资讯 智慧安防
此为临时链接,仅用于文章预览,将在时失效

边缘计算在地铁等细分场景下如何应用?| 公开课回顾

作者:余快
2020/03/30 14:50

上周,雷锋网AI掘金志邀请到了触景无限副总裁赵寒伟做客雷锋网公开课,以“「边缘计算」在地铁等城市级场景下的实战复盘”为题进行了干货分享。

后续将有更多课程上线,添加微信号 suekee777 报名听课。

近几年,边缘计算市场规模持续增长,并迅速在安防、智慧城市、自动驾驶等领域被应用,边缘端的处理、分析和存储能力成为考验AI公司的关键。

赵寒伟认为,物联网和云发展多年,平台建设和打通完成度已经非常高,但智慧城市迟迟没有真正到来,是因为基础的感知没有实现,智慧城市细分领域多,感知涉及每个层面,而芯片算力和边缘计算决定了感知能力,也唯有在前端智能分析,与后端配合,才能将城市物联网数据完整利用,打造感知城市。

触景无限一直专注于利用人工智能技术,在边缘端进行计算实现边缘智能感知的领域,十年时间在各个细分领域积累了大量实际案例,赵寒伟结合触景无限在地铁场景的应用,解读边缘计算端在实际场景应用中遇到的问题及独特的解决方案。

以下为赵寒伟分享内容节选,雷锋网AI掘金志做了不改变原意的编辑。

 触景无限与边缘计算

边缘计算原理与章鱼相似,章鱼40%神经元在大脑,60%神经元在触手,八只触手可以感知接触的信息,甚至可以做简单的思考。触手做了一部分大脑的工作,降低了大脑处理的工作量。边缘计算就是分布式计算,在靠近传感器的前端做一部分计算,计算结果直接反馈到前端和大脑。

现在大部分的架构是云边结合的方式,所以在边缘端要具备快速处理的能力。比如,声音传感器听到声音后把摄像头转向声音来源的角度,实际上是在边缘端处理后的快速响应,如果把声音指令传到中心的云端,云端经过计算再把指令传到前端,此时可能声音的景象已经变化,所以快速在前端的反应是边缘计算的优势。

另外,目前很多场景无法保障网络的实时连通性和实时速度,最典型的自动驾驶,虽然有云端大脑,但汽车在行进中很难完全保障信号,所以车里都有相应的边缘计算设备去处理感知前端遇到的问题。

云端AI和嵌入式AI,并不是对立的技术,二者相结合才能满足大部分的需求。

在云端有丰富计算资源、加速快、可以支撑非常复杂的模型和算法,同时必须保障实时联网环境;在边缘端,基本都是嵌入式,算力有限,模型不能太复杂和庞大,要经过优化和压缩,适用场景丰富。云端和边缘端是相结合运作的。

触景无限在边缘计算端有十年经验积累。

首先,在感知算法、智能识别算法的积累,算法不仅仅包括视频结构化,声音处理,各种传感器处理,还有模型压缩和模型优化。

举个例子让大家理解一下算法压缩与优化,最近与我们合作的一个AI国企最多能把算法压缩到50M,继续压缩识别效率会下降,我们在边缘端执行的算法可压缩到几百K,不到1M,并且高度压缩下识别效率没有降低。这是我们在边缘算法长期积累的一个体现。

除了了解具体芯片的应用场景特点,我们还具有算法和芯片高度融合与底层优化,充分挖掘芯片算力的能力。比如,Intel Movidius 2450芯片有200G算力,我们通过在芯片算法底层注入汇编语言,改变它的数据准备、运算等,在实测中可以和市面上1T算力的芯片相当,这项能力的技术含量其实非常高。

我们把边缘计算技术和经验积累注入到公司五大系列产品。

边缘计算单元,实际就是边缘计算的设备,首先它可以接物联网设备,其次它在边缘端可以把接入的物联网设备信号进行相应的处理,然后转换成能感知的东西,也可以做一些前端控制,这些数据通过安全加密的一种方式,传输到云端,这是边缘计算单元的功能。

这次疫情我们快速推出了瞬视体温筛检系列,利用红外成像与可见光成像进行叠加运算,实现快速筛检体温,最高级的产品我们用的是640*480的红外感知的芯片,1分钟通过测温人数可以达到780人,在整个测温市场,性能是非常高的。

盾悟系列主要是面向存量市场,比如高清摄像机不具备智能功能,加了这个盒子后普通的摄像机就具有人脸识别,人体、车辆的抓拍功能。

角蜂鸟是我们与英特尔合作,基于人工智能的开发套件,主要是人工智能研发公司和教育培训机构,给学生上人工智能实训课,通过USB插上电脑,20行代码搞定人脸识别,这个可以检测出20种实物模型,可以做快速的人工智能开发,当然也可以开发模型,把里面的模型替换掉增加新的算法。我们与2000多家公司和教育机构在合作。

瞬视系列是与摄像机厂商合作,面向市场提供智能摄像机,在摄像机里加一个边缘计算的组件,有算法模型、芯片,让相机变成智能相机,一个主要的场景是作为电子警察,在路口能检测出14-18种违章行为,包括了行为分析、车辆检测、人员检测等。

感知城市的理解

物联网和云发展多年,各个平台的建设和打通都已经完成得差不多了,为什么智慧城市依然没有到来,因为基础的感知还没实现。

感知技术的发展其实与物联网技术,边缘感知技术,云计算技术相关,物联网和云计算在十几年前就出现了,但感知没有得到快速推进,主要是芯片算力不够,拖了智慧城市的后腿。

智慧城市建设过程中离不开智能感知,包括水、能源、交通、绿地、金融等都离不开传感技术,有了传感器就要做智能识别,识别后需要智能控制,所以在整个体系里,感知是非常重要的一个环节。 

边缘计算在地铁等细分场景下如何应用?| 公开课回顾

近年随着芯片算力提高,边缘计算成为非常重要的话题。2018年麻省理工科技评论把感知城市列入全球十大突破性技术。

近两年城市数字化成为我们国家战略,数字化经济中把一个城市数字化,需要传感器把城市3D模型里各个数据上传,才能形成一个真正的数字城市,很多数据是难以理解,所以就需要在芯片边缘端计算,实现传到中心端的东西,已经是能够读懂的东西。

项目案例分享

今天分享的案例是地铁人脸进站。

之前城市地铁的通行方案基本上是两个,刷卡和二维码。卡易丢失,忘带,损坏,并且退换卡麻烦;二维码给大家提供了便捷,但高峰的时候网络拥堵,二维码打不开,造成人员拥堵,非常影响出行效率。

这是目前地铁通行方案存在的问题,很多探讨刷脸进地铁的方案,其实需要考虑的就几个问题。

通行速度能不能保障?会不会有误识别?刷错扣款账户?使用人数多会不会影响处理能力?资金投入是否很大?

通行速度要保证在200毫秒左右。现在暂时无法实现“从抓拍到人,人到闸机自动开”。因为目前是通过在闸机上装一个小屏幕的读头方式。基本上是半配合式,乘客要稍微顿一下来提升通行速度。

误识别是人脸技术范畴,目前的技术很难达到100%,这是难点。能达到99%的识别率,就已经不错了。国家公安部的标准是95%以上,但95%对地铁是无法忍受的。一个中等城市地铁一天的人流量大概在300万,300万人有95%的误识别率意味着多少人?所以要采用一些辅助性的手段来弥补人脸系数的先天短板。

人数多的问题,考虑用预筛选和分级名单的方式,地铁行业叫缩库。比如,整个城市有1000万人注册了人脸,但实际进站的人连1万都不够,一天总数可能20万,这时候需要对进入地铁站的人进行筛选。

像北京这样的城市,人脸库注册会达到上千万,到上千万的人脸库里搜一个人的照片,至少10分钟不一定能搜出来,地铁公司也很有可能不愿意投入。所以我们要通过贴合实际的手段解决技术存在的问题。

这个方案有四个目标,一是构建地铁刷脸支付体系,提高管控能力;在此基础上提升乘客出行体验,比如直接刷脸进站解决东西多不方便拿手机等问题;另外也提高了公共安全能力。然后沉淀大数据,把脱敏的数据进行数据管理和客户行为分析,获取数据更多的价值。当然这些信息都是保密的。

边缘计算在地铁等细分场景下如何应用?| 公开课回顾

这个项目有三个技术关键点。

 第一,人脸选优技术。对镜头抓拍到的人脸进行跟踪,摄像头对暗光人脸区域补光,对比效果不好的侧脸进行筛除,在整个过程中挑选最佳镜头。

第二,人脸预筛。地铁在人流量高峰期,一个镜头可能有上百人,如果他们走到闸机面前再在千万人的人脸库检索,依然需要等。从地铁通道到闸机一般至少有几十秒间隔,其实可以提前将云端人脸检索出来,将检索结果放到闸机上,当乘客走到闸机前时,快速识别通过。

第三是本地库智能筛选。根据大数据分析技术构建本地常客库,比如某人每天从A站进B站出,就可以在相应站点缓存这些信息;还可以建VIP库。

边缘计算在地铁等细分场景下如何应用?| 公开课回顾

整个方案是怎样实现的?

乘客端下载手机APP,注册后云端系统收集了人脸等信息;然后绑定支付信息,连接计费系统,同时云端把数据同步到地铁人脸库,预筛系统从乘客进站开始持续抓拍,在人脸库中选取最佳人脸进行两级预筛,然后将筛选信息快速下载到闸机端,这个过程最多持续2分钟。

闸机快速比对后开门,所有进站的人信息放到进站人脸库,出站时同样在站内做预筛,到所有进站人员库里做比对,比对后在闸机开始识别,此时乘客进出记录已经发送到计费系统,连接的电子钱包自动扣费。这是整体的方案构成。

这个方案给地铁方带来了先进的AI人脸识别技术,从中美贸易战看,国家已经把人工智能和大数据等技术作为国家战略技术,所以不是用不用这些技术的问题,而是我们要通过这些技术的升级带动整个行业和产业链的发展。

刷脸进站实现了乘客实名制,这里面一个重要角色就是银行,银行拿到人脸信息后,在其人脸库做实名比对,提供大数据的人员画像。大量人脸抓拍后,依据人脸的图像,大概分析出性别、年龄段等属性,有了这些信息,对于银行和地铁运营公司来讲,基于这些脱敏后的数据做统计分析、决策分析;另外也提高了整个的安保能力,一些危急情况,比如抓犯罪分子,都可以到信息库调相应的数据,看到这个人的行动轨迹,进出站点和时间。可以说,我们基本实现了方案的目标。

边缘计算在地铁等细分场景下如何应用?| 公开课回顾

例如针对某中型城市有128个地铁站,地铁每天平均人流量大概几万人,高峰时段大概300万人,我们的解决方案,每个站有4个站口,每个站口两路抓拍摄像机,8个视频结构化的终端,还有一台视频识别服务器,直接在站端识别。我们最终测试出每分钟53个人的通行速度,这个速度比刷卡和二维码快很多。

这就是触景无限在这10年时间沉淀出来的技术能力,算法与芯片的紧密结合,深挖芯片计算潜力,同芯片同模型性能表现远远超出业内标准水平,产品更具竞争力。

公司其他方案简介

我们公司基于产品在其他的领域也打造了一些解决方案。

第一个是园区,智能楼宇主要是用人脸识别技术做出入控制,做无感门禁。装一个摄像头,摄像头后有一个边缘计算设备,这个设备直接连到门上,人进门不需要配合。如果是被授权的人,门直接开,完全无感。如果没有授权,或者这个人后边跟着一个没有被授权的人,会有防尾随警报。

还可以做区域管控。比如一些区域只允许A、B、C进,其他人就无法进入;以前装玻璃围墙和门,没钥匙或指纹就进不去,现在直接在电脑端摄像头上画一个虚的曲线,在实景里头画一个虚的方框就可以了,只要没有权限的人出现在指定区域就警报。

监狱的区域管控是非常重要的,我们也有案例。包括无感门禁,某个区域出现了非授权的人,他就会变成红色,可以根据摄像头来画人员在区域内精确的行动轨迹。

迎宾案例是银行为VIP客户设置的,只要VIP客户出现,就会展示一个迎宾界面。普通客户是统计他的年龄、性别做数据统计。

智慧园区里的智慧灯杆,我们和其他公司做的不同,比如其他公司在灯杆上加一个摄像头,后端会有一个视频云,在这个视频云里做分析;如果加了一个声音控制,后端会有一个音频云,基本上是前端挂了几个设备,后边就有几朵云,最后用一个大的系统,一个大的展示界面。

我们是在灯杆端把所有传感器信息直接接入到设备,传到后台就一个云,在前端就已经做过一些处理了,后边是基于智慧灯杆的可视化平台,因为都是基于视频的,在视频上可以做增强内容,给出车辆报警、环境报警、人员报警等。

交通违章抓拍的系统主要用瞬视系列,每个相机覆盖3-4个车道,里面装AI加速芯片和我们的算法,可以检测至少14种违章行为。机动车不礼让行人是通过行为识别判断路人是否有过人行道的意识,以此判断机动车是否礼让,其中涉及很多边缘算法。

司法高戒备场所,包括监狱、看守所、戒毒所等,主要用人脸技术点名,监狱等场景点名非常频繁,每天点名的工作量非常大,基本上隔一个小时要点一次名。人工操作的话非常耗时,人脸技术点名十几秒钟就能做完;还有24小时值班造成的干警疲劳状态,我们提供疲劳状态监测、轨迹分析、区域检测,区域不能有人、不能没人或者不能出现太多人等都可以检测到。

还有今年刚刚推出来的防疫体温筛查系统,是针对大人流量和超大人流量情况下的自动筛检系统。前端是体温检测相机和黑体,黑体用来标定,因为红外本身感温,它随着环境温度的变化浮动大,所以测温场景下,要有一个恒温的设备标定一个标准值,就是黑体。比如标正这个地方37度,人经过后测温就非常准了。基本上要想测得准,就一定要有黑体。

关于边缘计算的这些方案和场景,我们现在也在做更多的探索,我们的目标是,让城市具备感知能力,让城市拥有生命。雷锋网

全场回顾视频即将上线,敬请期待

长按图片保存图片,分享给好友或朋友圈

边缘计算在地铁等细分场景下如何应用?| 公开课回顾

扫码查看文章

正在生成分享图...

取消
相关文章