ihs markit-人工智能视频技术白皮书-13页

《ihs markit-人工智能视频技术白皮书-13页》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、一场视频监控的技术变革深度学习技术促进视频分析迅速发展一场视频监控的技术变革目录执行概要...............................................................................................................................3深度学习将引领视频分析技术的变革...............................................................

2、................3即将拥抱井喷的深度学习视频监控设备市场...................................................................5驱动深度学习的三驾马车：运算能力、AI、大数据..............................................................7深度学习视频分析是智慧商业和平安城市的使能技术......................................

3、...........10深度学习视频分析最佳实践.............................................................................................12一场视频监控的技术变革执行概要自20世纪80年代以来，如今的视频监控摄像机已经成为我们日常生活息息相关的一部分。IHSMarkit预计，到2016年深度学习一直被认为底全球监控摄像机的安装基数总量已经达到了3.5亿台。此外，预计在2017年，网络摄像机的年是一种

4、实现机器学习的出货量将超过9800万台。虽然通常情况下，这些摄像机的部署让我们更有安全感，但这些摄像技术。通过模仿人脑的机真的有被很好利用来保护我们的安全吗？值得深究的是，谁会观看这些时时刻刻都在运行的思维过程，创建人造“深录像画面？如何使用这些视频内容来确保我们的安全？度”神经网络，计算机能视频分析不失为解决这个问题的最佳方案。通过设计视频分析算法，帮助视频操作人员进行诸够在不预设明确规则的如入侵报警，滞留物检测和对目标进行实时跟踪等的视频分析应用。基于传统规则的视频分析前提下，解决高度复杂在过

5、去十年中已经取得了很大进步；但在处理更复杂任务，例如人脸识别和目标识别时就会显的问题。现出局限性。因此对更先进的视频分析技术方案的需求迫在眉睫。深度学习是视频分析的一种新的技术应用。深度学习不是基于一组已经预设的程序规则的集合，而是让系统通过人工智能（AI），从图像数据中学习识别目标和人脸。深度学习技术可以使视频分析应用于更复杂的场景。本白皮书讨论了深度学习将会如何影响视频监控和视频分析行业。本文的目的是帮助视频监控行业的关键利益相关者理解深度学习视频分析的优势以及市场趋势。白皮书还讨论了部署深度

6、学习视频分析的一些潜在应用场景和最佳实践。深度学习将引领视频分析技术的变革深度学习计算机能够从经验中学习，因此不需要工程师根据规则进行编程。深度学习的框架，是一个层级结构，其根本上无需构建预定义的规则，类似于小孩子认知归纳目标的过程——根据一系列子特征来认知目标，进而将这些子特征组合在一起形成更抽象的概念。深度学习在人工智能（AI）领域得到了广泛应用：从黑白图像自动着色到自动驾驶。在视频监控市场中，深度学习是分析视频内容的一种全新方法；它不仅将带来一场产业革命，还将促使视频内容分析能力实现重大飞跃

7、。3一场视频监控的技术变革深度学习视频分析深度学习的视频分析算法与传统的基于规则的视频分析算法完全不同。在基于规则的分析中，算法只能基于给出的规则来识别特定的事件、目标和场景。然而，如果天气和光线条件发生变化或目标与其通常的外观变化太大，传统算法将无法对其进行识别。传统算法的局限性会造成诸多问题，例如在水反射比较常见的地方（如港口）或树木和其他目标在视野中频繁移动时，基于规则的算法就很难被应用。此外，传统的分析技术无法从工作中学习经验。虽然它们可以在特定情况下进行优化，但是除非更新算法，否则它们会

8、一次又一次地重复相同的误报信息。深度学习视频分析的工作原理与传统视频分析不同。初始训练阶段利用已经被分类的大量训练图像对目标视频图像进行分析。神经网络的每一层会对图像的不同元素进行评估，并基于和训练图像的相似程度和差异程度来分配加权。对于图像的不同部分进行上述操作的不断重复，最终形成一个多层的输出结果——每一层都使得分析结果离目标实物更接近。然而，这并不是深度学习训练的终点。一旦这个向前传播阶段已经完成，需要将深度学习的输出结果将与我们所认知的实际图像进行比较，如果输出结果出现错误