2016年度中國安防行業關鍵字盤點
OFweek物聯網訊 時光如白駒過隙，轉眼間2016年已經接近尾聲。年終歲末之際，回首2016年，總有那麼幾件事，那麼幾個關鍵字在行業發展中留下痕跡，並留在我們心中。綜合幾位業內大咖的寶貴經驗，以及小編本人對於2016年安防行業發展的回顧，現總結出2016年最受關注的幾大關鍵字如下：
深度學習
如果要在2016年安防行業選出一個最火的關鍵字，那一定非“深度學習”莫屬。今年三月份AlphaGO與李世石那場人機大戰著實讓人工智慧、深度學習等概念大火了一把，安博會上不少企業深度學習相關產品的展出，尤其是海康威視發佈的基於深度學習的全系列產品更是將深度學習熱推向了高☆禁☆潮。
深度學習的概念
深度學習的概念源於人工神經網路的研究。深度學習的概念由Hinton等人於2006年提出。基於深度置信網路（DBN）提出非監督貪心逐層訓練演算法，為解決深層結構相關的優化難題帶來希望，隨後提出多層自動編碼器深層結構。此外，Lecun等人提出的卷積神經網路是第一個真正多層結構學習演算法，它利用空間相對關係減少參數數目以提高訓練性能。深度學習是機器學習研究中的一個新的領域，其動機在於建立、模擬人腦進行分析學習的神經網路，它模仿人腦的機制來解釋資料，例如圖像，聲音和文本。深度學習使得機器學習能夠實現眾多的應用，並拓展了人工智慧的領域範圍。
深度學習的安防應用
讓深度學習能夠如此大行其道的關鍵要素就是資料，特別是海量的資料，因為神經網路是訓練出來的，大量的資料是其訓練的基礎。深度學習需要成百上千甚至幾百萬張圖像來訓練，直到神經元的輸入的權值都被調製得十分精確，這樣才能導致得到正確的結果。百度總裁李彥宏曾表示“深度學習的技術配合上大資料的儲備，語音搜索、圖像搜索等新興技術就不再僅僅是技術的噱頭。”
而安防行業，就是一個擁有著海量資料的領域，而且99％以上的資料是非結構化資料，這使得安防大資料要走向深度應用首先必須解決的就是視頻結構化問題，而這正是深度學習擅長的。深度學習技術可謂安防行業的“顛覆性力量”。隨著深度學習演算法的突破，目標識別、物體檢測、場景分割、人物和車輛屬性分析等智慧分析技術都取得了突破性進展。可以說，較之以往的傳統智慧演算法，深度學習在解決視頻結構化問題方面更智慧。
因此，深度學習的在安防行業的方方面面得到了廣泛應用：如人臉檢測、車輛檢測、非機動車檢測、人臉識別、車輛品牌識別、行人檢索、車輛檢測、人體屬性、異常人臉檢測、人群行為分析等等。
人工智慧
今年是人工智慧誕生60周年，就好像是又經歷了一個輪回。今年以來，“人工智慧”的概念再次進入到人們的視野當中。AlphaGO與李世石的人機大戰；在北京安博會，海康威視、大華、宇視紛紛展出基於人工智慧或是機器視覺的產品；甚至在G20峰會上，習總書記也著重強調了人工智慧技術。種種跡象表明，人工智慧安防行業的應用即將迎來一個火熱的高☆禁☆潮，甚至有人說，2016年是安防人工智慧元年。
提到人工智慧，我們首先有必要把人工智慧和前文中提到的深度學習做一個概念的區分。人工智慧是電腦科學的一個分支，它企圖瞭解智慧的實質，並生產出一種新的能以人類智慧相似的方式做出反應的智慧型機器。該領域的研究包括機器人、語言識別、圖像識別、自然語言處理和專家系統等。人工智慧是對人的意識、思維的資訊過程的類比。簡單來說，人工智慧就是為機器賦予人的智慧。而深度學習作為機器學習技術的一個分支，則是一種能夠實現人工智慧的技術，也就是說，實現機器的人工智慧是我們的目標，而深度學習則是實現人工智慧的一種技術手段，是實現人工智慧的基礎。
安防需要人工智慧
安防需要人工智慧最根本的原因是，我們需要將被動防禦變為主動預防。傳統的安防系統主要依賴於人防和技防，隨著視頻高清化等技術的快速發展，安防系統每天會產生海量的資料，這使得通過人力進行觀察和決策變得越來越困難。據不完全統計，2015年攝像頭出貨量達五千多萬台，僅僅視頻監控錄影而言，每天的資料量就達上千PB，在視頻監控大聯網、高清化推動下，視頻監控業務步入資料的井噴時代。
2015年5月6日，九部委下發《關於加強公共安全視頻監控建設聯網應用工作的若干意見》（以下簡稱“意見”）。《意見》指出，到2020年，要基本實現“全域覆蓋、全網共用、全時可用、全程可控”的公共安全視頻監控建設聯網應用。在“全域覆蓋”方面，要求重點公共區域視頻監控覆蓋率達到100％，新建、改建高清攝像機比例達到100％；重點行業、領域的重要部位視頻監控覆蓋率達到100％，逐步增加高清攝像機的新建、改建數量。隨著“全覆蓋”工作的展開，攝像頭裝得會越來越多，需要處理的資料也就越多，而大資料技術的核心意義不僅僅在於掌握龐大的資料資訊，而在於對這些含有意義的資料進行專業化處理。而在面對如此巨大的資料量時，人工的處理無論是從速度還是從效率上來說，都已無法實現，最高效、最直接的方法就是讓機器變得更智慧。
深度學習
如果要在2016年安防行業選出一個最火的關鍵字，那一定非“深度學習”莫屬。今年三月份AlphaGO與李世石那場人機大戰著實讓人工智慧、深度學習等概念大火了一把，安博會上不少企業深度學習相關產品的展出，尤其是海康威視發佈的基於深度學習的全系列產品更是將深度學習熱推向了高☆禁☆潮。
深度學習的概念
深度學習的概念源於人工神經網路的研究。深度學習的概念由Hinton等人於2006年提出。基於深度置信網路（DBN）提出非監督貪心逐層訓練演算法，為解決深層結構相關的優化難題帶來希望，隨後提出多層自動編碼器深層結構。此外，Lecun等人提出的卷積神經網路是第一個真正多層結構學習演算法，它利用空間相對關係減少參數數目以提高訓練性能。深度學習是機器學習研究中的一個新的領域，其動機在於建立、模擬人腦進行分析學習的神經網路，它模仿人腦的機制來解釋資料，例如圖像，聲音和文本。深度學習使得機器學習能夠實現眾多的應用，並拓展了人工智慧的領域範圍。
深度學習的安防應用
讓深度學習能夠如此大行其道的關鍵要素就是資料，特別是海量的資料，因為神經網路是訓練出來的，大量的資料是其訓練的基礎。深度學習需要成百上千甚至幾百萬張圖像來訓練，直到神經元的輸入的權值都被調製得十分精確，這樣才能導致得到正確的結果。百度總裁李彥宏曾表示“深度學習的技術配合上大資料的儲備，語音搜索、圖像搜索等新興技術就不再僅僅是技術的噱頭。”
而安防行業，就是一個擁有著海量資料的領域，而且99％以上的資料是非結構化資料，這使得安防大資料要走向深度應用首先必須解決的就是視頻結構化問題，而這正是深度學習擅長的。深度學習技術可謂安防行業的“顛覆性力量”。隨著深度學習演算法的突破，目標識別、物體檢測、場景分割、人物和車輛屬性分析等智慧分析技術都取得了突破性進展。可以說，較之以往的傳統智慧演算法，深度學習在解決視頻結構化問題方面更智慧。
因此，深度學習的在安防行業的方方面面得到了廣泛應用：如人臉檢測、車輛檢測、非機動車檢測、人臉識別、車輛品牌識別、行人檢索、車輛檢測、人體屬性、異常人臉檢測、人群行為分析等等。
人工智慧
今年是人工智慧誕生60周年，就好像是又經歷了一個輪回。今年以來，“人工智慧”的概念再次進入到人們的視野當中。AlphaGO與李世石的人機大戰；在北京安博會，海康威視、大華、宇視紛紛展出基於人工智慧或是機器視覺的產品；甚至在G20峰會上，習總書記也著重強調了人工智慧技術。種種跡象表明，人工智慧安防行業的應用即將迎來一個火熱的高☆禁☆潮，甚至有人說，2016年是安防人工智慧元年。
提到人工智慧，我們首先有必要把人工智慧和前文中提到的深度學習做一個概念的區分。人工智慧是電腦科學的一個分支，它企圖瞭解智慧的實質，並生產出一種新的能以人類智慧相似的方式做出反應的智慧型機器。該領域的研究包括機器人、語言識別、圖像識別、自然語言處理和專家系統等。人工智慧是對人的意識、思維的資訊過程的類比。簡單來說，人工智慧就是為機器賦予人的智慧。而深度學習作為機器學習技術的一個分支，則是一種能夠實現人工智慧的技術，也就是說，實現機器的人工智慧是我們的目標，而深度學習則是實現人工智慧的一種技術手段，是實現人工智慧的基礎。
安防需要人工智慧
安防需要人工智慧最根本的原因是，我們需要將被動防禦變為主動預防。傳統的安防系統主要依賴於人防和技防，隨著視頻高清化等技術的快速發展，安防系統每天會產生海量的資料，這使得通過人力進行觀察和決策變得越來越困難。據不完全統計，2015年攝像頭出貨量達五千多萬台，僅僅視頻監控錄影而言，每天的資料量就達上千PB，在視頻監控大聯網、高清化推動下，視頻監控業務步入資料的井噴時代。
2015年5月6日，九部委下發《關於加強公共安全視頻監控建設聯網應用工作的若干意見》（以下簡稱“意見”）。《意見》指出，到2020年，要基本實現“全域覆蓋、全網共用、全時可用、全程可控”的公共安全視頻監控建設聯網應用。在“全域覆蓋”方面，要求重點公共區域視頻監控覆蓋率達到100％，新建、改建高清攝像機比例達到100％；重點行業、領域的重要部位視頻監控覆蓋率達到100％，逐步增加高清攝像機的新建、改建數量。隨著“全覆蓋”工作的展開，攝像頭裝得會越來越多，需要處理的資料也就越多，而大資料技術的核心意義不僅僅在於掌握龐大的資料資訊，而在於對這些含有意義的資料進行專業化處理。而在面對如此巨大的資料量時，人工的處理無論是從速度還是從效率上來說，都已無法實現，最高效、最直接的方法就是讓機器變得更智慧。