視頻監(jiān)控進(jìn)入網(wǎng)絡(luò)化、高清化之后，智能化已經(jīng)成為安防技術(shù)競爭熱點(diǎn)。視頻監(jiān)控前后端的智能分析正在安防行業(yè)得到逐步的應(yīng)用，但鑒于二維建模分析原理的局限性，智能分析的準(zhǔn)確度受限于應(yīng)用場景的復(fù)雜程度及芯片處理器的性能等條件。很顯然，在技術(shù)領(lǐng)域的垂直研發(fā)能力要解決現(xiàn)有的問題，并不是一件容易的事。那么，如果從二維的建模思維跳躍到三維的立體空間建模，會不會帶來智能分析技術(shù)領(lǐng)域革新性的發(fā)展?北京格靈深瞳信息技術(shù)有限公司聯(lián)合創(chuàng)始人兼CTO趙勇認(rèn)為，基于三維深度視覺信號處理技術(shù)的視覺傳感器網(wǎng)絡(luò)，對于智能分析在場景應(yīng)用中的準(zhǔn)確率將從本質(zhì)上得到提升，并解決用戶對場景監(jiān)控環(huán)境中獲得人的軌跡行為的迫切需求。

　　a&s：目前二維的智能算法在場景應(yīng)用中存在哪些問題?

　　趙勇：安防監(jiān)控在過去的發(fā)展歷程中主要是鋪設(shè)備和提升攝像機(jī)的分辨率，但是這個過程給用戶帶來了巨大的痛苦——大多數(shù)安防監(jiān)控的數(shù)據(jù)量更大了，而行為分析的能力沒有得到提升。很多客戶需要更智能的產(chǎn)品，那就是不需要人去監(jiān)看，或者需要人去看的數(shù)據(jù)很少，所以這里蘊(yùn)藏著非常強(qiáng)的市場需求，就是對人的行為的分析。我們知道，安防監(jiān)控有很多的目標(biāo)，但最重要的目標(biāo)是人，很多客戶希望行為分析里面能把人的行為看得很清楚。

　　人的行為分很多層次，有些是微觀行為，比如人有沒有在桌上拿走一張錢，或者他的眉毛有沒有皺一下，這種非常細(xì)的行為，這樣的行為分析目前還沒有做。當(dāng)前行業(yè)做的行為分析是基于人的軌跡進(jìn)行分析，比如在銀行里，有兩種需求：第一種需求是在銀行的營業(yè)廳里面，客戶想知道秩序怎么樣，每個人在干什么，有沒有排隊，有沒有移動過快，有沒有異常的接近、跌倒或其他激烈的動作。實(shí)踐證明，如果在人群比較擁擠，人與人有遮擋等復(fù)雜的情況下，用二維的智能算法去做分析，精度非常差。

　　第二種需求是在銀行內(nèi)部的操作空間——敏感的現(xiàn)金區(qū)、ATM加鈔間和金庫。在這些地方客戶有非常強(qiáng)的業(yè)務(wù)需求，比如在加鈔間的款箱被打開的時候，監(jiān)控畫面要確保有兩名工作人員來完成操作;在金庫里面，人去了哪些地方，停留了多久……這些業(yè)務(wù)要求需要對人的行為進(jìn)行檢查和跟蹤，再者如果人蹲了下去，或者人被遮擋了，攝像機(jī)還能精確檢測到這個人是誰，那就要求對智能分析算法的精度比較高。當(dāng)前傳統(tǒng)的基于二維的智能算法，還不能滿足這些具體的業(yè)務(wù)需求。

　　a&s：三維比二維的智能分析算法有哪些優(yōu)勢?

　　趙勇：要從根本上、光學(xué)上徹底解決二維智能算法準(zhǔn)確率不高的難題，可以從三維計算機(jī)視覺去尋求突破。三維計算機(jī)視覺是采用了革命性的三維視覺傳感器和三維視覺算法，實(shí)時捕捉和分析場景的三維信息，解決了傳統(tǒng)二維圖像中的相互遮擋、影隨人動、比例混淆等問題，使得更高精確度和復(fù)雜度的智能分析成為現(xiàn)實(shí)。

　　相互遮擋的問題

　　我們知道，現(xiàn)在行業(yè)用的攝像機(jī)是二維的，成像原理是通過鏡頭達(dá)到小孔成像的原理，然后投影到一個二維的平面上，以前的平面是膠卷，現(xiàn)在是半導(dǎo)體芯片的數(shù)碼相機(jī)。這個成像的過程本質(zhì)是沒有改變的，一個三維的世界，壓扁之后放在一個平面上，從智能算法的角度分析，這個過程是造成準(zhǔn)確度下降的核心。比如當(dāng)兩個人前后有遮擋時，那么在二維圖形里面要把這兩個人分開來，難度比較大。而三維的攝像機(jī)，首先傳感器是不一樣的，它捕捉的是三維圖像，每一個像素都是有顏色的，還有這個像素代表的物體到相機(jī)的絕對距離。格靈深瞳現(xiàn)在研發(fā)出來的皓目攝像機(jī)有點(diǎn)像雷達(dá)，除了被動的成像，還向外主動的發(fā)射微波的微觀紅外圖像，相當(dāng)于在場景里發(fā)射出一束激光，打在物體上返回時攜帶了物體的幾何信息。攝像機(jī)通過這種方式得到了立體的圖像，知道什么東西在什么地方，它的結(jié)構(gòu)是怎么樣的。這種數(shù)據(jù)從本質(zhì)上講，給出了更豐富的信息，可以讓攝像機(jī)去處理更復(fù)雜的場景，比如擁擠的場所，即使一個人被擋住了，他露出的部分，還是可以非常清晰地在圖像里分析出來，這也是為什么在復(fù)雜的場景，三維的智能分析對人的跟蹤遠(yuǎn)遠(yuǎn)比二維的要好。

　　影隨人動的問題

　　其實(shí)，三維對光影變化的處理抗噪性特別的好，在視覺領(lǐng)域，有一個現(xiàn)象叫“影隨人動”，當(dāng)物體的影子比較強(qiáng)烈的時候，在二維的圖像里面，影子會隨著人的移動而跟著移動，所以要把影子與人分開很難，影子容易被誤當(dāng)做人。但是這個過程有一點(diǎn)是確定的，那就是影子始終是投影在背景上的，三維的傳感器既然可以捕捉到物體的深度信息，所以即使有一個影子在背景上，攝像機(jī)也可以通過計算該影子與到相機(jī)的距離來分辨其是否在背景上，對整體的分析沒有造成干擾。

　　比例混淆的問題

　　在圖像里面，物體的大小與其實(shí)際大小并沒有關(guān)系，因?yàn)樗€取決于這個物體到攝像機(jī)的距離。但是在三維圖像里面，可以很精確地知道，這個物體在什么地方，它有多大多小。三維的攝像機(jī)有一個絕對尺度的計算，有了絕對尺度之后，就可以做到大小、距離、加速度的測量等。但在二維相機(jī)里，沒有絕對的尺度，所有的都是相對尺度，所以所有的測量都是相對的。因此三維攝像機(jī)對人的行為可以進(jìn)行更精確的測量，比如人走了多少距離，速度多快，身高多少，在三維分析里面都有非常準(zhǔn)確的測量。

　　a&s：三維攝像機(jī)在研發(fā)過程中有什么難題

　　趙勇：這個問題分兩個方面，首先從硬件上講，這是一個更復(fù)雜的產(chǎn)品，看皓目產(chǎn)品，表面上看是有三個攝像機(jī)，其實(shí)是兩個攝像機(jī)加一個投影儀。投影儀是把紅外激光的影像進(jìn)行投影。另外的兩個攝像機(jī)，一個是色彩攝像頭，一個是紅外攝像頭，紅外攝像頭就與投影儀相互配合，進(jìn)行深度算法分析。

　　其次，從軟件上分析，相比二維更為復(fù)雜，表現(xiàn)在對人的暴力程度、跌倒行為需要有更深度、精確的算法分析。運(yùn)算量越大，消耗的就越多。

　　另外，當(dāng)前的產(chǎn)品應(yīng)用，主要在室內(nèi)，室外的產(chǎn)品也在研發(fā)當(dāng)中，室內(nèi)與室外最大的差別在于成像原理，格靈深瞳第一代的產(chǎn)品，是基于紅外結(jié)構(gòu)光譜基礎(chǔ)成像，發(fā)出的紅外光如果在室外，就容易被太陽光沖淡。現(xiàn)在的產(chǎn)品在陰晴的氣候環(huán)境下也可以工作，但在強(qiáng)光下就無法工作，所以要在室外工作，必須要在成像原理上做突破。

　　a&s：三維攝像機(jī)的芯片處理能力如何?

　　趙勇：三維攝像機(jī)的智能分析核心是在前端進(jìn)行人的軌跡跟蹤分析，同時在后端也開放了SDK，將SDK里面的內(nèi)容傳到后臺的服務(wù)器，客戶可以根據(jù)業(yè)務(wù)需求在SDK的基礎(chǔ)上進(jìn)行二次開發(fā)。

　　皓目芯片處理器是英偉達(dá)(NVIDIA)的TK1芯片(處理能力屬于因特爾i3級別)，除了四核的處理器外，它還擁有GPU處理器(192個平行處理器)，所以這個產(chǎn)品高度的聯(lián)合使用了CPU與GPU的功能特點(diǎn)，這款芯片雖然比傳統(tǒng)的芯片貴很多，但是在這么大的芯片上，通過不到十幾瓦的功率，擁有總共加起來196個處理器的處理能力。現(xiàn)在這款產(chǎn)品的功耗是在12瓦以下，取決于監(jiān)控場景的復(fù)雜程度。

　　a&s：三維攝像機(jī)的建模是怎樣的?

　　趙勇：三維攝像機(jī)產(chǎn)品模型是三維模型，一種是三維的背景模型，在使用的場景中，熱點(diǎn)和熱區(qū)都是屬于三維的，以前二維只能是在平面上畫一個禁區(qū)，問題是有時候人根本沒有進(jìn)入禁區(qū)，但是當(dāng)人遮擋禁區(qū)的時候就會產(chǎn)生誤報，三維的背景模型可以設(shè)一個球形、立方形，只要物體沒有進(jìn)入這個立方形的幾何邊界，它就不會報警。

　　第二個是前景建模，就是對所看到的物體進(jìn)行形態(tài)的分析，比如一個人拉著一個箱子或者推著一個車，三維攝像機(jī)看到的每個物體都會用深度學(xué)習(xí)判斷這個東西到底是不是人。英偉達(dá)(NVIDIA)為了訓(xùn)練出一個深度可靠的模型，調(diào)用了上百萬個人的圖像樣本，通過深度神經(jīng)網(wǎng)絡(luò)，對人的神態(tài)、發(fā)型、方向、光照條件、手勢等進(jìn)行判斷。

　　a&s：在構(gòu)建數(shù)據(jù)結(jié)構(gòu)化、云計算方面如何?

　　趙勇：三維攝像機(jī)未來應(yīng)該是一個數(shù)據(jù)結(jié)構(gòu)化的產(chǎn)品，在錄像中每個人從影像出來的軌跡，都會變成結(jié)構(gòu)化的數(shù)據(jù)存儲到后臺的服務(wù)器，而后臺服務(wù)器的架構(gòu)是標(biāo)準(zhǔn)的云計算的架構(gòu)。事實(shí)上格靈深瞳的三維攝像機(jī)里面都使用了云計算的容器系統(tǒng)Docker，每個攝像機(jī)自身就是一個云的Docker，三維攝像機(jī)安裝在銀行時，由于銀行都使用了標(biāo)準(zhǔn)的服務(wù)器結(jié)構(gòu)，運(yùn)營起來不會有問題。而對于零售機(jī)構(gòu)的后臺服務(wù)器，因?yàn)橹苯涌梢圆渴鹪谠贫?，所以在開始設(shè)計時，就是按照兼容云的結(jié)構(gòu)去研發(fā)。

　　a&s：未來三維攝像機(jī)的應(yīng)用將朝什么方向發(fā)展?

　　趙勇：平安城市或者智慧城市建設(shè)，就是希望把單個攝像機(jī)所產(chǎn)生的非結(jié)構(gòu)化數(shù)據(jù)進(jìn)行鏈接起來。格靈的三維攝像機(jī)有一個功能“活地圖”，比如一個地方有一百個攝像機(jī)，擁有一百個畫面。我們不是給他們看一百個畫面，而是給他看一個畫面。里面每一個人的存在和移動都變成了一個小點(diǎn)，客戶只要看一張圖就可以知道這個場所發(fā)生了什么事情——人都在哪些地方，哪些地方人多、人少，白天的時候，客戶就可以利用這些信息對流量進(jìn)行精確的控制;夜晚的時候，就是安全需求，當(dāng)有任何人闖進(jìn)空間時，客戶就可以對闖入者的位置、行為進(jìn)行監(jiān)控。這就是我們近期追求的目標(biāo)，把海量的視頻數(shù)據(jù)查閱轉(zhuǎn)變成看一張圖。更長遠(yuǎn)的目標(biāo)是進(jìn)行人的識別——身份識別和人臉識別。

　　三維攝像機(jī)的身份識別，要做到當(dāng)一個人離開一個攝像機(jī)進(jìn)入另外一個攝像機(jī)時，三維攝像機(jī)能把他識別出來，也就是要判斷和確定兩個攝像機(jī)里面出現(xiàn)的是同一個人。而在人臉識別方面，雖然當(dāng)前的安防監(jiān)控行業(yè)在人臉識別中有了初級的應(yīng)用，但是深度的識別還沒有成功。