对于智能城市边缘应用,例如安全监控、关键基础设施监控和交通/运输管理,基于深度学习的视频系统较之传统计算机视觉,可提供更高级别的关键细节。
例如,在交通管理中,基本形式的计算机视觉可以识别车辆的存在,而深度学习系统可以被训练来识别车辆的数量和类型,甚至特定车牌(图 1)。通过这一细化的信息,交通官员可以在交通严重拥堵期间重新规划商用车辆路线或跟踪托运有害物质的可疑卡车。

在基于深度学习的视觉系统中,此类应用所需的大部分智能可位于摄像头上或摄像头附近。关键参数可由 AI 软件自动识别和标记,该软件可触发实时警报或响应。
但是,要使这些功能在现实世界的智能城市环境中发挥作用,视频监控系统必须将尖端的深度学习与工业级耐用性相结合。实际上,这意味着基于神经网络的视觉技术必须与已部署数年或数十年的传统基础设施集成。这包括在边缘的视频摄像头,它们通常借助于各种技术。
但与此同时,较新的智能视频技术必须能够在性能和容量方面进行扩展,以最大限度地提高一个城市的投资回报率。
通过深度学习转变智能城市监控
Intelligent Security Systems (ISS) 是全包式视频分析、管理和网络录像机 (NVR) 解决方案的开发商。该公司意识到深度学习技术的优势,开发了 SecurOS 视频管理系统 (VMS)。
SecureOS 是一种基于云或本地的视频分析解决方案,支持用于一系列智能城市监控应用的 AI 算法(图 2)。该平台集成了许多传统的数字安全和监控解决方案,使城市运营商能够随着需求的增长扩展容量和性能。

ISS 支持多个智能监控应用,包括交通管理、行人安全以及铁路和公共交通系统的关键资产跟踪。SecurOS 智能视频分析解决方案可部署用于实时或历史目的。它可与智能交通等其他平台无缝结合,最大限度地发挥深度学习的优势。
但将深度学习分析移到智能城市监控系统的边缘是一项挑战。ISS 必须确保神经网络算法也经过优化,以便在视频摄像头端点上运行。为此,它利用了英特尔® Distribution of the OpenVINO™ Toolkit 来优化各种摄像头架构的深度学习性能。
把深度学习带到边缘
OpenVINO™ Toolkit 是一套可加速卷积神经网络 (CNN) 开发,并对其进行优化以实现跨异构计算架构部署的工具(图 3)。因此,监控工程师可以在基于 CPU、集成 GPU、FPGA 或视觉处理单元 (VPU) 的摄像头系统中部署深度学习算法。

OpenVINO Toolkit 与英特尔® Vision Products 兼容的历史可追溯到第六代智能英特尔® 酷睿™ 处理器和英特尔凌动® E3900 系列处理器。因此,基于深度学习的视觉性能可以部署在一系列新旧智能城市监控摄像头上。
对于 ISS,OpenVINO Toolkit 支持已经在 SecurOS 产品组合中使用的 Caffe 和 TensorFlow 等框架。因此,该公司能够将其现有的深度学习技术从服务器/云环境扩展到监控摄像头端点,而无需改造已部署的硬件基础设施。
除了针对不同的处理器目标优化深度学习算法外,OpenVINO Toolkit 还提供许多预先训练的模型和模板化算法,帮助 ISS 加速其针对特定用例的产品。这些推断技术包括:
- 车辆跟踪器、计数器和分类器 – 集成到 SecurOS Traffic Monitoring – 帮助收集历史交通流量统计信息。
- 行人跟踪器 – 集成到 SecurOS Crossroad – 协助实时检测复杂的交通违规情况。
- 车牌捕捉器 – 集成到 SecurOS Auto – 支持各种停车管理、交通监测、执法和市政服务。
得益于 OpenVINO Toolkit 所提供的增强功能,与直接来自 Caffe 或 OpenCV 等本机开发环境的深度学习算法相比,这些应用还可以从显著的性能提升中受益(图 4)。例如,SecurOS Auto 现在可以准确地捕捉时速 155 英里车辆上的车牌字符。

城市监控变得更智能、更快速、更灵活
在城市各区域部署警官的日子早已过去。智能城市已经部署了数十年视频监控技术,从而提高安全性、增加效率并降低成本。
深度学习技术有望在更多应用中扩大这些优势,但需要一些特殊的考量。其中包括成本、互操作性和上市时间。
得益于英特尔 Distribution of OpenVINO Toolkit,像 ISS 这样的智能城市监控供应商能够加速开发和部署基于深度学习的视频分析,无需重新定义其基础设施。
通过优化神经网络算法获得全面的视觉处理硬件,OpenVINO Toolkit 可以快速、经济地将深度学习推向市场,同时为未来的视觉智能技术提供边缘到云的迁移路径。
作者简介
在Twitter上关注 Follow on Linkedin Brandon Lewis 的更多内容