智能监控背后的难隐之言

守林员小陈每天的工作，大部分时间都用来在林间巡逻，以便第一时间发现安全隐患。枯燥繁重的工作让年轻的他有点郁闷。

有天他举着朋友圈里转发的文章问领导，听说有地方都能用AI来识别山火了，咱们啥时候能用上啊，以后我也算半个用电脑上班的白领了。

领导懒得搭理他，新的智能监控摄像机刚安装不久，图像质量提升了不说，目标识别、异常行为监控之类的功能也都有了，哪里还有经费换个“火眼金睛”！年轻人啊，就是身在福中不知福！

小陈嗫嚅道：都不能及时更新，还叫智能啊……

类似的经历，正在城市的各个角落上演。

让摄像机看懂正在发生的事件并提出告警，已经在越来越多的智慧城市项目中落地，不过实现形式却各有不同。

目前，机器视觉智能分析主要分为两类：一种是前端智能化硬件分析，另一种是后端服务器分析。那在现实中，究竟是“前端好”还是“后端好”呢？

用一句网络语总结，小孩子才做选择，成熟的大人当然是全都要。

前端的响应速度与稳定性，与后端的资源能力和全局视角，两者互为补充，可以更加贴近一线、事半功倍。

前后端协同，前端智能化是重中之重

既然前后端协同，已经成为视频分析系统的必然趋势，那么，如何以更低耗能、更低成本实现前端智能化，也就成为各行各业智能化管理中的当务之急。

一方面，尽管人们早已习惯了大街小巷摄像机的存在，但其中大部分是仅具备视频采集功能的传统摄像机，能“看清”就不错了，在视频线索查找时依然需要启动人海战术，消耗大量人力物力。

因此，能“看懂”发生了什么的智能化、数字化、高清化摄像机也就成了大势所趋。有数据显示，2019年的前端智能化增速相比2018年，提升了100%。

另一方面，越来越多的智能算法开始从后端转移到前端来完成。比如大家熟悉的车牌号识别、目标识别等等，能够有效减轻后端的计算压力，实时告警还可以有效降低漏抓误报的可能。

但在实际场景中，光线、姿态、清晰度等等，都有可能影响识别效果，这就要求前端有终端芯片、软件平台等基础的支撑，来使更多算法可以落地，这时就需要用到边缘计算。

尤其是在多媒体技术不断更新迭代的情况下，文字、图形、影像、动画、声音及视频等不同形态的数据混合在一起，需要技术雄厚、结合具体应用场景来攻克的企业才能完成这一挑战。

其中就存在着不少阻碍，比如有的前端系统比较难接入和兼容，想要在监控功能基础上增加智能分析，往往需要重复安装摄像机，重复建设无疑会造成极大的资源浪费。

还有就是目前市场发展不均衡，有的厂家有算法但产品不足，有的厂家算法和产品都有但缺乏配套软件，最后呈现的分析效果和效率也都差异很大。那么金智凌轩的产品就能派上用场，不仅能兼容各种系统协议，还能盘活原有设备，做到降本增益的效果。

另外，软件缺乏可持续的演进能力，最直接的结果就是很容易遭遇性能瓶颈，尤其是在摩尔定律接近极限、难以突破的现状下，智能摄像机每 3-6 个月就需要迭代一次，如果没有开放 OS 和相应软件来对系统进行自动升级，以及加速算法加载与迭代，那么前端硬件的内置算力会很快被极速的计算量耗尽。

因此，金智凌轩认为，未来十年将是计算架构“新黄金十年”，通过架构优化、“软硬协同”的方式来提升整体计算性能，将成为大势所趋。

总的来看，尽管前端智能化的前途看起来一片光明，但它也受限于许多前置条件，比如低成本量产的嵌入式AI芯片、高性能场景化的垂直算法、全流程可演进的软件平台等等，没有这些，前端智能摄像机也很难飞入街头巷陌。