[摘要] 图文解析传统智能与深度智能应用的区别

伴随着AI在安防视频监控的深入应用，围绕着智能安防的核心-精准识别目标(人、车、物、行为......)、高效视频结构化(提取目标详细信息并标签化)为安防实战输出有效数据信息，基于深度学习的算法和底层技术架构为传统意义上的智能安防带来了更深层次的应用，推动着现有智能安防升级到更高阶的产业层次。

一、深度智能第一层：深度学习带来机器学习方式的改变

视频智能分析技术一直是各大科研院校、安防企业的核心研究领域，但是在过去传统的智能分析技术由于算法是人来根据不同的场景和应用需求进行设计，在适应性上需要人来不断的来改善和提升，所以表现出在特定的环境下表现出良好的性能，但是一旦环境等因素发生变化，传统的智能分析算法在应用上的性能就会降低。

传统智能分析算法存在不可突破的局限性，限制了智能分析技术的进一步发展，直到2012年之后，随着深度学习算法的突破，引起了工业界的广泛关注，同时得到了安防厂商的青睐。深度学习作为一种技术思想，其理论和技术本身并不是一种新鲜事物，但是随着硬件计算能力的突破和海量数据的积累，深度学习在各个领域的智能应用取得重大突破。深度学习解决了一些传统智能算法无法解决的问题，而且输出结果会随着数据处理量的增大而更加准确，使得机器学习能够实现众多应用。目前各种相关的智能算法，都可以使用深度学习实现，深度学习拓展了人工智能的领域范围，提升了智能程度。

深度学习最成功的应用领域是计算机视觉，深度学习开启了视频智能应用的新篇章，其价值主要体现在应用深度和广度等方面。

(1) 应用深度方面

相比传统的智能视频分析算法，深度学习算法可以大幅提升智能算法分析性能，提高视频智能应用水平。例如，人脸识别在安防领域还没有达到理想的效果，利用优化的深度学习模型结合海量数据，可以训练出泛化能力更强的模型，大幅提升人脸识别的准确率，从而提升人脸识别智能应用水平。

(2) 应用广度方面

相比传统的智能视频分析技术，深度学习可以克服其靠人工选择特征和浅层学习的局限性，可以完成传统智能视频分析技术很难完成或者不可能完成的任务。例如，对于大流量人群分析任务，使用深度学习技术，通过大量数据样本分析，让计算机自行学习人和其他目标的区别，运算出能显著标识人的一层层特征信息，有效突破光照突变、背景复杂、人体部分遮挡等传统技术的难点，使得以前很难实用的大流量人群分析变得实用化，扩大了智能视频分析的应用范围。

总之，深度学习技术可以取代传统的智能视频分析技术，提升智能应用的水平，拓展智能应用的领域范围。

二、深度智能第二层：前后端智能系统功能叠加

简单来说，智能安防也好，深度智能安防也罢，其核心目的主要是为了通过“聪明”的机器自主完成对复杂的视频画面中的人、车、环境的目标分析识别和信息提取。深度学习算法和底层技术架构赋予了视频监控系统(摄像头、服务器、平台)“聪明”的能力，那么，如何实现这种能力的最优化，还取决于核心设备应用的组合。

当前业内领先的智能安防厂商陆续发布基于深度学习的智能安防产品，包括前端嵌入式智能摄像机、后端高性能智能视频结构化分析服务器、综合智能分析管理平台等产品，不过，大多数厂商都只拥有单一的深度智能设备或通用型的产品，尽管基于深度学习的智能单品拥有高超的性能，但受限于组合系统中其他设备的局限性，仍然会影响到系统整体的性能发挥。

为了真正实现安防监控的深度智能，安防龙头海康威视自2016年起即连续推出了其从前端到后端完善的深度智能产品线，并且围绕着人、车两大关键的目标，针对性的进行了前后端的产品组合配套，实力诠释深度智能的实战效果。

　　人脸卡口、人脸布控场景　　

交通卡口、电警车辆布控场景

三、实战场景效能对比

场景一：寻人(人脸识别+人脸大数据)

公安实战应用场景中，很多时候的业务核心最终都聚焦在对目标人物的查找上面，走失的老人、小孩，或者犯罪嫌疑人之类，这里我们以海康威视专业的人脸摄像机和后端脸谱服务器的组合应用为例。

GIF图:海康威视某人脸系统实时抓拍比对实景图

场景二：车辆识别(车辆检索+车辆大数据)