随着AI，大数据，云计算等技术的发展，安防正从传统的视频监控走向智能安防，从传统的防控辅助系统走向效率提升的生产系统，智能安防走向千行百业。
在走向千行百业的进程中，不同行业对于覆盖的纵深要求不断提升；为了获取更多的细节信息支撑决策分析，对于视频图像全天候高清化越来越高，对于网络上行带宽的要求越来越高。这时候，智能安防时代，应该承载更多。
为此，云边端架构开始在安防流行。
为什么安防需要“端边云”
云边端在安防出现，就是时代产物，带有明显智能安防属性。
01 智能安防技术的不断发展
视频图像可以承载越来越多的信息，但仍需要更多的与前端多维感知设备之间进行数据的交互，提升决策准确率，并尽量在前端决策，减少后端处理压力；
多维感知数据的端云协同和对数据的实时交互对于网络的时延、带宽要求越来越高；同时防控走向深水区，对于防控的立体化、系统化、机动化要求不断提升。
02 2012年以前的传统安防行业
简单来说就是视频监控，以摄像机作为前端感知设备，负责数据的采集；服务器作为后端设备，负责数据的处理及分析。
边缘计算的出现则将安防的智能化带向了前端。传统方式下，我们可能需要堆叠大量的GPU服务器来实现这些智能化的服务，而现在，我们可以逐步的将例如人脸的检测、抓拍、识别，视频的结构化、车辆的检测与识别放到前端摄像头去实现，这样的变化带来的影响巨大。
03 多样化的应用场景
要求更加灵活的视频智能部署和应用能力，需要三个方面的能力。
前端摄像机、边缘、中心都具备软件定义能力，支持动态加载智能算法，从而可以动态按需的在前端、边缘、中心部署相应的智能算法和应用；
支持端边云协同，形成全网一体化的高效智能供给；全网分级分布的智能能力间有效协同，高度依赖网络的保障，要求网络能够接入各种复杂部署环境的海量摄像机，提供更高的通信带宽和更低的时延，并能根据每个行业特点提供满足要求的SLA专网保障能力。
04 各个技术完善后
首先是带宽方面，不再需要将原始数据全部传输到云端去处理，然后发送回来，而是直接边缘端即可完成处理；
在成本方面，大规模量产的前端芯片成本要远低于后台服务器的芯片成本，同时海量服务器的运维、散热、机房租用等等成本更高；
延时方面，例如一个人脸识别，前端设备直接能够自行处理，可以不需要将视频传输回去，解析、抠图、识别然后再把结果返回来，这难以满足很多场景下快速响应的需求。
当然，安防行业的智能化与前置化的核心或者说难点是前端处理能力，也就是芯片。云端的处理能力，可以通过服务器的叠加来实现。
但是，边缘端的芯片则需要在保持强大运算能力的同时，尽可能的降低功耗、降低成本以满足大规模推广需求，这是一件非常具有挑战的事情。
云边端架构能为安防带来什么
其实智能概念极为宽泛，也有时代属性。比如，智能不像高清有明显的技术指标；十年前移动侦测叫智能，十年后该功能是很初级的标配了。
在当下，安防应用中越来越多的部署更多类别的感知设备，用于从更多维度采集目标信息，包括目标的各种要素、活动轨迹以及关联信息等，从而形成一个动态感知体系，实现防控工作的“无所不在、无所不知”目标。
针对某一特定的应用场景，相关前端感知设备实现全互联直通，逻辑上各感知设备一体化，当一个设备的感知到一条单维度信息后，通知其他设备从其他维度提取信息，对信息的准确性进行印证，从而实现群防群治，实现在前端就能完成一次感知信息的数据清洗，从而保证了感知信息的准确性。
只有验证有效的信息才会上报至后端系统和平台，在后端再进行数据综合应用，最终实现感知的多层运用。一方面，可以提升准确度，减少误报；另一方面，通过本场归并，减少数据量，降低后端处理的压力。
以下我们分别来看端边云的组成：
端的进化
视频监控是安防的最大门类，而传统视频监控厂家几乎都以前端起家。
那在端侧，传统视频监控厂商极具话语权，他们沉积多年技术与市场经验，让后入者望尘莫及。但，挑战者中华为也有其自身优势。
以其一款产品为例来看，重磅新品“魔方”双目全彩AI筒型摄像机，新品融合了RGBW超感光传感器、DNNISP实时视频降噪、AIHDR全目标增强、Deblur去运动拖影等一系列黑科技。
同时公布“墨子”图像实验室专业测试打分，在业界同类型中处于领先水平，这也是业界首次从“给机器看”角度给出的量化评分，用全新思想定义图像未来。
双镜“全”析：采用广角+变焦的双镜头一体化设计，全景与细节兼顾，实现双目全天候全结构化智能；利旧现网杆站，态势感知+全结构化共用立杆，高低统一，降低运营成本；
精“彩”夜摄：业界首家采用RGBW超感光传感器，进光量增加75%；业界首个DNNISP实时视频降噪，由静至动；支持AIHDR全目标增强、Deblur去运动拖影，将夜摄能力做到极致；
以“小”见大：通过极致的工程设计能力，最大化利用空间，体积小重量轻，极低功耗节能环保。
在摄像机能力方面，智能已经在芯片技术方面大力提升，进而形成有竞争力的安防产品与解决方案。AI芯片算力普惠到端云，传统摄像机变成智能摄像机，智能安防端边云协同、多维数据融合，让智能更高效。
云的协同
视频云的概念在2017年开始流行，从那时候起，阿里云独占鳌头，华为和腾讯在努力追赶。当时引入视频云，是为了平安可以预见。
传统的视频监控一般是“烟囱式”建设，各区域各部门基本都是独立建设，采用的供应商和技术标准也不尽相同，带来的结果就是数据烟囱，形成一个个的数据孤岛。警察办案时通常需要到现场查看视频，并将原始视频拷贝回来，效率很低。
采用视频云模式后，所有的摄像机接入到一朵云中，以“服务化”的方式，根据合理的授权提供给各需求部门使用，实现视频共享，及视频的随时随地查看。
除此之外，因为采用云系统，各种计算资源、存储资源、网络资源被虚拟化成资源池，并进行统一管理，当有部门或某个业务需要时，可以按需分配，弹性扩展，实现业务快速上线的同时，资源利用率也得到大幅提升。
从2017年起，随着中央“三预”的提出，意味着我国将推动社会公共安全领域从后置变为前置，从被动转为主动，就是带领行业业务实战驱动技术变革，从事后被动处置向事前主动预防转变，增强预见性。
所以，很多厂家开始发力云端，具体做法是基础设施云化、数据整合共享、大数据智能分析和情指融合、情勤融合。
不少企业的方案创新性提出了“一云一池一平台”概念，一云指的是在部署方式上，实现了物理分散、逻辑集中，在业务逻辑上，纵向拉通部省市多层级、横向上拉通各警种间的数据，支持资源灵活调度；
一池指的是汇聚全量数据，形成数据水系，加强对数据的处理加工、为上层应用提供价值数据；一平台即业务使能平台，更易于客户和合作伙伴在统一平台上实现业务应用百花齐放。
2021年华为好望上云，对于行业也是一件幸事，在云端协同方面，智能安防还能做很多。
边缘赋能
云边端架构中，我们最少涉及的就是边端产品。这方面从最开始的DVR开始，在产品升级和技术推进方面相对与另外两者较为滞后。有工程商笑谈，十年前的NVR到应用到现在的工程中，依然好用。
边侧的边缘计算，其实也大有可为。但随着物联网时代的到来，日常生活中产生的大量数据需要更快速的响应及处理，这些都是云计算不能解决的问题。
在网络带宽有限、网络拥堵、响应延时一系列技术的要求下，边缘计算开始成为物联网时代超越云计算的最佳“使用方法”。
不过，尽管云计算与边缘计算是看似矛盾，实际上却是协同、互补的两种方式。也就是说，边缘计算虽然有其明显的优势，但是用边缘计算来替代云计算也是不可行的。
例如海量数据的挖掘、关联分析，关键数据的存储，多边缘节点的联动都需要依赖云端来完成，云计算厂家布局边缘计算，是对自身能力的一个补充，从而可以提供更好更完整的解决方案，也是顺应技术发展的需要。
但不管是安防行业还是物联网，只有将边缘计算和云计算协同使用，才会发挥出最大的价值。
但，边缘计算有难点。尽管边缘计算存在节省带宽成本、节约服务器成本、存储成本、降低响应时间等优势，但其在落地应用过程中仍然存在应用层面、技术层面的问题。
场景适应性。当前还处于人工智能发展初级阶段，各项应用与服务都是基于“模型训练“得到的，并没有达到强人工智能的阶段，所以本身计算、识别及分析能力对场景的依赖性较大，所以我们需要更多的应用场景去加速边缘计算的落地，需要更多的技术投入、资金及人力的投入。
技术实力与实战标准的区别。以人脸识别为例，人脸识别的技术是很成熟，但是到了实际的场景中，仍然存在识别不准确、识别不出来、识别效果不好等，例如人是低着头的、光照会发生变化、摄像头拍摄角度问题这些不可控因素都会导致识别结果不好。
人脸识别这项很成熟的技术尚且如此，那么到了其他应用场景，例如要做安全帽的识别、做车辆乱停的识别、做水尺的识别、集装箱识别，这些理论上，只要数据量足够充分都可以发掘，但是达到解决客户问题这样的标准，目前还有很多工作有待解决。
结束语
有调查显示，到2023年，广域物联网设备预计将达到41亿个，短程物联网设备将达到157亿个，物联网的应用和市场空间将远超传统人与人的互联；
边缘计算随着场景落地深入，可就近计算的特质，让其一方面可对人脸数据、人群分析、生物识别、商品识别等分析结果进行高效的处理，让原先智能场景不再需要在现场部署昂贵笨重的硬件设备，极大提高智能场景的落地效率和复制速度；
另一方面分布广泛的摄像头也因为边缘存储服务的就近存储，可以把海量的监控数据就近存储起来，提供了就近高速可存可分析的业务体验；
随着云计算的普及，各类业务平台的云化趋势越来越明显，越来越多的功能组件和接口将部署在边缘云和中心云内。
平台云化不仅可以优化业务部署的效率和成本，还可以丰富生态，实现安防业务功能与不同业务场景的快速适配和应用。
业务平台开放、云化还将催生算法市场、应用市场等新的商业形态，使视频业务应用更广泛、更活跃。
（本文来源于网络，由千家智客进行整理编辑，如有侵权，请联系删除。）
参与评论 (0)