人工智能+安防行业深度分析报告Word下载.docx
- 文档编号:14368263
- 上传时间:2022-10-22
- 格式:DOCX
- 页数:55
- 大小:12.52MB
人工智能+安防行业深度分析报告Word下载.docx
《人工智能+安防行业深度分析报告Word下载.docx》由会员分享,可在线阅读,更多相关《人工智能+安防行业深度分析报告Word下载.docx(55页珍藏版)》请在冰豆网上搜索。
安防视频监控行业是社会公共安全体系的重要组成部分,在过去的十年间,随着人民大众安全意识的不断加强,安防产品的应用范围深入到了公安、司法、交通、金融、教育、医疗等多个社会细分领域,同时,由于国家对基础设施建设的持续投资,特别是“科技强警”、“智能交通”、“平安城市”等战略性政策的提出,安防视频监控行业得到了飞速发展,根据专业安防网站中安网的数据,2016年国内安防行业总产值达到5400亿人民币,其中安防产品产值达到1900亿人民币。
安防视频监控系统通常由前端视频采集产品、编解码产品、传输产品、后端存储产品和显示与控制产品组成,其典型拓扑结构如图1所示。
图1安防视频监控系统示意图
安防视频监控系统各环节的细分产品线整理如表1所示,通常来说,前端视频采集和后端存储控制决定了整个安防视频监控系统的性能,同时也是企业营业收入的主要来源。
表1安防视频监控系统细分产品线整理
国内安防产业飞速发展的大潮催生了两家行业巨头公司:
海康威视和大华股份。
海康威视于2010年5月在深圳证券交易所上市,以24日收盘价计算,其市值达到2217.7亿人民币;
大华股份于2008年5月在深圳证券交易所上市,以24日收盘价计算,其市值达到490.3亿人民币。
图2和图3分别给出了2010年至2016年海康威视和大华股份的营业收入增长示意图,两家公司在激烈的市场竞争中均实现了持续性的强劲增长,2010年至2016年,海康威视营业收入的年复合增长率达到43.9%,大华股份同样达到43.6%。
图2海康威视营业收入增长示意图
图3大华股份营业收入增长示意图
两家公司净利润方面同样保持了强劲的增长势头,如图4和图5所示,2010年至2016年,海康威视净利润的年复合增长率达到38.5%,大华股份则为38.4%,充分显示了白马本色。
从净利率上看,海康威视在2010年至2014年保持在27%以上,近两年虽有下滑,但仍可达到22%至23%,充分体现了行业龙头企业的品牌效应和商品定价权,大华股份近两年的净利率均为13.5%左右,虽然距离海康威视有一定差距,但仍高于行业平均水平。
国内安防行业双寡头的局面在可预见的未来仍会继续保持。
图4海康威视净利润增长示意图
图5大华股份净利润增长示意图
总结两家企业的发展历史,坚定执行横向+纵向一体化战略是他们能够保持高速增长,成长为行业巨头的“成功之匙”。
在发展初期,两家公司的主要产品是以硬盘录像机(DVR,DigitalVideoRecorder)为代表的后端产品,公司业绩对单一产品线依赖性强,抵抗风险能力较弱。
两家公司坚定执行横向一体化战略,持续增加研发投入,迅速将产品线延伸至具有更高增长率的前端产品领域,海康威视于2011年实现前后端产品收入基本持平,大华股份也在2013年实现了这一目标。
两家公司不同产品线的营业收入变化如图6和图7所示,2016年度,海康威视前端产品收入占总营收比例为50.4%,而大华股份此数据为48.9%,前端产品成为了营收高增长的主要驱动因素。
在形成安防监控全产品线的基础上,近年来,两家公司加大了对软件平台的研发力度,为客户提供一站式服务,并且面向各细分行业分别研发出了针对性的安防解决方案,通过软硬件协同效应,实现了由安防设备供应商向安防解决方案提供商的转型。
图6海康威视不同产品线营业收入变化
图7大华股份不同产品线营业收入变化
另一方面,两家公司对安防监控产业链进行了纵向整合,使企业具备了覆盖研发-生产-销售-系统集成-服务全流程的综合能力。
在供应链管理方面,充分利用规模效应降低产品成本;
在销售方面,通过在渠道建设上的持续投入,提高行业进入壁垒,使市场资源不断向自身倾斜;
最后,依靠品牌效应,使行业集中度不断提高。
1.2看未来:
大数据和人工智能推动安防行业进入“智能平台化”时代
1.2.1安防用户对辅助决策信息的需求为行业带来新机遇
从本质上来说,安防监控行业的核心是对数据的采集、传输、存储和处理。
在过去的十多年间,安防行业的发展主要由数据采集端和数据存储端驱动,数据采集端以摄像头为代表产品,数据存储端则以硬盘录像机为代表产品。
随着技术的日渐成熟,市场上不断涌现出新的竞争者,传统的安防设备市场已经成为红海,即便像海康威视、大华股份这样的行业巨头虽然实现了营收和利润持续高速增长,但在近两年也出现了毛利率和净利率双双下滑的情况。
在这样的背景下,大数据和人工智能技术为安防企业带来了新的发展机遇。
从需求端分析,在安防监控的主要应用领域,在软硬件一体化解决方案的基础上,用户对辅助决策信息的需求日渐提高。
图8主要依靠人力的传统治安监控视频中心
在社会治安领域,监控系统要求变被动防御为主动预防,传统的治安视频监控系统大多仅依靠人力对违法犯罪行为进行识别和追踪,面对海量视频数据,对违法犯罪行为的甄别效率低下,难以及时响应,结果就是只能采取“事后研判”模式,无法做到防患于未然。
主动预防要求视频监控系统更加智能化:
比如犯罪分子在进行作案时,经常会对监控摄像头进行遮挡、移位或断电处理,此时监控系统应及时触发异常报警功能;
比如在敏感区域识别出可疑人员徘徊、翻越围墙护栏、贵重物品移动等特定行为时,同样应及时触发异常报警功能;
比如在重点监管场所的出入口,视频监控系统应实现出入人员智能管理功能,自动记录人员的出入信息和体貌特征,并通过人脸识别和数据库比对,及时检测出潜在的违法犯罪分子。
在智能交通领域,随着城市车辆保有量的持续增加,路况的复杂性不断提高,道路拥堵、停车难等问题成为城市治理中的痛点和难点,发展智能交通诱导系统成为大势所趋,在这样的背景下,视频监控系统需要提供更多有价值的辅助决策信息。
图9给出了智慧交通管控与指挥系统的系统架构图,通过对电子警察、高清卡口、视频监控等安防设备采集到的数据进行融合处理,生成路况、交通阻塞及疏导情况、停车信息等诱导信息,并采用多种方式向驾驶员发送,同时对交通信号灯等管控设备进行反馈控制。
图9城市智慧交通全管控与指挥系统
在安防设备竞争日渐激烈,行业毛利率整体下滑的情况下,安防企业应当把握住新形势下用户的需求,通过提供更加准确、更加多元化的信息服务带动安防基础设施建设,实现高速增长。
1.2.2云存储和云计算为安防“平台化”提供技术支撑
辅助决策信息的生成依赖于对数据的正确处理,海量视频、图片数据使安防行业进入大数据时代。
安防行业十多年迅猛发展的背后,是视频监控规模的飞速扩大,以北京为例,政府和社会公共机构部署的监控摄像头总数超过200万个,这些安防监控设备产生海量的视频、图片数据,一个典型的大型城市每天的数据量达到PB量级(1PB=1024TB)。
安防行业进入大数据时代的主要特点有:
数据种类繁多(多种规格的视频图像数据)
PB量级的数据总量(随设备数量增加、高清化等趋势持续增长)
低价值密度(大部分视频数据无分析价值)
数据共享(多个细分行业应用之间共享数据)
数据实时处理(及时产生辅助决策信息)
在安防大数据时代,传统的安防系统架构遇到了明显的瓶颈。
市面上存在众多的安防厂商,在数据的整个处理链条上缺乏统一的标准,各厂商不同时期的设备、不同的技术方案、不同的平台系统混合在一起,并且均以特定的行业应用为主,难以实现数据的共享和互通,更无从谈起进行有效的数据挖掘,得到有价值的信息。
因此,安防系统“智能化”的概念虽已提出很久,但始终没有落地。
云存储和云计算技术的出现为安防大数据提供了强有力的技术支撑。
云存储通过集群应用、网络技术和分布式技术,将多样化的存储资源通过应用软件集合起来协同工作,共同对外提供数据存储和业务访问功能。
云计算在云存储的基础上,将数据计算相关的软硬件资源虚拟化、集群化,通过并行计算将结果提供给用户。
总结来说,云存储解决了数据统一存储和共享的问题,云计算则解决数据的结构化和实时计算问题。
云存储和云计算技术的发展使安防产品真正实现了“平台化”。
大数据平台由独立的云存储子系统和云计算子系统组成,之间通过数据中心高速连接,以服务的形式来支持上层各种安防应用,如图10所示。
图10基于云存储和云计算的安防大数据平台架构
1.2.3人工智能使安防平台“智能化”真正具备了可行性
云存储和云计算技术使安防产品实现“平台化”,但传统的图像识别和图像处理算法却在处理大数据时举步维艰。
安防产品“智能化”的概念提出多年,但仍然存在着识别准确率低、环境适应性差、识别种类少等问题,严重限制了智能应用的普及。
图11安防产品智能化遇到的主要瓶颈
人工智能,特别是深度学习算法的发展彻底打开了安防产品“智能化”的发展空间,面对大数据时不再束手无策。
深度学习的概念源于对人工神经网络的研究,通过模拟人类大脑进行分析学习的神经网络,对图像、声音和文本数据进行处理。
图12深度学习算法通过自主学习完成人脸识别
深度学习的主要优点有:
准确率更高——应用深度学习算法的深度智能设备,可以自行提取更多更详细、更微小的特征,从而使得识别分类对象的准确率越高。
环境适应性更强——深度学习算法可以自行提取更丰富、更适合的环境特征参数,从而达到更强的抗环境干扰能力。
识别种类更丰富——理论上只要有足够多的样本进行训练,深度学习能够实现比较精准的目标分类识别,自主特征识别的特点,又让深度学习特别适用于抽象、复杂的关于人的特征、行为的分析领域。
可见,基于人工智能的深度学习算法完美解决了传统图像识别和图像处理技术在处理安防大数据时的痛点,使得安防平台“智能化”真正具备了可行性。
如图13所示,以车辆特征识别为例,应用深度学习技术后,不仅可以完成基础的车牌识别功能,还可以识别出10余种车型、200多种车辆品牌和4200多种车辆子品牌,并且可以快速辨认出危险品车和黄标车。
在违章行为检测方面,应用深度学习技术后,大大增加了未系安全带和开车打手机等违章行为的检测数量,并且可以根据识别出的车辆挂件和人脸特征对违章车辆进行持续跟踪和快速定位。
图13深度智能下的车辆特征识别
表2进一步整理总结了目前深度学习在安防领域的主要应用场景,可以看到其应用已经深入到安防领域的方方面面。
表2深度学习在安防领域的主要应用场景
1.2.4“智能平台化”使安防企业获得更大成长空间
图14给出了一个典型的安防智能平台的体系架构:
采集层对应以安防前端数据采集产品;
网络层对应安防传输产品;
平台服务层对应云存储和云计算技术支撑起的安防数据平台,并应用人工智能算法对大数据进行处理,提取有价值的辅助决策信息;
应用层针对用户的特定需求,将产生的辅助决策信息进行反馈;
用户层为最顶端的细分行业或部门。
图14典型安防智能平台的体系结构
实现“智能平台化”之后,安防企业销售的不再仅仅是硬件设备或解决方案,而是从采集层到应用层的整体智能平台。
收入来源也不再仅限于有形的前后端设备,而会越来越多的来自于智能化服务以及智能平台的运营。
随着智慧城市等概念的逐步落地,安防将不仅仅局限于治安、交通、金融等某一个细分领域,“大安防”概念将会涵盖城市治理的方方面面,而安防企业也将向服务提供商和平台运营商转型,获得更大的成长空间。
综上所述,正是由于人工智能技术的不断发展,使基于大数据的信息服务和平台运营成为现实,为安防行业带来了全新的发展机遇。
图15给出了基于大数据的安防服务示例。
我们认为,由于以视频技术为核心的安防行业拥有海量数据来源和丰富的数据层次,可以充分满足人工智能对于模型训练
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 人工智能 行业 深度 分析 报告