搜索视频（以视频搜视频？）

近日，抖音上线了全新功能——以视频搜视频。该技术运用了AI技术的新功能，用一个视频内的单帧画面，对比其他视频内的帧，找到其他对应的视频。相比于过去的以图搜图，视频搜视频的检索运算量明显升级。

在社会高速发展的今天，互联网数据催生出人工智能、大数据和云计算等信息技术，也催生出了诸如旷视科技、商汤科技、极链科技等优秀的初创企业，也为同样海量增长的智能视频信息检索带来了新的曙光。随着中国第一个智能视频分析方面的国家标准GB/T30147-2013《安防监控视频实时智能分析设备技术要求》的发布，智能视频检索技术逐渐进入人们的视线里。传统的视频检索方法主要“人海战术”，效率十分低下。主要原因是人类的生理局限，长时间专注于单一视频画面，容易造成人注意力低下，产生视觉疲劳，严重影响审看效率。其次因为人眼无法克服误差，人眼的视觉疲劳极易忽略重要的目标线索，因此，一段视频往往需要花费更多的时间进行重复审看，大大增加了工作量，并且仍无法完全避免遗漏和误差。

但随着近几年智能视频分析技术的飞速发展，视频检索技术的出现则把人从单调、繁琐的任务中解放出来，利用视频分割、自动数字化、语音识别、镜头检测、关键帧抽取、内容自动关联、视频结构化等技术，以图像处理、模式识别、计算机视觉、图像理解等领域的知识为基础，通过自动化的智能分析预处理，将毫无逻辑的视频内容进行梳理。从根本上看，视频检索技术应用于安防监控等都是以智能视频分析技术为基础，智能视频分析技术利用计算机图像视觉分析技术，通过将场景中背景和目标分离进而分析并追踪在摄像机场景内出现的目标。

当前，智能视频检索技术主要运用在以下几个方面内：

识别类智能分析

识别类智能分析主要偏向对静态场景的分析处理，通过图像识别、图像比对及模式匹配等核心技术，实现对人、车、物等相关特征信息的提取与分析，如车牌识别、人脸识别、物体识别等。车牌识别广泛应用于交通流量检测、控制、诱导、分流，人脸识别主要应用于安全监测、刷脸支付等，而物体识别目前则广泛应用于智能推荐。就比如当前视频AI领域突出的企业极链科技，集团旗下包含VideoAI视频智能系统与VideoOS视频小程序系统。其中VideoAI作为视联网整个生态的底层引擎，支撑视联网多维度发展，独创的全序列采样，对视频内的场景、物体、人脸、品牌、表情、动作、地标、事件8大维度进行数据结构化，32轨迹流同时追踪，通过复合推荐算法将元素信息升级为情景信息，直接赋能各种商业化场景。

诊断类智能分析

这类智能分析主要是针对视频图像出现的雪花、滚屏、模糊、偏色、增益失衡、云台失控、画面冻结等常见的摄像头故障、视频信号干扰、视频质量下降进行准确分析、判断和报警。

行为类智能分析

这类智能分析侧重于对动态场景的分析处理，如车辆逆行及相关交通违章检测、防区入侵检测、围墙翻越检测、绊线穿越检测、物品偷盗检测、物品遗留、占道经营检测、轨迹追踪、人群聚集度检测以及客流统计等。

安防监控产品

为了更好的保护小区的安全, 根据小区用户实际的监控需要，一般都会在小区主要出入口、小区广场、电梯轿厢、周边、大门、住宅、仓库、机房、停车场等重点部位安装摄像机。对不同场所入侵情况推出的防范产品层出不穷。

安全生产类

例如对分散的建筑工地进行统一管理，避免使用人力频繁的去现场监管、检查，减少工地人员管理成本，提高工作效率。防止操作人员危险作业，未按要求佩戴安全帽、安全绳等危险作业。防范外来人员的翻墙、越界、闯入，入侵危险区及仓库等场所，保证工地的财产和人身安全。

车库出入口监控

运用车牌识别技术，当有车即将通过道闸时，车牌识别摄像机识别到车牌、驾驶员等关键信息后，与管理平台的原始车辆数据进行比对，做到白名单车辆无停留自动开闸通行，黑名单车辆道闸不开启并联动警铃。

商业中心人流检测

商业中心人流检测可按室内室外环境分为步行街拥堵检测和营销中心、酒店、商场客流量统计。在步行街拥堵监测中前端智能摄像机对步行街人流量进行分析，当人流量超过环境可容纳人流上限，管理平台自动触发报警系统发出拥堵报警，提示安保人员采取限流措施。室内客流量检测主要是对每天进出的人流进行统计，并将流量信息在管理平台进行存储生成日报、月报、年报等各类报表，不需要现场接待人员逐一对访客进行登记。

高空抛物监测

在高楼林立的商业中心及住宅小区涉及到此项监测。建筑物有四个立面，而住宅小区根据建设形势不同又可分为外立面、内立面以及侧立面，高空抛物监测结合建筑物楼层高度和监控视野确定摄像机的点位和数量。通常使用俯视与仰视相结合的角度进行安装，每个摄像机覆盖10～15层。当高空出现物体抛落，摄像机视频信息传回管理平台联动报警系统报警。

小结：

当前，人工智能产品在我们的生活中影响越来越多，但智能视频分析仍存在诸多难点。但深度学习在图像识别、智能视频分析技术方面的精度不断提升，也使得智能视频检测成为了深度学习快速落地的最清晰方向之一，而计算力的发展，或许也将使得大规模的并行计算成为未来技术发展不可或缺的力量。