社交網絡上流傳著一個關于機器學習和AI區別的段子，大致是說“如果使用Python寫的，那可能是機器學習;如果使用PPT寫的，那可能是AI……”

　　沒錯，隨著智能時代的來臨，一方面，更多的互聯網、傳統IT廠商進入到了安防行業，整個安防圈的PPT水平上升了一大截;另一方面，算法更不斷精進，各種超高智能指標及概念隨之蜂擁而來：“300路甚至500路人臉檢測攝像機”、“智能攝像機1拖N”、“軟件定義攝像機”等等。

　　然鵝，安防前端的算法能力和芯片算力

　　真的是越高越好嗎？

　　在AI時代

　　究竟又是什么定義了攝像機？

　　我們不妨來看看AI攝像機落地最早、最多的智能交通卡口類前端，這類攝像機都是固定場景安裝，一旦場景明確，基本攝像機選型的焦距、分辨率、補光、智能訴求也就隨之明確，在攝像機安裝時再根據實際場景做工程適配，這才是智能前端落地的根本。

　　300路人臉檢測攝像機

　　實用性如何

　　例如上圖場景，試問

　　將幾百路人臉抓拍攝像機部署在如此密度人群場景

　　真的合適嗎？

　　如果真有這樣的現象，那么請務必理智：以圖中案例來說，換個安裝場景，把人臉攝像機部署到安檢通道或重要出入口，無論是抓拍率、比對成功率，都更適合布控抓捕。而在這樣的場景中，人流密度統計的智能恐怕比人臉抓拍更實用。

　　算力賦能

　　挑戰有哪些

　　再者，因為算力有富余，業內有聲音提出將AI攝像機的算力賦能給周邊N個普通攝像機做利舊升級的概念。這種設想的本意非常好，但這背后又將面臨哪些挑戰?

　　1

　　原有普通IPC能否滿足AI場景化工程要求？

　　2

　　除算力之外，AI攝像機配套內存夠不夠？

　　3

　　對N個普通攝像機的解碼以及N+1個攝像機的編碼能力是否足夠？

　　4

　　該攝像機的上行帶寬及緩存又能否滿足N+1個IPC智能處理的前端數據上行需求？

　　完成了這些評估后，也許我們會發現，這已經遠遠超出了一個攝像機的能力訴求。

　　軟件定義攝像機?

　　攝像機不同于手機、移動筆記本電腦，并不存在安裝完一個位置之后更換場景去使用的現象，而相同資源下，不同軟件算法的在線選擇、加載、升級，則只是智能時代前端攝像機的基本功能。

　　由此可見，軟件定義攝像機的概念顯然不夠全面，但不可否認它是新一代人工智能攝像機的基本要求，而對安防行業來說，工程場景及硬件形態需求千差萬別，客戶更需要的是場景定義攝像機。

　　場景定義攝像機

　　宇視函谷多目攝像機可搭配球機或AR實景指揮系統做到全方位的、連續的、整體的場景實時再現，支持更大視野的全局把控。

　　場景定義端解決方案

　　宇視全電警方案通過卡口相機、魚眼相機及電警相機實現視頻監控全覆蓋，消除路口盲區，并完成機動車、非機動車及行人等全部交通參與對象的違法行為全過程抓拍。

   攝像機