什麼是AI視訊監控？

基於人工智慧的視訊監控系統依靠計算機軟體來分析視訊監控攝像機的影象和音訊。它的目標是識別人、物體或特定情況。這種軟體通常被開發用來管理攝像機視野內的限制區域，並在檢測到當時不應該存在的東西或異常時傳送警報。

為什麼我們需要人工智慧？

人類監控實時監控錄影的能力有其侷限性。一名安保人員可以盯著一個視訊監視器看大約 20 分鐘，然後就會失去 95% 的注意力。之後，安保人員將不再有足夠的注意力來識別重大事件。這些人為原因的限制，導致我們需要人工智慧工具來更好地服務於各種任務場景。

大量資料（大資料）的可用性，尤其是影象、視訊和文字，為訓練複雜的神經網路模型提供了原材料，也就是眾所周知的深度學習或機器學習。而且技術的進步使我們能以可承受的價格擁有強大的計算能力。

基於規則的人工智慧視訊監控方法

視訊監控任務可以通過人工智慧使用機器視覺來管理，機器視覺是一系列演算法（基本數學程式），將檢測到的目標與數千個記錄樣本進行比較。

如果 AI 注意到該物件與儲存的影象之間存在一些共同特徵，並且這些相似特徵超過一定百分比，則系統就會發送警報。這些目標考慮了多種因素：大小、寬度、移動速度等。

這種方法被稱為基於規則的方法，因為它涉及一組由人類開發者編寫的程式規則，如果違反這些規則會觸發警告。如今，基於規則的人工智慧視訊監控是最常見的型別。

行為分析和機器學習

近年來，由於機器學習技術的實施，人工智慧視訊監控開始遵循基於行為分析的方法。在這種情況下，人工智慧是完全自學的，不需要初始程式設計輸入。

人工智慧可以基於對各種特徵（速度、大小、方向、顏色、形狀……）的模式分析，自主理解人類和物體的典型行為。為此，它會對所看到的事物和模式進行分類和標記，建立和完善自己對什麼是“正常”和什麼是“異常”的定義。

基本上，深度學習下的人工智慧學會了通過經驗識別事物何時“打破”模式。例如，AI會理解在機動車道路上行駛的汽車是絕對正常的，但在人行道上行駛的汽車肯定不是。

視訊監控中的深度學習

深度學習是機器學習的一個子型別，它模仿人腦處理資訊的機制。深度學習的出現代表了人工智慧技術發展的巨大飛躍。人工神經網路是深度學習系統的核心，它使計算機在處理複雜任務上獲得了更大的進步。

基於深度學習的演算法優於其他解決方案，因為它們允許科學家們用更高質量和更廣泛的資料集來訓練和增強AI系統。得益於這個特性，它們對於某些任務可以達到 99.9% 的準確率，而傳統的 AI 演算法通常無法達到 95% 以上的準確率。

談到AI視訊監控，我們可以找到幾個利用深度學習的應用：

• 人臉識別深度學習

如今，大多數人臉識別產品都依賴於深度學習技術。正如特拉維斯大學的研究人員所表明的那樣，它們在受控環境中的識別系統的準確率達到了 99.9%。

將人臉識別技術應用於視訊監控處理以及訪問控制中，使公司能夠實施強大的演算法來分析面部特徵，並根據這些特徵有效地識別個人。與智慧手機中使用的 FaceID 類似，視訊監控和訪問控制中的人臉識別可用於對使用者進行身份驗證，或識別潛在的安全風險。在 COVID-19 期間，人工智慧人臉識別技術被頻繁地使用，它可以檢測人們是否戴著口罩，並幫助人們在辦公室和商業建築中提供非接觸式體驗。

• 用於人物檢測的深度學習

深度學習也是近期人物檢測技術改進的主要原因。通過一系列計算效率高的影象處理步驟來識別包含人的移動區域。之後這些區域由卷積神經網路分類器處理。當然，深度學習需要廣泛的資料資源來訓練系統和計算能力來為其提供動力。然而，另一個問題是，並非所有視訊分析演算法都適合深度學習。例如，車牌識別工具與舊的基於計算機視覺的演算法配合得就很好。

基於人工智慧的視訊監控全球現狀

人工智慧在公共安全的監控場景中應用已經越來越普及。全球 176 個國家中有 75 個已經將人工智慧應用於視訊監控中，包括人臉識別系統（64 個國家/地區）和智慧警察（52 個國家/地區）。比如美國公司在這方面就非常活躍，他們向全球 32 個國家提供AI監控技術。

結語

人工智慧和資料分析在傳統的視訊監控領域的應用催生了智慧視訊分析技術。人工智慧在計算機智慧的應用方面發揮著關鍵作用，包括物體識別、運動檢測以及跟蹤或計數物體/人等， 它為使用者創造了傳統安防攝像頭無法提供的技術優勢。這也是TSINGSEE青犀視訊正在積極尋求AI戰略轉型的原因，並且我們已經在EasyCVR視訊融合雲服務中內建了AI演算法，可以檢測和識別人臉、車牌、安全帽佩戴檢測、行人流量統計等等，並已經在多個實際專案中落地應用。除此之外，EasyCVR還具有語音對講、雲臺控制、聲光告警、監控視訊分析與資料彙總的能力，在公安、國防、海關、交通、金融、社保、醫療及其他民用安全控制等場景中獲得了廣泛應用。