目前，AI早已成為各行業(yè)熱點關鍵詞，物理安防行業(yè)也不例外，人工智能也是一股有可能改變和重新塑造行業(yè)的重要力量。

廣義的人工智能（AI）指的是關于機器計算的智能，而非人類本身。在安防行業(yè)，我們所說的AI指的是機器模仿人類及其它生物認知功能的技術應用，即模仿人類大腦學習和解決問題的思路和方法。

人工智能推動安防行業(yè)快速發(fā)展

當前，計算機行業(yè)的三大趨勢正在推動人工智能的快速增長。這三大趨勢分別是：

首先，計算機硬件的崛起能夠處理復雜的計算，尤其是圖形處理器（GPU， 其使用“并行處理”模式而不是我們熟悉的CPU“串行處理”模式）?？梢酝瑫r并行處理多個計算任務，效率遠遠高于“串行”模式。而且這是一種更具可擴展性的方案：將大問題分為許多可以同時解決的小問題來處理。

其次，更有效“訓練”系統(tǒng)編程方法的發(fā)展，特別是神經網絡，它能夠與GPU并行處理同時工作。神經網絡是由許多簡單、高度互連的處理單元組成的計算系統(tǒng)，通常以層的形式構成，每層由互連的節(jié)點組成。每一層計算出的結果決定下一層的輸入。神經網絡可能超過一百層，因此能夠將大量復雜的數據。

第三，傳感器（包括攝像機）的激增，產生足夠大的數據，使系統(tǒng)能夠被有效地“訓練”（例如“大數據”）。“大數據”的激增提供了大量的訓練數據。而安防視頻監(jiān)控數據占據了大數據的60%，并且每年還在以20%的速度增長。這種數據的激增為人工智能發(fā)展提供了源動力，并且增強了系統(tǒng)的功能。

人工智能系統(tǒng)訓練

在GPU上運行的神經網絡中，學習規(guī)則不斷優(yōu)化調整連接的權重（重要性）; 每一層都有不同的“權重”，反映了在前一層學到的東西。當呈現(xiàn)數據模型（例如視頻圖像）時，神經網絡能夠通過分析模式判斷它可能是什么。

訓練包括了確定初始結果與最終結果的過程，并對連接權重進行適當調整。用高度概括性的術語說，這就是AI系統(tǒng)的“學習”方式。不過整個“訓練”過程分為多個階段，就像過濾器一樣，每個階段的結果都引導通往正確分析的路徑。

深度學習是更廣泛的機器學習方法的一種類型，也是與安防視頻行業(yè)最為相關的概念。深度學習需要使用大量來自能神經網絡學習系統(tǒng)的數據（例如，視頻圖像）。

視頻監(jiān)控系統(tǒng)中的深度學習

神經網絡互相連接的處理單元與GPU并行工作，它們被設計成模仿人類大腦通過數十億個神經元分析處理問題。人工智能深度學習，正在成為新一代視頻監(jiān)控系統(tǒng)的基礎，賦予了傳統(tǒng)系統(tǒng)卓越的性能表現(xiàn)。

這種方法極大改變視頻監(jiān)控系統(tǒng)的有效性。在此之前，計算機已使用視頻分析算法進行編程。相比之下，深度學習系統(tǒng)才是更加“訓練有素的”。如果你想識別一只貓，則提供大量貓的圖像，系統(tǒng)將之分解成較小的組件并尋找共性的數據。然后它就會“學習”這些案例中的共同特征。

為了最大程度地訓練，系統(tǒng)呈現(xiàn)的數據越多，它就越精確，即“學習”到的越多。通過大量的案例數據學習，深度學習系統(tǒng)便形成相應的識別模式。

從訓練到推理

雖然計算機程序員也可以花費數月時間編寫指令來告訴計算機汽車長什么樣，但神經網絡可以通過展示大量的示例來“學習”，不需要編程。另外，訓練神經網絡也很費時間，可能需要數小時或數天。訓練也屬于計算密集型工作。

然而，一旦訓練了神經網絡，我們就可以用來“推斷”，協(xié)助決策，例如，判斷一張新拍攝到的圖片里面是否有貓。這使得我們能夠在諸如網絡視頻錄像機（NVR）之類的設備上，甚至在網絡邊緣的視頻攝像機中部署受過訓練的系統(tǒng)，從而能夠快速識別目標物體，并快速做出相應決策。

深度學習可以實現(xiàn)超人類模式識別準確性，還具備抵抗干擾性，能分類和識別數千個不同特征。例如，最新的人臉識別、車牌識別系統(tǒng)準確率都已經接近100%，這些特性使得深度學習對視頻分析應用具有很高的價值和意義。