深瞐科技:AI+安防,他们占据了行业7成视频结构化产品的技术输出|裸泳投资欲

2018-04-18 来源:裸泳

『展览的视频结构化产品有7成用的都是我们的技术。』


深瞐科技

记者:何婧/主编:张浩

深度报道/共3575字/阅读8分钟

项目名称深瞐科技

主营业务计算机视觉技术研发商

融资情况2017年11月获得考拉基金千万人民币A+轮投资

关键词车脸识别、AI、深度学习、视频结构化、安防、占据安防行业7成视频结构化产品的技术

受访人深瞐科技首席运营官胡滨


1956年的夏天,当计算机科学刚刚萌芽,在美国达特茅斯学院召开了历时两个多月的会议,学者们经过充分的讨论和总结,首次提出了『人工智能』这一术语。于是人们真正开始研究人类大脑是如何运转的,并试图赋予机器人类的思维逻辑和决策能力,以实现AI技术更高层级的应用。

 

如果说人工智能是一只蓄势待发的雄鹰,那么人工神经网络便是它的『翅膀』。然而最初因成果乏善可陈,人工神经网络研究一度沉寂,之后又于20世纪80年代初卷土重来并持续到90年代初,尔后再次淡出。

 

就像技术成熟度曲线『The Hype Cycle』所显示的那样,一切技术的发展路径都可大致划分为五个阶段:


1.科技诞生的促动期:媒体大肆的报道甚至非理性渲染,让技术与产品得到了空前的曝光,然而媒体的趋利特性,决定了观众看到的只有片面的积极信息。

2.过高期望的峰值期:早期一系列成功的故事,鼓吹着无数的资本与创业者不计后果地疯狂涌入。

3.泡沫破灭的低谷期:空泛的高喊和过分理想化最终幻灭,行业迎来全面洗牌,熬过寒冬的企业寥寥无几。

4.稳步发展的上升期:对于技术的使用范围及限制有了客观实际的认知,并逐步衍生出能够适应市场的经营模式。

5.实质生产的高峰期:在此阶段,新生科技所能产生的利益与潜力被市场真正接受,实质支援其经营模式的工具、方法历经数次的迭代,终于进入了成熟期。

 

不难看出,无论是何黑科技,发展都不会是一蹴而就,并且其最终目的都是商业化。

 

AI+安防

 

几经浮沉后,直到2012年,深度学习算法在部分领域取得不错的成绩。其中安防领域,一个每秒钟都在产出海量数据的行业,无疑是AI技术产业化落地的绝佳生态。

 

这也是为何『深瞐科技』在创立之初,从噱头十足的人脸识别转向『车脸识别』技术的研发。

 

深瞐科技的首席运营官胡滨告诉我们,『在2012年,深度学习技术还非常不成熟,人脸识别技术远远达不到产业化级别。但将深度学习用于识别车辆却是完全可行的,于是当我们的竞争对手还在使用传统计算机视觉技术识别车辆时,我们在世界上首次提出了『车脸识别』这一概念,即用深度学习算法精确识别车辆。

 

深瞐科技

『深瞐科技首席运营官』 胡滨


在深度学习算法诞生前,传统的视觉算法可大致分为图像预处理、特征提取、特征筛选、推理预测与识别。而特征的提取与表达纯粹依靠人的经验进行设计,准确度与客观性毫无保障。

 

『传统的车辆识别使用根据人工经验挑选出来的视觉特征进行检测、分类、识别,其局限性可想而知。』

 

『并且传统的卡口抓拍算法在识别率与应用场景上都有很大的局限性,对于故意遮挡车牌、假、套牌,等一系列的车辆违法/违章问题,都束手无策。』

 

于是『深瞐科技』推出了『车辆综合平台』,利用计算机自主学习的车辆特征识别前端摄像头采集的视频或图片中车辆的特征。

 

『所谓特征,不仅仅指代传统意义上的车辆品牌、型号和号牌,还包括车辆颜色、车内挂坠、年检标识等多维度的车辆信息。相当于为每辆车赋予了一个独一无二的数字化ID。』

 

『并且深度学习的特性决定了,在不断应用的过程中,算法模型和场景数据会自动进行升级迭代,最终形成一定的数据和算法壁垒,构成我们的核心竞争力之一。』

 

深瞐科技


深瞐科技


『2016年的时候,我们已经在全国甚至全球做到了车脸识别行业内第一的位置。』


非结构化视频数据的结构化


『车辆特征识别是深度学习领域的分类问题,在深度学习领域的另一个重要分支是目标检测,无论是图片或视频,只有先检测出感兴趣目标才能进行下一步工作,而且图片和视频中的有效目标除了车辆、还有行人和人脸等其他目标。』

 

于是在2016年,『深瞐科技』在车辆综合平台的基础上启动了行人和人脸检测识别的研发,结合其核心算法,推出『视频结构化平台』。

 

原始的监控视频或图像作为一种非结构化数据,是无法被计算机直接读取和识别的,因此必须对视频数据进行结构化处理。

 

深瞐科技

视频结构化系统界面


也就是通过时空分割、特征提取、目标识别等处理手段,将视频内容按照语义关系,组织成方便计算机和人理解的文本信息。并进一步生成为安防工作所需的情报线索,实现视频数据向可视化信息的直接转化。

 

胡滨解释道『基于视频结构化技术,首先系统能够感知并检测出视频中的车辆和行人等目标。同时对目标图像信息进行解构分析,将画面转化为对应的文本内容。同样,你也可以在平台上输入想要查找的人或车辆的文字描述,系统则会自动在视频库中对比搜索。』

 

『从成千上万小时的视频查找一张截图上的行人目标,曾经或许需要数十个安防工作人员排查几天几夜,而现在数秒内即可完成。』

 

泛安防时代的来临,虽然实现了数据的量产,但如若不能进行智能化整合与分类,那么这些数据就只是网络世界中的工业废料而已。而视频结构化技术将原始视频数据精缩,变为更易查找、占存更小且更具备应用价值的高精度数据。

 

目前『深瞐科技』的系统能够识别5500多种车型的车头和3500多种车型的车尾,基本涵盖了目前行驶在中国路面上的所有车型。

 

『对车辆检测的准确度我们已经达到了行业内最高的水平,而在人物特征识别的推进上,虽然我们搁置过一段时间,但目前也实现了弯道超车,识别准确率相较商用场景的平均水平高出8%。』

 

『尤其是人脸识别,有许多开源算法的具有超高准确率,但那是走学术风格的企业不计成本地用几千台服务器刷出来的。我们不做也不适合做这样的事情,深耕产业才是关键。』

 

『就像去年深圳交警与华为联合举办的车辆安防测试中,我们在车牌识别率、检出率、精确度三项指标上,均位列第一。

 

把几千台服务器的处理工作集成到一个小小的芯片中

 

胡滨告诉我们,早期结构化分析的运算都是在服务端的GPU完成的,视频解码成了一大瓶颈。『而在安防行业内,所有的处理工作就在于一个小小的芯片。因此我们在2017年启动了深度学习的芯片研发。虽然研发周期很长,但想要建立生态,打造从技术-产品-市场的完整闭环,这是战略格局上必不可少的铺设。』

 

于是,『深瞐科技』针对FPGA开发了深度学习加速引擎,并联合硬件生产厂商把它做成低功耗、小体积的芯片。该芯片的视频结构化处理速度为15fps,功耗只有3W,可以集成到前端摄像头,实现对视频数据的实时处理与分析。

 

『今年我们预计会与华为海思达成战略合作,做一个互补,我们的优势在紧贴业务场景的算法模型。下一步则会推出智能摄像头等硬件产品,也就是直接把算法植入到摄像头等嵌入式设备内。』

 

深瞐科技

『深瞐科技』硬件产品


深度学习领域的大咖Yoshua Bengio在Quora上曾说过,『科学不是战争而是合作,任何学科的发展从来都不是一条路走到黑,而是同行之间互相学习、互相借鉴、博采众长、相得益彰,站在巨人的肩膀上不断前行。机器学习的研究也是一样,你死我活那是邪教,开放包容才是正道。』

 

同样,这也是『深瞐科技』从创立之初秉持的发展思路,以合作的形式从多维度切入市场。

 

在安防行业内,海康与大华两大巨头便已占据了市场的半壁江山,而行业内的大小玩家多达3万家,对初创企业来说,在终端用户的项目竞争上,无论从资本层面或是资源整合能力上都很难与之抗衡。

 

『因此我们首先避免与大型集成商在热门垂直领域的直接竞争,而是采取合作的模式,为其提供技术支撑。其次,我们也会向不同细分领域的中小型企业输出技术方案,在去年的深圳安博会上,参加展览的视频结构化产品有7成用的都是我们的技术。

 

然而逆向来思考,两大巨头也不过仅占据了一半市场,由此可见安防行业的市场份额及潜力之大。据悉,2011年到2017年,安防市场连续保持两位数的增长,预计未来三年仍将持续增长,年复合增长率预期为7.6%,到2020年,安防市场年销售额将到达3150亿美元。

 

根据HIS Markit的最新数据显示,中国在公共和私人领域共装有约1.76亿个摄像头,并预计在三年内会增加到6.26亿个,而目前用到视频结构化技术的占比却非常小,市场潜力可见一斑。

 

胡滨告诉我们『AI+安防除了我们通常熟知的天网、智慧城市、雪亮工程之外,还有许多未被挖掘的场景,比如大型工地、边境安防、城乡交界、车站等亟待安防升级的场景。』

 

目前『深瞐科技』已针对十余个细分场景推出了相应的产品。2016年营收已突破千万,并且今年的营收预计在1个亿左右。

 

同时『深瞐科技』相较于普通小白玩家还有更多优势。

 

其创始人陈瑞军在安防行业内有着近20年的经验与积累,并且团队聚集了多位国内人工智能领域的顶级专家,其中一位曾获得Marr奖『计算机视觉领域最高奖』。行业传奇与学术大神的强强联手,在技术领先的前期就已经深耕了多年市场渠道,这是AI安防领域的第一个也是最大的门槛

 

而说到底,人工智能是依靠巨量数据不断训练优化的技术,目前『深瞐科技』的算法SDK日均图片处理量已达到10亿张以上,由此所构建的先发优势也是其他入局者难以超越的。

 

如果说2017年是人工智能产业发展的巅峰期,那么2018年,便是各路玩家开始加速落地的上升期。那么已然熟知AI商业运转规则的企业,无疑拥有更大的话语权。


相关推荐