Intelligent video surveillance
智慧影像監控
閉路電視（CCTV）等影像監視系統，已廣泛佈署在各種環境中，包括公共區域、公共基礎設施、商業建築等。在大多數情況下，它們用於雙重目的：即時監控實物資產和空間，並查看收集的影像資訊，以辨識安全指標，並計劃安全措施。
幾十年來儘管影像監控系統，一直都是公共和安全部門，不可或缺的一部分，但在這些行業之外，人們對它們仍抱有極大的興趣。這種興趣很大的程度上，是由於全球犯罪率和安全威脅的增加，這推動了影像監控市場的持續成長。
根據 Mordor Intelligence 的最新報告，影像監控市場在 2016 年的價值為 299.8 億美元，預計到 2022 年將達到 721.9 億美元。
這一市場潛力，還受到 IT 技術的最新發展的推動。
是什麼推動了影像監控的主要技術趨勢？你如何最好地使用它們？就是影像監控解決方案的可擴展性和準確性。更多的內容，請繼續看下去。
影像監控系統的發展，受到以下技術趨勢的推動：
 |
| https://www.sdmmag.com/articles/98019-video-analytics-evolution-drives-artificial-intelligence-vice-versa |
智慧和前後關聯感知的影像數據收集
信號處理方面的最新發展，使智慧影像監視系統的開發成為可能，特別是可以靈活地，適應影像數據收集速率的系統。特別是，每當檢測到安全事件指示器時，就增加數據的收集率，以便提供更豐富的資訊，以進行更準確和可信的分析。
大數據基礎設施
先進的大數據基礎架構，為儲存和訪問，以大數據的 4V（容量、速度、多樣性和準確性）為特徵的影像數據，開闢了新的視野。尤其是，與過去相比，現在比以前更容易地，可以從多個攝影機來收集大量的數據，包括具有高攝取率的串流數據。
大數據系統為創建和實施，以無縫且經濟高效的方式，擴展的影像監控架構提供了方法。
數據串流系統
在最近幾年中，出現了許多串流系統。後者提供了用於蒸汽管理和串流分析的功能，同時是前面討論的，大數據系統的重要組成部分。
預測分析和人工智慧（AI）
由於像谷歌的 Alpha AI 引擎，所採用的顛覆性深度學習方法出現，2016 年和 2017 年，是人工智慧歷史上重要的一年。
可以在影像監視系統中，直接利用深度神經網路的發展，使它們具有超凡的智慧，並可以實現更有效的監視過程。例如，AI 可以啟用預測分析，這使安全操作員可以預測安全事件，並主動為之做好準備。
無人機和物聯網（IoT）
物聯網設備和智慧對象，與影像監控系統的融合，也將是提供下一代安全和監控功能的關鍵。在這個方向上，如今佈署無人飛行器（UAV）（無人機），是為了提供影像監視的多功能性和功能，而這些功能和功能，是傳統固定攝影機所難以實現的。
整合實體和網路安全
正在進行的，工業資產和流程的數位化轉型，正在逐步導致實體和網路安全措施的融合。影像監視系統在這種融合中，起著關鍵作用，因為它們代表了，可用於監視實體區域的 IT 基礎架構。
因此，它們可以與其他網路安全系統靈活地整合在一起，從而形成一種整體和整合的安全和監視方法。
架構影像監控系統
上面列出的技術，為智慧影像監視系統的開發、佈署和操作，開闢了新的視野。但是，影像監控的開發者和佈署者，必須整合和充分利用這些技術的功能。
為此，為影像監控基礎架構設計，和實施適當的架構非常重要。現代影像監控系統架構，遵循邊緣/霧計算範例，以處理更接近現場的影像資訊。
這使他們可以節省頻寬，並執行即時安全監控。攝影機佈署在網路邊緣，作為能夠捕獲和處理，影像幀的邊緣節點的一部分。邊緣節點還能夠透過，標識安全的前後關聯，調整幀速率來實現數據收集智慧。
此外，它們連接到雲基礎架構，在此基礎上，可以在較粗的時間範圍內連接，查看和分析來自多個攝影機的資訊。
邊緣/霧計算體系結構，也是支持將影像監控與提出的技術，進行融合的理想選擇。物聯網無人機需要與適當的邊緣節點，整合在一起，作為行動邊緣計算架構的一部分。
即時串流分析必須在邊緣，而不是影像監控佈署的雲端中執行。深度學習功能，可以佈署在邊緣層和雲端層。邊緣的深度神經網路，可以支援即時提取複雜的安全模式。同時，只有透過在雲端佈署深度學習，才能提取安全模式，和有關許多邊緣節點所覆蓋的大區域的知識（例如，城市範圍內的佈署）。
通常，決定是否將某些功能，放置在雲端中或邊緣時，是非常具有挑戰性的，相關決策通常與權衡解決方案相關（例如，處理速度與某些監視功能的處理精度）。
影像監控系統，可以從多家硬體供應商的開放式架構中受益。這是由於以下事實：監視解決方案可以包含不同的影像捕獲設備和方式（例如，高清攝影機、有線和無線攝影機，無人機/ UAV 中的攝影機等）。開放的體系結構，可以提供靈活性，易於佈署和技術壽命。在過去的一年中，一直在努力為邊緣/霧計算引入，基於標準的開放式體系結構，以將影像監視作為霧計算的主要用途之一。
挑戰和佈署最佳實踐
除了適當的邊緣計算架構規範之外，影像監控系統佈署人員，還必須應對其他挑戰。這些挑戰之一涉及保護隱私，和遵守數據保護法規。
確實，監視感測器的佈署，要遵守有關隱私和數據保護的法律和指令，有時會限制佈署的性質和規模。同樣，無人機的使用，也應遵守相關規定。
另一個挑戰，涉及解決方案的自動化程度。儘管通常需要自動化來覆蓋，和監視更廣泛的區域，而無需額外的人力資源，但是人工檢查和干預，仍然是整個解決方案可靠性的關鍵。
此外，另一個挑戰涉及可能來自影像監視系統，網路實體性質的新威脅。實體攻擊可能伴隨著對影像監視基礎結構的網路攻擊，以削弱後者檢測實體安全事件的能力。
另一個挑戰涉及數據驅動智慧的實現（即作為預測分析和 AI 的一部分），這需要大量的數據，以及幾乎無法獲得的安全事件。儘管出現了具有邊緣 AI 產品和服務的創新型新創企業，但處於邊緣的 AI（例如輕量級和高效的深度神經網路）仍處於起步階段。
為了應對這些挑戰，影像監控解決方案的開發人員和佈署人員，需要更好地遵守標準和法規，同時還需要採用逐步/分階段的佈署方法。後者應能夠實現，從人工即人為操作員介導的系統，到基於 AI 的全自動視覺監視的平穩過渡。
從簡單的規則開始，逐漸過渡到可以檢測，更複雜的非對稱攻擊模式，更複雜的機器學習技術，還需要逐步佈署數據驅動的情報。另一個最佳實踐，是佈署開放式體系結構，該體系結構可容納將來的和舊式的監視感測器，以此為手段，以最物有所值的方式利用高級功能。
總體而言，現代影像監控解決方案，可能具有很高的創新性，因為它們可以包含領先的 IT 和網路技術。
升級或佈署自己的影像監控基礎架構，最佳的方法是什麼？首先，請詳細描述你的安全性和業務需求，以及一個可靠的技術合作夥伴，它將代表你整合和部署系統，這是無限的。
 |
沒有留言:
張貼留言