3S Market deliver Smart and Valuable information for Business
3S Market 傳遞 智慧應用與價值的商業資訊
產業創新方案－綠能篇國語完整版
2018年10月1日 星期一
．安控產業將「敷縛ㄟ重來」，誰能坐擁下一個商機寶座？
Vivotek@Computex 2018
施正偉
「敷縛ㄟ重來」如果用國語解釋，就是重新洗牌。這句話是用台語來說的，注音為ㄈㄨㄈㄨˋ，「敷縛」這兩個字可以視作為鬆綁，把過去的包袱卸下來，迎向更寬廣的未來，我想這是台灣安控產業各個階層，必須建立的體認。
這週末，我在我的個人臉書動態上，寫下這段話……
過去20年，台灣安全監控產業走過數位化與網路化。IoT技術應用的啟動，才開始真正要走向系統整合化，也就是解決方案應用市場的來臨，而光靠硬體單品獲利的時代，也正式終結；場域＋Echo＋Omni Service將帶來多元的利潤與商機！
2000年，我首次到拉斯維加斯的 ISC West，這一年也是美國這個最具規模的安控通路展，首度取代以往都是在東岸的紐約舉辦。那一年我細數，總共有六百家參展，其中有四百家展出「數位監控」。連許多美國來自各地的經銷商與工程商都說，這是電腦展，還是安全展？當時 ISC West 展覽呈現的景象，就很像現在許多的新創公司，在很多展覽呈現的那個樣子。
但是時代的發展與變革，從來不會仁慈的等待大家是否準備好，安控數位化僅管當時還不成熟，但還是拉開了序幕！
時間發展到2005年，這一年是 Video Server 這產品，在市場上被接受，開始走上規模化，可以視為安控產業正式邁入網路化。
一個新技術的被引用，絕不會像童話故事般的描述一樣，從此過著幸福快樂的生活；在產業與市場的領域，反而是帶來更現實殘酷的優勝劣敗，此仆彼起的淘汰競爭，以及考驗著大家高瞻遠矚的視野與智慧！
市場趨勢的發展，總是像電影的情節般，把未來帶進現在還並未發生的現實世界裡。2005年對岸的一篇報導，就針對當年中國安博會，成千上百廠商展出的解決方案，有這麼一段評論：中國安防解決方案，已經到達了氾濫的地步，但幾乎是沒有一個解決方案，真正有解決了什麼問題！！！
從現在往回看，那個時代還處在產品為王的世代，一個產品的銷售，不僅能獲有成數，甚至是倍數的利潤，解決方案要解決的，是業主與應用端口袋荷包的過滿，絕對不是解決業主所面臨的痛點，因為當時技術、市場環境都還沒有到位。
可是每每技術發展到位了，使用端也真正意識到他的核心痛點與需求時，通常又面臨了荷包癟了，或市場結構還沒形成一個，真正可以充分滿足使用端需求的整體機制。而面對未來，再一次，正考驗著大家高瞻遠矚的視野與智慧！
我在產業媒體三十多年，主要歷經電子零件、資通訊電腦、自動控制，到晚近這二十年在監控領域，看到過去這些科技領域，都是在靠技術與產品賺錢。可是最近這十年，中國製造的崛起，完全取代台灣、韓國在全世界OEM\ODM，以及通路市場的空間，你我都很清楚，賣產品已經無法支撐公司的營運。
一個多月前，就有朋友圈以及媒體投顧在討論，川普老大禁海大，台灣安控等收轉單紅利。最近我在美國的一些朋友與過去的客戶，也頗頻繁的向我聯繫。我用一個實際狀況來說明，台灣等收轉單紅利的空間，到底有多大：
- 據稱海大承接全球 85%知名品牌的OEM\ODM
- 美國一些廠商評估，中國二線足有合乎國際要求硬體能力者，供量總和尚沒有辦法，可以達到海大供應的一半
- 中國大陸二線廠 IP CAM的BOM Cost，與海大有 10-20%的差距，你認為老美會接受這價差嗎
- 整個 IP CAM 所需的硬體供應鏈，超過八–九成都在中國
從上四點試問各位先進，台灣與中國在同等級的 IP CAM，售價的價差在 USD 20-40 之間，我們要等到有轉單紅利的空間有多大？還可以等多久？
我很白目再次把一些產業事實提出來，如果有不喜歡這些論調，請先跟這些美國大鱷談談。就像我一再在 3S Market 發布的觀點，IP CAM 的量要成長，必須先搞定的是網路環境，不是光喊 IP 是王道！
安控產業真的會「敷縛ㄟ重來」嘛？我不是鐵嘴也不是判官，但是從國際市場的變化，以及中國國內比全球，更有喜新厭舊的習性來看，未來三年中國的監控攝影機市場，有很高的機率，會玩起大風吹的遊戲。
 |
| 中保無限＠2018 智慧城市展 |
回來看台灣，有些監控廠商已經列入封神榜上，台灣安控業會再有什麼變化？誰能坐擁 Top 10 的寶座？場域＋Echo＋Omni Service，才是未來能帶來多元利潤與商機之所在。
然而台灣廠商已不能像中國大陸廠商一樣，著墨於硬體製造，反而應該在營運策略、整合解決方案與服務方面佈局，才可能爭取到這些未來的商機。
然而台灣廠商已不能像中國大陸廠商一樣，著墨於硬體製造，反而應該在營運策略、整合解決方案與服務方面佈局，才可能爭取到這些未來的商機。
台灣教懂了競爭者價格的玩法，但如今他們青出於藍，再從同樣的做法炮製，各位認為可還有多少勝算？
．關於 5G 你該知道的事兒
Here's why 5G is the future
來源：今日头条 作者：通信科普君
提到5G，最經典最直觀的說辭便是：用戶可以在短短幾秒的時間內下載一部高清電影，而現在的4G LTE網路需要十幾甚至幾十分鐘。
之所以拿影片的下載速度來描述，是因為下載或在線上觀看高清電影，是目前最貼近我們生活的，也最容易感受到網速變化的一種方式。而5G的作用遠不僅如此，隨著傳輸速率的增加，其他新興的應用也會隨之產生，比如物聯網、虛擬現實、自動駕駛汽車等。
5G有三大典型場景，這三大場景描述了5G的需求，也反應了5G與4G的不同，正如上圖所示，三大場景分別為：增強型行動寬頻通信(eMBB)，大規模機器型通信(eMTC)和超高可靠性超低延時通信(uRLLC)。
eMBB提供了更高的傳輸速率和用戶體驗，5G中下行峰值傳輸速率將達到20Gb/s，而4G的下行峰值速率只有1Gb/s，超高的速率，會讓虛擬現實、增強現實等成為可能；eMRT將實現萬物互聯，智慧家庭、智慧電網等；uRLLC可將通信延時降低到毫秒以下，實現觸覺互聯，而4G中的延時在70毫秒左右，5G的超低通信延時和高可靠性傳輸，可實現汽車自動駕駛等。
5G正得到學術界和工業界的廣泛關注，並且已經進入了標準制訂階段(PS：5G白皮書White paper也是教科書一般的教材)，如果一切進展順利，2020年將實現首個5G商業網路。
不過5G到底會是什麼樣子，實現哪些突破還尚未完全確定。但是目前可以確定的是：5G相對比4G要實現網路吞吐量的千倍成長！為了實現這個目標，很多新的技術應運而生。
不過5G到底會是什麼樣子，實現哪些突破還尚未完全確定。但是目前可以確定的是：5G相對比4G要實現網路吞吐量的千倍成長！為了實現這個目標，很多新的技術應運而生。
所以，提升網路吞吐量可以主要從三方面著手實現，即提升通信帶頻寬，提高小區密度，以及提高頻譜效率。相應地，可以透通過如下技術實現：毫米波通信、Small cell，以及大規模MIMO技術。
1. 提升通信頻寬-代表技術毫米波
當前無線通信，使用的大多是6 GHz以下頻段，然而隨著用戶數和智慧設備數量的增加，有限的頻譜頻寬，需要服務更多的終端，導致每個終端的服務品質嚴重下降。
為瞭解決頻譜資源有限的問題，一個可行的方法，便是開發新的通信頻段，拓展通信頻寬。正因如此，目前有很多電信商或者設備供應商，在開展毫米波頻段通信的測試。
毫米波頻段是指30-300 GHz的頻段(如上圖所示)，相對比原來的6 GHz以下頻段，是個非常豐富的頻段資源，在這個頻段上無線電波的波長在1-10 mm之間。
由於毫米波波長較短，在實際通信中傳輸損耗特別嚴重，空氣中的水蒸氣等，都會導致其產生嚴重的衰落，並且以直射波的形式傳輸，是一種典型的視距傳輸方式，穿透能力極差，牆體、樹葉等都會導致信號的阻斷，所以目前毫米波多用在基地台與基地台之間、雷達、衛星等的傳輸上(基地台架設在高處，彼此之間通常沒有建築物的阻擋)。
由於毫米波波長較短，在實際通信中傳輸損耗特別嚴重，空氣中的水蒸氣等，都會導致其產生嚴重的衰落，並且以直射波的形式傳輸，是一種典型的視距傳輸方式，穿透能力極差，牆體、樹葉等都會導致信號的阻斷，所以目前毫米波多用在基地台與基地台之間、雷達、衛星等的傳輸上(基地台架設在高處，彼此之間通常沒有建築物的阻擋)。
因毫米波頻段具有高衰落特性，所以可以與大規模MIMO技術結合，來加強信號強度，或與small cell技術結合，來加強信號傳播的距離。
2. 提高小區密度-代表技術Small cell異構網路
5G的實現，必然是要在基礎設施的建設上，發生一些改變，既要箱容以往的系統，也要提供更強的服務。Small cell的部署是提高頻譜利用率、加強用戶服務品質的關鍵技術之一。
Small cell不同與傳統的宏基地台，它只需要較低的發射功率，可以較容易地部署在路燈等其他設施上，服務小範圍內的用戶，如上圖所示。由於Small cell的服務範圍較小，所以不同的Small cell之間、以及Small cell與宏蜂窩之間，便可以覆用相同的頻譜資源，與傳統的宏蜂窩形成一種異構結構，極大地提升系統頻譜利用率。
此外，Small cell可以起到中繼的效果，加強信號強度和覆蓋範圍，同時也能增加系統服務的終端個數。
此外，Small cell可以起到中繼的效果，加強信號強度和覆蓋範圍，同時也能增加系統服務的終端個數。
3. 提高頻譜效率-代表技術大規模MIMO、波束成形
大規模MIMO是5G關鍵技術中，非常有潛力的一個，相比4G系統中採用8根(或更少)發送天線，大規模MIMO將在同一個天線陣列上，部署上百根天線，將天線陣列增益提升到一個新高度！
大規模MIMO尚未在實際中部署和應用，目前都是在實驗室，或者一些特定環境下進行測試，但透過已有的測試結果可以看到：大規模MIMO只需要採用簡單的線性預編碼處理(如MRT、ZF)，便可以提供極高的下行傳輸速率。
大規模MIMO尚未在實際中部署和應用，目前都是在實驗室，或者一些特定環境下進行測試，但透過已有的測試結果可以看到：大規模MIMO只需要採用簡單的線性預編碼處理(如MRT、ZF)，便可以提供極高的下行傳輸速率。
波束成形/預編碼技術，是與多天線系統密不可分的。波束成形技術可以使發送的信號，具有一定的指向性，避免對周圍用戶的干擾，同時提升指定用戶的接收信號功率。
隨著大規模MIMO系統天線數目的增加，系統可以服務更多的終端用戶，如何避免信號發送過程中，產生的用戶干擾是重要問題。波束成形技術是大規模MIMO系統中，不可或缺的一部分。
隨著大規模MIMO系統天線數目的增加，系統可以服務更多的終端用戶，如何避免信號發送過程中，產生的用戶干擾是重要問題。波束成形技術是大規模MIMO系統中，不可或缺的一部分。
．十分鐘完全了解人臉辨識技術
Growing Concern Over Facial Recognition Technology
 |
來源：传感器技术
過去的2017年，手機的安全功能進入了人臉辨識技術時代，其實在我們生活中，涉及安全範疇的領域，人臉辨識技術已經被廣泛使用了。
人臉辨識是近年來模式辨識、圖像處理、機器視覺、神經網路，以及認知科學等領域，研究的熱點課題之一，被廣泛應用於公共安全(罪犯辨識等)、安全驗證系統、信用卡驗證、醫學、檔案管理、視訊會議、人機交互系統等各個方面。
人臉辨識技術
電腦人臉辨識技術，也就是利用電腦分析人臉圖像， 進而從中提取出有效的辨識資訊，用來「辨認」身份的一門技術。雖然人類的人臉辨識能力很強，能夠記住並辨別上千個不同人臉，可是電腦則困難多了。
其表現在：人臉表情豐富；人臉隨年齡增長而變化； 人臉所成圖像受光照、成像角度及成像距離等影響；人臉辨識還涉及到圖像處理、電腦視覺、模式辨識，以及神經網路等學科，也和人腦的認識程度緊密相關。
所謂「人臉辨識 (Face Recognition)」的研究範圍十分寬泛，大致可以被分為以下幾個方面的內容：
1、人臉檢測(Face Detection)：
即從各種不同的場景中，檢測出人臉的存在，並確定其位置。在大多數的場合中，由於場景較複雜，人臉的位置是預先不知道的，因而首先必須確定場景中，是否存在人臉，如果存在人臉，再確定圖像中人臉的位置。
臉部毛髮、化妝品、光照、噪聲、臉部傾斜和人臉大小變化，以及各種各樣遮擋等因素，都會使人臉檢測問題，變得更為複雜。人臉檢測的主要目的，是在輸入的整幅圖像上，尋找人臉區域，把圖像分割成兩個部分-人臉區域和非人臉區域，從而為後續的應用作準備。
2、人臉表徵(Face Representation)：
即採取某種表示方式，表示檢測出的人臉，和數據庫中的已知人臉。通常的表示法包括，幾何特徵(如歐氏距離、曲率、角度)、代數特徵(如矩陣特徵矢量)、固定特徵模板、特徵臉、雲紋圖等。
3、人臉辨識(Face Identification)：
即將已檢測到的待辨識的人臉，與數據庫中的已知人臉，進行比較比對，得出相關資訊，這一過程的核心，是選擇適當的人臉的表徵方式與比對策略，系統的構造，與人臉的表徵方式密切相關。
通常或是選擇全局的方法，或是選擇基於特徵的方法，進行比對。顯然，基於側面像所選擇的特徵，和基於正面像的特徵，是有很大的區別的。
4、表情分析(Expression Analysis)：
即對待辨識人臉的表情資訊(快樂、悲傷、恐懼、驚奇等)進行分析，並對其加以歸類。
5、生理分類(Physical Classification)：
即對待辨識人臉的生理特徵進行分析，得出其種族、年齡、性別、職業等相關資訊。顯然，完成這一操作需要大量的知識，並且通常是非常困難和複雜的。
人臉辨識技術的發展歷程
人臉辨識的工程應用，始於20世紀60年代，經過50多年的研究，大致可以分為以下三個階段：
第一階段，是主要解決了人臉辨識，所需要的臉部特徵。
這一階段的研究以Bertillon、Allen和Parke為代表。在 Bertillon的系統中，用一個簡單的語句，與數據庫中某一張臉相聯繫，同時與指紋分析相結合，提供了一個較強的辨識系統。
而Allen則設計了一種有效的摹寫手段，並在其後由Parke用電腦實現。然而無論是哪種方式，該階段的辨識過程，仍然全部依賴於操作人員，需要許多人為干預，無法實現自動人臉辨識。
第二階段是人機交互式辨識階段。
研究人員用數學模型，描述人臉圖像中的五官長度等，主要幾何特徵，並透過歐氏距離，進行相似性度量。Harmon和Lesk利用多維特徵矢量，表示人臉臉部特徵，並設計了基於這一特徵表示法的辨識系統。
其後，Kaya、Kobayashi和T. Kanad，也分別採用了各種不同的方式，對幾何特徵計算進行了研究。但是，該方法依賴於操作員的知識，仍無法擺脫人的干預。
第三階段是真正的機器自動辨識階段。
該階段人臉辨識技術有了重大突破，很多經典算法相繼出現，如特徵臉、子空間方法、彈性圖比對法、基於統計外觀模型，和神經網路的人臉辨識等。同時，也出現很多用於算法性能測試的公開人臉庫，如ORL人臉庫、YaleB人臉庫、FERET人臉庫等。
常用的人臉辨識方法
一個全自動人臉辨識系統，一般包括三個關鍵技術：人臉檢測、特徵提取和人臉辨識。
根據方式的不同，人臉辨識方法分為基於幾何特徵的方法、基於模型的方法、基於統計的方法、基於神經網路的方法，和多分類器整合方法。其中，基於幾何特徵、模型和統計的方法，最為常見。
(1) 基於幾何特徵的方法
記載最早的人臉辨識方法，就是 Bledsoe提出的基於幾何特徵的方法，該方法以臉部特徵點之間的，距離和比率作為特徵，透過最近鄰方法來辨識人臉。
基於幾何特徵的方法非常直觀，辨識速度快，內存要求較少，提取的特徵在一定程度上，對光照變化不太敏感。
但是，當人臉具有一定的表情或者姿態變化時，特徵提取不精確，而且由於忽略了整個圖像的很多細節資訊，辨識率較低，所以近年來已經很少有新的發展。
(2) 基於模型的方法
基於模型的方法，也是人臉辨識的重要形式，其中最廣為使用的是隱馬爾可夫模型。它是一種基於整體的或然率統計方法。對於一幅正面的人臉來說，馬爾可夫的「狀態」包括前額、眼睛、鼻子、嘴巴和下巴，這些狀態以相同的順序從上到下出現。這樣，可以把人臉圖像和隱馬爾可夫模型結合起來，這些臉上的特徵區域被指定為狀態。其他模型還包括，主動形狀模型和主動表象模型等。
(3) 基於統計的方法
基於統計的三種人臉辨識方法包括特徵臉、Fisher臉和奇異值分解。使用特徵臉進行人臉辨識的方法，首先由Sirovichand Kirby提出，並由Matthew Turk和Alex Pentland用於人臉分類。這些特徵向量，是從高維矢量空間的，人臉圖像的協方差矩陣計算而來，而該方法被認為，是第一種有效的人臉辨識方法。
Fisher臉法由Ronald Fisher發明，其所基於的LDA理論，和特徵臉裡用到的PCA有相似之處，都是對原有數據，進行整體降維映射到低維空間的方法。
而奇異值分解法，就是透過取奇異值分解中，前面較大的奇異值對應的特徵向量，提取出圖像中由光照、表情、姿勢等噪聲對應的高頻資訊，來重構圖像。
人臉辨識技術優勢
人臉辨識作為一種新興的生物特徵辨識技術(Biometrics)，與虹膜辨識、指紋掃描、掌形掃描等技術相比，人臉辨識技術在應用方面具有獨到的優勢：
1、使用方便，用戶接受度高。
人臉辨識技術使用，透用的攝影機作為辨識資訊獲取裝置，以非接觸的方式，在辨識對象未察覺的情況下，完成辨識過程。
2、直觀性突出。
人臉辨識技術所使用的依據，是人的臉部圖像，而人臉無疑是肉眼能夠判別的最直觀的資訊源，方便人工確認、審計，「以貌取人」符合人的認知規律。
3、辨識精確度高，速度快。
與其它生物辨識技術相比，人臉辨識技術的辨識精度，處於較高的水平，誤識率、拒認率較低。
4、不易仿冒。
在安全性要求高的應用場合，人臉辨識技術要求辨識對象，必須親臨辨識現場，他人難以仿冒。人臉辨識技術所獨具的活性判別能力，保證了他人無法以非活性的照片、木偶、蠟像來欺騙辨識系統。這是指紋等生物特徵辨識技術，所很難做到的。
舉例來說，用合法用戶的斷指，即可仿冒合法用戶的身份，而使辨識系統無從覺察。
5、使用通用性設備。
人臉辨識技術所使用的設備，為一般的PC、攝影機等常規設備，由於目前電腦、閉路電視監控系統等，已經得到了廣泛的應用，因此對於多數用戶而言，使用人臉辨識技術無需添置大量專用設備，從而既保護了用戶的原有投資，又擴展了用戶已有設備的功能，滿足了用戶安全防範的需求。
6、基礎資料易於獲得。
人臉辨識技術所採用的依據，是人臉照片或即時攝取的人臉圖像，因而無疑是最容易獲得的。
7、成本較低，易於推廣使用。
由於人臉辨識技術所使用的，是常規通用設備，價格均在一般用戶可接受的範圍之內，與其它生物辨識技術相比，人臉辨識產品具有很高的性能價格比。
概括地說，人臉辨識技術是一種高精度、易於使用、穩定性高、難仿冒、性價比高的生物特徵辨識技術，具有極其廣闊的市場應用前景。
人臉辨識技術的應用
隨著社會的不斷進步，以及各方面對於快速有效的，自動身份驗證的迫切要求，生物特徵識別技術在近幾十年中得到了飛速的發展。當前的生物特徵辨識技術主要包括有：指紋辨識，視網膜辨識，虹膜辨識，步態辨識，靜脈辨識，人臉辨識等。
與其他辨識方法相比，人臉辨識由於具有直接，友好，方便的特點，使用者無任何心理障礙，易於為用戶所接受，從而得到了廣泛的研究與應用。當前的人臉辨識技術，主要被應用到了以下幾個方面：
(1)刑偵破案警察部門在檔案系統裡，儲存有嫌疑犯的照片，當作案現場或透過其他途徑，獲得某一嫌疑犯的照片，或其臉部特徵的描述之後，可以從數據庫中迅速查找確認，大大提高了刑偵破案的準確性和效率。
(2)證件驗證在許多場合(如海關，機場，機密部門等)證件驗證，是檢驗某人身份的一種常用手段，而身份證，駕照等很多其他證件上都有照片，使用人臉辨識技術，就可以由機器完成驗證辨識工作，從而實現自動化智慧管理。
(3)影像監控在許多銀行，公司，公共場所等處，都設有24小時的影像監控。當有異常情況或有陌生人闖入時，需要即時跟蹤、監控、辨識和報警等。這需要對採集到的圖像，進行具體分析，且要用到人臉的檢測，跟蹤和辨識技術。
(4)入口控制入口控制的範圍很廣，既包括了在樓宇建築，住宅等入口處的安全檢查，也包括了在進入電腦系統或情報系統前的身份驗證。
(5)表情分析根據人臉圖像中的臉部變化特徵，辨識和分析人的情感狀態，如高興，生氣等。此外，人臉辨識技術還在醫學、檔案管理、人臉動畫、人臉建模，視訊會議等方面，也有著巨大的應用前景。
雖然人臉辨識技術已經取得了長足的進步，但不容否認的是，現在的人臉辨識技術還有著巨大的發展空間。探索如何解決在不同光線、不同角度條件下的人臉辨識，如何提高辨識的速度和準確率，將成為未來人臉辨識技術的發展方向。