视频监控的发展远不止于一个“安全性”

作者/赛灵思公司工业医疗市场高级经理 罗霖

视频监控应用的基础在于安全性，但目前视频监控的未来发展似乎远不止于此，例如其还能进一步扩展到管理领域---将视频技术作为管理工具。特别是随着人工智能 (AI) 的发展，可从视频和图像中提取特性以帮助大数据服务不断演进发展。

AI 的普及将显著加速视频监控技术的发展，不仅适用于一两种应用，而是囊括几乎所有的情境，从小型人脸抓拍摄像头到机顶盒大小的智能DVR/NVR，乃至数据中心的内容分析服务器机柜等，无所不包。出人意料的是，视频监控行业从常规算法向 AI 技术的转变异常迅猛，如对象分类、检测、跟踪、识别以及细分和行为分析等。转变的优势是巨大的，因为即便是在错综复杂的环境中，比如无论是在北京交通高峰时段熙熙攘攘的街道还是在上海最大型体育场内举办的超级巨星演唱会上，AI 技术的转变都能显著提升应用的准确度、性能、效率以及稳健性。

另一大趋势是 AI 技术迅速的演进发展。深度学习算法日新月异，如Resnet、Faster-RCNN、Segnet、FPN 以及 Yolo V3，不一而足。同时新算法还在不断涌现。没有人能预测哪一种新型神经网络将在半年后大受欢迎。学术研究人员和工程师正在创建标准网络的成千上万种变体，试图为其自有应用实现最佳成果。在可预见的未来，这种发展不会停滞不前或放缓，因为我们才刚刚进入 AI 时代。更多创新还会不断涌现。

在一定的预算范围内（BOM 成本或包络功率）提供可接受的深度学习性能，是人们开发商业视频监控产品的目标。换言之，提高深度学习的效率也是趋势所在。在神经网络训练阶段，主要侧重于功能强大的全新 GPU 的浮点性能和吞吐量，不过就海量产品的深度学习推断而言，人们更关心的是单位功耗的高效性能，而不是理论峰值性能。例如，如何在小型紧凑的人脸识别摄像系统中既实现高性能 DNN 处理，功耗预算又在 3 瓦范围之内，对开发人员来说实可谓一大严峻挑战。我们必须配置出如何以多种不同的方法来优化 DNN 实施方案，如减小批处理规模，缩小网络规模，优化网络和使用低比特推断等。

开发以 AI 为中心的视频监控系统的人员一直在寻找不仅适合同时还可支持创新的硬件平台。人们过去倾向于在常规的视频监控产品中使用 DSP 或 ASIC，因为这能以可接受的成本和功耗提供所需的特性和性能。比如，一款带固定智能功能的 IP 摄像头不会有太多的创新和差异化元素，所以只要能执行固定功能，选用什么样的主处理器并不重要。

然而，由于前文提及的 AI 技术的快速迭代，为以 AI 为中心的平台选择适合的平台就大不相同了。首先，要想紧跟技术发展的步伐，亟需采用自适应平台，不仅能及时支持所有的创新技术，而且还易于更新，以适应新的技术变革。其次，由于众多视频监控设备的机械设计限制和热设计限制，其也需要提高能效。硬件应能够以高效的方式处理与数据移动相关的海量并行计算。为了能够定制数据路径和操作，应使用精细粒度的微架构完成结构设计。最后，由于视频监控应用的规模不尽相同，因而需要可扩展的硬件平台才能通过公共架构和工具流对低、中、高端产品进行统一。

赛灵思可为以 AI 为中心的视频监控应用提供业界领先的 FPGA 和 SoC 平台。FPGA 本质上十分适合进行并行计算，并且拥有大量高速片上存储器，是 DNN 推断的理想选择。此外，针对为 AI 引擎馈送数据的多种不同传感器而言，FPGA 还可提供众多可配置的高速 I/O。凭借定制化的数据路径，FPGA 展现出了卓越的低时延能力。此外，与 GPU 相比，FPGA 能效显著，可用于对功耗水平要求严格的 AI 摄像头应用中。借助同时集成了 ARM 和 FPGA 的 SoC 器件，如 28nm Zynq-7000 和 16nm Zynq Ultrascale+ MPSoC 等，我们不仅能更好地对定制 DNN 算法进行分区，还能提升系统级集成度，从而降低 BOM 成本与系统功耗。

除芯片本身之外，为了提升设计生产力，赛灵思最近还可提供 Vivado HLS、SDSoC 等高级工具以及 xFDNN 等高性能深度学习库。此外，赛灵思一直与我们的深度学习合作伙伴深鉴科技 (Deephi) 开展合作，致力于为人脸识别摄像头、视频结构盒和云视频分析卡提供完整的解决方案。