特征提取、內容理解方面有著天然的優勢。智能視頻分析系統，可實時、事后分析視頻內容，檢測運動對象，識別人、車屬性信息，并通過網絡傳遞到后端人工智能的中心數據庫進行存儲。匯總的海量城市級信息，再利用強大的計算能力及智能分析能力，人工智能可對*的信息進行實時分析，給出zui可能的線索建議，將**的軌跡鎖定由原來的幾天，縮短到幾分鐘，為案件的偵破節約寶貴的時間。其強大的交互能力，還能與辦案民警進行自然語言方式的溝通，真正成為辦案人員的專家助手。
以車輛特征為例，可通過使用車輛駕駛位前方的小電風扇進行車輛追蹤，在海量的視頻資源中鎖定涉案的嫌疑車輛的通行軌跡。
2．在交通行業的應用
在交通領域，隨著交通卡口的大規模聯網，匯集的海量車輛通行記錄信息，對于城市交通管理有著重要的作用，利用人工智能技術，可實時分析城市交通流量，調整紅綠燈間隔，縮短車輛等待時間，提升城市道路的通行效率。城市級的人工智能大腦，實時掌握著城市道路上通行車輛的軌跡信息，停車場的車輛信息，以及小區的停車信息，能提前半個小時預測交通流量變化和停車位數量變化，合理調配資源、疏導交通，實現機場、火車站、汽車站、商圈的大規模交通聯動調度，提升整個城市的運行效率，為居民的出行暢通提供保障。
3．在智能樓宇的應用
在智能樓宇領域，人工智能是建筑的大腦，綜合控制著建筑的安防、能耗，對于進出大廈的人、車、物實現實時的跟蹤定位，區分辦公人員與外來人員，監控大樓的能源消耗，使得大廈的運行效率*，延長大廈的使用壽命。智能樓宇的人工智能核心，匯總整個樓宇的監控信息、刷卡記錄，室內攝像機能清晰捕捉人員信息，在門禁刷卡時實時比對通行卡信息及刷卡人臉部信息，檢測出盜刷卡行為。還能區分工作人員在大樓中的行動軌跡和逗留時間，發現違規探訪行為，確保核心區域的安全。
4．在工廠園區的應用
工業機器人由來已久，但大多數是固定在產線上的操作型機器人。可移動巡線機器人在全封閉無人工廠中將有著廣泛的應用前景。在工廠園區場所，安防攝像機主要被部署在出入口和周界，對內部邊邊角角的位置無法涉及，而這些地方恰恰是安全隱患的死角，利用可移動巡線機器人，定期巡邏，讀取儀表數值，分析潛在的風險，保障全封閉無人工廠的可靠運行，真正推動“工業4.0”的發展。
5．在民用安防的應用
在民用安防領域，每個用戶都是個性化的，利用人工智能強大的計算能力及服務能力，為每個用戶提供差異化的服務，提升個人用戶的安全感，確實滿足人們日益增長的服務需求。以家庭安防為例，當檢測到家庭中沒有人員時，家庭安防攝像機可自動進入布防模式，有異常時，給予闖入人員聲音警告，并遠程通知家庭主人。而當家庭成員回家后，又能自動撤防，保護用戶隱私。夜間期間，通過一定時間的自學習，掌握家庭成員的作息規律，在主人休息時啟動布防，確保夜間安全，省去人工布防的煩惱，真正實現人性化。
三、存在的問題
人工智能在安防領域的應用有著非常好的前景，但目前國內的基礎還較薄弱，在應用過程中還有較多問題需要完善和解決：
1)視頻成像質量受環境影響較大，存在光照不足、圖像模糊、目標尺寸過小或相互遮擋等問題，不利于人工智能對視頻內容的辨識。
2)數據資源分散，開放和共享程度低，難以開展多面數據融合分析，使得人工智能缺乏有效的數據支撐。
3)領域專業知識的積累不足。早期的智能分析技術屬于單場景的目標檢測和行為分析，對視頻內容的理解能力偏弱，同時也很少涉及大范圍場景的關聯行為分析，沒有積累下有效的經驗知識用于異常分析和風險預測。
4)缺乏有效的自主完善能力。當前很多的智能，只是一種反應式智能，根據輸入條件進行自動判斷而已，并不具備成長能力。人工智能應具備基于時間的經驗積累，以及群體間的經驗分享能力，才能不斷完善，使得智能能力更強，更。
總 結
人工智能是安防領域的未來，在通往未來的道路上，還有許許多多障礙和困難需要跨越和克服，但總體趨勢是樂觀的，我們堅信只有具備自主、個性化、不斷進化完善的人工智能大腦，才能解決安防領域日益增加的需求，成為廣大用戶的專家和助手，提升整個安防領域的智能化水平，推動安防產業的升級換代。
