<mark id="oztn4"></mark>
0
| 本文作者： 余快 | 2020-04-08 18:20 | 專題：雷鋒網公開課 | 安防 AI 云課堂 |
近期，雷鋒網AI掘金志邀請到了文安智能副總經理鄭強做客雷鋒網公開課，以“視頻AI技術在智能交通中的創新應用”為題進行了干貨分享。
后續將有更多課程上線，添加微信號 suekee777 報名聽課。
鄭強認為，在國家政策、市場宏觀發展的趨勢下，下一階段智能交通無論從技術、管理上都離不開數據。加強各方數據的匯聚整合和關聯分析，釋放大數據的能量和價值也成為政府建設交通的必然方向。具體來說，主要在車輛智能化、道路智能化和管理智能化三個方面。另外，鄭強分享了文安智能在交通算法、前端產品、以及核心平臺的創新與應用。
以下為鄭強分享內容節選，雷鋒網AI掘金志做了不改變原意的編輯。
國家在智能交通有很多細分領域，就技術水平而言在全球靠前，同時也有很多短板，比如我們的管控，整體交通的協同。
國家宏觀政策上，2019年國家提出了交通強國建設綱要，指出到2035年基本建成交通強國，2050年全面建成交通強國。
在這大趨勢下，各地也開始進行新一輪的交通規劃，我們的交通建設還是以政府為主導。
各地的交通規劃主要在：織密道路智能感知網絡，構建智能感知、智能分析、智能決策的交通大腦，面向應用建設能夠支撐應用的集成指揮平臺。同時與公安智慧公安體系相輔相成，因為在感知層面或者說在應用層面，公安的體系比交通體系更強。公共安全是國家最重視的，也是老百姓最重視的層面。
另外就是現在如火如荼的智慧城市，智能交通作為整個智慧城市規劃的重要分支，要做到共建、共享、數據融合。
實際上從這3點可以看出下一階段交通發展的一個方向。從技術角度看是離不開數據這兩個字的。管理上以前是以人為主，以后對于前面的感知到后面的分析、執行判斷，決策都會依靠技術和數據。政府意識到數據的價值，下一階段加強各方數據的匯聚整合和關聯分析，釋放大數據的能量和價值。
交通智能化的趨勢主要在三個方面，分別是車輛智能化、道路智能化和管理智能化。
車輛智能化與to C端相似，現在的車聯網、自動駕駛、輔助駕駛等等實際上是企業to C端來做的。
道路智能化，因為車路協同也是要建設的，路側端的建設帶來道路的管理，包括擁堵、交通信號燈、交通組織、信息服務、信息發布等等。
另外一部分就是偏政府管理端的管理智能化，其實就是分析、決策、執法、優化到服務能力提升，其實到最后已經不是管理而是經營了，是服務融入日常生活。
文安主要是以道路智能化和管理智能化為主要的目標進行相應的系統的打造。
道路智能化，具體來說即城市道路做精、高速公路做強、鄉村道路補。其實也可以從城市的層次分，比如一線城市，二線城市或者三線及以下的城市，各自的基礎設施、基礎系統建設情況如何。
通過20年的基礎設施建設，從全球層面看我國一線城市的基礎設施至少是不落后的。
城市道路里真正大的惡性交通事故相對少，所以下一階段，提升在目標是秩序，效率，其實就擁堵。
通行效率其實是人的舒適度，舒適又跟車輛本身智能相關。
高速公路上發生的事件與人身傷害都是有直接聯系的，所以高速公路對安全的重視要遠遠高于城市部分。
同時高速公路的通行效率又和收益直接相關，所以在安全和效率是高速公路的要點。目前高速公路因為自身特性，建設了一部分智能化基礎設施，下一個階段是加強，把補齊短板。
鄉村道路是周期建設，這一點與智慧城市相同。
在周期中，我們可以考慮強化鄉村的基礎設施，農村基礎建設太薄弱，雪亮工程才開始在農村安裝攝像頭；交通方面也有很多空白，我們應該補剛需的地方，也叫補弱。實際上鄉村道路人身傷害的交通事故是比較嚴重的，所以既然要補弱，就要把最基本的需求做好，即安全。
這是三個不同應用場景下所要面臨的目標。
文安AI交通產品解決方案：全覆蓋、全智能、端到端
正如前面說的，2019年國家才提出交通相關的大規劃，在這之前行業里是基于自己的理解開發相應的產品和系統。文安智能的產品和系統跟政府的政策不謀而合，這是我們的優勢：能理解用戶的需求。目前，我們的前端AI產品，邊緣端、終端、中臺AI產品，以及后臺的智能管控運營應用系統和市場大趨勢是完全一致的。織密感知網絡，構建、感知、分析、決策大腦，集成指揮平臺，這些都是完全相符合的。
比如織密感知網絡，一是違法監測點靈活補增，同時對現有設備的二次復用，更加賦能應用，這是我們的方向。
構建感知、分析、決策大腦上，如何更高效分析高密度大規模的視頻，出來的大數據、動態感知的數據，怎么進行數據分析。以及最后的應用，肯定是要和用戶的業務流程數據，包括智慧城市的大數據要能發生聯動融合，我們也做了一些創新。
我們的立足之本就是算法，我認為交通算法還有很大的提高空間，不只是應用算法的種類，還有算法的精度。現在一說AI、算法，大家都知道深度學習、機器學習，但是實際交通場景有很多復雜的應用需求，精度的提升絕對不只是一種算法。
比如，人臉識別可以用很強的深度學習算法做，因為人臉照片通過大量的數據就可以算，但是在交通中很多場景不是簡單的、標準化的。舉個例子，通過視頻我們知道兩車在剮蹭，但是用算法判斷，絕對不是用簡單的深度學習能做的，最多能認出是那個車，但他們相對的行為是認不出來的。
這后面還有人賦能上去的結構化知識，因為深度學習其實上是一個Black box, 這個黑箱里到底算法是如何工作的，是神經網絡自己生成的，但交通里頭要加白箱，是人要做算法匹配，是這樣的一個概念。
十六合一電警
我們有十六合一電警的算法。496行標相對比較少，就五六種，我們現在做了十幾種已經在各地得到了應用。
非機動車檢測中，機、非機、人都可以通過結構化檢測，但是非機動車違法檢測又不一樣，因為非機動車和人，深度學習是可以發揮優勢的，違法檢測很難。
外賣車闖紅燈，既要看紅燈，也要看他的行為，涉及大量算法的創新；是否帶頭盔/超載，這些需要更精細的算法匹配。路口電警算法遠遠沒有達到視覺能夠呈現出來的數據，最多能檢測路口違章，大部分都是機動車違章。對行為、事件的感知，機動車和非機動車現在都可以通過視覺做，唯一欠缺的還是算法，算法的精度能不能達到用戶可以用的程度。
大家會覺得海康大華都在這個領域，我們還可以做什么？我們有自己的競爭優勢，他們可能都是標準化的、非創新性的，因為他們有工程化、產業化的能力，我們一定要創新，才能生存。
八合一卡口檢測
因為卡口很多都是結構化，深度學習能做很多，相對而言可以創新的不多，
但是我們也在不斷的豐富。車輛各種各樣的屬性，包括車里面的人的人臉抓拍、副主駕駛這些也都在做，這些我們也都不會落后。
交通流量檢測
交通流量其實是為了交通管理整個態勢。
以前流量檢測一般只針對車，現在我們可以對人、非機動車流量檢測，包括一個地區靜態的流量。
將來交通管理肯定是個立體的，大數據的，不是一個簡單的路口。一個路口的數據和另一個路口的數據，甚至和周邊的居民出行的情況，都是有相關性的。
大數據發展到后面會往大數據平臺走，數據多了，能做的事多了。
交通設施異常檢測
我們增加了圍欄倒掉、信號燈故障、路面破損、路面拋灑物檢測等等的創新。
比如路口左轉不讓直行場景中，左轉車沒有優先讓直行的車輛過，把視頻進行相對的分析，深度學習，認出車和車牌、車上的文字，它其實是一個復合的算法。
包括一些更復雜的場景檢測：右轉車輛不讓同向直行非機動車。機動車右轉時，右邊有非機動車或者人，交通法要求讓人先走，如果機動車沒有讓，可以檢測出來。這要有人體建模，人體的行為，車輛的建模，包括車輛的機動車建模的行為，這些相對都很復雜。
大家覺得車牌識別可能比人臉識別要簡單，因為人臉識別不需要人的行為，只要頭肩比例，找人臉抓拍下來，然后用后臺的算法就可以來進行身份識別了，難點在于你的人臉數據庫，1萬人、10萬人、100萬人，最后呈現出來的精度和應用體驗是不一樣的。
而機動車和行為由其相對性判斷，是要講究證據鏈的，罰錯了，要付出相應的代價。
正如我剛才講的，有的算法是有工程能力，但是用戶用不了。除了算法，還要有用戶可以應用的產品。
交通行業目前對相機有大量需求，因為有的人會避開有相機的點位，或者過了測速路段就超速，還比如高架橋等地方不能挖土、立桿、通電，這些地方是智能交通的盲點盲區。
這就要求相機具有綜合成本小型化、輕量化的特點，如果沒有這一點，就不能解決根本的問題。我們這個產品就應運而生了。
我們這個產品是一個超低功耗AIoT相機。
特點一：多應用場景
一個它小巧，可以快速安裝，然后里面內嵌了低功耗AI芯片，實時監控。它可以檢測是否違章、有哪些違章，比如違法占道、違停、壓線、逆行等。一旦發生相關行為，立馬抓拍，車牌識別、行為識別，然后傳到后臺。
特點二：快部署
小型輕量，體積重量比傳統太陽能監控相機小很多，安裝簡單，裝好后可以馬上用。可以利用舊桿體，不需要另外拉電線、拉網線；還能無線通信，可以隨時傳輸，目前是4G傳輸，未來肯定是5G。
特點三：成本低
傳統的太陽能，費用成本也高，而且不能移動或者不能動。目前因為地圖都會播報“前面多少米要超速/闖紅燈罰款”，車主會繞道，無法真正規避這罰款。我們的AIoT獨立式電子警察，在一個點位抓拍后可以拆下來裝到另外一個點位，綜合成本非常低。
案例介紹：應急車道占用電警項目
我們這個應用，其實主要在應急高速上占道、違停的抓拍，效果非常好。我們在北京測試過，一天可以抓拍到3000多個違章，按照罰款算的話，一輛車200塊，3000張，一天罰款60萬，這是這個產品體現的一個價值。當然這個價值不是體現在罰款的上，但是至少可以對某區域的違章有量化，比如一天大概3000個違章，是否要做既有罰又有疏導的決策。
云端全智能電子警察
大家都知道云是信息化最基本的，但是云應用這么多年也出現了一些瓶頸，很多的云離用戶太遠了，比如視頻都到公有云或中心端去識別，對網絡帶寬要求很高，各種成本也高了。
以前公安建設的雪亮工程攝像機基本都是非智能的，近期才建了一些抓拍人臉的智能相機。非智能相機到后端后，還是人看視頻，越建越多的結果是人不可能看得完。
政府優質的資源，就是視頻資源，如何高效地利用這些資產和資源。
我們的AI視頻分析平臺是介于前端和云端中間的邊緣計算云，叫邊緣云。當然我們也有邊緣計算的小盒子，它功能和前端相機差不多，只是賦能在非智能的相機里，邊緣視頻分析平臺和邊緣云的概念是一樣的。
它最大的效果就是把以前建設的這些攝像機都結合起來，和公安互通互用。
我們把所有的視頻通過既有的網絡可以到中心端進行相應的識別，中心端就是我們剛講的，邊緣云做云端AI，大量的算法來進行匹配，就是云端全智能的電子警察。
功能特點：視頻智能分析、圖片結構化、高性能
卡口的、電警的、創新的都裝在里面，它是個算法資源池，根據需要配置到不同的路數的前端的相機的視頻流里去做分析。
可以做視頻分析，也可以做圖片分析。因為交通有大量抓拍的圖片，以前的算法或者別人家的算法，不如我們精準，我們會做二次識別，把不精準圖像進行二次篩選。
它的超高性能體現在算力專用化的挖掘上，一臺設備憑什么能處理100路視頻。比如華為做鯤鵬，實際上也是把算力專用化做應用，我們現在基于別人的芯片也有自己的分析服務器，單臺最高處理160路1080P智能視頻分析或500萬張圖片二次識別，性能是非常高的。
它是一臺兩用的服務器，以前我們也做過通用的CPU服務器，就是幾個機柜的普通服務器，成本和維護都很高，現在我們只要用2~3臺就可以做以前上千路的識別分析，減少維護成本，同時省電節能。
我們和華為的鯤鵬平臺也有合作，因為它的硬件需要我們賦能才能體現最大的價值，我們需要更高算力的平臺支撐我們的算法更高效地處理，降低綜合成本。我們跟華為是作為合作伙伴在一個生態體系里。
應用上我們也做了很多，雪亮工程中很多相機是非智能的，其中很多球機需要人在后臺操縱的，耗費了大量的人力，而且在操縱過程中，未必能抓到。現在我們把前端球機做自動尋切和預置位，自動旋轉，每到一個場景，后臺自動分析。比如違停場景做罰款，事件做報警，信號燈設施做監控，可以做很多，甚至一個球機就變成了N個固定相機，這樣一個球機價值就很大了，很好的給雪亮賦能。
我們還做了一些其他的專項應用，這些應用是需要算法支撐的，但是算法如果只是放在前端很難更換，如果在中心端，所有的算法都在里面，對于這種專項項目，就可以一鍵配置需要的算法。
比如去年大慶要抓違章停車，就把攝像機都配成違章停車的這種算法。下一個場景要治理超寬超限超載，又可以一鍵配置。這對用戶的易用性是一個很大的提升。
高速公路最主要的是安全預警，剛才也分析了高速公路的需求，但是安全預警絕對不是僅僅是閃個燈，而是通過感知、發現、分析之后再反饋到駕駛員和管理者，所以后端需要一個整體綜合控制的平臺。這就是我們現在要做的綜合智能的交通管控平臺。
國家在平臺建設多年，現在分成雙網雙平臺。雙網，就是公安網內是由公安部交通管理科學研究所，它的交通集成指揮平臺核心板部署，它已經有很強大的功能了，但是仍然有不足。然后各個地區也有些自己的特點，所以在公安網外，實名入網內要雇一些外掛平臺，即所謂的專業版。同時還有移動警務，另外還有大數據研判，所以是兩個平臺，兩個網，四個應用的一個架構。
我們現在不可能再做官網內的集成指揮平臺，我們主要做標準的外掛平臺。因為公安網集成指揮平臺是部省市三級，越往下有獨特的應用需求，我們主要做相關業務的緊密性比較高的“情指勤督”部分。
這部分實際上是各種各樣的感知信息，數據接完后，統一的信息接口接給公安的交通集成指揮平臺。
我們這個平臺有六類功能，指揮調度、地圖及可視化服務、態勢感知、大數據、警務管理、智能運維。
整體架構及業務流程
整體架構，剛才講到的工程能力是體現在與實際業務流程的緊密結合。實際業務其實是相對復雜的，既有分層：感知層、數據層、分析層，往上有可視化展示應用層；同時有很多并列的子系統：警務的、警力的、勤務的；設施管理都有運維，事件預案處置等等，這些都需要有對業務極強的熟悉程度，才能做到讓它用起來。
態勢感知
舉幾個例子，態勢感知，感知主要是基于兩方面，一方面前端的多維數據，多維數據除了視頻之外，還有比如車牌、電子標簽、通信設備的數據。其實對我們來講，視頻本身產生數據這件事也沒有挖掘到極致。路口大圖里所有的信息還沒有做好，我們還是要把精力放在這上面，同時接入別人的物聯網，做多元數據的接入和匯集。
感知要做什么？一方面是感知整個入口或者整個城市，像阿里的城市大腦，它能把所有的視頻分析完之后告訴你哪堵車什么。另外一個最重要的還是事故、違法車輛的態勢，統一的整合和分類，這實際上是感知與大數據的結合。
交通數據研判：“車/人”管控
另外一部分就是研判，數據要有研判，當然視頻中出現違法直接可以判斷出來，但是有一些隱形的交通違法，比如說發生了事故，司機是不是被人冒名頂替的、某人是不是毒駕或醉駕，這就要靠大數據進行多維的數據分析。因為交通一個特點是都是以線下場景為主，不像網上購物基本都是線上行為，數據自動就形成了線下的行為。
那么如何去感知隱形違法呢？視頻是不可不可欠缺的手段，或者說在很長一段時間內都是唯一的手段。
這就是AI在這個行業里能夠繼續生存的主要原因。
管控示例
通過抓拍車輛對車牌號、車型、顏色等屬性進行識別并放入六合一數據庫比對，如果發現假的或套牌車輛可以報警；抓拍主副駕駛人臉，放到公安人臉庫比如，識別嫌疑人。
剛我們講到公安和交警做融合，就是因為可以發揮1+1大于2的效果。
預案處理
預案處理實際上是有很大潛力，以前是按照流程去做，很僵化，或者根據專家、行業老警察的經驗。
基于人工智能的知識庫整合法律法規、先進技術理論、實踐經驗、專家知識等等，進行總結，對預案的表現形式及應用場景提供反饋，最終達到事件預案處置的推薦，而且可能不止推薦一個方案。
智能運維
智能運維也是我們的一個亮點，以前的運維基本就是前端硬件的運維，人工智能算法匹配應用后的運維有點像以前的公安的一個應用，圖像質量分析，意思是設備本身沒問題，但是圖像花了。
這個智能運維系統應用是我們公司當時首創的，分析圖像質量，是不是有雪花有斜紋，是不是CCD問題。
現在AI，尤其在交通里，圖像花不花不是主要，識別率、有效率、捕獲率是關鍵，因為你的算法一旦裝到某個設備里，就固化了，但是場景變化是很大的，隨著應用或者城市發展不一樣，精度可能在下降。
精度下降是需要有一個AI大腦去作為基準來評價比對，我們就做了一個智能二次分析來跟前端進行比對，最后分析抓拍率、在線率、有效率是不是都正常。所以這是后端除了剛才講的后端集群時做一些預先分析之外，還能做的運維分析。
知識共享，實現運維經驗分享
當知識分享、運維經驗由機器來做，它就會自動保存，可以用于運維問題查找、員工培訓、知識數據共享。
指揮調度”一張圖“
指揮調度一張圖，現在有很多做AI，在真實的視頻上疊加一些數據，再往后5G來了，就VR了，給用戶以更直觀的展現，更便捷的應用，這是一個目的。
產品系列：端邊云協同
我們的產品系列很全，前端攝像機、邊緣端、集群服務器、后端的應用平臺都有。
我們有很多行業里首創的技術和產品。現在AI玩家，我覺得基本上一個趨勢是做后端，因為前端有很多硬件是需要產業化能力，這不是大多數AI企業的強項，所以往中心端走，中心端畢竟是偏軟件，現在也有很多企業嘗試著做AI分析芯片等等，我覺得現在華為做的不錯。
還有一部分企業在建設云平臺，其實有一種是一個平臺做多種垂直應用，只要是AI的分析應用都做，不光是交通，那這肯定是一個大玩家，它需要大融資的支持，因為一個交通就需要這么多算法，需要這么精準的分析，做多種行業，都做需要巨大的資金和算法算力。
我們公司就做垂直，垂直的品牌聚焦在一個單一領域去深耕，把它做到不止是落地，更要給用戶一個價值體現。
剛才我舉的交通例子，簡單安裝一個設備，除了矯正行為，處罰有經濟效益，社會效益雙豐收，所以太陽能前端的AIoT相機，不用我們去怎么推廣，我們的客戶，像北京交管局都直接替我們推廣，因為確實好。
所以在交通領域，AI還是有很大的發展空間。
我們現在的技術核心方向是視頻AI技術，也就是計算機視覺，主要應用在智能交通領域。
文安公司成立于05年，也是老牌的智能交通領域產品的供應商，早年因為AI公司相對比較少，智能交通需求大，所以我們公司利用AI技術在智能交通中做了很多的首創。
我覺得要做到一個行業的Top 1需要有強大的產業化和工程化能力，除了技術要得到應用，還有要讓用戶用得多快好省，給用戶帶來很大的價值的能力，這種能力往往是現在大多數AI企業的短板。也因為這個短板，經過上階段的人工智能大潮，近兩年AI技術回歸到具體的應用價值，回歸到理性和以人為本。
我們文安智能一直在補短板，同時強化優勢，我們的優勢是創新，創新是我們永不停歇要做的事情，是我們源動力，我們在做產業化同時沒有停止創新。雷鋒網雷鋒網雷鋒網
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
專題
