AI晶元雲邊結合成趨勢

純中心分析模式已無法滿足大範圍智能安防應用的需求，雲邊結合將成主流。如果將前端視頻流直接傳輸到後端伺服器進行人臉識別等智能分析，至少會產生3個方面的問題，而這些問題都能通過雲邊結合的方式，利用智能化前端設備很好地解決。

純中心分析模式存在問題

帶寬壓力。中心分析模式下，傳輸的是7*24小時不間斷的實時視頻流。智能分析需要較高清晰度的視頻，單個200萬像素高清攝像機即使採用最新的H.265編碼，每天需要傳輸的數據量仍然高達20G左右。前端攝像頭數量達到一定規模時，對傳輸和存儲的壓力巨大。而在前端抓拍 中心分析模式下，傳輸的是圖片流，僅在有人臉抓拍圖片的情況下才需要佔用帶寬，極大地節省了帶寬和存儲資源。

實時性。在一些應用，比如對重點人員布控預警中，要求系統有很高的實時性。中心分析模式下人臉識別、人臉建模比對等都依賴於中心伺服器。但在大規模部署前端的情況下，中心伺服器壓力巨大，計算資源的限制影響了實時性。根據海康威視的實測數據，純中心分析模式下，報警延時在15~20s，而前端抓拍 中心分析模式下，報警延時不超過3s。

準確度。中心分析模式下，前端設備傳輸到伺服器的視頻流是經過編碼壓縮的，損失了很多細節，也因此影響了識別準確度。而前端人臉識別基於壓縮前的原始碼流分析，避免了壓縮的損失，提供給中心的圖片質量更高，是保證系統準確度的關鍵因素。

邊緣計算帶來的優勢

隨著邊緣計算興起，「雲邊結合」方案漸成主流。與將數據放在遠程雲端的雲計算相比，邊緣計算是指在靠近物或數據源頭的一側，採用網路、計算、存儲、應用核心能力為一體的開放平台，就近提供最近端服務，優勢在於即時性強、反應迅速、低傳輸成本。預計到2020年將有超過500億的終端與設備互聯，未來超過50%的數據需要在邊緣側分析、處理和儲存。這一趨勢對前端設備的計算能力提出了高要求，直接反映在對前端晶元的需求升級上。

具體到視頻監控領域，具備智能計算能力的智能攝像頭將大大提高視頻處理及時性、節約帶寬和人力成本。視頻監控系統是一種天然的物聯網系統，在邊緣計算的應用方面還有很大的潛力。攝像機作為機器的眼睛，已經實現了從「看得見」到「看得清」的轉變。如果攝像機能夠「看得懂」，實現對視頻圖像內容的實時處理，將能夠極大地降低信息傳輸系統和後端設備的負擔，並提升整個安防系統的響應速度。

比如在人臉識別應用當中，通過前端抓拍 中心分析的前後端智能相結合的模式，將人臉識別智能演算法前置，在前端攝像機內置高性能智能晶元，通過邊緣計算，將人臉識別抓圖的壓力分攤到前端，解放中心的計算資源，以集中優勢計算資源做更高效的分析。

雲邊結合成趨勢

雲邊結合的趨勢下，前端智能晶元迎來更大機會。由於雲邊結合的原理是將智能演算法前置，通過邊緣計算，將人臉識別等應用的抓圖的壓力分攤到前端，解放中心的計算資源。因此，需要在攝像機內布置高性能智能晶元。

目前的主流方案是採用GPU，如NVIDIA的JETSONTX系列嵌入式晶元(海康深眸);也可使用高通等的通用晶元，搭配特定演算法進行圖像抓取(蘇州科達);還可以用IPC晶元搭配專用協處理器的方式(北京君正T20 T01方案)。雲邊結合的趨勢為晶元廠商打開了新空間。

在去年12月底，召開的華為智能計算大會上，華為智能計算業務部總裁邱隆指出，華為智能計算將結合華為的四大能力，通過晶元和技術創新，來滿足客戶期望的算力，通過雲邊協同的架構和高帶寬、低延遲、無縫的網路覆蓋實現數據的協同和互通;通過一體化解決方案來降低人工智慧使用的門檻，讓AI更簡單，像使用水電一樣便利。

目前，安防行業中雲邊結合正在逐步落地，海康威視在2018年一直大力倡導AI Cloud架構，該架構由雲中心、邊緣域、邊緣節點三部分構成，實現從端到中心的邊緣計算 雲計算，使得圖像目標細節傳輸更高效，數據分級應用更加靈活。

【來源：中國安防行業網】

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！