視頻監控的發展遠不止于一個“安全性”

作者/賽靈思公司工業醫療市場高級經理 羅霖

視頻監控應用的基礎在于安全性，但目前視頻監控的未來發展似乎遠不止于此，例如其還能進一步擴展到管理領域---將視頻技術作為管理工具。特別是隨著人工智能 (AI) 的發展，可從視頻和圖像中提取特性以幫助大數據服務不斷演進發展。

AI 的普及將顯著加速視頻監控技術的發展，不僅適用于一兩種應用，而是囊括幾乎所有的情境，從小型人臉抓拍攝像頭到機頂盒大小的智能DVR/NVR，乃至數據中心的內容分析服務器機柜等，無所不包。出人意料的是，視頻監控行業從常規算法向 AI 技術的轉變異常迅猛，如對象分類、檢測、跟蹤、識別以及細分和行為分析等。轉變的優勢是巨大的，因為即便是在錯綜復雜的環境中，比如無論是在北京交通高峰時段熙熙攘攘的街道還是在上海最大型體育場內舉辦的超級巨星演唱會上，AI 技術的轉變都能顯著提升應用的準確度、性能、效率以及穩健性。

另一大趨勢是 AI 技術迅速的演進發展。深度學習算法日新月異，如Resnet、Faster-RCNN、Segnet、FPN 以及 Yolo V3，不一而足。同時新算法還在不斷涌現。沒有人能預測哪一種新型神經網絡將在半年后大受歡迎。學術研究人員和工程師正在創建標準網絡的成千上萬種變體，試圖為其自有應用實現最佳成果。在可預見的未來，這種發展不會停滯不前或放緩，因為我們才剛剛進入 AI 時代。更多創新還會不斷涌現。

在一定的預算范圍內（BOM 成本或包絡功率）提供可接受的深度學習性能，是人們開發商業視頻監控產品的目標。換言之，提高深度學習的效率也是趨勢所在。在神經網絡訓練階段，主要側重于功能強大的全新 GPU 的浮點性能和吞吐量，不過就海量產品的深度學習推斷而言，人們更關心的是單位功耗的高效性能，而不是理論峰值性能。例如，如何在小型緊湊的人臉識別攝像系統中既實現高性能 DNN 處理，功耗預算又在 3 瓦范圍之內，對開發人員來說實可謂一大嚴峻挑戰。我們必須配置出如何以多種不同的方法來優化 DNN 實施方案，如減小批處理規模，縮小網絡規模，優化網絡和使用低比特推斷等。

開發以 AI 為中心的視頻監控系統的人員一直在尋找不僅適合同時還可支持創新的硬件平臺。人們過去傾向于在常規的視頻監控產品中使用 DSP 或 ASIC，因為這能以可接受的成本和功耗提供所需的特性和性能。比如，一款帶固定智能功能的 IP 攝像頭不會有太多的創新和差異化元素，所以只要能執行固定功能，選用什么樣的主處理器并不重要。

然而，由于前文提及的 AI 技術的快速迭代，為以 AI 為中心的平臺選擇適合的平臺就大不相同了。首先，要想緊跟技術發展的步伐，亟需采用自適應平臺，不僅能及時支持所有的創新技術，而且還易于更新，以適應新的技術變革。其次，由于眾多視頻監控設備的機械設計限制和熱設計限制，其也需要提高能效。硬件應能夠以高效的方式處理與數據移動相關的海量并行計算。為了能夠定制數據路徑和操作，應使用精細粒度的微架構完成結構設計。最后，由于視頻監控應用的規模不盡相同，因而需要可擴展的硬件平臺才能通過公共架構和工具流對低、中、高端產品進行統一。

賽靈思可為以 AI 為中心的視頻監控應用提供業界領先的 FPGA 和 SoC 平臺。FPGA 本質上十分適合進行并行計算，并且擁有大量高速片上存儲器，是 DNN 推斷的理想選擇。此外，針對為 AI 引擎饋送數據的多種不同傳感器而言，FPGA 還可提供眾多可配置的高速 I/O。憑借定制化的數據路徑，FPGA 展現出了卓越的低時延能力。此外，與 GPU 相比，FPGA 能效顯著，可用于對功耗水平要求嚴格的 AI 攝像頭應用中。借助同時集成了 ARM 和 FPGA 的 SoC 器件，如 28nm Zynq-7000 和 16nm Zynq Ultrascale+ MPSoC 等，我們不僅能更好地對定制 DNN 算法進行分區，還能提升系統級集成度，從而降低 BOM 成本與系統功耗。

除芯片本身之外，為了提升設計生產力，賽靈思最近還可提供 Vivado HLS、SDSoC 等高級工具以及 xFDNN 等高性能深度學習庫。此外，賽靈思一直與我們的深度學習合作伙伴深鑒科技 (Deephi) 開展合作，致力于為人臉識別攝像頭、視頻結構盒和云視頻分析卡提供完整的解決方案。