Defensible Application Security for the Artificial Intelligence Era - Chenxi Wang - AppSecUSA 2018
 |
|
任何顏色車牌——都拍攝的清清楚楚！
|
這幾年安控產業，亦出現相當熱門的數據化人工智慧學習，和辨識技術的概念，它們與安控有什麼關聯？如何應用在安控監控中？ AI 人工智慧目前最多的應用又是哪些？
自從道路影像監控系統在全球興起之後，目前世界各國的城市影像監控建設，即將進入擴張與結構改變的階段，在這種需求變革下，安控監控系統將需要更多元化與人工智慧化的整體解決方案。
現代化的公共安全，已不再僅止於無限的擴充影像監控覆蓋密度、廣度，以及追求超高清解晰度，而是透過這些人工智慧化的手段與工具，讓安控時代更進一步，轉向注重數據採集、應用和管理的人工智慧化 AI 安控時代。
全球城市道路監控建設，都在快速發展，為城市公共安全及治安偵察工作，提供了影像的方便性和立即性。但隨著監控設備數量的大量倍增，影像解析度的不斷提高，公共安全蒐集到的影像和圖片之數據量，呈現等比幾何的成長，再加上影像解析度的提高，連帶使伺服器的處理能力和使用率，都產生了更高的門檻。因此，AI 安控影像監控在影像調閱、門禁進出數據、資料的儲存、運算等技術上，都面臨巨大挑戰。
AI 人工智慧與 AI 安控監控的應用技術
面對這樣的挑戰，AI 安控監控使用者如何能在大量增加的數據中，利用既有的人工智能技術快速獲取有價值的資料，便成為當前最重要的課題。以下簡述幾種與AI安防監控結合的AI人工智能技術：
1、人工智慧的模式辨識技術
通常在監控系統收集的影像數據資料中，資料本身並不具價值，必須再經過深度挖掘、分析資料中的影像，呈現的數據模式，才會產生出真正有用的價值。未來是大數據的時代，數據資料的模式辨識將備受重視。
2、人工智慧的深度學習技術
此為 AI 人工智慧機器深度學習研究中的新領域，其動機在於建立、模擬人腦進行分析學習的神經網路，它模仿人腦的行為思考機制來解釋數據資料，例如影像內容、聲音和資料本身。
未來要讓 AI 人工智慧的機器深度學習能夠大行其道，數據資料本身將是最主要的關鍵因素，而影像監控資料佔大數據總量的 60% 以上，也就是說，影像監控領域有 70% 以上的數據資料分析是用來進行影像辨識。
目前這種 AI 機器深度學習，在 AI 安控產業的諸多領域都取得了很大進步，包括：行人檢測、車輛檢測、非移動車輛檢測等，其辨識準確率甚至超過人類的眼睛判斷。
3、 AI人工智慧的前端辨識技術
先進的產品技術，是一家高科技企業能否長久發展的根本，要 AI 安控監控智慧化，系統就需有基於 AI 人工智慧相關的「影像辨識」運算技術，才能夠開發出一系列的智慧化監控應用設備，因此前端辨識技術也就成了 AI 人工智慧的第三個本質技術。
大致介紹說明完三種較常見的，AI 人工智慧的安控應用技術內容，接下來我們再進一步探討 AI 人工智慧在 AI 安控上的深度技術發展：
A、多特徵辨識技術
一般在大量影像數據資料下，想要從歷史和即時的影像資料中，篩選犯罪嫌疑人有如大海撈針，而多特徵辨識技術，則是透過人工智慧的方式，讓電腦從大量監控影像中，自動辨識出嫌疑人，分析資料中的個人特徵，然後根據犯罪嫌疑人的特徵自動篩選，節省人力物力的同時，也大大縮短犯罪嫌疑人的到案時間。
現在部分廠商利用先進的深度學習技術，研發出能夠克服光照、天氣等不可抗力因素，快速準確地辨識出個體人物的各種重要特徵，如性別、年齡、髮型、衣著、體型、是否戴眼鏡、是否騎車，以及隨身攜帶的物品等。
個體人物多特徵辨識演算法，有著靈活的布建方式，可自訂時間軸和辨識區域範圍，以達到快速準確的判別，並利用智慧影像分析(IVS)，於影像伺服器集群的輔助，對監控系統中幾百支影像監控攝影機，進行24小時不間斷的多特徵分析與檢索，即時找尋可疑人員，發出預先告警信號。
B、姿態辨識技術
姿態辨識技術，是指針對個體人物的走路姿勢，是一種可在遠距離就感知的生物行為特徵技術。和其他生物特徵辨識技術相比，姿態辨識的優勢在於非接觸性、非侵入性、易於感知、目標物難以隱藏和偽裝等。
姿態分析還可以輕鬆的區分出，個體人物的不同行為模式，例如是在行走中、奔跑中、還是攜負重物等。基於這些優點，姿態辨識特別適用於門禁系統、安全監控、人機交換、醫療診斷等部分，尤其在 AI 安控領域中，具有廣泛的應用和經濟價值。
C、 3D 攝影機技術
身高是人體重要的資料特徵之一，在一些特定的場所，例如風景區入口、車站收票口等對身高要求都有明確的規定。傳統利用尺度工具，測量身高的方法雖然操作簡單，但需要被測人員配合，不僅速度慢，精確度也較差；
超音波、紅外線等方式雖可實現自動測量、精準度較高，但對測量環境條件的要求有較多限制，不適合用於公共場所，而 3D 電腦視覺技術的 3D攝影機，則可以很好地解決上述問題，提供多場景、非接觸式、自動化的量測。
3D攝影機是利用深度感測器，獲取現實場景的深度資料和顏色資訊，透過座標變換，建立深度資料與 3D 座標之間的對應關係，然後藉由去雜訊、配對位準等運算法，去除干擾並減小誤差，最後再以 3D 重建的方法，得到身高以及其他資料。
D、推動 AI 安控未來大數據
在 AI 人工智慧分析市場的創新推動下，人們挖掘影像監控中有價值的數據資訊，並不僅只是局限於當前人、事、物的基本資訊而已，同時也需依靠廠商強大的研發能力，可以不斷對 AI 安防大數據採集的關鍵資訊進行有效補充，不但為最終的大數據平台，帶來更具附加價值的資料，也為深度的 AI 人工智慧，在 AI 安控產業數據應用下，提供源源不絕的產品發展動力。
1、更智慧的 AI 應用
分布式結構可以包含雲端運算和邊緣運算。它將人工智慧(AI) 算法，從雲端擴展到本地影像錄影機和伺服器，並進一步擴展到安全攝影機等邊緣設備。三層架構都支持構建一類新的 AI 驅動應用目標，甚至更智慧，更快速。
雲端攝影機影像分析和深度學習功能的結合，可以改善影像分析。攝影機可以配備基本的影像分析，它們與雲基礎設施相連，可提供額外的深度學習算法。這些攝影機提供電腦視覺預處理，而大量詳細的分析則可以在雲端神經網路中處理。
2、從邊緣到雲端的數據分布
雲端運算允許具有各種運算功能的用戶，在私有雲或位於數據中心的，第三方伺服器上儲存和處理數據。然而，隨著運算業務變得越來越頻繁和複雜，對數據處理性能的需求甚至更高。在數據傳輸到雲端的過程中，雲端運算消耗了巨大的網路資源和時間，這些都導致網路擁塞和低可靠性。
3、雲端增加了 AI 功能
雲端提供了 AI 和深度學習應用，所需的額外數據計算功能。
4、邊緣系統的優勢
深度學習和神經網路運算無處不在。它們現在已經在本地電腦，嵌入邊緣設備的系統中，甚至雲端廣泛使用。
邊緣運算在影像監控市場中尤為重要，它使系統能夠在任何頻寬或延遲問題，都會限制基於中央伺服器系統有效性的情況下運行。同時，基於邊緣的功能，還降低了對資訊隱私的擔憂和對網路連接的依賴。
人工智慧(AI)是一個計算密集型的過程，無論是在雲端還是在本地電腦上，在邊緣進行處理都無需集中進行。特別是影像監控攝影機，沒有足夠的頻寬，來透過網路基礎設施傳輸影像數據以進行處理。全球一半以上人口密集的地區，網路速度低於 8 mbps，這肯定無法處理新智慧應用所需的數據水平。
延時是採用邊緣智慧的另一個優勢。目前，大量的應用越來越要求很小，甚至沒有延時(小於200毫秒)，並且將數據傳輸到其它地方，再進行處理則需要花費時間。
邊緣運算還可以確保數據更加私密，而不是將數據留存在私有雲或公共雲中，甚至本地儲存。 更高的運算能力和邊緣嵌入式系統的效率，為具有智慧的實體安全設備鋪平了道路，遠遠超出了業界現在使用的範圍。
 |
沒有留言:
張貼留言