發布日期：2022-10-09 點擊率：142
人工智能（Artificial Intelligence，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。特別是最近幾年，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。
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，從最初的幾千路，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
海康威視從2006年開始研發智能技術，歷經10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、深度學習等最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。海康威視研究院在2016年PASCALVOC目標檢測中獲得第一，是海康威視10年研發積累的最好體現。
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。海康威視研究院在2015年MOT Challenge算法測評中獲“計算機視覺的多目標跟蹤算法”第一。
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2015年設計研制了嵌入式GPU集群服務器，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
下一篇： PLC、DCS、FCS三大控
上一篇： 索爾維全系列Solef?PV
