視頻監控的發(fā)展遠不止于一個(gè)“安全性”

作者/賽靈思公司工業(yè)醫療市場(chǎng)高級經(jīng)理 羅霖

視頻監控應用的基礎在于安全性，但目前視頻監控的未來(lái)發(fā)展似乎遠不止于此，例如其還能進(jìn)一步擴展到管理領(lǐng)域---將視頻技術(shù)作為管理工具。特別是隨著(zhù)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據服務(wù)不斷演進(jìn)發(fā)展。

AI 的普及將顯著(zhù)加速視頻監控技術(shù)的發(fā)展，不僅適用于一兩種應用，而是囊括幾乎所有的情境，從小型人臉抓拍攝像頭到機頂盒大小的智能DVR/NVR，乃至數據中心的內容分析服務(wù)器機柜等，無(wú)所不包。出人意料的是，視頻監控行業(yè)從常規算法向 AI 技術(shù)的轉變異常迅猛，如對象分類(lèi)、檢測、跟蹤、識別以及細分和行為分析等。轉變的優(yōu)勢是巨大的，因為即便是在錯綜復雜的環(huán)境中，比如無(wú)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)內舉辦的超級巨星演唱會(huì )上，AI 技術(shù)的轉變都能顯著(zhù)提升應用的準確度、性能、效率以及穩健性。

另一大趨勢是 AI 技術(shù)迅速的演進(jìn)發(fā)展。深度學(xué)習算法日新月異，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。沒(méi)有人能預測哪一種新型神經(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 )建標準網(wǎng)絡(luò )的成千上萬(wàn)種變體，試圖為其自有應用實(shí)現最佳成果。在可預見(jiàn)的未來(lái)，這種發(fā)展不會(huì )停滯不前或放緩，因為我們才剛剛進(jìn)入 AI 時(shí)代。更多創(chuàng )新還會(huì )不斷涌現。

在一定的預算范圍內（BOM 成本或包絡(luò )功率）提供可接受的深度學(xué)習性能，是人們開(kāi)發(fā)商業(yè)視頻監控產(chǎn)品的目標。換言之，提高深度學(xué)習的效率也是趨勢所在。在神經(jīng)網(wǎng)絡(luò )訓練階段，主要側重于功能強大的全新 GPU 的浮點(diǎn)性能和吞吐量，不過(guò)就海量產(chǎn)品的深度學(xué)習推斷而言，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別攝像系統中既實(shí)現高性能 DNN 處理，功耗預算又在 3 瓦范圍之內，對開(kāi)發(fā)人員來(lái)說(shuō)實(shí)可謂一大嚴峻挑戰。我們必須配置出如何以多種不同的方法來(lái)優(yōu)化 DNN 實(shí)施方案，如減小批處理規模，縮小網(wǎng)絡(luò )規模，優(yōu)化網(wǎng)絡(luò )和使用低比特推斷等。

開(kāi)發(fā)以 AI 為中心的視頻監控系統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。人們過(guò)去傾向于在常規的視頻監控產(chǎn)品中使用 DSP 或 ASIC，因為這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 為中心的平臺選擇適合的平臺就大不相同了。首先，要想緊跟技術(shù)發(fā)展的步伐，亟需采用自適應平臺，不僅能及時(shí)支持所有的創(chuàng )新技術(shù)，而且還易于更新，以適應新的技術(shù)變革。其次，由于眾多視頻監控設備的機械設計限制和熱設計限制，其也需要提高能效。硬件應能夠以高效的方式處理與數據移動(dòng)相關(guān)的海量并行計算。為了能夠定制數據路徑和操作，應使用精細粒度的微架構完成結構設計。最后，由于視頻監控應用的規模不盡相同，因而需要可擴展的硬件平臺才能通過(guò)公共架構和工具流對低、中、高端產(chǎn)品進(jìn)行統一。

賽靈思可為以 AI 為中心的視頻監控應用提供業(yè)界領(lǐng)先的 FPGA 和 SoC 平臺。FPGA 本質(zhì)上十分適合進(jìn)行并行計算，并且擁有大量高速片上存儲器，是 DNN 推斷的理想選擇。此外，針對為 AI 引擎饋送數據的多種不同傳感器而言，FPGA 還可提供眾多可配置的高速 I/O。憑借定制化的數據路徑，FPGA 展現出了卓越的低時(shí)延能力。此外，與 GPU 相比，FPGA 能效顯著(zhù)，可用于對功耗水平要求嚴格的 AI 攝像頭應用中。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定制 DNN 算法進(jìn)行分區，還能提升系統級集成度，從而降低 BOM 成本與系統功耗。

除芯片本身之外，為了提升設計生產(chǎn)力，賽靈思最近還可提供 Vivado HLS、SDSoC 等高級工具以及 xFDNN 等高性能深度學(xué)習庫。此外，賽靈思一直與我們的深度學(xué)習合作伙伴深鑒科技 (Deephi) 開(kāi)展合作，致力于為人臉識別攝像頭、視頻結構盒和云視頻分析卡提供完整的解決方案。