智能化安防行业深度分析报告.docx
《智能化安防行业深度分析报告.docx》由会员分享，可在线阅读，更多相关《智能化安防行业深度分析报告.docx（43页珍藏版）》请在冰豆网上搜索。
智能化安防行业深度分析报告
（此文档为word格式，可任意修改编辑！
）
2017年6月
正文目录
图目录
表目录
1.安防市场快速成长，安防行业对IVA需求巨大
1.1.安防行业快速成长，城市视频监控是安防行业核心组成部分
我国安防市场保持高速增长，根据CPS中安网统计，2011-2016安防市场连续5年保持2位数增长，到2016年我国整个安防市场规模达到5000亿以上。
这5000亿的产值分散到安防设备、安防工程和运维服务上，其中安防设备市场产值大约在1900亿元人民币。
就产品形式来看，视频监控领域是安防行业最大的应用产品。
图1：
我国安防整体市场规模快速增长
图2：
安防应用场景分类
1.2.安防市场应用多元化，成长空间依然广阔
从下游应用领域看，目前国内平安城市、智能交通仍然是安防行业最大的下游应用领域，占整个安防产值占比的40%以上。
与政府公安相关的交通、道路视频监控仍然是安防行业最重要的应用环节。
图3：
安防市场类别细分
我国城市视频监控数量与发达国家相比仍有很大差距，地域分布不均，成长空间广阔:
以每千人拥有的视频监控数量作为指标，目前我国摄像头密度最高的北京市每千人拥有摄像头数量在59个，仅仅相当于英国平均水平的80%；美国的60%。
而二、三线城市摄像头覆盖率更低，据不完全统计我国二线城市的摄像头数量在5-10万个；三线城市则在5万个以下。
就摄像头密度而言，二三线城市的摄像头密度远远低于10个/千人。
从我国安防市场分布来看，我国安防产值集中在华东、华南等经济较发达地区，东北、西南西北、华中地区安防产值相对较低，未来渗透率提升空间广阔。
图4：
各地每千人拥有摄像头数量（个/千人）
图5：
安防市场分布
1.3.视频监控设备高清化&网络化的两次升级为安防智能化提供支撑
安防行业过去10年经历了两波的高增长：
从最传统的模拟监控，安防系统用户局限于政府部门；到数字监控，安防用户增多，监控规模扩大，图像数字化储存，分辨率迈入标清时代；到高清化监控，市场容量持续增加，视频监控系统与用户业务系统融合。
在08-10年安防高清化+11-13年安防网络化两拨驱动下，我们看到全球安防行业在08-10年和11-13年年增速快速提升，到2013年安防行业增速已经接近15%。
图6：
全球安防行业增速受安防高清化+网络化驱动
1.3.1.高清化
摄像头高清化是实现摄像头网络化和智能化的重要前提：
从标清到高清的跨越，实现了视频监控从“看得见”到“看得清”的转变。
高清摄像头不仅让人看得更清楚，也能让机器“看”得更清楚，从而让机器更容易从视频中“读懂”画面的内容，更准确地提取人们关注的有效信息。
此前阻碍摄像头向超高清发展的一个重要原因是带宽和存储成本，提升编码效率是实现视频高清化的技术基础。
以目前国际最新的视频标准H.265为例，在同等清晰度下，H.265视频标准码率是前一代H.264码率的一半，大幅提升存储效率；同时基于H.265标准各大厂家也在推出更有效的编码算法，如海康威视推出的Smart265，可以针对不同的场景设定不同的码率，在人流量不密集的场景中（如楼道等），码率最高可降低70%以上。
更高效编码算法的出现，大大的降低了超高清的成本，进一步促进了超高清的普及，也为智能的实用化应用铺平了道路。
据统计，2012年全国高清摄像机（包括IPC、HD-SDI、HD-MDI，720p、1080p、4K等全部在内）总出货量已突破360万台，约占到摄像机市场总量的20%。
2014年，高清摄像机总出货量约为920万台，约占到摄像机市场总量的46%。
我们预计到2016年，高清摄像机总出货量将达1500万台，高清摄像机的出货量将超过标清摄像机。
图7：
摄像机编码效率改善
图8：
高清摄像机占比提升
1.3.2.数字化（网络化）
摄像机采集信号后的传输过程分为模拟和数字两种：
模拟摄像机采用隔行扫描CMOS感光器，将光信号转换为模拟信号，接着由DSP进行A/D转换，图像处理和D/A转换，最后调制成PAL/NTSC信号输出；数字摄像机是利用CMOS感光器将光信号直接转化为数字信号，然后由DSP进行图像处理与压缩，继而进行数字输出的。
数字摄像机相对于模拟摄像机有很多优势：
在数据传输上，模拟摄像机输出为模拟信号，长距离传输信号易衰减且易受干扰，故一般采用DVR主机进行本地存储；而数字摄像机采用数字信号传输，视频传输无损伤，使得长距离传输，云端存储成为可能。
随着城市监控设备改造持续提速、光网的到来和市场统一标准建设，数字摄像机渗透提速，根据IHS最新数据显示，2015年数字摄像机的出货量首超模拟摄像机，15年数字摄像机出货占比约为55%，数字摄像机正处于高速替代传统模拟摄像机的阶段。
表1：
模拟摄像机和数字摄像机对比
1.3.3.硬件设备高清化&数字化升级为安防智能化重要前提
一方面，高清监控设备传递回来高清监控图像，才有可能对画面上的各种细节（人脸、车牌号等）进行识别；另一方面，网络化监控设备采用云端存储，传递实时图像，为实时动态分析提供基础。
1.4.安防行业对智能视频分析（IVA）的需求逐渐兴起
在模拟监控时代，一般而言监控信息的处理有2个特点：
1）事后处理；2）人眼比对。
举例说明，某地发生案件之后，调用摄像机存储信息，对拍摄内容进行识别比对。
而在视频监控飞速发展的今天，视频监控画面的海量信息大大超过了人力有效处理的范围已经成为客观事实：
一方面人工回放录像取证的方式效率十分低下，另一方面，通过人工回放容易错判。
同时，如今视频监控强调对重点监控人、逃犯、车辆等信息的实时抓拍，安防监控的监控范畴从“事后比对”转向“事前防范”，人眼同时处理大量实时信息变得越来越不现实。
智能视频分析（IntelligentVideoAnalysis，IVA）技术是解决海量视频数据处理的有效途径。
IVA采用计算机视觉方式，在几乎不需要人为干预的情况下，通过对摄像机拍录的图像序列进行定位、识别和跟踪，并在此基础上分析和判断目标的行为，从而做到既能完成日常管理又能在异常情况发生的时候及时作出反应。
在视频监控应用中，IVA主要应用在两大方面：
第一类是基于特征的识别，主要以车牌识别、人脸识别为核心代表的智能识别技术。
另一类则是行为分析技术，包括周界防范、物品遗留丢失检测、人员密度检测、自动追踪、人数统计、逆行、禁停、不按指示车道行驶等。
图9：
IVA识别
1.4.1.公安+交通行业仍然是IVA最大的应用领域
交通行业
智能交通系统（IntelligenceTransportSystem,ITS）是目前世界交通运输领域的前沿研究课题，交通监视系统是智能交通系统中的一个重要环节，这一子系统主要负责采集有关道路交通流量的各种参数，例如车流量，车速，车型，排队时间和长度等。
随着人工智能技术的不断进步，基于车辆识别的识别类算法有望提升道路参数检测的准确性和识别效率，并替代超声波检测，红外检测，感应圈检测等传统方案。
机器视觉、人工智能和模式识别等技术的不断发展，为智慧城市、智慧交通领域提供更多的功能实现手段，大幅度降低了道路信息监控系统的技术门槛，提高了道路执法效率。
相对于其它交通流量检测技术而言，人工智能技术所具备的优势包括：
1.识别范围广：
视频检测可以检测较大的交通场景面积，并通过通讯技术实现网状监控体系；
2.部署容易：
相对于其它检测方法，投资少，费用低；视频传感器等设备，例如摄像头，易于安装和调试，且对路面设施不会产生破坏；
3.采集数据多：
使用AI技术可以采集到更多的交通流量参数，实现动态数据分析；
4.便于执法：
实现了更多执法功能，例如套牌车分析、交通违章监控等。
图10：
图像识别在道路监控及交通执法中的应用
图11：
套牌车分析系统应用
目前运用人工智能的图像识别技术，通过安装在道路旁边或者中间隔离带的支架上的摄像机和图像采集设备将实时的视频信息采入，经过对视频图像的实时处理分析得到各种交通信息，如车辆的流量、速度、交通密度、车型分类、车辆排队长度、转弯信息等。
图像识别目前已经能够胜任识别车牌，车辆颜色，车辆品牌，车辆类型（SUV，普通轿车，皮卡等），车辆型号（类似于8代雅阁，7代雅阁等），甚至驾驶员是否使用安全带及接听手机等行为。
从系统构成上讲，交通领域所应用的信息收集系统，主要由四大硬件模块构成：
视频采集模块，视频压缩存储模块，系统管理及视频分析模块和通讯模块。
在硬件系统之上，软件系统包括：
图像处理系统、信息采集系统以及业务功能模块。
其主要功能包括：
1.车辆识别：
识别车辆型号、牌照、驾驶员等信息；
2.道路状况实时监控：
确定道路车流密度与速度，分析是否出现交通事故；
3.车辆跟踪：
实现可疑或特定车辆跟踪；
4.套牌车分析：
分析车辆是否冒用车牌（见下图）；
5.交通违章分析：
对于车辆行进轨迹中是否出现越线、超速等违章行为进行识别；
6.驾驶员行为分析：
通过较高分辨率摄像机分析驾驶员是否存在接听手机、不系安全带等违章行为。
公共安全
图像识别技术不仅可以实现静态识别，也可以完成动态识别。
通过对视频的迅速分析，信息分析平台可以监测出可视范围内的人群数量，并且捕捉每个个体的行为动作，形成重点场所及区域的面状布防。
重点区域布防对于公安部门而言有着重要的意义，但却消耗大量警力资源。
例如2011年全国大运会期间，深圳公安出动警力近20万人次，还向临近省市借调了大量警力资源。
随着国家经济持续繁荣，社会及商业活动也将持续活跃，重点区域与重点社会活动也将成为公安部门安防布控的重点与难题。
图12：
人群分析与重点区域布防应用
人群与行为识别技术是图像识别的一个延伸，通过更为优化的AI算法与模型实时分析可视范围内的人物、车辆及其行为。
其主要功能包括：
1.人数管控：
统计视野范围内人群的数量，跟踪个体行为轨迹，防止人群密度超负荷；
2.个体跟踪：
结合人脸识别技术，跟踪特定人员的运动轨迹与行为举止，实现提前预警；
3.禁区管控：
对禁区范围实现实时监控，对违规行为实时报警；
4.异常行为分析：
对人物行为进行分类，并及时预警异常动作行为。
作为信息化智能化需求最迫切，关切到百姓日常生活的最重要部门，公安及安防行业效率提升空间巨大。
尽管国家已经对公安及安防相关部门持续投入并建设大规模基础设施，但软件方面，特别是功能化业务软件模块方面，仍然受到技术及产业化进度影响显著滞后。
伴随AI技术的进步，越来越多重复性工作及现场执法工作有望被AI技术所替代，公安部门将获得以下核心价值：
1.省力：
有效解决警力短缺现象，减少出警频次；
2.省时：
实现提前预警，减少响应时间；
3.省钱：
利用已有基建设施，减少设备及部署成本；
4.增效：
增强执法覆盖范围与执法力度。
1.4.2.IVA打开新兴应用场景
智能化安防普及加速新兴行业对视频监控配备需求，以人脸识别应用为例，一方面零售、商业、教育、金融、医疗等新兴行业视频监控信息可以与公安联网，对公安入库的可疑人可以做到实时排查；另一方面特定领域的智能化识别，如医疗领域跟踪票贩子，金融领域识别VIP客户进行特殊服务等，也加速这些领域对智能化摄像头的安装进度。
表2：
智能视频分析系统应用场景广泛
IVA新兴应用场景举例：
智慧景区
物品遗留检测：
物品遗留检测，通过对游客休息区等区域设置“物体滞留监测”模式，可以在顾客遗漏物品后就立即触发报警。
客流量统计：
对重要出入口客流量进行统计和分析，并可通过管理平台软件统计数据，生成各种形式的报表，支持数据导出，方便景区人流量的疏导。
智能巡检：
系统通过质量诊断服务器和网管服务器，自动巡检系统运行的设备及服务器，出现故障及时报警，并且以报表及图表的形式显示，大大提高系统运维效率。
景区安防：
如广播系统、门禁系统、紧急报警、消防系统等，形成统一的应急联动指挥系统，提升系统防护水平。
智慧商业
客流量统计：
商店管理人员可以比较多家商店各项工作的分析数据，包括顾客流量和销售统计等。
通过数据分析，提升库存水平、商品选择和备货周转。
人流密度检测：
对商场每一块区域人流密度作检测，评估特定广告、及商品宣传和营销效果。
图13：
智慧商业综合管理解决方案
2.人工智能助力安防IVA从理论到现实
2.1.深度学习打破传统IVA算法局限
2.1.1.早期IVA算法具有局限性
传统的智能分析算法通常采取人工选择特征的方法，如尺度不变特征,方向梯度直方图特征，局部二值模式特征等。
传统的智能分析算法上停留在较浅层面上，一般为人工选择识别特征，而随着数据集的扩大，特征的选取的难度越来越大。
此外人工选择特征一般是基于主观性假设，而实际可能与假设存在较大偏离。
故传统智能算法存在大量不足：
图14：
人脸特征提取
图15：
特征脸受人脸角度等因素影响很大
第一、误报率高：
误报数量从一个角度反应出产品性能的优良，较高的误报率不但不会减轻监控人员的工作量，反而会适得其反。
对于同一种应用，如周界防范来说不同的环境和情况需要的背景模型也是不同的，如白天和黑夜需要的背景模型是不同的，没有哪一种传统算法可以适合所有的环境和情况。
第二、缺乏行为判断能力：
传统智能视频分析可以理解为一种单纯的移动侦测技术（VMD）,它并不能将场景中背景和目标分离，识别出真正的目标，进而也就无法分析并追踪在摄像机场景内出现的目标行为。
因为传统算法停留在浅层次上，与人类的判断力存在很大的差距，无法满足现实需求。
第三、工作环境要求严格：
特征识别类的分析技术对画面的要求十分严格，首先画面本身得清晰，其次画面必须能够完整地展现目标的特征，受遮挡、光照、角度影响很大。
表3：
传统IVA算法介绍
2.1.2.深度学习打破传统算法局限
从神经网络谈深度学习
深度学习本质上是基于多层人工神经网络的机器学习算法，而且深度学习中的“深度”从某种意义上可以理解为人工神经网络的层数。
按照神经网络的复杂程度可将神经网络分为单层神经网络和多层神经网络。
最简单的单层神经网络只有两个层次：
输入层和输出层；而多层神经网络拥有多层神经元，底层神经元的输出是高层神经元的输入。
图16：
单层神经网络
图17：
多层神经网络
用实例解释多层神经网络算法：
多层神经网络实际上模仿人脑，正如人脑中有各式各样的处理负责处理声音、视觉、触觉信号的神经元，多层神经网络的各个神经元负责处理图像的不同信息。
以2012年多伦多大学的Krizhevsky构造的一个卷积神经网络为例，其共有9层，共65万个神经元，6千万个参数。
输入是图片，输出是1000个类，比如小虫、美洲豹、救生船等等。
多层神经网算法络通过逐层特征学习，在神经网络中，例如第一个隐藏层学习到的是“边缘”的特征，第二个隐藏层学习到的是由“边缘”组成的“形状”的特征，第三个隐藏层学习到的是由“形状”组成的“图案”的特征，最后的隐藏层学习到的是由“图案”组成的“目标”的特征。
通过抽取更抽象的特征来对事物进行区分，从而获得更好的区分与分类能力。
故神经网络的层数越多，算法效率越高。
图18：
深度学习逐层学习举例
2.2.深度学习在安防领域快速发展的三大要素：
数据、硬件&算法
深度学习算法在安防领域发展迅速，我们认为主要得益于以下三个因素：
大规模的训练数据、硬件运算能力和深度学习算法的增强。
2.2.1.大规模数据训练——安防是人工智能最快的落地方向
神经网络算法模型的建立，需要用大量数据进行调优与完善，一定意义上讲，进行训练的数据量越大，数据质量越好，训练得到的算法准确率越高。
海外IT巨头在数据领域的布局：
海外IT巨头公司已迅速在数据领域进行布局，例如IBM就于2015年8月，以10亿美元收购了医学成像及临床系统供应商MergeHealthcare，进一步完善其医疗大数据拼图；2016年年初，斥资26亿收购健康数据公司TruvenHealth，该公司拥有8500家客户，其中包括美国联邦政府和州政府机构、雇主、医保、医院等，以及3亿病人数据。
此外Truven还拥有2500名雇员，其中包括有数据科学家、研究人员以及各类专家等，这些都是IBMWatsonHealth要想真正发挥作用必不可少的资源。
图19：
AI模型训练需要大量优质标注数据
图20：
IBM在AI医疗领域并购版图
安防拥有天然的数据源：
按照全球2.45亿个安防摄像头计算，每天产生数据在3528亿分钟；按每秒62.5Kbytes（CIF格式）数据计算，每天全球产生的视频数据流量高达1323000TB！
伴随数据量增长的同时，还有飞速增长的特征数据，包括卡口过车数据、人脸抓拍数据等等。
安防行业是人工智能落地最快的方向：
安防行业具有繁多的数据种类、PB级的数据量等特征，非常适合进行大数据算法训练，故我们看好安防行业会是人工智能最快落地的方向。
2.2.2.硬件运算能力提升
GPU和CPU对比
神经网络模型训练样本一个训练样本时需要反复迭代多次，训练集中的样本越多，运算量越大。
基于CPU进行训练，过程相当慢，达数日甚至几个月之久，这正是制约神经网络普及的一大因素，而GPU的出现把异常训练过程大大缩短。
在安防领域，视频分析的及时性与准确性影响到整个系统的实用价值，能否在第一时间为终端用户使用者带来最为有效的信息是判断安防系统价值的决定性因素。
也正是由于GPU芯片的快速升级，为视频分析加速带来现实性可能，最终极大促进了智能视频分析系统的快速发展。
从结构上来看，GPU采用了数量众多的计算单元和超长的流水线，但只有非常简单的控制逻辑并省去了Cache。
而CPU不仅被Cache占据了大量空间，而且还有有复杂的控制逻辑和诸多优化电路，相比之下计算能力只是CPU很小的一部分。
下图是英伟达CUDA平台芯片结构对比，绿色的是计算单元，橙红色的是存储单元，橙黄色的是控制单元。
但是三者的比例却有很大的不同，在CPU中控制单元和存储单元占据了结构中很大一部分。
在GPU中，计算单元的规模则是远远超过其他二者之和。
因此，CPU适用于优化指令级并行，而GPU则更适合数据级并行，从这一点考虑，GPU更适合深度学习中大规模量级的运算需求。
图21：
CPU与GPU结构对比
图22：
CPU与GPU结构对比
从任务处理上看，GPU出色的浮点计算性能特别提高了深度学习两大关键活动：
分类和卷积的性能，同时又达到所需的精准度。
而深度学习需要很高的内在并行度、大量的浮点计算能力以及矩阵预算，GPU恰好可以提供这些能。
并且在相同的精度下，相对传统CPU的方式，拥有更快的处理速度、更少的服务器投入和更低的功耗。
对比加速训练一个卷积神经网络所需时间，在处理同等数量图片时，CPU加速训练时间是GPU加速时间的8~9倍。
表4：
CPU与GPU训练一个卷积神经网络时间对比
在视频分析上，GPU相比CPU有更高的准确度，传统CPU处理视频并不能保证良好的实时帧率，因此常常导致背景模型错误或者遗漏关键信息点。
相反，GPU视频处理能够很好的感知背景，不会遗漏关键信息点，并有更好的物体历史运动轨迹追踪能力。
因此，在安防智能视频分析领域，GPU视频处理性能表现得更加出色。
图23：
GPU视频处理水平对照图
图24：
GPU视频处理水平对照图
海外案例：
NVIDIAGPU龙头建立人工智能算法生态圈
NVIDIA公司一直是加速深度学习发展方面的先行者，多年来一直致力于开发深度学习软件、库和工具。
为训练图像、笔迹和声音识别等颇具挑战的应用程序并加快训练速度，目前的深度学习解决方案几乎完全依赖NVIDIAGPU加速计算。
NVIDIA不断改进机器学习算法和升级计算硬件，目前很多行业中公司都在采用深度学习技术来处理爆炸性增长的数据量。
通过分析处理这些数据找寻潜在的增长点和改善工作流程，从而形成自身的竞争优势。
截至2016年底，已经有19439家公司组织参与NVIDIA深度学习，相比于2014年，增长了近12倍。
图25：
参与NVIDIA深度学习公司组织概况
图26：
NVIDIAGPU加速平台
在加速性能上，NVIDIAGPU在并行处理工作负载方面具有卓越性能，能够将DNN速度提升10至20倍，将每项训练迭代时间从几周减少到几天。
通过与人工智能开发人员协作，继续改进GPU设计、系统架构、编译器和算法，仅在三年内就将训练深度神经网络的速度提高50倍，这个速度远超摩尔定律的预测，并期望在未来几年内将速度再提高10倍。
图27：
GPU性能提升对深度学习算法提升作用
硬件差异化解决方案——GPUvsFPGAvsTPU
GPU出色的图像计算性能使其在智能化视频领域渗透率很高，近些年也有其他的芯片厂商提供了一些差异化的解决方案。
FPGA是FieldProgrammableGateArray的简称，中文全称为场效可编程逻辑闸阵列，这种芯片最大的特点是满足了人们对于图像处理和科学计算双方面的需求，更为通俗可说既具备可编可读可改的性能，又可反复使用，因此具有很强的灵活性。
它是作为专用集成电路领域中的一种半定制电路而出现的，不仅弥补定制电路的不足，而且克服了原有可编程器件门电路数有限的缺点，故而它可以很好适用于机器学习领域中。
2012年，大华股份就曾和Altera公司共同出资组建FPGA联合实验室。
2015年6月英特尔以167亿美元收购FPGA厂商Altera，并在随后推出自己的CPU+FPGA人工智能芯片。
TPU是英文TensorProcessingUnit的简称，它是Google公司特别为机器学习而设计的一款专用芯片。
它通过降低芯片的计算精度，减少实现每个计算操作所需的晶体管数量，从而能让芯片的每秒运行的操作个数更高，这样经过精细调优的机器学习模型就能在芯片上运行得更快，进而更快地让用户得到更智能的结果。
据Google资深副总裁UrsHolzle透露，TPU是专为特定用途设计的特殊规格逻辑IC，由于只执行单一工作，速度更快，但缺点是成本较高。
图28：
FPGA结构简图
图29：
TPU板卡实物图
2.2.3.深度学习算法成熟，识别准确率超过人眼！
近年来伴随硬件的快速发展，各类深度学习算反层出不穷，2012年利用AlexNet神经网络算法将识别错误率大幅降低到16.4%，远优于此前25.8%的识别率。
此后各大算法机构在AlexNet算法基础上，不断进行算法功能升级，创造出各类新兴算法，到2015年ResNet算法（通过在AlexNet算反上进行网络加深和增加卷积模块更能方式）识别错误率已经达到3.57%，低于人眼5.1%的识别错误率。
图30：
深度学习算法的升级路径
图31：
ImageNet分类错误率和神经网络深度之间的演变关系
根据统计数据显示，2014-2016年国内新成立的图像识别算法公司达到21家，是2013年及以前所有成立企业加起来的的2倍多！
而从融资笔数看，2016年单年就有17笔融资，约等于2014-2015年融资笔数之和，而2017年仅仅统计了3个月，就已经有5比算法融资。
图32：
图像识别市场发展趋势
目前国内算法龙头企业获得资本界青睐，技术应用领域愈发多元化，已经广泛应用到金融、商业、交通等诸多应用场景。
我们选取几家具有代表性的算法企业进行分析（商汤科技、依图科技、旷视科技、格林深瞳）：
技术来源，几家企业创始人和核心技术团队大多来自科研院校、BAT研发等专业技术团队组成，基本上都属于“学院派”：
1）依图科技创始人林晨曦是前阿里云技术总监，的核心团队来自
升级会员 