讓攝像機看懂正在發生的事件并提出告警，已經在越來越多的智慧城市項目中落地，不過實現形式卻各有不同。守林員小陳每天的工作，大部分時間都用來在林間巡邏，以便第一時間發現安全隱患?？菰锓敝氐墓ぷ髯屇贻p的他有點郁悶。

有天他舉著朋友圈里轉發的文章問領導，聽說有地方都能用AI來識別山火了，咱們啥時候能用上啊，以后我也算半個用電腦上班的白領了。

領導懶得搭理他，新的智能監控攝像機剛安裝不久，圖像質量提升了不說，目標識別、異常行為監控之類的功能也都有了，哪里還有經費換個“火眼金睛”！年輕人啊，就是身在福中不知福！

小陳囁嚅道：都不能及時更新，還叫智能啊……

類似的經歷，正在城市的各個角落上演。

讓攝像機看懂正在發生的事件并提出告警，已經在越來越多的智慧城市項目中落地，不過實現形式卻各有不同。

目前，機器視覺智能分析主要分為兩類：一種是前端智能化硬件分析，另一種是后端服務器分析。這兩種部署方式的區別，主要體現在三個方面：

1. 時效性不同。

前端智能化，側重于對視頻進行實時分析，能夠實現“事中報警”，比如在機場、高鐵站，一旦發現移動目標出現了觸發預定義分析規則的行為，就會引發聯動；

而后端智能化則會先將前端攝像機采集的視頻流存儲到服務器中，根據預設的不同規則，從海量的數據中提取出相關信息，集中優勢計算資源做更深入的分析，實現檢測與事件檢測的協同聯動，方便“事后查證”。

2. 數據量不同。

實時分析與預警，需要前端智能化有較高的計算性能來支撐，如果把算法集成在硬件配置低的攝像機上，處理速度變慢，就會喪失前端智能的優勢。因此，大部分前端只能運行相對簡單的、對實時性要求很高的算法。

后端智能分析會根據需求配置足夠強大的硬件資源，可以處理成百上千攝像機組成的系統所上傳的數據，運行復雜的、允許一定延時的算法。

3. 成本焦點不同。

智能前置對攝像機提出了強大的軟硬件計算能力要求，終端硬件成本比較高，好處是可以節省帶寬資源，幫助后端減輕計算壓力，同時實現無人值守，也能夠節省人力成本；

而后端智能則需要在存儲管理、傳輸帶寬、服務器集群等方面進行較大的投入，來保障數據傳輸的穩定性，當然，分析運算的集中化也讓算法升級、設備運維都變得簡化。

那在現實中，究竟是“前端好”還是“后端好”呢？

用一句網絡語總結，小孩子才做選擇，成熟的大人當然是全都要。

前端的響應速度與穩定性，與后端的資源能力和全局視角，兩者互為補充，可以更加貼近一線、事半功倍。

舉個最簡單的例子，當自動駕駛汽車走在路上，如果攝像機采集的內容還要傳送到云端進行識別、判斷、分析，一旦遇到網絡不好的環境，那還沒等指令下傳，事故可能就已經發生了。最佳的解決方案，當然是由自帶智能算法的前端直接完成實時的路況判斷、障礙物識別、違法檢測，而更復雜的線路分析等海量數據學習，可以在泊車時交給后端處理，豈不兩全其美？

前后端協同，前端智能化是重中之重

既然前后端協同，已經成為視頻分析系統的必然趨勢，那么，如何以更低耗能、更低成本實現前端智能化，也就成為各行各業智能化管理中的當務之急。

一方面，盡管人們早已習慣了大街小巷攝像機的存在，但其中大部分是僅具備視頻采集功能的傳統攝像機，能“看清”就不錯了，在視頻線索查找時依然需要啟動人海戰術，消耗大量人力物力。

因此，能“看懂”發生了什么的智能化、數字化、高清化攝像機也就成了大勢所趨。有數據顯示，2019 年的前端智能化增速相比 2018 年，提升了 100%。

另一方面，越來越多的智能算法開始從后端轉移到前端來完成。比如大家熟悉的車牌號識別、目標識別等等，能夠有效減輕后端的計算壓力，實時告警還可以有效降低漏抓誤報的可能。

但在實際場景中，光線、姿態、清晰度等等，都有可能影響識別效果，這就要求前端有終端芯片、軟件平臺等基礎的支撐，來使更多算法可以落地。

尤其是在多媒體技術不斷更新迭代的情況下，文字、圖形、影像、動畫、聲音及視頻等不同形態的數據混合在一起，需要技術雄厚、結合具體應用場景來攻克的企業才能完成這一挑戰。

就拿公共安全領域來說，有的是靜態識別，比如車輛、顏色等等；有的是異常行為，比如突然加速、聚集、突然跌倒等等；還有的要針對移動物體進行智能化跟蹤分析、復雜場景下的視頻分析等等……這些都需要不斷引入新的算法來解決。

從這個角度看，前端視覺感知的種類、數量和質量，直接決定了智能化程度的高低。

此外，前端智能化要實現工程上的成本最優，需要可以演進式地發展。其中就存在著不少阻礙，比如有的前端系統比較難接入和兼容，想要在監控功能基礎上增加智能分析，往往需要重復安裝攝像機，重復建設無疑會造成極大的資源浪費；

再比如，目前市場發展不均衡，有的廠家有算法但產品不足，有的廠家算法和產品都有但缺乏配套軟件，最后呈現的分析效果和效率也都差異很大。

軟件缺乏可持續的演進能力，最直接的結果就是很容易遭遇性能瓶頸，尤其是在摩爾定律接近極限、難以突破的現狀下，智能攝像機每 3-6 個月就需要迭代一次，如果沒有開放 OS 和相應軟件來對系統進行自動升級，以及加速算法加載與迭代，那么前端硬件的內置算力會很快被極速的計算量耗盡。

正如圖靈獎得主 David Patterson 所說，未來十年將是計算架構“新黃金十年”，通過架構優化、“軟硬協同”的方式來提升整體計算性能，將成為大勢所趨。

總的來看，盡管前端智能化的前途看起來一片光明，但它也受限于許多前置條件，比如低成本量產的嵌入式AI芯片、高性能場景化的垂直算法、全流程可演進的軟件平臺等等，沒有這些，前端智能攝像機也很難飛入街頭巷陌。

淬煉前端：華為的三個智能方程式

在前端智能化已經勢不可擋的情境中，華為也結合自身大量的計算、存儲、聯接、云化、智能、安全等各個領域的技術積累與商業實踐，在“全棧云、全智能、全場景”的機器視覺和大數據解決方案基礎上，給出了一個體系完備、面面俱到的解題樣本。

第一道方程式：AI 芯+算法商城，實現前端性能升級

算力是智能的基礎，提供“軟硬協同”的算力支撐，華為也有自己的思路：

一方面，華為軟件定義攝像機（SDC）搭載專業AI芯片，算力最高可達 20T，可以在極致低功率、極致算力等不同場景中為前端釋放極致算力。讓硬件可以輕松實現如目標分類和屬性識別等能力，甚至可以完全取代后端服務器來完成視頻全量特征分析，提升實時響應能力。

此外，華為算法與應用商城 HoloSens Store 也應運而生，實現前端智能算法按需可選，在線加載，賦予前端越來越強大的能力。

第二道方程式：軟件定義+按需適配，實現能力開放

智能視頻監控系統往往會在城市的多個場景、多種業務下使用，比如白天要檢測車輛排隊長度、甄別事故，晚上則重點看護應急車道情況。如何最大化地根據個性化需求來進行設計，讓前端智能能夠快速響應、不斷創新呢？

答案自然是允許合作伙伴開發多元化的垂直場景算法，這就需要開放性的軟件定義來將底層硬件能力釋放出去，實現多維感知傳感器硬件等終端，以及多種軟件能力的接入。

華為就基于容器架構，華為打造業界首創攝像機 OS，推出“軟件定義”架構。以標準、歸一化的軟件運行環境，實現軟硬件解耦，統一調用底層硬件的計算和編排能力、統一由操作系統封裝，開發者只需要聚焦功能側的能力，大大降低了開發門檻。

另一方面，通過一系列行業標準的北向接入協議，打造了開放的軟件生態。合作伙伴在完成算法訓練與開發之后，就可以快速集成 SDC OS 公共軟硬件能力，打造成各自行業中具有差異化競爭力的商用產品。

這樣做的好處是，能夠讓大量合作伙伴加入并品嘗前端智能化的商業機會，按照各自聚焦的場景開發大量匹配行業屬性的長尾算法，解決客戶的實際問題，同時接口標準的統一，能夠持續演進迭代，進一步降低部署成本，增加其競爭優勢。

第三道方程式：多算法+多工具，自動化敏捷開發

對于應用前端智能的企業 / 機構來說，要自己訓練一個 AI 模型還是比較復雜、技能門檻較高的工作。想要實現 AI 普惠，前提就要讓應用開發變得更容易、更快捷，使其成為 ICT 從業人員的一項基本技能。

因此華為也將完善的 SDC Studio 開發工具鏈開放出來，提供通用算法模型、算法模型文件格式轉換、數據的自動標注等服務，以降低應用者的開發成本，提升調測效率。結合前面提到的算法商城，可以共同實現在 SDC 上的算法與應用管理，以便讓前端智能算法和應用可以根據不同場景、全生命周期都能夠持續演進、敏捷開發。

完成了這三道方程式的解題，華為也就引領前端智能來到了一個新的維度：

這里不再是單一視覺圖像的世界，而是集合了多種傳感器，讓視覺、聽覺、雷達、定位等各種數據互相交織，形成一張全息感知的智能網絡，為城市治理、交通等精準護航；

也不再是需要重復“打補丁”的成本雷區，通過軟件定義攝像機 SDC 的開放服務化接口，讓前端可以跟隨數字技術的變化而動，不斷升級更大的價值；

更不是通用算法的“一言堂”，不同種類、不同廠商的多算法在框架體系內生長，一同將 AI 推向各個實際場景的細枝末節之中。這樣的城市之眼，不正是你我所期許的嗎？
? ? ? ?責任編輯:pJ