边缘计算在地铁等细分场景的应用案例

近几年，边缘计算市场规模持续增长，并迅速在安防、智慧城市、自动驾驶等领域被应用，边缘端的处理、分析和存储能力成为考验AI公司的关键。

赵寒伟认为，物联网和云发展多年，平台建设和打通完成度已经非常高，但智慧城市迟迟没有真正到来，是因为基础的感知没有实现，智慧城市细分领域多，感知涉及每个层面，而芯片算力和边缘计算决定了感知能力，也唯有在前端智能分析，与后端配合，才能将城市物联网数据完整利用，打造感知城市。触景无限一直专注于利用人工智能技术，在边缘端进行计算实现边缘智能感知的领域，十年时间在各个细分领域积累了大量实际案例，赵寒伟结合触景无限在地铁场景的应用，解读边缘计算端在实际场景应用中遇到的问题及独特的解决方案。

以下为赵寒伟分享内容节选。

触景无限与边缘计算

边缘计算原理与章鱼相似，章鱼40%神经元在大脑，60%神经元在触手，八只触手可以感知接触的信息，甚至可以做简单的思考。触手做了一部分大脑的工作，降低了大脑处理的工作量。边缘计算就是分布式计算，在靠近传感器的前端做一部分计算，计算结果直接反馈到前端和大脑。

现在大部分的架构是云边结合的方式，所以在边缘端要具备快速处理的能力。比如，声音传感器听到声音后把摄像头转向声音来源的角度，实际上是在边缘端处理后的快速响应，如果把声音指令传到中心的云端，云端经过计算再把指令传到前端，此时可能声音的景象已经变化，所以快速在前端的反应是边缘计算的优势。另外，目前很多场景无法保障网络的实时连通性和实时速度，最 典型的自动驾驶，虽然有云端大脑，但汽车在行进中很难完全保障信号，所以车里都有相应的边缘计算设备去处理感知前端遇到的问题。

云端AI和嵌入式AI，并不是对立的技术，二者相结合才能满足大部分的需求。在云端有丰富计算资源、加速快、可以支撑非常复杂的模型和算法，同时必须保障实时联网环境；在边缘端，基本都是嵌入式，算力有限，模型不能太复杂和庞大，要经过优化和压缩，适用场景丰富。云端和边缘端是相结合运作的。触景无限在边缘计算端有十年经验积累。首先，在感知算法、智能识别算法的积累，算法不仅仅包括视频结构化，声音处理，各种传感器处理，还有模型压缩和模型优化。

举个例子让大家理解一下算法压缩与优化，最 近与我们合作的一个AI国企最 多能把算法压缩到50M，继续压缩识别效率会下降，我们在边缘端执行的算法可压缩到几百K，不到1M，并且高度压缩下识别效率没有降低。这是我们在边缘算法长期积累的一个体现。除了了解具体芯片的应用场景特点，我们还具有算法和芯片高度融合与底层优化，充分挖掘芯片算力的能力。比如，IntelMovidius2450芯片有200G算力，我们通过在芯片算法底层注入汇编语言，改变它的数据准备、运算等，在实测中可以和市面上1T算力的芯片相当，这项能力的技术含量其实非常高。

我们把边缘计算技术和经验积累注入到公司五大系列产品。边缘计算单元，实际就是边缘计算的设备，首先它可以接物联网设备，其次它在边缘端可以把接入的物联网设备信号进行相应的处理，然后转换成能感知的东西，也可以做一些前端控制，这些数据通过安全加密的一种方式，传输到云端，这是边缘计算单元的功能。这次疫情我们快速推出了瞬视体温筛检系列，利用红外成像与可见光成像进行叠加运算，实现快速筛检体温，最 高级的产品我们用的是640*480的红外感知的芯片，1分钟通过测温人数可以达到780人，在整个测温市场，性能是非常高的。

盾悟系列主要是面向存量市场，比如高清摄像机不具备智能功能，加了这个盒子后普通的摄像机就具有人脸识别，人体、车辆的抓拍功能。角蜂鸟是我们与英特尔合作，基于人工智能的开发套件，主要是人工智能研发公司和教育培训机构，给学生上人工智能实训课，通过USB插上电脑，20行代码搞定人脸识别，这个可以检测出20种实物模型，可以做快速的人工智能开发，当然也可以开发模型，把里面的模型替换掉增加新的算法。

我们与2000多家公司和教育机构在合作。瞬视系列是与摄像机厂商合作，面向市场提供智能摄像机，在摄像机里加一个边缘计算的组件，有算法模型、芯片，让相机变成智能相机，一个主要的场景是作为电子警察，在路口能检测出14-18种违章行为，包括了行为分析、车辆检测、人员检测等。

感知城市的理解

物联网和云发展多年，各个平台的建设和打通都已经完成得差不多了，为什么智慧城市依然没有到来，因为基础的感知还没实现。感知技术的发展其实与物联网技术，边缘感知技术，云计算技术相关，物联网和云计算在十几年前就出现了，但感知没有得到快速推进，主要是芯片算力不够，拖了智慧城市的后腿。智慧城市建设过程中离不开智能感知，包括水、能源、交通、绿地、金融等都离不开传感技术，有了传感器就要做智能识别，识别后需要智能控制，所以在整个体系里，感知是非常重要的一个环节。

近年随着芯片算力提高，边缘计算成为非常重要的话题。2018年麻省理工科技评论把感知城市列入全球十大突破性技术。近两年城市数字化成为我们国家战略，数字化经济中把一个城市数字化，需要传感器把城市3D模型里各个数据上传，才能形成一个真正的数字城市，很多数据是难以理解，所以就需要在芯片边缘端计算，实现传到中心端的东西，已经是能够读懂的东西。

项目案例分享

今天分享的案例是地铁人脸进站。之前城市地铁的通行方案基本上是两个，刷卡和二维码。卡易丢失，忘带，损坏，并且退换卡麻烦；二维码给大家提供了便捷，但高峰的时候网络拥堵，二维码打不开，造成人员拥堵，非常影响出行效率。这是目前地铁通行方案存在的问题，很多探讨刷脸进地铁的方案，其实需要考虑的就几个问题。

通行速度能不能保障？会不会有误识别？刷错扣款账户？使用人数多会不会影响处理能力？资金投入是否很大？

通行速度要保证在200毫秒左右。现在暂时无法实现“从抓拍到人，人到闸机自动开”。因为目前是通过在闸机上装一个小屏幕的读头方式。基本上是半配合式，乘客要稍微顿一下来提升通行速度。误识别是人脸技术范畴，目前的技术很难达到100%，这是难点。能达到99%的识别率，就已经不错了。国家公安部的标准是95%以上，但95%对地铁是无法忍受的。一个中等城市地铁一天的人流量大概在300万，300万人有95%的误识别率意味着多少人？所以要采用一些辅助性的手段来弥补人脸系数的先天短板。人数多的问题，考虑用预筛选和分级名单的方式，地铁行业叫缩库。

比如，整个城市有1000万人注册了人脸，但实际进站的人连1万都不够，一天总数可能20万，这时候需要对进入地铁站的人进行筛选。像北京这样的城市，人脸库注册会达到上千万，到上千万的人脸库里搜一个人的照片，至少10分钟不一定能搜出来，地铁公司也很有可能不愿意投入。所以我们要通过贴合实际的手段解决技术存在的问题。

这个方案有四个目标，一是构建地铁刷脸支付体系，提高管控能力；在此基础上提升乘客出行体验，比如直接刷脸进站解决东西多不方便拿手机等问题；另外也提高了公共安全能力。然后沉淀大数据，把脱敏的数据进行数据管理和客户行为分析，获取数据更多的价值。当然这些信息都是保密的。

这个项目有三个技术关键点。

第一，人脸选优技术。对镜头抓拍到的人脸进行跟踪，摄像头对暗光人脸区域补光，对比效果不好的侧脸进行筛除，在整个过程中挑选最 佳镜头。

第二，人脸预筛。地铁在人流量高峰期，一个镜头可能有上百人，如果他们走到闸机面前再在千万人的人脸库检索，依然需要等。从地铁通道到闸机一般至少有几十秒间隔，其实可以提前将云端人脸检索出来，将检索结果放到闸机上，当乘客走到闸机前时，快速识别通过。

第三是本地库智能筛选。根据大数据分析技术构建本地常客库，比如某人每天从A站进B站出，就可以在相应站点缓存这些信息；还可以建VIP库。

整个方案是怎样实现的？乘客端下载手机APP，注册后云端系统收集了人脸等信息；然后绑定支付信息，连接计费系统，同时云端把数据同步到地铁人脸库，预筛系统从乘客进站开始持续抓拍，在人脸库中选取最 佳人脸进行两级预筛，然后将筛选信息快速下载到闸机端，这个过程最 多持续2分钟。

闸机快速比对后开门，所有进站的人信息放到进站人脸库，出站时同样在站内做预筛，到所有进站人员库里做比对，比对后在闸机开始识别，此时乘客进出记录已经发送到计费系统，连接的电子钱包自动扣费。这是整体的方案构成。这个方案给地铁方带来了先进的AI人脸识别技术，从中美贸易战看，国家已经把人工智能和大数据等技术作为国家战略技术，所以不是用不用这些技术的问题，而是我们要通过这些技术的升级带动整个行业和产业链的发展。

刷脸进站实现了乘客实名制，这里面一个重要角色就是银行，银行拿到人脸信息后，在其人脸库做实名比对，提供大数据的人员画像。大量人脸抓拍后，依据人脸的图像，大概分析出性别、年龄段等属性，有了这些信息，对于银行和地铁运营公司来讲，基于这些脱敏后的数据做统计分析、决策分析；另外也提高了整个的安保能力，一些危急情况，比如抓犯罪分子，都可以到信 息库调相应的数据，看到这个人的行动轨迹，进出站点和时间。可以说，我们基本实现了方案的目标。

例如针对某中型城市有128个地铁站，地铁每天平均人流量大概几万人，高峰时段大概300万人，我们的解决方案，每个站有4个站口，每个站口两路抓拍摄像机，8个视频结构化的终端，还有一台视频识别服务器，直接在站端识别。我们最 终测试出每分钟53个人的通行速度，这个速度比刷卡和二维码快很多。这就是触景无限在这10年时间沉淀出来的技术能力，算法与芯片的紧密结合，深挖芯片计算潜力，同芯片同模型性能表现远远超出业内标准水平，产品更具竞争力。