5G和边缘计算如何赋能安防行业？

本文来源：5G行业应用

近年来安防行业高速发展，作为核心领域的视频监控经历了从“看得见”到“看得清”，再到“看得懂”的转变。面对海量视频数据和越来越高的实时性计算要求，5G和边缘计算在安防行业有着广阔的应用发展前景。本文重点阐述5G和边缘计算在安防行业的应用背景、技术架构、重要特征及问题和挑战。

安防行业发展趋势

智慧安防助力行业高速发展

安防技术在预防和打击犯罪，维护社会治安，预防灾害事故，减少国家、集体财产和人民生命等方面具有重大作用。安防行业已从传统的人员安防发展到数字时代的智慧安防，成为最新科技与社会经济生活深度融合和快速落地的领域之一。近年来国内安防行业总产值呈现逐年增长的趋势，据CPS中安网数据统计，2019年全国安防行业总产值为8260亿元，同比增速15%，且连续5年保持10%以上的增长率。

安防行业根据不同的使用场景可以分为城市级安防、行业级安防和消费级安防，其服务分别面向to G（政府）、to B（企业）和toC（消费者）的需求。行业高速发展的驱动力来自两点：一是城市化带来的to G（政府）、to B（企业）和toC（消费者）需求增加，二是技术变革带来的发展契机。

需求方面，在平安城市、天网工程以及雪亮工程、智慧公安的推动下，行业用户对智能技术需求不断增长，使得中国安防行业发展迅速。技术驱动方面，随着5G、人工智能、大数据、物联网、云计算等新兴技术与超高清、热成像、低照度、全景监控等传统安防技术融合应用，安防行业向超高清、网络化、移动化、智能化、云化的智慧化方向发展，智慧安防市场规模还将进一步加速发展。

视频监控从“看得见”到“看得清”，再向“看得懂”转变

第一阶段，“看得见”：视频成为最常见的事件证据形式。通常情况下，调取案发现场周遭的视频监控就能发现案件侦破的重要线索。监控探头密度越大、犯罪案件侦破率越高的思路推动监控摄像头的大规模部署。目前，全国基本实现了主要城市街区的无死角监控。大量案件的犯罪过程被完整、清晰的记录下来，成为指控犯罪、证明案件事实的最有力证据。

第二阶段，“看得清”：从2016年到2018年初，十三五规划、十九大报告、公安部雪亮工程等不断强调提升安防视图资源共享协作及联网率、高清化建设。2019年3月，中央多部委联合印发了《超高清视频产业发展行动计划(2019—2022年)》，视频监控迎来超高清视频应用的蓝海。行动计划明确按照“4K先行、兼顾8K”的总体技术路线，大力推进超高清视频产业发展和相关领域的应用。

第三阶段，“看得懂”：在“看得见”到“看得清”之后，人工智能技术正在把安防系统从被动的记录、查看，逐渐转变为事前有预警、事中有处置、事后有分析。通过主动预警、及时处置、自动分析，从而实现从“看得清”到“看得懂”。从车牌识别到车辆数据结构化分析，从人脸检测到人脸比对，以及目标全结构化分析、行为事件的检测分析等，每一项新技术的落地，都象征着安防智能时代正在一步步变成现实[1]。

安防行业边缘计算现状

5G与安防行业具有天然的适应性

5G的正式投入使用将使得安防行业从此面向更广泛、更深入的应用领域[2]。5G技术的全国性商用也为安防行业带来了新的可能性。5G应用中的eMBB（增强移动宽带）、mMTC（海量大连接）、uRLLC（超可靠低时延）技术特征正好能够满足移动化的视频监控业务带宽和接入需求。

eMBB能够为带宽要求极高的视频类业务提供技术支撑，解决视频监控随着高清化的演进而带来的带宽压力问题。结合5G技术，移动端可以非常流畅地享受到更高质量的沉浸式视频内容，并实现随时随地视频采集、分享、上传、面对面传输和移动视频控制，如移动指挥、移动视频侦查、移动巡逻执法等。

mMTC则能满足连接密度要求高的业务需求，解决移动化的终端设备接入问题，并为智能安防云端决策中心提供更周全、更多维度的参考数据，有利于进一步的分析判断。

城市安防的物联网终端如防灾设施、水位监测；社区安防中的人脸闸机、车辆道闸、智能门禁、消防设施、垃圾储量感应、智能车棚、停车位感知；家庭中的智能家居终端，都可以通过5G技术实现统一联网，让社区治理与服务实现秒级通信。

uRLLC结合物联网、人工智能、云计算、大数据技术，在安防机器人方面已有较大的技术突破。已有研究机构研发出基于5G+AI能力的智能安防机器人，可以实现从智能感知采集到云端智能分析、处置指令发送，再到机器人控制和处置的流程。

边缘计算在安防领域有广泛应用价值

我国一个二线以上城市可能就有上百万个监控摄像头，面对海量视频数据，云计算中心服务器计算能力有限。若能在边缘处对视频进行预处理，可大大降低对云中心的计算、存储和网络带宽需求。因此，视频监控是边缘计算技术应用较早的行业，体现在以下几个方面：

第一，数据的分布式收集存储。在边缘计算模型下，借助边缘服务器实现对政府、社会和个人等各类零散监控的整合，在边缘端进行一次预处理，对无价值的数据进行过滤，然后对视频数据进行短暂存储并自动分流，这一操作能有效减缓云端平台的存储压力。

第二，数据的加密传输与共享。在边缘计算模型下，公安机关可通过对边缘端的设计，使经过初步处理的视频数据得到一次加密，通过通信技术向指定的云端平台进行输送。这些视频数据中侦查信息的安全性得到充分保障，在传输过程中被窃取的可能性大大降低[3]。

第三，数据的智能分析与协同。边缘端能实现对前端设备的自动化调整，在监控识别运动物体后，相邻监控能够在同一边缘管理器的控制下实现一定范围内的配合，进而做到监控视角的自动调整、对焦或轨迹追踪。同时，边缘端智能识别的突发性案件可以经有效识别后向侦查机关自动预警，使视频信息应用同步化，为侦查人员的介入争取宝贵时间[3]。

第四，数据的规范有序运营。在边缘计算的框架下，也有利于视频数据的规范运转，从而能够形成有序的数据库资源。前端生成的视频数据，沿着边缘服务器利用通信技术向云端传输。云端可以对各边缘端、边缘端可以对各前端设备可以实现有序管理。

安防行业边缘计算发展历程

安防行业的边缘计算技术应用发展分为如下三个阶段[4]，早期边缘计算技术在安防行业的应用主要两大特点是缓解流量压力和安全性更高，中期侧重各行业专用分析算法，最近几年，深度学习在人工神经网络优化方面获得突破，使得机器辅助成为可能，拓展了人工智能的应用领域。

各大芯片厂商开始纷纷推出人工智能算法的芯片，使得人工智能在边缘端的实现成为可能。各大安防厂商也相继推出基于边缘计算技术的人工智能设备，如人脸抓拍系列产品就是其中的典型。基于边缘计算技术，使其能够在行人通过的时候，就第一时间解析出人脸数据，并把人脸数据发到数据中心进行匹配处理。

系统架构

从逻辑架构上，基于云边协同和边缘智能的安防系统架构从下至上分为前端感知、边缘计算、云计算和安防应用四个层面[5]。

第一层，前端感知层：是整个系统的神经末梢，负责现场数据的采集。除摄像头外，系统的接入终端还包括各类传感器、控制器等物联网设备。

第二层，边缘计算层：汇总各个现场终端送来的非结构化视频数据和物联网数据并进行预处理，按既定规则触发动作响应，同时将处理结果及相关数据上传给云端。根据需要，边缘节点可实现一个或多个边缘应用的部署。

第三层，云计算层：主要由边缘管理模块、视频云平台、人工智能模块和物联网平台组成，负责全局信息的处理和存储，承担边缘层无法执行的计算任务，并向边缘层下发业务规则和算法模型以及为各类应用的开放对接提供标准的API。

第四层，安防应用层：利用分析处理的结构化/半结构化数据，结合特定的业务需求和应用模型，为用户提供具体的垂直应用服务，如人脸识别、物体识别、人口管理、行为识别、车牌管理、案件侦破、森林防火、机场安保等场景。

两大特征

特征一：安防云边协同

智慧安防是云计算与边缘计算的融合，两者的协同应用，会将安防行业大数据分析推向一个新的高度[6]。第一，从业务需求方面来看，“云边协同”方式是安防智能化发展的必然趋势。能够充分发挥两种方案的各自优势，在缓解系统带宽压力、缩短处理时延和提高分析准确度方面都有很大的提升。

在整个系统中，边缘计算功能除了由前端设备本身的智能化来实现外，还可以借助承载网络的边缘计算功能来实现，也就是在靠近网络边缘的地方部署服务器，综合网络的资源使用情况、系统性能以及设备信息，尽可能在最靠近网络边缘的位置进行业务分流，或进行数据分析、处理，同样可以达到减少骨干网的传输压力，降低处理时延，提升用户体验的目的。

第二，从技术发展方面来看，边缘计算与云计算是安防行业数字化转型的两大重要计算技术，两者在网络、业务、应用、智能等方面的协同发展将有助于安防行业更大限度的实现数字化转型[7]。云计算把握整体，适用于大规模、非实时业务的计算；边缘计算关注于局部，适用于小规模、实时性计算任务，能够更好完成本地业务的实时处理。

特征二：安防边缘智能

边缘计算与人工智能互动融合的新模式称之为边缘智能，是指在靠近数据产生端的边缘侧，人工智能算法、技术、产品的应用。

边缘智能旨在利用边缘计算低时延、邻近化、高带宽和位置认知等特性，通过人工智能技术为边缘侧赋能，使其具备业务和用户感知能力。

具体实现上主要包括两个方面：首先，边缘智能载体是具备一定计算能力的硬件设备，可实现不同智能功能，称之为边缘计算节点。边缘计算节点就近收集和存储智能前端的各类异构数据、就近管理和调度智能计算资源，满足不同场合对智能分析的即时响应、即时分析的需要。

可以接收、整合、传递智能前端的结构化数据，也可以根据需要调配算力，应用不同的算法对当前分级内的数据进行智能分析，实现智能应用。

其次，单个的边缘节点可以将本级内智能前端以及边缘计算所需的存储资源以及计算资源进行统一管理，根据需求调度智能算法，结合边缘计算节点的智能分析能力，实现在本级内完成所有预定的智能功能；多个边缘计算节点可以根据需求组合，形成一个智能网络，在网络中对数据进行加工，交换数据，共享计算结果[8]。

以人脸识别应用为例，人脸检测、抓拍乃至对比等人脸识别算法可以利用深度学习神经网络算法离线训练，训练完成后再进行算法精简，以此将AI能力注入到前端摄像机等边缘设备，通过高性能计算芯片和图像识别智能算法赋能边缘设备，在边缘实现视频图像目标的检测、提取、建模、解析，把图像解析的大量计算压力均匀分担到小颗粒大规模的边缘计算资源上，仅把精炼的结构化有效数据上传云端处理，可以有效降低视频流的传输与存储成本，分摊云中心的计算和存储压力，实现效率最大化。

在本地设备上直接完成智能图像识别，也实现了低延时和快响应，提高实时性。边缘计算与人工智能技术在公共安全领域的应用，能够有效提升公共安全管理的效率与水平，大幅降低人力物力成本，对城市管理、民生改善具有巨大价值，市场前景广阔，且技术应用的基础条件已经成熟，边缘智能技术将得到进一步发展，边缘侧AI应用场景将得到进一步丰富。

问题与挑战

第一，边缘计算在安防领域的应用需要其他技术的配合，比如人工智能，而AI芯片在其中扮演着核心角色。智能安防领域急需更多适用于边缘计算的AI芯片，能满足即时、准确、低成本、低功耗等高要求。

第二，就边缘端设备的部署和运维而言，边缘设备需要考虑体积和成本等核心因素，不能接受占用很大的存储空间和功耗，而且其具体下沉的位置，也需要综合考虑网络管理的复杂度、性能优化的效果来进行部署。除此之外，边缘结点设备部署分散，如何管理分散的数以万计的终端设备，对运维的方式和效率也提出了新的挑战。

第三，边缘设备的数量众多，相互之间差异大，但技术标准尚不统一。由于会广泛的分布在各数据节点，可能会出现不同的处理算法，需要标准来规范输出的数据格式，否则不利于云端数据再处理。

第四，边缘设备因为更接近数据源，数据种类和数量的激增，网络边缘的高度动态性也增加了网络的脆弱性，新兴的攻击方式尤其是针对物理设备的攻击，为设备和数据安全带了新的挑战。

第五，尽管业界在MEC技术的应用方面已经进行了大量的研究，但目前边缘计算在安防领域鲜有成规模的商业落地，真正的应用收入较少，边缘平台效益尚不明朗，成本能否顺利回收存在不确定性。在一段时间内，丰富边缘计算商业模式，提升边缘平台的效益，对各参与主体都将是一个不小的挑战。

参考文献

[1]何遥. 2020安防产品新趋势［J］.中国公共安全， 2020(3):112-116

[2]许慕鸿，王星妍．MEC技术在视频监控领域的应用［J］．信息通信技术与政策，2020(2):87-91.

[3]贾晓千，陈刚，李白冰．边缘计算在视频侦查中的应用［J］．计算机工程与应用. http://kns.cnki.net/kcms/detail/11.2127.TP.20200220.1610.004.html

[4]崔兆蕾．边缘计算技术在安防行业的发展及应用［J］．中国安防，2018(4):77-79.

[5]徐型平. 5G技术在安防行业的应用浅析［J］. 中国安防，2020(3):83-88

[6]潘三明，袁明强.基于边缘计算的视频监控系统及应用［J］.电信科学， 2020(6):64-69.

[7]赛迪顾问. 边缘智能发展与演进白皮书. 中国计算机报［N］，2019年5月20日:18

[8]七牛云. 边缘计算的爆发为安防全产业带来了怎样的变化？［N］.知乎https://zhuanlan.zhihu.com/p/55599887

~END~