0
作為安防廠家集結的行業盛會，安博會顯然成為了各個廠家亮出自己法寶的重要時節。
科達也在安博會前夕，祭出了自己的最新大殺器——科達AI超微光攝像機。
AI如何應用于改善安防攝像機在應用的關鍵問題上，廠家們都會公認圖像采集和識別中的遮擋、光線、角度等為落地當中最需要優化的問題。
而尤其在夜晚環境下，如何實現高效的圖像拍攝，是當前安防廠家面對的一大難點。
今日，科達新發布的“AI超微光”車輛卡口、人員卡口、車輛電警三款攝像機，無疑又為這個問題的解決提供了一條新路徑。
由于低照成像技術的局限，攝像機在夜間往往難以獲得清晰的目標圖片和視頻，這一現狀影響了AI在安防領域的全天候應用，每一天AI都有將近一半時間無法發揮效能。
夜間由于環境光線不足或者全無光，已成為犯罪分子作案的高發時段。
當前已部署的大量監控攝像機，雖然在白天能提供清晰、色彩還原度高的影像資料，但是大量監控攝像機到了夜間，成像質量差強人意。
在過去的幾十年內，均是通過傳統的主動補光，紅外、激光或者LED補光，來提升夜間監控攝像機的成像質量。
科達首席科學家章勇也介紹道，目前主流解決方式有以下三種，但這幾種方式都伴隨著新的問題。
一是通過強化補光，在攝像機旁增加補光燈，但這會帶來能源浪費和光污染。
二是硬件堆疊，通過超星光技術或黑光技術提升成像質量。但超星光，通過超大光圈，會有景深小、有拖影的問題；黑光技術，通過多光譜融合，會帶來紅外成像關聯的系列問題。
超星光，主要采用的是星光級圖像傳感器，大光圈鏡頭，以及傳統的ISP圖像調制技術。其依托圖像傳感器的靈敏度提升來減少能量轉換的效率，大光圈鏡頭提升進光量。
但在人員、車輛卡口等場景由于采取超大光圈，雖擴大了進光量，但也降低了成像的景深，擴大了車燈強光的光暈影響。并且，由于要捕捉卡口快速移動的人員和車輛，需要提升快門速度，會導致大光圈鏡頭帶來的亮度被減弱，目標物體周圍的場景不夠清晰，丟失很多有用信息。
黑光攝像機，采用的則是兩顆星光級圖像傳感器，通過特殊的光學元器件，其中一顆傳感器通過紅外補光采集圖像亮度信息和物體輪廓，另外一顆采集色彩信息，再通過圖像融合算法，將兩顆采集到的圖像信息進行融合。
但在交通卡口的應用中，由于汽車前擋風玻璃上粘貼的防爆膜紅外透光率較差，因而，有時也不能采集到前排司乘人員的圖像。一些紅外反光材料的物體，對黑光攝像機也有一定影響。
第三種方案是，進行復雜的ISP處理，但會帶來放大噪聲、無法捕捉高速運動物體、各式各樣的圖像模糊等問題。
那科達的攝像機是如何解決這一問題的呢？
科達監控產品線副總監沈文慶，總結道：對于夜間拍攝，用戶目前就需要一個清晰的、成像色彩好，且補光適宜、不刺眼的夜間攝像機。
這也就是科達想達到的，通過AI，而不是單純的硬件改造，使夜間拍攝的普及度更高。
因此，與當前業內主流技術的做法不同，科達AI超微光攝像機，依托其多年在基礎ISP圖像調制技術上的積累，并創新性地采用了自主研發的深度學習圖像增強算法。
簡單來說，科達深度學習圖像增強算法，通過對應用場景目標圖像要求的提煉，采集了海量夜間低照情況下車輛卡口、車輛電警、人員卡口以及全結構化攝像機的圖像樣本與模擬數據。
并針對性的利用這些數據，進行數學建模，設計了一套從采集、標圖、訓練以及模型轉化的端到端的深度學習模型。
在低照環境下，該算法模型沒有采用傳統攝像機的ISP成像調制方式，通過對大量場景抓拍圖片的學習，算法直接對傳感器輸入數據進行圖像恢復。這樣可大幅減少攝像機對補光燈的依賴，在提升圖像亮度的同時，還能還原物體顏色與紋理等細節信息。
依托該算法還原出來的圖像，不僅提升了人眼對抓拍圖像的主觀體驗，也能提升后端諸多的智能算法對圖像的特征分析。比如對車輛特征分析、非機動車特征分析、駕乘人員特征分析等。
基于此技術，科達還發布了AI超微光車輛卡口、車輛電警、人員卡口三大類產品。這些產品均采用AI超微光技術，能夠滿足全天候高保真圖像線索采集的需求。
當前攝像機內置的AI芯片算力快速提升，是未來的趨勢。后續AI超微光算法將能做到足幀實時處理更高分辨率的視頻，科達引領的AI超微光攝像機的優勢也將更加明顯。
目前的安防攝像機，其實都在主要依靠硬件提升性能。但與此同時，隨著AI的到來，也有不少廠商提出了“軟件定義攝像機”。
對此，章勇也向AI掘金志回應道，科達的目標也是在“軟件定義攝像機”不斷前進。
而科達本次的攝像機，采用了深度學習圖像增強算法，來增強攝像機的“夜視”能力，正是這一能力的體現。未來，科達也希望不再通過單純的硬件堆疊，而是通過內部軟件的處理，尤其AI的技術實現性能的提升。
AI在前端攝像機上的改變，將越來越明顯。雷鋒網雷鋒網雷鋒網
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
