3月9日，由智東西主辦的GTIC 2018全球AI芯片創(chuàng)新峰會(huì)在上海召開，大會(huì)邀請(qǐng)到32名重磅嘉賓到場(chǎng)分享，超過(guò)一萬(wàn)名觀眾報(bào)名，會(huì)場(chǎng)內(nèi)座無(wú)虛席，會(huì)場(chǎng)外甚至還有大量來(lái)晚的觀眾直接選擇就地觀看直播。

在這次大會(huì)中，觸景無(wú)限CEO肖洪波以“前端智能為安防產(chǎn)生新的數(shù)據(jù)價(jià)值”為題做了精彩的演講。對(duì)于安防中越來(lái)越重要的前端智能，觸景無(wú)限有著許多不同的看法， 以下是智東西整理的演講干貨。

傳統(tǒng)監(jiān)控技術(shù)無(wú)法滿足現(xiàn)有需求

觸景無(wú)限創(chuàng)立于2010年，一直專注做智能感知，在2016年，觸景無(wú)限開始步入安防領(lǐng)域，致力于為安防攝像頭以及無(wú)人機(jī)等提供智能感知能力。

隨著技術(shù)的提升和市場(chǎng)的發(fā)展，如今的安防已經(jīng)和以前完全不同。首先，大量的安防數(shù)據(jù)對(duì)傳統(tǒng)安防系統(tǒng)提出挑戰(zhàn)。攝像頭的傳感器每天都會(huì)產(chǎn)生大量的數(shù)據(jù)，單個(gè)高清攝像頭就需要10Mb/s的帶寬，2億攝像頭需要2Pb/s的存儲(chǔ)空間。安防數(shù)據(jù)體量非常大，大到需要5000個(gè)YouTube才能存儲(chǔ)所有攝像頭的視頻數(shù)據(jù)。

其次，傳統(tǒng)監(jiān)控技術(shù)無(wú)法滿足現(xiàn)有需求。在很多場(chǎng)景下，很多時(shí)候的監(jiān)控是存儲(chǔ)后，靠人力來(lái)做篩查，或者是攝像頭的數(shù)據(jù)傳輸?shù)皆贫耍缓笸ㄟ^(guò)云端來(lái)做計(jì)算分析。因此，傳統(tǒng)監(jiān)控技術(shù)的實(shí)時(shí)性不夠好。

想象一個(gè)無(wú)人機(jī)在飛行過(guò)程中要做周圍物體識(shí)別，通過(guò)雙目攝像頭判斷周圍距離做避障，如果我們需要把數(shù)據(jù)傳到云端，云端有可能要排隊(duì)，如果附近的無(wú)人機(jī)同時(shí)也在往云端上傳數(shù)據(jù)，兩邊的數(shù)據(jù)得不到及時(shí)的處理，這樣就可能會(huì)導(dǎo)致“撞機(jī)”。

此外，由于安防的發(fā)展，用在家庭里的攝像頭也越來(lái)越多了，在如家庭的場(chǎng)景中，傳統(tǒng)的服務(wù)器處理需要把這樣的非常隱私的數(shù)據(jù)聯(lián)網(wǎng)傳輸?shù)皆贫诉M(jìn)行分析計(jì)算，所以傳統(tǒng)監(jiān)控技術(shù)也無(wú)法保障一些場(chǎng)景下視頻數(shù)據(jù)的隱私性。

與此同時(shí)，和傳統(tǒng)的對(duì)視頻編碼進(jìn)行有損壓縮不同，在前端很容易能獲取原始數(shù)據(jù)，可以直接在原始數(shù)據(jù)上進(jìn)行處理，并且處理結(jié)果可以重新回饋到傳感器底層，可以利用智能分析的結(jié)果對(duì)底層SP（ Subspace Pursuit，子空間追蹤）算法做優(yōu)化，從而獲取更好的數(shù)據(jù)質(zhì)量。

多維度感知真實(shí)世界

因此，前端智能憑著實(shí)時(shí)性、隱私性、降低后端壓力和提升后端效率和質(zhì)量等優(yōu)勢(shì)成為了安防的升級(jí)趨勢(shì)之一。在會(huì)后接受智東西專訪時(shí)，肖洪波也提到，未來(lái)5年會(huì)有越來(lái)越多的帶有前端感知能力的電子產(chǎn)品進(jìn)入市場(chǎng)。如何利用傳感器的感知能力挖掘更多有價(jià)值的數(shù)據(jù)，將是一個(gè)重要的課題。

除了圖片、視頻外，前端智能還可以通過(guò)多個(gè)數(shù)據(jù)維度來(lái)感知自身所處的真實(shí)世界，比如聲音、測(cè)距、地理位置、激光測(cè)距、氣壓、高度等。觸景無(wú)限希望在前端把傳感器的數(shù)據(jù)融合在一起，提供多維的數(shù)據(jù)，在數(shù)據(jù)的基礎(chǔ)之上再做人工智能的分析。

因?yàn)檎鎸?shí)世界中，人所觀察到的數(shù)據(jù)本身就是有關(guān)聯(lián)的而不是割裂的。人會(huì)結(jié)合多種信息綜合分析，比如把一些距離信息和圖象信息做融合，或者說(shuō)把熱感信息和圖象做融合，而當(dāng)我們有多維度數(shù)據(jù)再分析的時(shí)候，往往可以分析出更有價(jià)值的信息。

比如說(shuō)聲音的信息，前端智能讓攝像頭可以通過(guò)耳機(jī)陣列判斷聲音傳來(lái)的方向和角度，可以把現(xiàn)場(chǎng)發(fā)來(lái)的呼救、槍聲、玻璃破碎的聲音和攝像頭來(lái)進(jìn)行聯(lián)動(dòng)。這樣的話，當(dāng)發(fā)生突發(fā)事件的時(shí)候，攝像頭可以通過(guò)聲音的信息調(diào)節(jié)攝像頭拍下合適的圖片、視頻。

在前端獲取數(shù)據(jù)后，前端需要提供比較微觀的數(shù)據(jù)可測(cè)量用于未來(lái)對(duì)前端設(shè)備的預(yù)測(cè)。所謂的微觀主要是在時(shí)間的維度，在毫秒級(jí)維度對(duì)數(shù)據(jù)進(jìn)行測(cè)量。以火車站場(chǎng)景為例，當(dāng)距離很遠(yuǎn)的時(shí)候人臉是非常小的，甚至小到無(wú)法做人臉識(shí)別，這樣的數(shù)據(jù)沒(méi)有價(jià)值。而在距離很近的時(shí)候，人臉角度可能因?yàn)楣庹盏臈l件而變得不適合抓拍。因此，前端所要做的就是確定在哪一幀、哪一個(gè)點(diǎn)做合適的抓拍，這就需要前端攝像頭能根據(jù)周圍的場(chǎng)景不斷地做調(diào)整。

“在螺絲里做道場(chǎng)”：前端智能面臨三大挑戰(zhàn)

前端智能和云端相比，雖然具有很多優(yōu)點(diǎn)，但是同時(shí)也面臨三大挑戰(zhàn)：模型參數(shù)大、實(shí)時(shí)要求高、運(yùn)算能力弱。

對(duì)此，肖洪波表示，前端智能是“在螺絲里做道場(chǎng)”，前端運(yùn)算力有限、功耗也很低，所以需要把散熱、功耗做的非常低。在運(yùn)算力有限的情況下，需要做模型壓縮、優(yōu)化，這些最后會(huì)轉(zhuǎn)化成數(shù)學(xué)上的優(yōu)化問(wèn)題，從而對(duì)整個(gè)模型進(jìn)行優(yōu)化。所以，前端嵌入式的人工智能研究是很多底層的優(yōu)化工作。

而對(duì)于這三大挑戰(zhàn)，觸景無(wú)限認(rèn)為除了感知數(shù)據(jù)以外，還需引入時(shí)間維度的數(shù)據(jù)。通過(guò)帶時(shí)間維度的視頻數(shù)據(jù)，可以實(shí)現(xiàn)多攝像頭之間的聯(lián)動(dòng)，在前端獲得更多信息，這樣的加入時(shí)間維度的多攝像頭場(chǎng)景叫做前端攝像頭的感知陣列。

肖洪波說(shuō)，通常的模型都是基于卷積神經(jīng)網(wǎng)絡(luò)，用圖象處理的方式來(lái)處理視頻。實(shí)際前端處理過(guò)程當(dāng)中，會(huì)碰到大量的視頻數(shù)據(jù)，而視頻數(shù)據(jù)本身是帶有時(shí)間維度的，只是以前處理的時(shí)候被忽略了。

因此通過(guò)這樣的多攝像頭的聯(lián)動(dòng)，可以判斷一個(gè)人在多攝像頭里的身份，實(shí)現(xiàn)軌跡追蹤。這樣可以對(duì)未來(lái)進(jìn)行預(yù)測(cè)，通過(guò)時(shí)間維度預(yù)測(cè)以后，實(shí)現(xiàn)在前端處理人工智能AI模型的優(yōu)化處理，獲得更好的處理性能。

觸景無(wú)限通過(guò)邊緣智能感知終端集群（SENS）可以實(shí)現(xiàn)多攝像頭的聯(lián)動(dòng)，這是一個(gè)智能感知的模組，體積很小，大概和一塊錢人民幣硬幣一樣大，通過(guò)這個(gè)模組，可以實(shí)現(xiàn)擴(kuò)攝像頭追蹤、識(shí)別，從而形成局部的前端感知陣列。

除了多攝像頭聯(lián)動(dòng)外，感知數(shù)據(jù)的優(yōu)化也非常重要。比如，在一個(gè)非常逆光的場(chǎng)景，人臉的后面有一個(gè)非常亮的燈，人臉處于逆光環(huán)境，呈現(xiàn)在鏡頭前其實(shí)是黑的，而通過(guò)算法處理以后可以把人的臉拍的非常清楚，在非常強(qiáng)逆光的情況下也可以獲得非常清晰的圖象。

在前端，觸景無(wú)限實(shí)現(xiàn)了算法模型優(yōu)化工廠，提供嵌入式DPU、FPGA，幫助安防廠商的產(chǎn)品（例如攝像頭）獲得前端的感知能力。在2017年，觸景無(wú)限推出了前端抓拍系統(tǒng)瞬視，基于英特爾Movidius芯片打造，可以在前端實(shí)現(xiàn)不跳楨的人臉抓拍，單幀圖像可實(shí)現(xiàn)100張人臉抓拍，并且可以針對(duì)特定區(qū)域進(jìn)行圖象的優(yōu)化（比如強(qiáng)逆光）。

結(jié)語(yǔ)：安防的前端智能不止人臉識(shí)別

提到安防，總會(huì)第一個(gè)想到人臉識(shí)別，大家經(jīng)常會(huì)看到不同新聞中的人臉識(shí)別的算法準(zhǔn)確度將近100%的數(shù)據(jù)，但是當(dāng)思考如何將AI落地安防這個(gè)問(wèn)題時(shí)，要想的絕不僅僅只有狹義的人臉識(shí)別而已。

人臉識(shí)別前的數(shù)據(jù)采集如何優(yōu)化，如何抓拍到高質(zhì)量的圖片，采集后如何將多種數(shù)據(jù)智能結(jié)合分析挖掘其背后更大的價(jià)值，這些問(wèn)題都非常值得思考。