社交網(wǎng)絡(luò)上流傳著一個(gè)關(guān)于機(jī)器學(xué)習(xí)和AI區(qū)別的段子，大致是說“如果使用Python寫的，那可能是機(jī)器學(xué)習(xí);如果使用PPT寫的，那可能是AI……”

　　沒錯(cuò)，隨著智能時(shí)代的來臨，一方面，更多的互聯(lián)網(wǎng)、傳統(tǒng)IT廠商進(jìn)入到了安防行業(yè)，整個(gè)安防圈的PPT水平上升了一大截;另一方面，算法更不斷精進(jìn)，各種超高智能指標(biāo)及概念隨之蜂擁而來：“300路甚至500路人臉檢測攝像機(jī)”、“智能攝像機(jī)1拖N”、“軟件定義攝像機(jī)”等等。

　　然鵝，安防前端的算法能力和芯片算力

　　真的是越高越好嗎？

　　在AI時(shí)代

　　究竟又是什么定義了攝像機(jī)？

　　我們不妨來看看AI攝像機(jī)落地最早、最多的智能交通卡口類前端，這類攝像機(jī)都是固定場景安裝，一旦場景明確，基本攝像機(jī)選型的焦距、分辨率、補(bǔ)光、智能訴求也就隨之明確，在攝像機(jī)安裝時(shí)再根據(jù)實(shí)際場景做工程適配，這才是智能前端落地的根本。

　　300路人臉檢測攝像機(jī)

　　實(shí)用性如何

　　例如上圖場景，試問

　　將幾百路人臉抓拍攝像機(jī)部署在如此密度人群場景

　　真的合適嗎？

　　如果真有這樣的現(xiàn)象，那么請(qǐng)務(wù)必理智：以圖中案例來說，換個(gè)安裝場景，把人臉攝像機(jī)部署到安檢通道或重要出入口，無論是抓拍率、比對(duì)成功率，都更適合布控抓捕。而在這樣的場景中，人流密度統(tǒng)計(jì)的智能恐怕比人臉抓拍更實(shí)用。

　　算力賦能

　　挑戰(zhàn)有哪些

　　再者，因?yàn)樗懔τ懈挥?，業(yè)內(nèi)有聲音提出將AI攝像機(jī)的算力賦能給周邊N個(gè)普通攝像機(jī)做利舊升級(jí)的概念。這種設(shè)想的本意非常好，但這背后又將面臨哪些挑戰(zhàn)?

　　1

　　原有普通IPC能否滿足AI場景化工程要求？

　　2

　　除算力之外，AI攝像機(jī)配套內(nèi)存夠不夠？

　　3

　　對(duì)N個(gè)普通攝像機(jī)的解碼以及N+1個(gè)攝像機(jī)的編碼能力是否足夠？

　　4

　　該攝像機(jī)的上行帶寬及緩存又能否滿足N+1個(gè)IPC智能處理的前端數(shù)據(jù)上行需求？

　　完成了這些評(píng)估后，也許我們會(huì)發(fā)現(xiàn)，這已經(jīng)遠(yuǎn)遠(yuǎn)超出了一個(gè)攝像機(jī)的能力訴求。

　　軟件定義攝像機(jī)?

　　攝像機(jī)不同于手機(jī)、移動(dòng)筆記本電腦，并不存在安裝完一個(gè)位置之后更換場景去使用的現(xiàn)象，而相同資源下，不同軟件算法的在線選擇、加載、升級(jí)，則只是智能時(shí)代前端攝像機(jī)的基本功能。

　　由此可見，軟件定義攝像機(jī)的概念顯然不夠全面，但不可否認(rèn)它是新一代人工智能攝像機(jī)的基本要求，而對(duì)安防行業(yè)來說，工程場景及硬件形態(tài)需求千差萬別，客戶更需要的是場景定義攝像機(jī)。

　　場景定義攝像機(jī)

　　宇視函谷多目攝像機(jī)可搭配球機(jī)或AR實(shí)景指揮系統(tǒng)做到全方位的、連續(xù)的、整體的場景實(shí)時(shí)再現(xiàn)，支持更大視野的全局把控。

　　場景定義端解決方案

　　宇視全電警方案通過卡口相機(jī)、魚眼相機(jī)及電警相機(jī)實(shí)現(xiàn)視頻監(jiān)控全覆蓋，消除路口盲區(qū)，并完成機(jī)動(dòng)車、非機(jī)動(dòng)車及行人等全部交通參與對(duì)象的違法行為全過程抓拍。

   攝像機(jī)