02 门槛低了，场景应用不简单

云中心结构化≠监控点位利旧

平安城市建设这么多年来，摄像头已无处不在，但还是有很多人肆无忌惮地进行违法犯罪活动。这其中一个很重要的原因就是，摄像头的数量虽多，但绝大部分情况下都拍不清人脸，犯罪分子存在侥幸心理，因而选择铤而走险。

实际上90%以上的已建点位无法直接用于人脸识别，现有监控画面中提取的人像图片分辨率很难达到40*40pixel。低分辨率图像相对于高分辨率图像会损失很多高频信息，其所能提供的细节信息丰富度和表达能力会减少。同一个算法模型，图片的分辨率越低，相应的识别准确率也越低。若要采用云中心结构化建设人脸识别，意味着未来还要新建大量的高清视频。

为什么高清摄像头依旧拍不清人脸

视频监控的主要应用范围是开拓的大场景，高度一般都是3米以上，从而使得采集的人脸与监控镜头有较远的距离，即使采用高分辨率的监控设备在行人与摄像头之间距离特别远时仍不能得到高分辨率的图像。监控设备输出适合人观看的视频图像数据，是经过降噪、锐化、编码等处理，把三维立体空间压缩成平面展现，已经丢失了更多细节和信息。

03 问题困扰，摄像头不能只靠云

人脸识别落地过程中遇到的困扰

高延迟：  从端到云的过程中，数据传输经过的链路是很长的，加上结构化的解析处理时间，延迟作为一个很重要的问题暴露出来。

高能耗：  大容量的原始数据从端到中心全程占用着带宽、存储、编解码、结构化的性能，在部分需求中还存在着多系统应用的重复传输，对能耗需求较大。

网络拥塞：中心结构化需要取实时视频流，而汇聚的节点还会因为带宽的限制，负载容易产生瓶颈。网络不稳定情况下还存在丢帧等问题，如果断网则分析中断。

中心压力大：在数据分析应用存储所耗费的资源也在随着数据量的增加而增加，对于数据存储的负载加大，应用分析系统能力要提高，数据使用与抽取安全风险加大，这无疑对人脸识别大范围数据使用有了更高的要求。

人脸识别不能完全依赖云端算法

虽然人们常常认为云计算和边缘计算是两种相互竞争的方法，这是一种误解。边缘计算指的是一种计算拓扑结构，它让内容、计算和处理更接目标，或者说是网络的“边缘”；云计算是弹性可扩展功能作为服务来加以提供，但确实要求集中化。若云边结合起来，云中心建了一种面向服务的模型，采用了一种集中式控制和协调结构，将AI算力和算法注入边缘，强化摄像头终端的人脸识别功能不再完全依赖云端服务器，避免耗费时间上传图像，节省了大量带宽资源。

04 云边融合，助力人脸识别落地

前后感知理解更默契

自带人脸识别算法的人脸抓拍机知道关注的目标是什么，可以智能感知目标场景、自适应控制曝光、补光，从源头上提高人脸图像的质量，在机器与机器之间，算法与算法之间配合的也会更默契。

业务智能响应更敏捷

拥有算法和算力的前端更直接从现场获取原始素材，快速、智能响应并捕捉细节，实时提取人脸识别所需的人脸照片，降低中心解析的压力。

网络传输目标更精准

基于对原始图像进行传输合解析，避免了便于传输而对原始数据进行编码转换和数据压缩，也避免经过降噪、锐化等处理的损失，获取原汁原味的图片细节，并进行无损建模。边缘智能设备提供7*24小时计算和断网续传能力，直接抓取关键信息、大幅度降低网络负载压力和存储压力，节省网络传输投入。

数据分级应用更灵活

前端只传输带有细节的目标，数据传输量更小、更有价值的，也能灵活选择有线、3G/4G传输；数据从业务侧逐级形成大数据、分级汇聚、应用，云端可以更灵活的支配各级资源。