視頻監(jiān)控的發(fā)展遠(yuǎn)不止于一個(gè)“安全性”

作者/賽靈思公司工業(yè)醫(yī)療市場(chǎng)高級(jí)經(jīng)理 羅霖

視頻監(jiān)控應(yīng)用的基礎(chǔ)在于安全性，但目前視頻監(jiān)控的未來發(fā)展似乎遠(yuǎn)不止于此，例如其還能進(jìn)一步擴(kuò)展到管理領(lǐng)域---將視頻技術(shù)作為管理工具。特別是隨著人工智能 (AI) 的發(fā)展，可從視頻和圖像中提取特性以幫助大數(shù)據(jù)服務(wù)不斷演進(jìn)發(fā)展。

AI 的普及將顯著加速視頻監(jiān)控技術(shù)的發(fā)展，不僅適用于一兩種應(yīng)用，而是囊括幾乎所有的情境，從小型人臉抓拍攝像頭到機(jī)頂盒大小的智能DVR/NVR，乃至數(shù)據(jù)中心的內(nèi)容分析服務(wù)器機(jī)柜等，無所不包。出人意料的是，視頻監(jiān)控行業(yè)從常規(guī)算法向 AI 技術(shù)的轉(zhuǎn)變異常迅猛，如對(duì)象分類、檢測(cè)、跟蹤、識(shí)別以及細(xì)分和行為分析等。轉(zhuǎn)變的優(yōu)勢(shì)是巨大的，因?yàn)榧幢闶窃阱e(cuò)綜復(fù)雜的環(huán)境中，比如無論是在北京交通高峰時(shí)段熙熙攘攘的街道還是在上海最大型體育場(chǎng)內(nèi)舉辦的超級(jí)巨星演唱會(huì)上，AI 技術(shù)的轉(zhuǎn)變都能顯著提升應(yīng)用的準(zhǔn)確度、性能、效率以及穩(wěn)健性。

另一大趨勢(shì)是 AI 技術(shù)迅速的演進(jìn)發(fā)展。深度學(xué)習(xí)算法日新月異，如Resnet、Faster-RCNN、Segnet、FPN 以及 Yolo V3，不一而足。同時(shí)新算法還在不斷涌現(xiàn)。沒有人能預(yù)測(cè)哪一種新型神經(jīng)網(wǎng)絡(luò)將在半年后大受歡迎。學(xué)術(shù)研究人員和工程師正在創(chuàng)建標(biāo)準(zhǔn)網(wǎng)絡(luò)的成千上萬(wàn)種變體，試圖為其自有應(yīng)用實(shí)現(xiàn)最佳成果。在可預(yù)見的未來，這種發(fā)展不會(huì)停滯不前或放緩，因?yàn)槲覀儾艅倓傔M(jìn)入 AI 時(shí)代。更多創(chuàng)新還會(huì)不斷涌現(xiàn)。

在一定的預(yù)算范圍內(nèi)（BOM 成本或包絡(luò)功率）提供可接受的深度學(xué)習(xí)性能，是人們開發(fā)商業(yè)視頻監(jiān)控產(chǎn)品的目標(biāo)。換言之，提高深度學(xué)習(xí)的效率也是趨勢(shì)所在。在神經(jīng)網(wǎng)絡(luò)訓(xùn)練階段，主要側(cè)重于功能強(qiáng)大的全新 GPU 的浮點(diǎn)性能和吞吐量，不過就海量產(chǎn)品的深度學(xué)習(xí)推斷而言，人們更關(guān)心的是單位功耗的高效性能，而不是理論峰值性能。例如，如何在小型緊湊的人臉識(shí)別攝像系統(tǒng)中既實(shí)現(xiàn)高性能 DNN 處理，功耗預(yù)算又在 3 瓦范圍之內(nèi)，對(duì)開發(fā)人員來說實(shí)可謂一大嚴(yán)峻挑戰(zhàn)。我們必須配置出如何以多種不同的方法來優(yōu)化 DNN 實(shí)施方案，如減小批處理規(guī)模，縮小網(wǎng)絡(luò)規(guī)模，優(yōu)化網(wǎng)絡(luò)和使用低比特推斷等。

開發(fā)以 AI 為中心的視頻監(jiān)控系統(tǒng)的人員一直在尋找不僅適合同時(shí)還可支持創(chuàng)新的硬件平臺(tái)。人們過去傾向于在常規(guī)的視頻監(jiān)控產(chǎn)品中使用 DSP 或 ASIC，因?yàn)檫@能以可接受的成本和功耗提供所需的特性和性能。比如，一款帶固定智能功能的 IP 攝像頭不會(huì)有太多的創(chuàng)新和差異化元素，所以只要能執(zhí)行固定功能，選用什么樣的主處理器并不重要。

然而，由于前文提及的 AI 技術(shù)的快速迭代，為以 AI 為中心的平臺(tái)選擇適合的平臺(tái)就大不相同了。首先，要想緊跟技術(shù)發(fā)展的步伐，亟需采用自適應(yīng)平臺(tái)，不僅能及時(shí)支持所有的創(chuàng)新技術(shù)，而且還易于更新，以適應(yīng)新的技術(shù)變革。其次，由于眾多視頻監(jiān)控設(shè)備的機(jī)械設(shè)計(jì)限制和熱設(shè)計(jì)限制，其也需要提高能效。硬件應(yīng)能夠以高效的方式處理與數(shù)據(jù)移動(dòng)相關(guān)的海量并行計(jì)算。為了能夠定制數(shù)據(jù)路徑和操作，應(yīng)使用精細(xì)粒度的微架構(gòu)完成結(jié)構(gòu)設(shè)計(jì)。最后，由于視頻監(jiān)控應(yīng)用的規(guī)模不盡相同，因而需要可擴(kuò)展的硬件平臺(tái)才能通過公共架構(gòu)和工具流對(duì)低、中、高端產(chǎn)品進(jìn)行統(tǒng)一。

賽靈思可為以 AI 為中心的視頻監(jiān)控應(yīng)用提供業(yè)界領(lǐng)先的 FPGA 和 SoC 平臺(tái)。FPGA 本質(zhì)上十分適合進(jìn)行并行計(jì)算，并且擁有大量高速片上存儲(chǔ)器，是 DNN 推斷的理想選擇。此外，針對(duì)為 AI 引擎饋送數(shù)據(jù)的多種不同傳感器而言，F(xiàn)PGA 還可提供眾多可配置的高速 I/O。憑借定制化的數(shù)據(jù)路徑，F(xiàn)PGA 展現(xiàn)出了卓越的低時(shí)延能力。此外，與 GPU 相比，F(xiàn)PGA 能效顯著，可用于對(duì)功耗水平要求嚴(yán)格的 AI 攝像頭應(yīng)用中。借助同時(shí)集成了 ARM 和 FPGA 的 SoC 器件，如 28nm Zynq-7000 和 16nm Zynq Ultrascale+ MPSoC 等，我們不僅能更好地對(duì)定制 DNN 算法進(jìn)行分區(qū)，還能提升系統(tǒng)級(jí)集成度，從而降低 BOM 成本與系統(tǒng)功耗。

除芯片本身之外，為了提升設(shè)計(jì)生產(chǎn)力，賽靈思最近還可提供 Vivado HLS、SDSoC 等高級(jí)工具以及 xFDNN 等高性能深度學(xué)習(xí)庫(kù)。此外，賽靈思一直與我們的深度學(xué)習(xí)合作伙伴深鑒科技 (Deephi) 開展合作，致力于為人臉識(shí)別攝像頭、視頻結(jié)構(gòu)盒和云視頻分析卡提供完整的解決方案。