日新月异的AI技术，为我们展现了智能视频网的新篇章。
从大数据构成占比看，非结构化数据、半结构化数据和结构化数据三者约为7:2:1。其中，视频的非结构化数据不仅体量大，而且数据形式和处理方式与其他数据也存在很大差异。如何解决这种差异化带来的应用困境?
海康威视认为，云边融合的智能视频网，可以发挥其独有优势。
视频感知不能没有边缘计算
业界和研究机构热衷的边缘计算、智能前置是构建智能视频网的重要组成部分。
通过视频前端的目标分类、属性提取、无损建模，让智能分析更精准、更快捷，现场可获得敏捷响应与智能控制，实现精确感知，且减轻传输和后台的计算压力，例如：智能识别的门禁道闸系统，智能人脸抓拍摄像机等。内置集成智能芯片将有力支持边缘计算的实现，使前端摄像机的存算能力更强、建网结构更简单、性能表现更可靠，并保障原始数据不丢失。另外，边缘计算不受限于机房等条件限制，成本上也大大低于上云计算。
毋庸置疑，要实现全网智能，不能没有边缘计算和智能前置。
视频认知不能只靠“云中心”
视频数据的特殊性，决定了构建智能视频网不能采取所有数据都上“云中心”的方式。大体量、数据复杂多样的视频网络中，如果将所有视频流全部集中汇聚到云中心存储再结构化处理，无论从传输、计算、存储还是应用上看，都不现实、不经济、不科学，极易造成高延时、高负荷、高能耗、低效率的后果。一个弹性而健康的智能视频网，应该是云边融合的“云中心-边缘域-边缘节点”模式，即海康威视AI Cloud 架构(如下图所示)。
边缘节点是智能视频网主要感知层，既是对目标和事件的分类、属性的精准感知和特征提取的起点，也是业务处理敏捷反应的执行点。边缘节点和边缘域组成具有自治并有弹性能力的边缘计算，对已建的非智能的高清摄像机，可就近在边缘域进行智能计算实现智能化。边缘域和云中心协同，实现跨时空的大数据融合关联、逻辑推理、价值挖掘等应用分析。
智能视频网，尤其在平安城市、城市交通管理等涉及大量视频智能应用的领域，应依据业务的复杂程度、响应的时效要求、网络的承载能力等因素，围绕用户自身的治理架构，按“数据按需汇聚，计算分层实施，应用分级响应”思路，合理灵活地进行系统设计。
云边融合的智能视频网
数据按需汇聚：因需而存，谁用谁存
无论是公安行业，还是政府其他行业，时效性都是第一要务，低成本、高效率是视频网建设的重要原则之一。
边缘域靠近边缘节点，是承接视频智能感知的主要功能区域，也是实战应用最旺盛、最活跃、最讲究时效的区域，要求实现较高的人机共判效率。以公安系统为例，从省、市、区县三级应用看，目前视频警务的大量应用在区县级，侦查破案中的嫌疑车辆排查、人员轨迹追踪、人脸识别、治安防控等，都须以“快”为原则。大量实践证明，“因需而存，谁用谁存”能更好更快满足业务应用需求。
计算分层实施：业务之需，分层计算
针对不同的业务需求进行分层计算处理，下一层计算为上一层计算提供依据，上一层计算为下一层计算提供精确服务。通过分布式计算和并行协同处理提高运算效率，有效利用、合理配置计算资源，达到智能分析结果输出更精准、实际应用更快捷的目的。
前端摄像机的边缘计算，主要进行目标辨识和属性提取等结构化计算，为后端的检索、比对和分析提供条件;边缘域既为边缘侧的业务响应提供服务，也为云中心的大数据分析创造条件;云中心则侧重多维大数据融合(如视频数据、物联网数据、常规业务数据等)，提供基于大数据的逻辑推理、关联分析等智能认知应用和弹性分配的存算能力，满足“预测、预警、预防”需求。
应用分级响应：依据职责，分级展开
我国的行政区划和政府职能，决定了不同层级不同部门的不同应用深度和广度。如上所述，数据的汇聚和计算，旨在满足不同层级的应用内容和快速响应需求。还是以平安城市、城市交通管理举例，两者的智能视频应用均涉及省、市、区县、基层等多层机构，面对复杂的业务系统，分级响应既是现实业务的应用需要，也是实际遵循的工作原则。比如，视频警务应用可依据不同职责满足不同部门不同警种的业务协同，分级展开实施视频巡防、接出警、治安防控、犯罪侦查等工作;再比如，城市管理可依据不同部门的业务要求，满足跨部门联合执法、交通管理、社区管理、公共服务等需要。
随着大数据分析应用的不断深化，各级应用的任务分配更趋向智能。目前，一些省市级公安机关基于视频的业务，已不仅限于管理，而是凭借大数据分析，拓展到跨地区的串并案件、目标追踪布控、可视化指挥等业务。
为实现AI Cloud架构的部署与落地，海康威视推出HacStack、HacDataX、HacMaster等系列产品，满足智能算法仓库、计算存储资源池、大数据资源池、物联智能应用等能力，同时提供丰富多样的视频专用智能前端产品，提供开放的API/SDK接口供第三方集成。不断增加的各行业应用案例，逐渐证实海康威视AI Cloud架构是一套有效满足视频智能化发展的可靠系统。云边融合的智能视频网，让我们一起 “见远，行更远”。
|
