一、端AI芯片發(fā)展概況

當前主流的AI技術是Hiton、Lecun、Bengio等學者帶來的深度學習，深度學習自誕生以來正在改變著很多行業(yè)，如安防、金融和物聯(lián)網(wǎng)等。深度學習的興起有海量數(shù)據(jù)和大算力兩個支撐點。早期算力支撐主要由GPU提供，GPU具有支持高并行計算、訪存速度快和浮點運算能力強等優(yōu)點，比較符合深度學習的計算要求。但GPU設計的初衷是加速3D圖形處理的通用芯片，并不是針對深度學習設計的，其計算功耗比（每瓦功耗的算力）這一指標并不突出。

如果把目光聚焦到端AI，GPU計算功耗比低的弱點就更明顯了。端AI應用的特點就是只做神經網(wǎng)絡前向計算，不做反向傳播，對運行時存儲的要求不高，GPU顯存大的優(yōu)勢體現(xiàn)不出來。穿戴式設備因為體積小等原因，對功耗非常敏感，同時由于要與人互動，穿戴式設備一般要求能實時運行神經網(wǎng)絡模型。盡管網(wǎng)絡模型可以裁剪，但為了保證模型的性能下降在可接受的范圍，裁剪后的模型計算量仍然會比較大，這就要求端AI芯片有較強的算力。為了提高運行神經網(wǎng)絡模型的計算功耗比，專用的端AI芯片就應運而生了。由于專用的AI芯片在一開始設計時就針對神經網(wǎng)絡計算加速做優(yōu)化，其性能提升往往能夠突破摩爾定律，每隔18～24個月性能可提升5倍甚至更多。

當前主流端AI芯片有DSP形態(tài)和NPU形態(tài)兩種。Intel movidius myraid2、高通Hexagon DSP都屬于DSP形態(tài)的AI芯片。DSP的優(yōu)勢是工藝成熟，成本較低，每瓦功耗的算力可達100Gflops。華為麒麟970／980芯片、蘋果A12芯片等則集成了NPU支持端AI計算，每瓦功耗算力可達500G－1T flops。NPU的計算功耗比相對DSP有較大的優(yōu)勢，是端AI芯片發(fā)展的趨勢。Intel Movidius myraidX已經集成了NPU，相比myraid2每瓦功耗的算力提升了5倍以上。高通預計也將在2019年推出集成NPU的AI芯片。

當前，AI芯片算力提升的一個瓶頸是存儲墻問題。在傳統(tǒng)的馮諾伊曼架構下，計算單元和存儲單元是分離的，深度學習模型運行時需要把數(shù)據(jù)從DDR內存搬移到計算單元內部存儲里。數(shù)據(jù)搬移需要的功耗在整個計算中占非常大的比重，而且數(shù)據(jù)搬移的效率不會因為摩爾定律的發(fā)展而提高，這被稱之為＂存儲墻＂。當前解決＂存儲墻＂問題的一個主要方案是3D堆疊技術，即在處理器周圍堆疊更多的存儲器件。

對用戶來說，擁有一款端AI芯片還只是第一步，怎樣在AI芯片上做應用開發(fā)才是關鍵。AI芯片公司通過提供專門的工具使得芯片對端AI應用開發(fā)透明。Intel提供OpenVINO工具包，高通提供NPE引擎，華為提供HiAI移動計算平臺，都是為了支持用戶無感地部署、運行神經網(wǎng)絡模型，將AI芯片算力轉化為生產力。業(yè)界領先的AR眼鏡公司亮亮視野也推出了自己的Laffe框架，幫助用戶用Movidius VPU的AI算力實現(xiàn)自己的價值。

二、穿戴式安防產品形態(tài)及應用場景

當前穿戴式安防產品主要有AR眼鏡、執(zhí)法記錄儀等。執(zhí)法記錄儀可對執(zhí)法過程進行動態(tài)或靜態(tài)的數(shù)字化記錄，同時維護執(zhí)法人員和執(zhí)法對象合法權益，目前已經比較成熟，形成了GA／T947－2015單警執(zhí)法視音頻記錄儀行業(yè)標準。AR眼鏡是近年出現(xiàn)的新型穿戴式安防產品，與普通的執(zhí)法記錄儀不同，AR眼鏡帶有端AI芯片和顯示設備，可依托AI與執(zhí)法者進行交互。

除了執(zhí)法記錄，穿戴式安防產品的應用場景主要是人臉抓拍，在這方面AR眼鏡具備獨特優(yōu)勢。執(zhí)法記錄儀配備端AI芯片后也具有人臉抓拍能力，但執(zhí)法記錄儀難以支持人機交互，對抓拍效果執(zhí)法人員幾乎無法干涉，抓拍效果較差。AR眼鏡抓拍人臉時天然處于第一視角，符合人的使用習慣，抓拍人臉效果最佳。雖然固定攝像頭抓拍人臉技術比較成熟，但顯然不具備AR眼鏡的移動性優(yōu)勢。

AR眼鏡在安防方面的應用場景還有人臉識別、車牌識別等。執(zhí)法人員佩戴AR眼鏡進行人臉識別一個優(yōu)勢是可以要求執(zhí)法對象配合，這點固定攝像頭無法做到。人臉識別算法經過數(shù)十年的演化已經取得超越人類識別能力的成果，但非配合式人臉識別仍是有待解決的難題。AR眼鏡人臉識別主要對接公安?？趲旌驮谔訋欤谥伟部?、巡街、大型活動安保方面應用前景廣泛。AR眼鏡識別車牌具有靈活性，執(zhí)法人員隨時可以檢查車牌所屬車輛狀況，反饋信息顯示在屏幕上，這也是不具備交互能力的固定攝像頭和執(zhí)法記錄儀難以企及的。

2018年春運期間，鄭州鐵路警方在全國鐵路率先使用人像比對警務眼鏡，通過人像識別，高效地篩查出旅客中的網(wǎng)上在逃和冒用他人身份證件的違法行為人。

圖1 亮亮視野推出的AR眼鏡

三、人臉抓拍、人臉識別技術在端AI芯片上的應用

人臉抓拍涉及的是人臉檢測、人臉選優(yōu)技術。在深度學習流行之前，人臉檢測的巔峰是Viola－Jones算法，實時性非常好，準確性尚可，目前已經被收錄到OpenCV。這一算法的三要素是：Haar－like特征、Adaboost分類器和Cascade級聯(lián)分類器。深度學習時代人臉檢測算法層出不窮，代表性的有MTCNN、SSH、S3FD、PyramidBox和DSFD等。MTCNN將人臉檢測任務和人臉關鍵點檢測任務聯(lián)合，具有速度快、準確性較高的特點，同時附帶輸出5個人臉關鍵點，已經是端AI芯片上人臉檢測算法的標配。除了MTCNN，主流的人臉檢測算法都是從目標檢測算法演化過來的，其中基于SSD（Single Shot Multibox Detector）的最多。盡管SSD在計算量和性能之間trade－off做得不錯，直接在端AI芯片上應用基于SSD的人臉檢測算法仍是困難的任務，還要輔以神經網(wǎng)絡壓縮或者直接使用輕量級骨干網(wǎng)絡。知名的輕量級骨干網(wǎng)絡有shufflenet、mobilenet等，都是人工設計的。隨著AutoML技術的發(fā)展，通過自動化的方法設計輕量網(wǎng)絡也逐漸走上舞臺。神經網(wǎng)絡壓縮技術主要有剪枝和知識蒸餾。目前的剪枝壓縮技術已經可以做到計算量減半準確率不受影響。知識蒸餾是教師網(wǎng)絡將部分知識遷移到輕量的學生網(wǎng)絡，從而達到壓縮神經網(wǎng)絡計算量的目的。此外，進行模型權重量化也是將人臉檢測算法在端AI芯片上落地應用的捷徑，當前端AI芯片一般都支持16－bit、8－bit量化。

人臉選優(yōu)的目的是選擇符合人臉識別要求的人臉圖像。當前的人臉識別技術條件下識別側臉和模糊人臉仍是很困難的，因此要求把側臉和模糊人臉能夠過濾掉。側臉過濾有兩種策略，一種是訓練人臉檢測模型時將側臉作為副樣本，另一種是估計人臉的姿態(tài)。為了在端AI芯片上落地，估計人臉的姿態(tài)的算法模型計算量也不能太大。穿戴式設備產生的模糊一般有兩種：對焦模糊和運動模糊。在端AI芯片上判斷人臉圖像是否模糊是一個挑戰(zhàn)，從實時性上考慮可以采用傳統(tǒng)的非深度學習算法。

人臉識別算法一般運行在云端，但隨著端AI芯片算力的提升以及1：10萬級以下的人臉識別場景的挖掘，人臉算法開始下移到AI芯片。這種方案的好處有以下兩點： 　　1．人臉識別的速度大幅提升。云端進行人臉識別的方案一般要耗時1－2秒，但在終端進行人臉識別只需幾百毫秒。

2．人臉識別的方案成本降低。云端進行人臉識別需要配置較高的服務器，占用更大的網(wǎng)絡帶寬，成本較高，而在終端進行人臉識別效率高。

適合人臉安防應用的獨立AI芯片主要有以下幾種：

1．Intel movidius myraid系列芯片，在算力和功耗之間平衡得最好，最新的MyraidX芯片算力已達1Tflops。老款Myraid2芯片采用VPU進行加速，最新的MyraidX芯片則同時集成了VPU和NPU，其中NPU支持通過專門的硬件單元對卷積、pooling等算子進行加速。借助OpenVINO的支持，movidius芯片可敏捷地部署caffe、tensorflow、pytorch等主流深度學習框架訓，支持SSD、YOLO等目標檢測算法。亮亮視野AR眼鏡采用movidius芯片提供AI算力。

2．華為海思Hi3559A，支持caffe模型部署運行。借助海思在安防行業(yè)的沉淀，Hi3559A芯片在視頻編碼方面極具競爭力，支持int8量化，算力高達0．6Tflops，在功耗方面與movidius芯片相當。

3．InuiTIve NU4000，功耗較低，SLAM支持得較好，支持獨特的12－bit量化，在深度學習方面能力也與movidius相近，支持SSD、YOLO等檢測算法。

4．深鑒科技AI芯片，特色是自主研發(fā)的深度壓縮技術與深度學習處理器DPU（Deep Learning Processing Unit），擁有從算法到軟硬件的完整解決方案，但功耗較高。

四、端AI在穿戴式安防產品中應用展望

未來隨著端AI芯片和安防相關算法的不斷進步，會有更多的安防場景用到端AI芯片。隨著技術發(fā)展，在端AI芯片方面，打破存儲墻方向可能會有大的進展，一個候選的技術方案是存算一體化，即通過相變、阻變等新型存儲器件的模擬計算功能來實現(xiàn)神經網(wǎng)絡的計算，整個計算過程都是在存儲里面實現(xiàn)，比起現(xiàn)在的馮諾伊曼架構功耗更低、算力更強。存算一體化是受人腦工作方式啟發(fā)的，人腦的計算和存儲是不分的，不需要數(shù)據(jù)搬移。此外，用光學輔助做卷積計算也是提升端AI芯片計算功耗比的候選技術方案。

穿戴式安防產品會有更多的安防應用場景落地：

1．人臉識別技術不斷提升，非配合式、無感的人臉識別日益成熟，依托端AI芯片的算力，最終穿戴式安防產品可以像科幻電影里描述的一樣實時、不受限地識別人。

2．穿戴式安防產品的移動攝像頭與固定的監(jiān)控攝像頭聯(lián)動，結合城市安防大數(shù)據(jù)，更精細地規(guī)劃出城市中人出現(xiàn)的軌跡。

3．依靠端AI的算力，穿戴式安防產品可根據(jù)所感知到的對象自動切換到不同的安防應用場景，如身份證、駕駛證、人臉、車輛信息、步態(tài)識別等，成為移動安防的入口。