近幾年，邊緣計算市場規模持續增長，并迅速在安防、智慧城市、自動駕駛等領域被應用，邊緣端的處理、分析和存儲能力成為考驗AI公司的關鍵。

趙寒偉認為，物聯網和云發展多年，平臺建設和打通完成度已經非常高，但智慧城市遲遲沒有真正到來，是因為基礎的感知沒有實現，智慧城市細分領域多，感知涉及每個層面，而芯片算力和邊緣計算決定了感知能力，也唯有在前端智能分析，與后端配合，才能將城市物聯網數據完整利用，打造感知城市。觸景無限一直專注于利用人工智能技術，在邊緣端進行計算實現邊緣智能感知的領域，十年時間在各個細分領域積累了大量實際案例，趙寒偉結合觸景無限在地鐵場景的應用，解讀邊緣計算端在實際場景應用中遇到的問題及獨特的解決方案。

以下為趙寒偉分享內容節選。

觸景無限與邊緣計算

邊緣計算原理與章魚相似，章魚40%神經元在大腦，60%神經元在觸手，八只觸手可以感知接觸的信息，甚至可以做簡單的思考。觸手做了一部分大腦的工作，降低了大腦處理的工作量。邊緣計算就是分布式計算，在靠近傳感器的前端做一部分計算，計算結果直接反饋到前端和大腦。

現在大部分的架構是云邊結合的方式，所以在邊緣端要具備快速處理的能力。比如，聲音傳感器聽到聲音后把攝像頭轉向聲音來源的角度，實際上是在邊緣端處理后的快速響應，如果把聲音指令傳到中心的云端，云端經過計算再把指令傳到前端，此時可能聲音的景象已經變化，所以快速在前端的反應是邊緣計算的優勢。另外，目前很多場景無法保障網絡的實時連通性和實時速度，最 典型的自動駕駛，雖然有云端大腦，但汽車在行進中很難完全保障信號，所以車里都有相應的邊緣計算設備去處理感知前端遇到的問題。

云端AI和嵌入式AI，并不是對立的技術，二者相結合才能滿足大部分的需求。在云端有豐富計算資源、加速快、可以支撐非常復雜的模型和算法，同時必須保障實時聯網環境；在邊緣端，基本都是嵌入式，算力有限，模型不能太復雜和龐大，要經過優化和壓縮，適用場景豐富。云端和邊緣端是相結合運作的。觸景無限在邊緣計算端有十年經驗積累。首先，在感知算法、智能識別算法的積累，算法不僅僅包括視頻結構化，聲音處理，各種傳感器處理，還有模型壓縮和模型優化。

舉個例子讓大家理解一下算法壓縮與優化，最 近與我們合作的一個AI國企最 多能把算法壓縮到50M，繼續壓縮識別效率會下降，我們在邊緣端執行的算法可壓縮到幾百K，不到1M，并且高度壓縮下識別效率沒有降低。這是我們在邊緣算法長期積累的一個體現。除了了解具體芯片的應用場景特點，我們還具有算法和芯片高度融合與底層優化，充分挖掘芯片算力的能力。比如，IntelMovidius2450芯片有200G算力，我們通過在芯片算法底層注入匯編語言，改變它的數據準備、運算等，在實測中可以和市面上1T算力的芯片相當，這項能力的技術含量其實非常高。

我們把邊緣計算技術和經驗積累注入到公司五大系列產品。邊緣計算單元，實際就是邊緣計算的設備，首先它可以接物聯網設備，其次它在邊緣端可以把接入的物聯網設備信號進行相應的處理，然后轉換成能感知的東西，也可以做一些前端控制，這些數據通過安全加密的一種方式，傳輸到云端，這是邊緣計算單元的功能。這次疫情我們快速推出了瞬視體溫篩檢系列，利用紅外成像與可見光成像進行疊加運算，實現快速篩檢體溫，最 高級的產品我們用的是640*480的紅外感知的芯片，1分鐘通過測溫人數可以達到780人，在整個測溫市場，性能是非常高的。

盾悟系列主要是面向存量市場，比如高清攝像機不具備智能功能，加了這個盒子后普通的攝像機就具有人臉識別，人體、車輛的抓拍功能。角蜂鳥是我們與英特爾合作，基于人工智能的開發套件，主要是人工智能研發公司和教育培訓機構，給學生上人工智能實訓課，通過USB插上電腦，20行代碼搞定人臉識別，這個可以檢測出20種實物模型，可以做快速的人工智能開發，當然也可以開發模型，把里面的模型替換掉增加新的算法。

我們與2000多家公司和教育機構在合作。瞬視系列是與攝像機廠商合作，面向市場提供智能攝像機，在攝像機里加一個邊緣計算的組件，有算法模型、芯片，讓相機變成智能相機，一個主要的場景是作為電子警察，在路口能檢測出14-18種違章行為，包括了行為分析、車輛檢測、人員檢測等。

感知城市的理解

物聯網和云發展多年，各個平臺的建設和打通都已經完成得差不多了，為什么智慧城市依然沒有到來，因為基礎的感知還沒實現。感知技術的發展其實與物聯網技術，邊緣感知技術，云計算技術相關，物聯網和云計算在十幾年前就出現了，但感知沒有得到快速推進，主要是芯片算力不夠，拖了智慧城市的后腿。智慧城市建設過程中離不開智能感知，包括水、能源、交通、綠地、金融等都離不開傳感技術，有了傳感器就要做智能識別，識別后需要智能控制，所以在整個體系里，感知是非常重要的一個環節。

近年隨著芯片算力提高，邊緣計算成為非常重要的話題。2018年麻省理工科技評論把感知城市列入全球十大突破性技術。近兩年城市數字化成為我們國家戰略，數字化經濟中把一個城市數字化，需要傳感器把城市3D模型里各個數據上傳，才能形成一個真正的數字城市，很多數據是難以理解，所以就需要在芯片邊緣端計算，實現傳到中心端的東西，已經是能夠讀懂的東西。

項目案例分享

今天分享的案例是地鐵人臉進站。之前城市地鐵的通行方案基本上是兩個，刷卡和二維碼。卡易丟失，忘帶，損壞，并且退換卡麻煩；二維碼給大家提供了便捷，但高峰的時候網絡擁堵，二維碼打不開，造成人員擁堵，非常影響出行效率。這是目前地鐵通行方案存在的問題，很多探討刷臉進地鐵的方案，其實需要考慮的就幾個問題。

通行速度能不能保障？會不會有誤識別？刷錯扣款賬戶？使用人數多會不會影響處理能力？資金投入是否很大？

通行速度要保證在200毫秒左右。現在暫時無法實現“從抓拍到人，人到閘機自動開”。因為目前是通過在閘機上裝一個小屏幕的讀頭方式。基本上是半配合式，乘客要稍微頓一下來提升通行速度。誤識別是人臉技術范疇，目前的技術很難達到100%，這是難點。能達到99%的識別率，就已經不錯了。國家公安部的標準是95%以上，但95%對地鐵是無法忍受的。一個中等城市地鐵一天的人流量大概在300萬，300萬人有95%的誤識別率意味著多少人？所以要采用一些輔助性的手段來彌補人臉系數的先天短板。人數多的問題，考慮用預篩選和分級名單的方式，地鐵行業叫縮庫。

比如，整個城市有1000萬人注冊了人臉，但實際進站的人連1萬都不夠，一天總數可能20萬，這時候需要對進入地鐵站的人進行篩選。像北京這樣的城市，人臉庫注冊會達到上千萬，到上千萬的人臉庫里搜一個人的照片，至少10分鐘不一定能搜出來，地鐵公司也很有可能不愿意投入。所以我們要通過貼合實際的手段解決技術存在的問題。

這個方案有四個目標，一是構建地鐵刷臉支付體系，提高管控能力；在此基礎上提升乘客出行體驗，比如直接刷臉進站解決東西多不方便拿手機等問題；另外也提高了公共安全能力。然后沉淀大數據，把脫敏的數據進行數據管理和客戶行為分析，獲取數據更多的價值。當然這些信息都是保密的。

這個項目有三個技術關鍵點。

第一，人臉選優技術。對鏡頭抓拍到的人臉進行跟蹤，攝像頭對暗光人臉區域補光，對比效果不好的側臉進行篩除，在整個過程中挑選最 佳鏡頭。

第二，人臉預篩。地鐵在人流量高峰期，一個鏡頭可能有上百人，如果他們走到閘機面前再在千萬人的人臉庫檢索，依然需要等。從地鐵通道到閘機一般至少有幾十秒間隔，其實可以提前將云端人臉檢索出來，將檢索結果放到閘機上，當乘客走到閘機前時，快速識別通過。

第三是本地庫智能篩選。根據大數據分析技術構建本地常客庫，比如某人每天從A站進B站出，就可以在相應站點緩存這些信息；還可以建VIP庫。

整個方案是怎樣實現的？乘客端下載手機APP，注冊后云端系統收集了人臉等信息；然后綁定支付信息，連接計費系統，同時云端把數據同步到地鐵人臉庫，預篩系統從乘客進站開始持續抓拍，在人臉庫中選取最 佳人臉進行兩級預篩，然后將篩選信息快速下載到閘機端，這個過程最 多持續2分鐘。

閘機快速比對后開門，所有進站的人信息放到進站人臉庫，出站時同樣在站內做預篩，到所有進站人員庫里做比對，比對后在閘機開始識別，此時乘客進出記錄已經發送到計費系統，連接的電子錢包自動扣費。這是整體的方案構成。這個方案給地鐵方帶來了先進的AI人臉識別技術，從中美貿易戰看，國家已經把人工智能和大數據等技術作為國家戰略技術，所以不是用不用這些技術的問題，而是我們要通過這些技術的升級帶動整個行業和產業鏈的發展。

刷臉進站實現了乘客實名制，這里面一個重要角色就是銀行，銀行拿到人臉信息后，在其人臉庫做實名比對，提供大數據的人員畫像。大量人臉抓拍后，依據人臉的圖像，大概分析出性別、年齡段等屬性，有了這些信息，對于銀行和地鐵運營公司來講，基于這些脫敏后的數據做統計分析、決策分析；另外也提高了整個的安保能力，一些危急情況，比如抓犯罪分子，都可以到信 息庫調相應的數據，看到這個人的行動軌跡，進出站點和時間。可以說，我們基本實現了方案的目標。

例如針對某中型城市有128個地鐵站，地鐵每天平均人流量大概幾萬人，高峰時段大概300萬人，我們的解決方案，每個站有4個站口，每個站口兩路抓拍攝像機，8個視頻結構化的終端，還有一臺視頻識別服務器，直接在站端識別。我們最 終測試出每分鐘53個人的通行速度，這個速度比刷卡和二維碼快很多。這就是觸景無限在這10年時間沉淀出來的技術能力，算法與芯片的緊密結合，深挖芯片計算潛力，同芯片同模型性能表現遠遠超出業內標準水平，產品更具競爭力。