原标题：前端智能化的加速时刻：华为机器视觉的创新方程式
守林员小陈每天的工作，大部分时间都用来在林间巡逻，以便第一时间发现安全隐患。枯燥繁重的工作让年轻的他有点郁闷。
有天他举着朋友圈里转发的文章问领导，听说有地方都能用AI来识别山火了，咱们啥时候能用上啊，以后我也算半个用电脑上班的白领了。
领导懒得搭理他，新的智能监控摄像机刚安装不久，图像质量提升了不说，目标识别、异常行为监控之类的功能也都有了，哪里还有经费换个“火眼金睛”！年轻人啊，就是身在福中不知福！
小陈嗫嚅道：都不能及时更新，还叫智能啊……
类似的经历，正在城市的各个角落上演。
让摄像机看懂正在发生的事件并提出告警，已经在越来越多的智慧城市项目中落地，不过实现形式却各有不同。
目前，机器视觉智能分析主要分为两类：一种是前端智能化硬件分析，另一种是后端服务器分析。这两种部署方式的区别，主要体现在三个方面：
1.时效性不同。
前端智能化，侧重于对视频进行实时分析，能够实现“事中报警”，比如在机场、高铁站，一旦发现移动目标出现了触发预定义分析规则的行为，就会引发联动；
而后端智能化则会先将前端摄像机采集的视频流存储到服务器中，根据预设的不同规则，从海量的数据中提取出相关信息，集中优势计算资源做更深入的分析，实现检测与事件检测的协同联动，方便“事后查证”。
2.数据量不同。
实时分析与预警，需要前端智能化有较高的计算性能来支撑，如果把算法集成在硬件配置低的摄像机上，处理速度变慢，就会丧失前端智能的优势。因此，大部分前端只能运行相对简单的、对实时性要求很高的算法。
后端智能分析会根据需求配置足够强大的硬件资源，可以处理成百上千摄像机组成的系统所上传的数据，运行复杂的、允许一定延时的算法。
3.成本焦点不同。
智能前置对摄像机提出了强大的软硬件计算能力要求，终端硬件成本比较高，好处是可以节省带宽资源，帮助后端减轻计算压力，同时实现无人值守，也能够节省人力成本；
而后端智能则需要在存储管理、传输带宽、服务器集群等方面进行较大的投入，来保障数据传输的稳定性，当然，分析运算的集中化也让算法升级、设备运维都变得简化。
那在现实中，究竟是“前端好”还是“后端好”呢？
用一句网络语总结，小孩子才做选择，成熟的大人当然是全都要。
前端的响应速度与稳定性，与后端的资源能力和全局视角，两者互为补充，可以更加贴近一线、事半功倍。
举个最简单的例子，当自动驾驶汽车走在路上，如果摄像机采集的内容还要传送到云端进行识别、判断、分析，一旦遇到网络不好的环境，那还没等指令下传，事故可能就已经发生了。最佳的解决方案，当然是由自带智能算法的前端直接完成实时的路况判断、障碍物识别、违法检测，而更复杂的线路分析等海量数据学习，可以在泊车时交给后端处理，岂不两全其美？
前后端协同，前端智能化是重中之重
既然前后端协同，已经成为视频分析系统的必然趋势，那么，如何以更低耗能、更低成本实现前端智能化，也就成为各行各业智能化管理中的当务之急。
一方面，尽管人们早已习惯了大街小巷摄像机的存在，但其中大部分是仅具备视频采集功能的传统摄像机，能“看清”就不错了，在视频线索查找时依然需要启动人海战术，消耗大量人力物力。
因此，能“看懂”发生了什么的智能化、数字化、高清化摄像机也就成了大势所趋。有数据显示，2019年的前端智能化增速相比2018年，提升了100%。
另一方面，越来越多的智能算法开始从后端转移到前端来完成。比如大家熟悉的车牌号识别、目标识别等等，能够有效减轻后端的计算压力，实时告警还可以有效降低漏抓误报的可能。
但在实际场景中，光线、姿态、清晰度等等，都有可能影响识别效果，这就要求前端有终端芯片、软件平台等基础的支撑，来使更多算法可以落地。
尤其是在多媒体技术不断更新迭代的情况下，文字、图形、影像、动画、声音及视频等不同形态的数据混合在一起，需要技术雄厚、结合具体应用场景来攻克的企业才能完成这一挑战。
就拿公共安全领域来说，有的是静态识别，比如车辆、颜色等等；有的是异常行为，比如突然加速、聚集、突然跌倒等等；还有的要针对移动物体进行智能化跟踪分析、复杂场景下的视频分析等等……这些都需要不断引入新的算法来解决。
从这个角度看，前端视觉感知的种类、数量和质量，直接决定了智能化程度的高低。
此外，前端智能化要实现工程上的成本最优，需要可以演进式地发展。其中就存在着不少阻碍，比如有的前端系统比较难接入和兼容，想要在监控功能基础上增加智能分析，往往需要重复安装摄像机，重复建设无疑会造成极大的资源浪费；
再比如，目前市场发展不均衡，有的厂家有算法但产品不足，有的厂家算法和产品都有但缺乏配套软件，最后呈现的分析效果和效率也都差异很大。
软件缺乏可持续的演进能力，最直接的结果就是很容易遭遇性能瓶颈，尤其是在摩尔定律接近极限、难以突破的现状下，智能摄像机每3-6个月就需要迭代一次，如果没有开放OS和相应软件来对系统进行自动升级，以及加速算法加载与迭代，那么前端硬件的内置算力会很快被极速的计算量耗尽。
正如图灵奖得主David Patterson所说，未来十年将是计算架构“新黄金十年”，通过架构优化、“软硬协同”的方式来提升整体计算性能，将成为大势所趋。
总的来看，尽管前端智能化的前途看起来一片光明，但它也受限于许多前置条件，比如低成本量产的嵌入式AI芯片、高性能场景化的垂直算法、全流程可演进的软件平台等等，没有这些，前端智能摄像机也很难飞入街头巷陌。
淬炼前端：华为的三个智能方程式
在前端智能化已经势不可挡的情境中，华为也结合自身大量的计算、存储、联接、云化、智能、安全等各个领域的技术积累与商业实践，在“全栈云、全智能、全场景”的机器视觉和大数据解决方案基础上，给出了一个体系完备、面面俱到的解题样本。
第一道方程式：AI芯+算法商城，实现前端性能升级
算力是智能的基础，提供“软硬协同”的算力支撑，华为也有自己的思路：
一方面，华为软件定义摄像机（SDC）搭载专业AI芯片，算力最高可达20T，可以在极致低功率、极致算力等不同场景中为前端释放极致算力。让硬件可以轻松实现如目标分类和属性识别等能力，甚至可以完全取代后端服务器来完成视频全量特征分析，提升实时响应能力。
此外，华为算法与应用商城HoloSens Store也应运而生，实现前端智能算法按需可选，在线加载，赋予前端越来越强大的能力。
第二道方程式：软件定义+按需适配，实现能力开放
智能视频监控系统往往会在城市的多个场景、多种业务下使用，比如白天要检测车辆排队长度、甄别事故，晚上则重点看护应急车道情况。如何最大化地根据个性化需求来进行设计，让前端智能能够快速响应、不断创新呢？
答案自然是允许合作伙伴开发多元化的垂直场景算法，这就需要开放性的软件定义来将底层硬件能力释放出去，实现多维感知传感器硬件等终端，以及多种软件能力的接入。
华为就基于容器架构，华为打造业界首创摄像机OS，推出“软件定义”架构。以标准、归一化的软件运行环境，实现软硬件解耦，统一调用底层硬件的计算和编排能力、统一由操作系统封装，开发者只需要聚焦功能侧的能力，大大降低了开发门槛。
另一方面，通过一系列行业标准的北向接入协议，打造了开放的软件生态。合作伙伴在完成算法训练与开发之后，就可以快速集成SDC OS公共软硬件能力，打造成各自行业中具有差异化竞争力的商用产品。
这样做的好处是，能够让大量合作伙伴加入并品尝前端智能化的商业机会，按照各自聚焦的场景开发大量匹配行业属性的长尾算法，解决客户的实际问题，同时接口标准的统一，能够持续演进迭代，进一步降低部署成本，增加其竞争优势。
第三道方程式：多算法+多工具，自动化敏捷开发
对于应用前端智能的企业/机构来说，要自己训练一个AI模型还是比较复杂、技能门槛较高的工作。想要实现AI普惠，前提就要让应用开发变得更容易、更快捷，使其成为ICT从业人员的一项基本技能。
因此华为也将完善的SDC Studio开发工具链开放出来，提供通用算法模型、算法模型文件格式转换、数据的自动标注等服务，以降低应用者的开发成本，提升调测效率。结合前面提到的算法商城，可以共同实现在SDC上的算法与应用管理，以便让前端智能算法和应用可以根据不同场景、全生命周期都能够持续演进、敏捷开发。
完成了这三道方程式的解题，华为也就引领前端智能来到了一个新的维度：
这里不再是单一视觉图像的世界，而是集合了多种传感器，让视觉、听觉、雷达、定位等各种数据互相交织，形成一张全息感知的智能网络，为城市治理、交通等精准护航；
也不再是需要重复“打补丁”的成本雷区，通过软件定义摄像机SDC的开放服务化接口，让前端可以跟随数字技术的变化而动，不断升级更大的价值；
更不是通用算法的“一言堂”，不同种类、不同厂商的多算法在框架体系内生长，一同将AI推向各个实际场景的细枝末节之中。这样的城市之眼，不正是你我所期许的吗？
免责声明：本网站内容主要来自原创、合作伙伴供稿和第三方自媒体作者投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。任何单位或个人认为本网站中的网页或链接内容可能涉嫌侵犯其知识产权或存在不实内容时，应及时向本网站提出书面权利通知或不实情况说明，并提供身份证明、权属证明及详细侵权或不实情况证明。本网站在收到上述法律文件后，将会依法尽快联系相关文章源头核实，沟通删除相关内容或断开相关链接。
