《宇視研究院：2023安防+AI 人工智能工程化白皮書（51頁）.pdf》由會員分享，可在線閱讀，更多相關《宇視研究院：2023安防+AI 人工智能工程化白皮書（51頁）.pdf（51頁珍藏版）》請在三個皮匠報告上搜索。

1、 1 前言 近年來，人工智能迎來了第三個發展高峰期。在計算、大數據、深度學習等技術的綜合作用下，人工智能技術得以大幅度提升。在很多應用領域，人工智能被給予很大期望，最樂觀的預期認為可以帶來人類文明的第四次工業革命。過去幾年里，中國公共安全視頻建設經歷了飛速發展的黃金時期，適逢人工智能技術取得突破性進展，以人臉識別為代表的人工智能（主要是機器視覺）在安防行業迅速落地，誕生了一系列初具成效的應用，也存在虛張聲勢的營銷。批評者指出，人工智能當前的主要矛盾，是業界的營銷能力和 PPT 水準，遠遠領先于用戶的真實需求和實戰準備；人工智能序幕揭開，算法仍有很多發展空間，對于算法落地難、實戰差，工程化是今后

2、要解決的問題。實踐者認為，任何一項技術，其生命力由商業化應用的程度決定，只有將技術轉化為產品，形成解決方案，最終轉化為用戶的有效利用，才能形成技術和價值的良性循環。在頂層設計方面，中國政府對人工智能發展戰略的高度重視。自 2015 年 6月以來，中國密集發布了 7 項關于人工智能的政策與規劃，并倡導將人工智能技術應用于公共安全領域，進行技術創新、產品創新和應用創新。在技術創新層面，傳統的安防企業、新興的 AI 初創企業，都開始積極從技術各個維度擁抱人工智能，在模式識別基礎理論、圖像處理、計算機視覺以及語音信息處理展開了集中研究與持續創新，探索模式識別機理以及有效計算方法，為解決應用實踐問題提供

3、了關鍵技術，具備了原創性技術的突破能力。在產品應用層面，很多企業推出了系列化的前后端 AI 安防產品，理論上滿足了許多典型場景下的實戰應用需求。人工智能技術的不斷進步，傳統的被動防御安防系統將升級成為主動判斷和預警的智慧安防系統；安防從單一的安全領域有望向多行業應用、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。智慧安防的技術基礎和產品化已趨成熟，因此在下一階段的命題就是如何系統化規模部署。挑戰與機遇并存，從技術手段的不斷革新到產品形態的成熟落地，智慧安防仍然面臨眾多難題，諸如成本高昂、工程化布點困難、算法場景局限大、缺乏深度應用、缺乏系統性頂層設計、

4、缺乏滿足實戰應用的行業標準與評估體系 2 等。能夠在多大程度上解決這些問題，關系著智慧安防產品和方案能否真正的落地生根。安防+AI 前景可期，久久為功。國內的學術界及實業界積極嘗試將人工智能應用于安防領域，正視問題，研究方法，實踐中總結改進，穩健推動安防行業的第三次升級。安防+AI 人工智能工程化白皮書集合了中科院自動化所、浙江宇視科技有限公司的技術專家及行業專家的研究成果、實踐經驗。本報告從當前人工智能技術與產業發展的背景、智慧安防生態圈、智慧安防典型應用、智慧安防規?；瘧么嬖诘膯栴}，以及智慧安防未來趨勢等五個維度，系統梳理總結了當前安防+AI 的發展現狀，尤其重點分析指出了智慧安防領域存

5、在的八大限制性因素，以及智慧安防的八大新的發展趨勢，供學術界及實業界的學者、專家參考。由于編寫時間倉促，本報告存在一定的不足，歡迎業內各界人士批評指正；作為一個開放系統，也歡迎其他國內外的機構和企業加入匯聚自己的經驗智慧。中科院自動化所、宇視研究院報告團隊 2018 年 11 月于烏鎮 3 第一章 背景 1.1 從自動化邁向智能化時代 人工智能始于 20 世紀 50 年代，至今大致分為三個發展階段：第一階段（20 世紀 50 年代80 年代）：形成了基本的人工智能，但還遠遠不及智能化水平。符號主義理論快速發展，一些基礎的算法理論得到證明。計算機的出現，人工智能的實際應用具備了硬件條件；但是硬件

6、設備的計算能力極為有限，難以處理復雜性更大的計算任務。第二階段（20 世紀 80 年代90 年代末）：專家系統得到快速發展，數學模型有重大突破。計算機從完成單純的數學和邏輯運算，演變為執行知識庫的自動化工具。這一階段的專家系統需要人們把知識總結后灌輸給計算機，計算機只能按規則應用這些知識，無法從數據中自行獲取知識。第三階段（21 世紀初至今）：隨著大數據的積聚、算法理論的革新、計算能力的提升，尤其是深度學習技術的發展，機器實現了分析數據，從而自動學習出知識能力。從人工智能的發展歷程來看，深度學習（深度神經網絡）推動了本輪人工智能的發展，本質上是多層次的人工神經網絡算法，即從結構上模擬人腦的運行

7、機制，從最基本的單元上模擬了人類大腦的運行機制。當前基于深度學習的人工智能技術架構下圖所示：4 圖 11：人工智能發展歷經 6 大時期，深度學習推動本輪發展 1.2 三個框架奠定產品化基礎 從人工智能的技術架構來看，得益于基礎硬件的強化與軟件框架的優化，使這一輪人工智能的爆發式增長得以實現。而基礎應用技術的進一步研發則使人工智能從抽象技術實現了向可及性產品與服務的轉變。1數據來源：中國科學院第十九次院士大會報告 5 圖 22：基于深度學習的人工智能技術架構得益于軟硬件的優化 基礎硬件層基礎硬件層為算法提供了基礎計算能力。涵蓋 GPU、CPU、FPGA、ASIC。2 數據來源：人工智能發展白皮書

8、技術架構篇 6 圖 33:基礎硬件提供基礎算力，四大類硬件各有特點 軟件框架層軟件框架層實現算法的模塊化封裝，為應用開發提供集成軟件工具包。該層涵蓋范圍包括針對算法實現開發的各類應用及算法工具包，為上層應用開發提供了算法調用接口，提升應用實現的效率。算算法框架法框架是人工智能核心生態圈建立的關鍵環節，是決定人工智能技術、產業、應用的核心環節，是人工智能核心生態圈建立的基礎和關鍵。3 數據來源：微軟 build、谷歌官網、天風證券研究所整理 7 圖 44：國內外人工智能企業應用技術分布，計算機視覺占比較高 當前人工智能的商業化實現主要是基于計算機視覺、智能語音、自然語言處理等基礎應用技術實現，并

9、形成了相應的產品或服務。目前國內外人工智能企業應用的技術主要是計算機視覺和智能語音語義兩個方面。自然語言是人與人溝通交流最主要的手段。智能語音語義的核心是研究人與計算機直接以自然語言的方式進行有效溝通的各種理論和方法。自然語言處理技術僅在特定領域取得了較好的應用，魯棒性存在大量挑戰，學術發展和產品應用上都有非常大的空間。4 數據來源：中國人工智能發展報告 2018 8 圖 55：智能語音交互系統技術流程，發展應用潛力大 計算機視覺的目的是建立能夠從圖像或者多維數據中獲取信息的人工智能系統。得益于深度學習算法的成熟應用，側重于感知智能的圖像分類、目標檢測等技術已經逐步實現商用價值。但現階段的視覺

10、技術往往僅能利于影像表層信息，缺乏對事物功能、因果、動機等深層信息的認知把握，在技術層面仍有很大的探索空間。5 根據網上公開資料 9 圖 66：計算機視覺簡述，逐步實現商用價值 1.3 各國政策規劃和智慧安防 人工智能被認為是第四次工業革命的主要使能技術，獲得了各行業的極大關注。為了抓住 AI 發展的戰略機遇，越來越多的國家和組織已經相繼制定國家層面的發展規劃。6 根據網上公開資料總結 10 圖 77:世界人工智能產業政策指導，各國緊抓 AI 發展 表 18：各國制定人工智能政策研發戰略 7 數據來源：2018 世界人工智能產業發展藍皮書 8 信息來源：中國人工智能發展報告 2018 11 中

11、國高度重視人工智能發展，2015 年后密集發布人工智能相關政策和規劃。圖 89：中國高度重視人工智能發展，密集發布相關政策規劃 在人工智能應用領域，我國智慧安防領域走在了世界的最前沿。在國內眾多關于人工智能的政策、發文、規劃中多次提到將人工智能技術應用于公共安全領域，進行技術創新、產品和應用創新，同時相關部門也提出并發布了在視頻監控應用中基于人工智能的視頻圖像處理技術標準。9 數據來源：2018 世界人工智能產業發展藍皮書 12 圖 910：公共安全領域人工智能發展相關政策，中國走在世界前沿 1.4 安防+AI 的爆發 全球 AI 相關產品業規模龐大。據中國人工智能學會和羅蘭貝格咨詢公司預測，

12、2016 年至 2025 年，全球人工智能市場規模年均增速超過 40%，2025 年將達到 3 萬億美元。10 數據來源：宇視根據公開信息整理 13 圖 1011：全球人工智能市場規模預測增速快，全球 AI 相關產品業規模龐大 在這個技術大背景之下，我國人工智能產業初具優勢。中國電子學會公開數據顯示，2017 年，中國人工智能核心產業規模已達到 56 億美元左右，預計 2020 年，中國人工智能核心產業規模將超過 220 億美元，年均增速接近 65%。11 數據來源：中國人工智能創新應用皮書 14 圖 1112：中國人工智能市場規模預測，產業初具優勢 按照中國信息通信研究院的統計結果，目前中國

13、人工智能市場主要由五個領域構成，按照市場規模從高到低分別為：機器視覺占比 37%，語音識別占比 22%，自然語言處理占比 16%，基礎算法及平臺占比 14%，芯片占比 11%。其中，由于近幾年中國互聯網娛樂、廣告傳播和公共安全視頻監控市場的高速發展，計算機視覺市場規模以 37%占比大幅領先。12 數據來源：新一代人工智能發展白皮書 15 圖 1213：2017 年人工智能市場結構，計算機視覺占主比大幅領先 圖 1314：2017 年中國計算機視覺行業市場構成，安防占據大部分 13 數據來源：2018 人工智能應用安防行業研究分析報告 14 數據來源：2018 人工智能應用安防行業研究分析報告

14、16 在機器視覺領域市場構成中，安防行業以 67.9%占據大部分份額，這得益于中國公共安全視頻監控建設的龐大市場。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，安防系統正在從傳統的被動防御升級成為主動判斷和預警的智能防御。安防行業也從單一的安全領域向多元化行業應用方向發展，旨在提升生產效率、提高生活智能化程度，為更多的行業和人群提供可視化、智能化解決方案。隨著智慧城市、智能建筑、智慧交通等智能化產業的帶動，智慧安防也將保持高速增長。預計在 2020 年全球產業規模實現 106 億美元，中國會達到20 億美元。在安防行業，人工智能應用發展最快的是人臉識別，其市場規模如下圖所示。圖 14

15、15：人臉識別市場規模發展最快 15 數據來源：2017 人工智能報告 17 第二章 智慧安防生態 圖 1516：智慧安防生態圈如下所示 2.1 基礎硬件 這里的基礎硬件特別強調芯片廠商，目前主要的 AI 核心芯片供應商如下表所示：16 信息來源：宇視根據公開資料整理 18 表 217：目前主要 AI 芯片廠商，但學術界對“AI 芯片”說法存疑 注釋：對于“AI 芯片”這一稱謂，學術界持嚴謹和否定的態度。中科院中國經濟與社會安全研究中心主任王飛躍稱沒有這樣的說法，“我不認為現在有所謂的人工智能芯片，當然這種宣傳可以進行宣傳?！钡聡R格德堡大學教授 Andreas Nuernberger 也同意

16、這樣的觀點，不知道背后誰在推動，從而成為熱詞。GPU 主要應用在數據中心，其特點是產品上市快，缺點是功耗高。安防應用中，GPU 芯片基本被英偉達壟斷。17信息來源：中信證券研究部整理 19 表 318：人工智能應用，安防業內 GPU 芯片被英偉達壟斷 安防領頭企業不乏基于 GPU 的視頻監控產品，如下圖所示：表 419：安防+AI 典型落地應用產品 FPGA 在中心推理及數據中心也有較多應用，與 GPU 比，FPGA 的功耗優勢明 18 數據來源：2018 人工智能應用安防行業研究分析報告 19 數據來源：2018 人工智能應用安防行業研究分析報告 20 顯。安防應用中，FPGA 主要廠家有

17、Xilinx、Intel（原 Altera）等。ASIC 主要應用于端側推理，由于端側應用的多樣性、復雜性以及對高性價比述求等原因，ASIC 廠家很多，例如：寒武紀、海思、地平線、比特大陸等，同時提供的方案也多。2018 年安防市場 ASIC 競爭非常激烈，下圖是根據網絡數據整理的各 ASIC芯片上市進度。其中，海思的布局非常密集。圖 1620：ASIC 芯片上市快，布局密集 2.2 云平臺 近年來，具備云計算平臺等技術資源的公司，如阿里云、華為云等云平臺廠商，推出了針對智慧安防行業的智能視頻云平臺。除了傳統的?？?、大華、宇視、科大、天地偉業、東方網力等企業外，CV 廠商和云平臺供應商也逐步開

18、始提供云平臺產品和行業應用。2.3 軟件框架 軟件框架技術仍掌握在亞馬遜、微軟、谷歌、百度等科技巨頭手中，是深度學習人工智能的核心。算法框架是人工智能核心生態圈建立的關鍵環節。實現算法的模塊化封裝，20 數據來源：宇視根據企業發布信息整理 21 為應用開發提供集成軟件工具包，包括針對算法實現開發的各類應用及算法工具包，為上層應用開發提供了算法調用接口等服務。2.4 基礎算法 安防行業的算法企業總體來說可以分為兩大類。第一大類是商湯、曠視、云從、依圖、中科神探等 CV 企業；第二大類是?？?、大華、宇視，也開始 AI 算法技術布局。隨著各企業的投入進一步加大，視頻識別算法準確率大幅度提升。例如人臉

19、識別算法，在特定條件下，已經達到很高的水平。此外，在圖像分類、物體檢測等方面，計算機的識別率都已經遠遠超越了人類平均水平。2.5 產品及行業應用 除了傳統的?？?、大華、宇視、科達、天地偉業、東方網力等安防廠商外，CV 廠商和云平臺供應商也逐步開始提供產品和行業應用。除了前文提到的云中心產品，各企業基本已經完成邊緣智能產品序列化。隨著邊緣和中心產品的豐富，用戶開始對應用業務提出了更高的要求。從目前行業情況來看，無論是傳統安防企業，還是 CV 和云平臺企業，在業務應用上雖有部分提升，但仍以典型通用應用為主。22 圖1721：主流廠家邊緣/中心智能產品豐富，用戶更重視實際應用 第三章 智慧安防典型應

20、用 隨著 AI 在安防行業的滲透和深層次應用技術的研究開發，當前安防行業已經呈現“無 AI，不安防”的新趨勢，各安防監控廠商全線產品 AI 化已經是當前不爭的事實，同時也成為各廠商的新戰略。隨著 AI 在安防行業的深入落地，AI在安防領域尤其是視頻監控領域的產品形態及應用模式也開始趨于穩定，安防行業的 AI 技術主要集中在人臉識別、車輛識別、行人識別、行為識別、結構化分析、大規模視頻檢索等方向。安防行業的 AI 應用場景分為卡口場景和非卡口場景，前者指光線、角度等條件可控的應用場景，以車輛卡口及人臉卡口為主；后者指普通治安監控視頻場景。其中，卡口場景約占監控攝像機總量的 1%-3%，剩余的均為

21、非卡口場景監控視頻。21 數據來源：宇視根據企業發布信息整理 23 3.1 卡口場景：人臉身份確認應用 人臉身份確認應用以公安行業人員布控為代表，在關鍵點位部署人臉抓拍攝像機，通過后端人臉識別服務器對抓拍到的人臉進行分析識別，同時與人臉黑名單庫進行比對。隨著人員布控應用的增強，已經初顯效果。例如近期的“張學友演唱會”：2018 年 4 月 7 日，南昌站首個逃犯在現場落網；2018 年 5 月 5 日，贛州站演唱會開場安檢過程中，成功抓獲一名網上逃犯；2018 年 5 月 20 日，嘉興站演唱會開場安檢過程中，成功抓獲一名逃犯；2018 年 6 月 9 日，金華站演唱會，2 名逃犯落網；201

22、8 年 7 月 6 日，呼和浩特站演唱會，一名全國在逃人員落網；2018 年 7 月 8 日，洛陽站演唱會，洛陽警方成功拿下“七殺”；2018 年 9 月 21 日，遂寧站演唱會，共計抓捕 10 余名逃犯；2018 年 9 月 28 日，石家莊站演唱會，現場三名逃犯落網；2018 年 9 月 30 日，咸陽站演唱會，咸陽警方成功抓獲 5 名逃犯。人臉動態布控應用中主要利用人臉抓拍攝像機從高清視頻畫面中抓拍人臉照片，即時分析人臉特征，快速完成抓拍人臉與黑名單庫人臉的比對并實現報警提示。報警后可結合人臉靜態大庫，將抓拍到的人臉在靜態大庫中進行人員身份信息查詢，最終輸出 TopN，經過人工研判后即可

23、判定是否為在逃的違法犯罪分子，通過指揮調度實現對犯罪分子的“圍追堵截”直至抓捕歸案，類似的應用還有很多。2017 年，沈陽地鐵部署人臉識別系統，系統運行僅僅 27 個小時，就成功識別出 2 名被列為網上逃犯的犯罪嫌疑人；系統報警后還會對目標拍攝前后共計10 秒鐘的視頻，以便留存證據?，F場技術人員介紹，準確率超過 90%，偶爾會存在誤報，試運行的 10 天內共計發生誤報不超過 3 次。2017 年在第 27 屆青島國際啤酒節期間，青島開發區警方將“人臉識別”系統應用于啤酒節安保，并成功抓獲網上逃犯 25 名，吸毒人員 19 名，當場還抓獲了 5 名扒手，并且驅離扒竊前科人員 32 名。另外，通過

24、人臉識別系統的過人抓拍庫，還可以查詢人員行走軌跡，可以借助人臉識別系統尋找走失老人、兒童等，實現便民服務。3.2 卡口場景：人臉身份驗證應用 人臉身份驗證應用逐漸普遍。常見的人臉白名單應用已經在很多行業落地，24 比如人臉門禁、人臉速通門、人臉考勤、人員身份確認等，廣泛應用于企業、各類園區等場景。除實現基礎的人臉識別應用外，人臉門禁還可以防止通過照片、視頻等人臉假冒行為，切實保障出入口人員安全管控及日常人員管理等。3.3 卡口場景：車輛識別應用 車輛識別技術是公安實戰中應用最成熟、效果最明顯的技術之一。借助遍布全國各地交通要道的車輛卡口，車牌識別使得“以車找人”成為現實，成功協助警方破獲各類案

25、件。車輛識別技術已經從初級的基于車牌的車輛識別應用階段，發展到車型識別、套牌車識別等精準的車輛識別應用階段。3.4 非卡口場景：視頻結構化分析與快速檢索應用 在視頻結構化分析與快速檢索應用中，視頻結構化業務功能是對視頻中的機動車、非機動車、行人等活動目標進行分類檢測；同時提取目標小圖和場景大圖寫入存儲設備中，便于后續的快速查詢及智能檢索。通過視頻結構化業務快速分析并提取出視頻中感興趣目標的特征屬性信息，用戶能夠高效獲取案事件相關線索，促進大安防時代視頻數據從看清跨入到看懂的階段。3.5 非卡口場景：行為分析輔助安防應用 行為分析可輔助安防應用。通過行為分析系統對人員的異常行為進行分析處理，可應

26、用于重點區域防范、重要物品監視、可疑危險物品遺留等行為的機器識別；也可對人員的異常行為進行報警，極大提升了視頻監控的應用效率。另外，還可以實現對群體的態勢分析，如人群密度分析、人員聚集分析等，對重點區域或人員聚集較多的場所態勢進行分析，防止人群事件發生，做到提前預警、及時處置。第四章 智慧安防規模應用的八大限制性因素 雖然人工智能技術飛速發展，但在產品化和實踐應用中，依然存在很多問題。25 在過去幾年，人工智能熱度很高，但實際上只完成了“概念模型”的建立，尚未達到“有效利用”的理想效果。4.1 成本高昂 當前，影響“安防+AI”產品解決方案規?；瘧玫囊蛩赜泻芏?，成本高昂是眾多原因之一。從一個

27、典型中大型城市級公共安全視頻監控聯網項目各部分成本占比情況可以清晰看出成本是“安防+AI”發展的重要瓶頸。設備本身由于產品性能、算力性能等多方面要求造成布置成本較高；而科學化工勘布點需求帶來的時間和人力成本、海量圖片高并發網絡帶寬需求帶來的設備和鏈路成本、多業務系統聯網應用帶來的溝通和研發成本、大數據研判分析應用帶來的設備及研發成本以及不斷增長的設備與集成施工和機房改造等因素則進一步疊高了“安防+AI”落地的成本。通過統計典型案例的數據，以建設 1000 路規模的高清安防監控系統和 1000路高清 AI 人臉識別系統為例，來對比分析“安防+AI”及“傳統安防”的建設成本（注：各部分設備費用包含

28、安裝施工等人力成本）。圖 1822：安防+AI 與傳統安防兩周方案建設成本比對，安防+AI 優勢顯著 通過對比分析表，可以發現“傳統安防”方案的建設比“安防+AI”方案的 22 數據來源：宇視根據公開招標信息整理 26 建設少了對外接口服務、視圖分析部分及大數據研判部分，這一部分成本是建設“安防+AI”解決方案所必不可少的。通過對比其他項得知：前端部分：“安防+AI”比“傳統安防”要高出 225%，主要原因除了前端設備多出的算力之外，還來源于設備的工勘選點、設備安裝調試的人力成本，這是傳統安防監控點位所不需要的?；A管理平臺及網絡傳輸部分：這兩部分成本兩種方案基本持平，對于整個基礎平臺部分來說

29、，兩種解決方案所需設備基本一致，而傳輸網絡因為到每個點位均采用千兆網絡帶寬，故也是相同的成本。存儲部分：這一部分成本可以看出“安防+AI”方案要比“傳統安防”方案高出 86%，主要原因是“傳統安防”方案對存儲設備的讀寫性能和可靠性沒有“安防+AI”方案要求高。隨之而來便是產品方案的選擇不同，“傳統安防”方案可采用傳統 NVR 或者 IPSAN 磁盤陣列方案，而“安防+AI”方案則需要采用云存儲方案，另外一方面原因是“安防+AI”方案多出了海量圖片全周期的存儲空間要求。其他部分：“安防+AI”方案要比“傳統安防”方案高出 22%，由于前面幾大系統的整體高出，使得“安防+AI”方案系統集成、施工輔

30、材、機房改造等設備及人力成本隨之升高。通過以上分析不難看出，在同等條件下，當前“安防+AI”解決方案的總體成本要比“傳統安防”整體成本要高出 73 個百分點。高昂的成本在很大程度上限制了“安防+AI”解決方案的規?；涞?。4.2 算法場景限制高 人工智能算法的泛化能力是模式識別問題長期面臨的一個問題，也是現階段的主要瓶頸。由于訓練好的模型用在變化的場景中性能往往會明顯下降，因此在實際使用中，必須對場景進行嚴格定義，或者從設計上將智能算法定位為對指標不敏感的輔助功能。在比較成熟的應用中，如智能交通中的過車及違章抓拍、機場車站的人證對比等，都需要具體的工程安裝方案。這種做法在技術不夠成熟的條件下有

31、效實現了商業價值，但缺點同樣明顯：一方面，對已有設備的改造需要增加施工成本，影響人工智能算法對傳統應用的滲透；另一方面，也限制了獲取有效素材的效率，影響算法指標的進一步提升。27 4.3 布點困難 人工智能往往有特定的場景要求，只有在特定場景下才能保持較好的識別率。以人臉識別為例，公安部發布的GB/T 35678-2017 公共安全 人臉識別應用圖像技術要求 標準按照當前主流人臉識別水平規定了公共安全人臉識別應用中人臉圖像的技術要求，詳細如下：1.圖像格式：人臉圖片格式應為 BMP、JPEG、JPEG 2000 和 PNG 中的任一種。若圖像為灰度圖時，圖像灰度級應為 256 級；2.遮擋：遮

32、擋物應不遮擋眉毛、眼睛、嘴巴、鼻子及臉部輪廓等；3.兩眼間距：兩眼間距應大于等于 30 像素，宜大于等于 60 像素；4.姿態：人臉水平轉動角應在30以內，俯仰角應在20以內，傾斜角應在30以內；5.臉部區域：人臉完整，輪廓和五官清晰，無濃妝，圖像臉部區域應無編輯修改性處理，幾何失真應小于等于 10%，運動模糊應小于等于 0.20，高斯模糊應小于等于 0.25。進行人臉識別的攝像機，需要嚴格遵從公安部發出的政策標準，導致大幅度降低人臉識別的可應用空間，也大幅度提升了施工難度。圖 19：人臉識別攝像機使用場景模擬示意圖 28 表 5：人臉識別攝像機使用場景數據范圍 環境類型 推薦值 備注 安裝高

33、度 2.2-3 米 水平監控距離 3-10 米 俯仰角 15以內 左右偏轉角 30以內 監控區域寬度 4.5 米以內 4.4 網絡和安全要求更高 近年來，人工智能技術的蓬勃發展賦予了安防監控系統更加多樣化的業務功能，將安防監控行業的市場空間進一步拓寬，使安防監控系統在各行各業得到廣泛部署。但從風險角度而言，在 AI 與安防融合發展的進程中，將大量非結構化視頻轉化為可快速檢索的結構化數據，一旦網絡被攻擊，數據泄漏后的損失將更為惡化；另一方面人工智能將大量視頻、圖片集中到云中心，對網絡帶寬提出了更高要求。此類需求和風險可歸類為以下 3 個方面：問題 1：現階段大量部署的端計算設備安全風險高：暴露設

34、備數量太多、暴露端口太多、設備漏洞太多、固件更新不及時、通信協議安全性不高、數量過多無法管控。29 圖 2023：暴露的視頻監控設備廠商分布情況 圖 2124：暴露的視頻監控設備端口分布情況 23 數據來源：綠盟科技2017 物聯網安全研究報告 24 數據來源：綠盟科技2017 物聯網安全研究報告 30 問題 2：監控等物聯網設備已經成為新的攻擊目標（僵尸網絡與 DDOS、遠程錄拍、勒索病毒、挖礦木馬、APT 攻擊）。據騰訊安全報告：視頻監控/物聯網設備已經成為新的 DDoS 攻擊目標，2017 上半年物聯網攻擊增加約 280%，2017 年新增勒索病毒樣本 660 萬個。圖 2225：201

35、7 年全年敲詐勒索病毒數量情況 問題 3：人工智能的發展，數據被終端采集后傳輸匯集到集中式云計算中心，網絡實時性和帶寬都帶來量級的要求，對云中心部署方案的帶來了挑戰，需要新的模式來適應 AIoT。4.5 深度應用不足 視頻監控系統產生的數據量龐大，而且日趨多元化，包含：非結構化數據、半結構化特征數據以及結構化數據。當前的人工智能視頻大數據分析技術主要存在如下三個問題：25 數據來源：2017 年度互聯網安全報告 31 問題一：非卡口場景的視頻分析算法在準確率、穩定性及計算成本等核心指標方面還有待于提高，導致非卡口場景的存量視頻利用率極低，目前沒有有效利用的非卡口監控視頻約占監控視頻總量的 97

36、%左右；問題二：當前的人臉識別技術、行人識別技術、行為分析等視頻分析技術往往是接近于實驗室場景下的初級應用、數據孤立下的單點識別應用，距離全天候場景下的精準鎖定，最快時間、最小成本、跨攝像機下的識別搜索，還有很大的差距，真正解決客戶實戰問題的能力還有待于提高；問題三：智能 AI 攝像機及視頻結構化分析產品開始進入安防市場，產生了海量的結構化視頻數據，但基于結構化視頻數據的深度智能應用，如時空分析、模式挖掘、預測預警、技戰法訓練等尚在探索階段，有可能形成新的數據浪費和低效投資。4.6 系統性頂層設計 圖 23：典型的安防+AI 解決方案構成示意圖如下：傳統安防視頻監控方案要落地能夠滿足客戶的建聯

37、管用基本使用需求，大致由四部分組成，即上圖紅色虛線框所示：前端基礎資源、傳輸網絡、管理部分和存儲部分。建成之后的安防視頻監控系統用戶只需要在操作客戶端上即可完成視頻解碼上墻、實況錄像調閱和資源管理等基本業務。安防+AI 解決方案在傳統安防的基礎之上不僅對布點、網絡、存儲等提出新 32 的挑戰，還在組成上多出了視圖分析系統、大數據研判系統、視圖資源歸檔、對外接口服務，以及最重要也是必不可少的告警、審核、輔助研判及抓捕一系列流程配合。安防+AI 方案融入了更多的系統集成的同時，不論是前期的科學選點，還是后期的研判抓捕，以及組織、流程保障等人的因素貫穿始終。因此，安防+AI 解決方案需要進行前瞻性、

38、系統性、科學的頂層設計，這是能否真正落地、取得豐富實戰效果的前提。4.7 缺乏行業標準與評估體系 當前情況下，安防+AI 算法、產品及解決方案以企業標準為主，應逐步建立面向實戰應用的行業標準。鑒于人工智能技術飛速發展的現狀，現階段全面建立統一的行業標準有可能會傷害安防行業的健康發展，但安防+AI 算法、產品及解決方案的評估體系應盡快構建。4.8 用戶學習與組織保障成本更高 AI 產品方案在安防行業的落地，對用戶來說：如何使用好這樣一套系統，讓系統發揮出它最大的功效是一個全新的挑戰，這個挑戰不僅源于對顛覆原有以往任何技術手段的不斷學習和經驗總結，更來自于用戶自身的組織和制度如何保障系統的有效運轉

39、。以人臉識別系統為例，對于公安用戶來說，如何利用這套系統完成人員身份信息的核實，對相關嫌疑人產生準確的告警，并通過告警完成相應人員的抓捕歸案是一整套流程的打通。對于部分公安用戶，存在建設部門與使用部門相分離，各業務警種之間相分離，各部門上下層級間相分離，公安內部與外部資源相分離以及各單位資源間相分離等情況，形成了一定的壁壘。如何使用好一套人臉識別系統，還來自于用戶本身的不斷學習和經驗總結，一方面對于系統本身通過廠商的培訓學習和對外的參觀考察學習，另一方面對于系統使用本身，需要結合本地實際情況，不斷總結符合本地實情的技戰法并快速有效的復制傳遞。比如如何完成本地黑名單庫的建立和更新，如何實現嫌疑人

40、人臉目標的獲取，如何通過多種技術手段實現告警嫌疑人的軌跡追蹤，如何時刻保持抓捕人員的高機動性，在發生黑名單告警并確認后快速實施抓捕任務以及如何保障一線抓捕人員與指揮中心人員的信息及時交互等都是系統在使用過程中需要不斷學習和總結的。33 圖 24：安防+AI 在治安實戰中的組織與保障 如何能夠提高相關人員的積極性和主動性，除了相應的考核機制之外，還可以建立一定的獎懲措施。第五章 八大新趨勢造就智慧安防新未來 5.1 工程的科學布點 人工智能的強場景化特點，決定了在智慧安防應用中，攝像機的使用位置、覆蓋范圍受到很大限制。相同數量的攝像機，在一個城市中的開放區域，安裝于不同的位置，所能起到的作用顯然

41、是不同的。一個智慧安防系統如何在有限的攝像機資源覆蓋情況下，達到最優的防范效果？這就對系統方案設計、布點設計提出了更高的要求。一方面，用戶和設計機構，根據各地的區域情況和歷史經驗，建立了一些基于經驗的方法論，例如：關鍵點覆、關鍵區域覆蓋、網格化覆蓋、外環內網等。另一方面，人工智能的技術將會被應用到系統設計階段。AR/VR、信息融合、數據挖掘、知識圖譜等技術，將為用戶提供更精細更準確地系統科學布點的決策分析服務。5.2 產品的云端結合 目前安防系統中，常見的中心計算架構問題已經日趨嚴重，主要體現為網絡傳輸帶寬問題、及時性問題得不到有效解決。邊緣計算的出現有效緩解了上述問題。云計算聚焦非實時、長周

42、期數據以及 34 業務決策場景，而邊緣計算在實時性、短周期數據以及本地決策等場景方面有不可替代的作用。這使得云端結合成為新趨勢：一些需要集中式處理的計算繼續交由大型云計算中心，如大數據挖掘、大規模學習；大量實時的需要交互的計算、分析在邊緣節點完成。同時邊緣計算也是云端所需高價值數據的采集終端，可以更好的支撐云端應用的大數據分析；而云端通過大數據分析得出的一些業務規則也可以下發到邊緣端，優化邊緣端的業務決策。云計算與邊緣計算分工協作，來滿足智能時代爆發式的計算需求。云邊結合的架構，解決了集中式云計算架構的幾大問題：1.給到云端的數據都是邊緣智能產品過濾之后的圖片、結構化信息，相較于原始視頻，帶寬

43、壓力大大降低；2.匯聚到云端的數據量少，云端的計算和存儲性能需求可大幅降低。IDC 數據統計顯示，云計算和邊緣計算結合，成本只有單獨使用云計算的 39%；3.由于邊緣計算距離用戶更近，在邊緣智能產品處實現了對數據的過濾和分析，海量的設備數據不需要上傳云端，再反饋于終端執行，邊緣智能產品可以實時分析并給出結果，本地業務快速響應。圖 25：安防業務云邊結合示意圖 35 5.3 AI 分布式計算 在智能應用場景中，存在空間和時間的不均衡性?？臻g不均衡性是指在不同場景不同地點，分析目標的密集度是不同的；時間不均衡性是指在同一個區域，不同時間的分析目標的密集度是不同的。例如在早晚高峰期間，地鐵人流量要遠

44、高于平時，而同樣在早晚高峰，各站的上下行客流量又要相差很大。圖2626：北京地鐵客流量時間分布圖 圖 2727：北京地鐵斷面客流量分布圖 這就導致在智能應用的項目設計階段很難在數據完整性和成本之間平衡。如果按照高峰期流量模型設計計算性能需求量，則會導致數倍的性能浪費。而如果 26 數據來源：北京軌道交通線網客流特征分析 27 數據來源：北京軌道交通線網客流特征分析 36 按照均值流量模型設計計算性能需求量，則會導致在峰值時間段，出現大量的因性能不足導致的數據丟失甚至是系統出現異常宕機。因此，采用分布式計算架構將成為未來趨勢。通過對全網的中心計算設備和邊緣計算設備進行統一的計算調度，可以有效地緩

45、解問題，大幅度降低智能應用系統的整體建設成本。另一方面，算法的按需調度將成為可能。不同的算法成為一個可按需分配的資源池，不同的計算資源將根據不同的時間針對不同的分析對象分配算法能力，進一步提升資源利用率。5.4 數據的多維應用 現今的智能監控系統已經開始融合人工智能分析技術和物聯網技術，采集和提取更多有效的多維數據。人工智能技術能夠對視頻內容進行智能分析，將所有運動目標進行自動分離、自動分類，并自動提取目標多維度的結構化數據以及半結構化數據，如人臉特征、人體特征、車輛特征、異常行為、時空特征等及相應的、更為細化的屬性特征。通過物聯網技術可以采集相關的物聯網信息，如利用RFID 技術、5.8G

46、射頻技術等。通過對歷史數據的分析挖掘，可以挖掘事件的內在聯系，識別出異常模式，從而提供實時報警服務；利用知識圖譜技術，可以挖掘人和人、人和事、事件和事件之間的關聯關系，并進行深度推理，進而為重大事件提供決策分析，提高預警的準確性和及時性。5.5 數據和網絡安全 國家對網絡安全的重視，促進安防系統加大對安全解決方案的完善。中華人民共和國網絡安全法和網絡安全等級保護條例的發布，如何就安防系統進行安全的鞏固和提升給出了系統的指導意見。網絡安全等級保護條例（征求意見稿）于 2018 年 6 月 27 日對外發布。被業界普遍稱為“網絡安全等級保護 2.0”。37 圖 28：網絡安全等級保護 2.0 等保

47、 2.0 的要求，將網絡安全等級保護擴展到云計算、大數據、物聯網、移動互聯網以及公共新領域，并增加了風險、評估、安全監測、通報預警、考核評價、應急處置，還涉及對供應鏈的要求，可信可控態勢感知等方面。為了解決安防系統中的安全問題，適應新的等級保護條例要求，主要在以下機房采用新技術、新方案來解決安防系統中的安全問題。38 表 6：等保 2.0 網絡安全相關技術要求 數據的源端加密成為趨勢。在數據的產生階段，即攝像機音視頻數據在源端實現數據的加密。數據（尤其是視頻、圖片等關鍵數據）跟蹤追溯技術。安全事件發生后泄露源頭的追查和責任的判定是及時發現問題、查缺補漏的關鍵，同時，對安全管理制度的執行也會形成

48、一定的威懾作用。AI 應用于安全，實現安全可視化和態勢感知。人工智能與網絡安全深度融合，機器學習、深度學習等人工智能技術在網絡安全領域落地應用，助力提升網絡安全風險預測、攻擊防御等全方位能力。用戶行為分析成為“人工智能+網絡安全”落地的重點方向。應用知識圖譜技術，將用戶各類行為進行歸類、聚合，篩選出具有某一共性的關聯圖，對未發生的威脅進行感知和預測；提供更為智能化的決策模式，突破了傳統安全技術的局限。區塊鏈技術的應用為網絡安全帶來新思路。數據防篡改與驗證、多節點分布式冗余、共識機制共同保證區塊鏈所構建數據庫中數據的不可篡改；關鍵信息鏈上存儲，將關鍵信息的哈希值存儲在區塊鏈上，通過區塊鏈上數據的

49、不可篡改確認關鍵信息的正確性。39 5.6 下一代人機交互技術 隨著智能技術在安防系統里的應用，產生的數據越來越多，隨之而來問題：如何讓使用者快速看懂數據，也就是數據可視化的問題。安防行業下一代的人機交互，展現上會朝著操作性和立體性更強的方面發展，交互上朝著互動感更強方面發展，應用上朝著功能業務深度結合的方面發展。用戶界面的操作性及立體性不斷用戶界面的操作性及立體性不斷加強。加強。普通攝像機反映的是“現實”，這種現實由于缺少附加性的信息，對安保人員的環境熟悉度要求非常高。通過 AR 技術輔助能使屏幕前的安保人員更加及時有效地處理視頻畫面捕捉到的異常、突發情況。向著多通道互動及智能互動的方向進步

50、向著多通道互動及智能互動的方向進步?，F階段，主要通過鍵盤與鼠標來實現人機交互。在感壓技術的基礎上，技術人員開發出了觸屏手機、觸屏電腦，得到了初步應用，但由于其帶來的交互體驗提升有限，并未得到更廣泛的應用。隨著傳感器和人工智能技術的發展，基于人感覺的開發效應通道，如視線跟蹤系統、三維聽覺定位器、分貝感應器、語音識別系統等利用人的聽覺、視覺，進行人機交互成為可能。而這些產物應用安防領域后，可顯著的提升安防效果。而且通道切換也不需要頻繁的開展，促使人機交互效率的提升。5.7 系統設計及項目實踐能力不斷提升 智能業務應用的落地需要建立在合理的成本控制、合格的施工質量、完善的數據整合和配套的管理機制之上

51、。再由配套場景的算法、模型基于高效的計算框架將數據轉化為可視化的用戶業務，進一步驅動或輔助用戶決策。因此，智能業務應用是一項系統工程，架構、算法、計算、數據、應用、工程、管理流程等缺一不可，需要不斷加強系統性頂層設計的能力，提高項目實踐能力。由于智能業務的場景性限制，標準化產品背后依然需要集成商、ISV、解決方案/設備供應商為客戶提供場景個性化服務。因此，在很長時間里，智慧安防應用仍將以部分標準化產品/解決方案、部分場景定制化產品/解決方案相結合的形式存在。40 圖 29：商業智慧的落地是系統工程，智慧安防應用與產品/解決方案結合存在 5.8 非卡口存量視頻逐步應用 根據統計數據，中國一年有約

52、 5000 萬個攝像機需求，實際只有約 50 萬個智能攝像機被有效應用，僅占 1%左右，而高達 99%的攝像機無法賦予“智能”屬性。這意味著安防+AI 剛剛進入初級階段。非卡口場景下人工智能算法的泛化能力是在安防領域落地的主要瓶頸之一。與傳統模式識別方法相比，在大數據的支撐下，深度學習算法的泛化能力和復雜場景的適應性有了明顯的提升。例如，融合人臉識別、人體輪廓識別、步態識別等多模態生物特征識別技術可實現跨攝像機的人員追蹤，在海量的普通非卡口視頻中搜索出犯罪嫌疑人的逃跑軌跡，并在刑偵破案中發揮了積極作用。面對海量普通攝像機的存量市場，要實現智能化改造，有幾種方案選擇：第一種方案，是將現有的普通高

53、清攝像機替換成 AI 攝像機，這種方案成本高，會造成巨大的社會資源浪費，基本行不通。第二種方案，普通攝像機將視頻碼流傳輸到中心云平臺，在中心部署 AI 服務器，統一做 AI 分析。這是目前最常用的一種方案。這個方案帶來的問題有兩個：一是中心 AI 服務器的部署成本高；二是數據全部送到中心 AI 服務器進行分析，時延大，帶寬占用大。第三種方案，采用“云+邊+端”架構，在前端網絡中增加邊緣設備，攝像機只要就近將視頻碼流傳輸到邊緣設備，由這個邊緣設備負責 AI 分析，將 AI 分析的結果傳輸到中心云平臺，也可以和中心云平臺的 AI 服務器一起完成復雜的 AI功能。41 圖 30：云端邊三級架構 在第

54、三種方案中，邊緣設備還可以同時具備超感傳感器，實現電磁信號、RFID、PM2.5 等物聯網數據的采集和傳輸，具備完整的 AIoT 能力。圖 31：邊緣計算示意圖，更快更便捷實現前端智能 綜合來看，采用邊緣 AI 設備的方案，能更方便、快捷的實現前端智能，實現對當前海量的普通監控攝像機的 AI 改造，更好的實現后端 AI 向前端 AI 的過渡。42 參考文獻參考文獻 1.中國科學院第十九次院士大會報告，譚鐵牛，中國科學院第十九次院士大會，2018.5 2.人工智能發展白皮書技術架構篇,中國信息通信研究院&中國人工智能產業發展聯盟，2018中國人工智能峰會，2018.9 http:/ 3.中國人工

55、智能發展報告2018，清華大學中國科技政策研究中心，清華大學，2018.7 4.2018世界人工智能產業發展藍皮書，中國信通院&Gartner，2018年世界人工智能大會，2018.9 http:/ 5.中國人工智能創新應用白皮書，中國人工智能學會&羅蘭貝格，2017.11 http:/ 6.新一代人工智能發展白皮書，中國電子學會&CIE智庫，2018.3 http:/ 7.2018人工智能應用安防行業研究分析報告，安天下，2018.9 https:/ 8.2017人工智能報告，36氪研究院，2017.7 https:/ 9.2017物聯網安全研究報告，中國電信安全幫&綠盟科技，2017.12

56、 http:/ 10.2017年度互聯網安全報告，騰訊安全聯合實驗室，2018.1 https:/ 11.北京軌道交通線網客流特征分析，北京城建，2015.3 http:/ 12.中國網絡安全產業白皮書（2018），中國信通院，2018國家網絡安全宣傳周，2018.9 https:/ 43 意見征集和互動 中科院自動化所和宇視以開放為原則，虛心征求社會意見，已欣喜收到專業自媒體安天下等業界反饋問題，對此報告團隊組織專家，深度答疑如下：安天下 Q1：在下面餅圖中，安防達 68%比例，小編是有些疑惑的：安防行業計算機視覺指的是帶有 AI 功能的攝像機？目前安防行業攝像機市場規模按 500 億，帶有

57、 AI功能的攝像機假如按（高估）比例 5%，即 25 億？十億規模的“金融及互聯網”應用沒有一席之地？工業機器視覺呢？醫療呢？解決方案又指的是？宇視研究院 A1：有一點和您同感，安防市場并沒有外界夸耀得那樣大，市場空間不是白皮書重點。這組數據引用自中國電子學會關于智慧安防的核心技術的規模預測，而并非智能攝像機本身。白皮書報告撰寫團隊對于援引數據的版權非常尊重，每頁均做標注；對于您的行業積累也感欽佩，我們考慮在正式版中調優這張圖表的表述。安天下 Q2：下文說 2020 年產業規模 20 億美元，指的是智慧安防？目測 2018 年中國安防產品（供給側）市場規模在 2500 億，其中監控產品在 12

58、00 億，而前端攝像機 44 規模在 500 億，2020 年帶有 AI 功能監控（樂觀）估計在 20%，應該是 240 億，20 億美元對應的是哪？“安防行業從單一的安全領域向多元化行業應用方向發展，旨在提升生產效率、提高生活智能化程度，為更多的行業和人群提供可視化、智能化解決方案。隨著智慧城市、智能建筑、智慧交通等智能化產業的帶動，智慧安防也將保持高速增長。預計在 2020 年全球產業規模實現 106 億美元，中國會達到 20 億美元?！庇钜曆芯吭?A2：該數據引用自您的 2018 安防行業研究分析報告。按照我們的分析或理解：安防行業機器視覺的應用落地并非僅指帶有 AI 功能的攝像機；一般

59、我們會將所有可對視頻圖像進行分析的產品都納入到安防行業機器視覺范圍中，包括但不僅限于人臉門禁、智能攝像機、智能 NVR、智能服務器。隨著安防行業應用的進一步深入，我們相信產品形態也越來越豐富。安天下 Q3：下圖中，小編認為智能 NVR 不能算做邊緣智能產品范疇，只有 IPC 及 AI-BOX算，另外，對于人臉核驗、速通門、人臉門禁等，對于所有 AI 公司，其實都非常容易，但是落地和“玩票”有本質區別，如果說邊緣智能，目前海大宇科、華為及云天云從等靠譜。45 宇視研究院 A3：智能 NVR 匯聚小范圍內的前端設備，做集中數據處理，處理結果一般都會上傳到系統云端，做大數據應用。所以在邊緣智能和云端

60、智能兩類產品中，NVR 更貼近邊緣智能產品范疇 當前，影響“安防+AI”產品解決方案規?；瘧玫囊蛩赜泻芏?，成本高昂是眾多原因之一。從一個典型中大型城市級公共安全視頻監控聯網項目各部分成本占比情況可以清晰看出成本是“安防+AI”發展的重要瓶頸。設備本身由于產品性能、算力性能等多方面要求造成布置成本較高；而科學化工勘布點需求帶來的時間和人力成本、海量圖片高并發網絡帶寬需求帶來的設備和鏈路成本、多業務系統聯網應用帶來的溝通和研發成本、大數據研判分析應用帶來的設備及研發成本以及不斷增長的設備與集成施工和機房改造等因素則進一步疊高了“安防+AI”落地的成本。通過統計典型案例的數據，以建設 1000 路

61、規模的高清安防監控系統和 1000 路高清 AI 人臉識別系統為例，來對比分析“安防+AI”及“傳統安防”的建設成本（注：各部分設備費用包含安裝施工等人力成本）。前端部分：“安防+AI”比“傳統安防”要高出 225%，主要原因除了前端設備多出的算力之外，還來源于設備的工勘選點、設備安裝調試的人力成本，這是傳統安防監控點位所不需要的?；A管理平臺及網絡傳輸部分：這兩部分成本兩 46 種方案基本持平，對于整個基礎平臺部分來說，兩種解決方案所需設備基本一致，而傳輸網絡因為到每個點位均采用千兆網絡帶寬，故也是相同的成本。存儲部分：這一部分成本可以看出“安防+AI”方案要比“傳統安防”方案高出 86%，

62、主要原因是“傳統安防”方案對存儲設備的讀寫性能和可靠性沒有“安防+AI”方案要求高。隨之而來便是產品方案的選擇不同，“傳統安防”方案可采用傳統 NVR 或者 IPSAN 磁盤陣列方案，而“安防+AI”方案則需要采用云存儲方案，另外一方面原因是“安防+AI”方案多出了海量圖片全周期的存儲空間要求。安天下 Q4：小編不理解融入 AI 元素之后，會導致存儲環節成本增加 86%原因何在?！皞鹘y安防”方案可采用傳統 NVR 或者 IPSAN 磁盤陣列方案，而“安防+AI”方案則需要采用云存儲方案.這個解釋小編不認可，按海大宇宣傳，你們的傳統安防早就上“云”了；按菊花廠說法，你們的 AI 安防也未必上“云

63、”。如果說 AI+導致成本增加，則是“吃完原告吃被告”做法 宇視研究院 A4：安防+AI 規?；涞乇厝粠泶鎯Τ杀镜脑黾?，主要體現在以下四個方面：-存儲對象的變化：從單一的視頻存儲，變為視頻、圖片、短視頻、結構化及半結構化數據的存儲；-存儲時間的變化：從原來的 30 天視頻存儲時長要求，已升級為視圖庫標準中，對象存儲不得少于 6 個月或者更長時間；-存儲讀寫模型的變化：從原來的 1:10 讀寫模型，已變成 1:1 甚至是 N:1 的讀寫模型，這對存儲設備的性能提出更高要求；-存儲可靠性的變化：從原有的依靠 RAID 陣列或者無陣列技術來保障視頻存儲可靠性，變成可采用云存、集群、糾刪碼、多副本

64、、N+M、硬盤防硫化、抗震、冗余等多種技術，用來提升設備的可靠性。白皮書作為一個開放系統，中科院自動化所和宇視歡迎其他國內外的機構和企業加入匯聚自己的經驗智慧，參與安防+AI 規模落地的大討論。以上與安天下的四問四答是業界與中科院自動化所、宇視對白皮書的探討和調優。47 版權聲明 本報告中的資料和數據來源于國內外行業公開信息的收集和分析、項目實際調研總結，結合中科院自動化所和宇視研究院相關分析模型展開。請注意本文件的某些內容可能涉及專利。本文件的發布機構不承擔識別這些專利的責任。-本白皮書由浙江宇視科技有限公司提出。-本白皮書起草單位：中國科學院自動化研究所、浙江宇視科技有限公司。-本白皮書由中國科學院自動化研究所歸口。本報告中所有的文字、數據均受到中國法律知識產權相關條例的版權保護。沒有經過中科院自動化所和宇視研究院的許可，任何組織和個人，不得將本報告中的信息用于其他商業目的。研究與撰寫團隊 研究撰寫團隊 中科院自動化所 徐毅 袁飛 馬博 李哲峰 李江 徐浩清 湯昊宬 張勇 宇視研究院 湯利波 羊海龍 王連朝 成東峻 葉菲 蘭進 呂學軍 陳乾 呂政 葉康 童景妍 秦潔 注：排名不分先后 48