安防产业全新生态系统：物联安防

　　在物联网(IoT)浪潮翻江倒海而来的趋势下，安防产业该如何找到乘风破浪、再创新机的着力点，是目前全球安防业者最关注也最迫切的问题。然而，物联网的范围其实非常广泛，实在无法聚焦哪些范围是安防产业要整合的。

　　因此，法兰克福新时代传媒以媒体平台(a&s杂志、secutech安全博览会)之姿，和安全&自动化厂商们集思广益，将物联网中对环境安全、人员安全、事件运作三部分的物联感知，与影像监控、智慧分析辨识、云端大数据三大技术面向，进行从元件端到平台云端的End to End整合，以期形成安全&自动化产业全新生态系统(产业链)，我们称之为物联安防(IoT Security)。

　　物联安防的四大要素

　　“物联安防”是一个全新的安全&自动化应用概念，它集合从IoT感知器所收集的资料，透过传输再与安防系统(如监控的影像资料)数据整合后，经过一连串的识别分析及运算所得出的结果，再透过监控与自动化系统的控制整合自动或人工控制下达指令进行应有的事件反应动作。

　　以影像监控为例，不同于单纯视频(影像)结构化的数据分离与IoT感知信号各别处理反应的方式，“物联安防”主要包含了四大要素：安防前端设备晶片发展与感知元件的整合、不同于过去网路末端的最后一英里(Last Mile)传输方式、软体与后端平台硬体的效能提升。而这四大要素则是透过不同芯片方案的创新发展与结合，它们分别是：

　　一、Security安控技术芯片整合

　　这些创新技术来自于新一代H.265 CODEC编/解码压缩处理、VR/AR虚拟与扩增实境全景/环景处理、VCA/IVS智慧影像处理、Biometrics多重生物辨识晶片以及IoT智慧感知Sensor的导入，达到创新功能差异化，并得以搭配新一代影像监控平台达到真正的智慧监控要求境界。

　　二、IoT物联感知技术

　　在物联网与工业4.0的趋势下，智慧制造、智慧医疗、智慧家庭、车联网…等所有应用需求让各种Sensor感知技术发挥了更大的核心影响力!同时随着工业自动化及机器视觉应用的多元化发展，感知器的识别率、成本和速度将成为机器视觉系统的核心竞争力。

　　三、CPU/GPU/MCU Platform高效能平台芯片技术

　　GPU(Graphics Processing Unit)是新一代高速显示卡，其地位与CPU在主机板上一样重要。GPU极大提升了电脑图形处理的速度、增犟了图形的品质，并促进了与电脑图形相关其他领域的快速发展。在硬体搭载或平台伺服器使用CPU + GPU可提供更高阶的影像处理(Video Data Processing)功能及运算速度，例如：VMS或是扩充VR。而针对伺服器的CPU + GPU图形运算晶片将成为新一代平台硬体主要芯片技术应用，同时再佐以多种微控制芯片(Micro-controller Unit，MCU)的嵌入，安全&自动化系统可以满足任何感知器与控制器的处理，达到真正的物联网应用。

　　四、网路“最后一英里”的传输技术

　　无线传输技术为物联网产业发展所必备，但wifi、zigbee、Z-wav都会面临传输与功耗的问题。在“物联安防”的概念下，将聚焦全球三大技术阵营-LoRa、NB-IoT与Sigfox，这三种需要基地台、长距离、低功耗的物联网传输技术，可扩大通信范围并抗干扰，将大幅满足物联网持续上传/下载的传输需求。

　　物联安防的发展应用

　　当安防产业发展到了“物联安防”，包括：AI人工智慧、机器视觉、深度学习与大数据的採集的发展，与安防技术(如监控)的进一步整合，将会带来全新的应用境界。

　　一、AI人工智慧

　　学习、深度学习等术语。AlphaGo之所以打败人脑，这三项技术都立下了汗马功劳，它们并不是突然出现，而是由人类发想理念，然后才是机器学习，当机器学习实现之后也才有深度学习这名词。而AI人工智慧之所以能够从2015年开始进入“大爆发”阶段，除了拜深度学习应用所赐，也要归功于GPU芯片的广泛普及，它让并行处理更快、更便宜;以及因应资料大规模生成(如图片、文本、交易、地图资讯…)而无限拓展的存储容量。

　　二、机器视觉

　　机器学习主要是研究AI人工智慧如何在经验学习中改善具体演算法的效能，而“机器视觉”则是机器学习的最佳应用领域之一。机器视觉是一种利用光学系统、工业数位相机和影像处理工具来类比人类视觉和思维的技术，属于传感检测领域的自动化应用设备。

　　机器视觉系统具有极高的分辨精度和处理速度，在诸多指标上达到或超过人眼的视觉能力，并可以通过红外线、超声波、微波专用感知器成像等处理人体无法感知的内容。此外，机器视觉系统还可以不间断工作，并具有成像指标客观、可量化等优点。随着工业自动化与机器视觉应用领域的多元化发展，识别率、成本和速度将成为机器视觉系统的核心竞争力。而通过较低的硬体设定达到良好的识别率和处理速度，则能够为设备供应商带来更多的成本优势。

　　三、深度学习

　　深度学习是实现机器学习的技术，其利用人工神经网路(Artificial Neural Networks)的运算方法，每一个神经元会对输入的资讯进行权衡、确定权重，搞清它与所执行任务的关系，真正让学习有了“深度”。深度学习有很多应用场景，只要涉及到目标检测、目标识别的地方都可以应用深度学习来解决，例如：人脸识别、行人识别、车辆识别、物体检测识别、图像分割、光学字元辨识…等应用场景，可进一步细化特征识别，包括人和车辆等更多特征将得到检测和识别。

　　随着芯片技术的发展，计算性能不断提升，加上利用大量丰富的资料样本“训练”，演算法成熟周期越来越短，场景适应性、识别指标不断提升，性价比也越来越高。越来越丰富的智慧分析资讯，必然在各种行业中得到应用。

　　四、大数据采集与应用

　　随着物联网应用普及，物联网整合监控系统软体的影像与数据资料的接入和存储也越来越多，如何有效利用这些影像与数据资料、深度挖掘其潜在价值，是系统商与用户当前面临的首要问题。

　　视频(影像)结构化的监控系统只能解决大量影像资讯的存储、搜寻、互联互通等问题，但仍然无法准确识别、定位和分析辨识影像中的人/事/物等资讯。现在，除了要有超高清的即时影像监控、追踪及画面调拨来查核录影影像中的可疑目标外，“物联安防”还必须能够依靠大数据提取、辨识分析及运算技术结合影像目标侦查作业，对监控画面中可疑或重要的目标影像结合先进的3D、行为姿态与人脸/车牌等智慧辨识分析，提取可疑的人/事/物等目标资料，产生有系统架构的影像与情境文字描述，从而实现特定目标的快速定位、搜寻。

　　例如：若发生刑事案件，可收集案发现场监控影像及所有物联网感知设备所收集的环境与生物反应、时间过程等资讯进行一连串智慧分析运算，对其相关联影像中人/事/物目标进行资料提取分析，并对每个图片和影像进行目标物件的人工标注描述，实现影像、图片与对应人/事/物资料的关联比对，然后上传到影像与数据资料库进行更快速的比对运算，以得出资料库数据做为研判依据。还可利用GIS地图视觉化，结合时间与空间资料，详细刻划可疑目标的活动轨迹，为侦破刑案提供重要支援。

　　结论

　　大数据采集分析不像传统监控资料只有视频和图片，如果去查询也只能是获得空间和时间两个参数，随着“物联安防”的智慧化发展，透过大量数据的接入及数据之间的深度挖掘分析，将会大大缩小人工研判分析范围、提高工作效率。以当前的应用来看，智慧视频分析技术在“物联安防”背景下，将会随着物联安防大平台发展，迈向更加整合化、智慧化的方向发展，让“物联安防”的技术应用不止是要能达到看得清、看得懂的程度，还要能辨识出得影像场景的蛛丝马迹行为，更可以把分析结果呈现出来。而最大的改变就在于“物联安防”的技术实务，让大量数据云端应用能不断突破和成熟。