根據相關機構最新的市場預測，AI市場目前以計算機視覺為主，而其中視頻監(jiān)控是最大的市場。換句話說，基于視頻圖像數(shù)據的智能化應用是目前AI領域的主要應用。

視頻圖像數(shù)據的應用前景

視頻圖像數(shù)據廣泛應用于智能化應用場景

視頻圖像數(shù)據具有對人、物進行識別的特點，這使其在以人、物為中心的應用場景中發(fā)揮巨大價值。目前，除了在安防領域中得到了核心應用，視頻圖像數(shù)據在商業(yè)、金融、平安城市、無人駕駛等領域均有應用。

例如，在智能商場應用場景中，顧客、店鋪經營者、商場運營方分別存在以下需求：

顧客：方便地進店、購物、付款；獲取專屬折扣及個性化推薦……；

店鋪經營者：提升進店率、轉化率、客單價；增加經營利潤……；

商場運營方：提升整體客流；通過提供增值服務實現(xiàn)租金、廣告位收入的最大化；預防安全事故……

針對上述需求，智能應用會基于視頻圖像數(shù)據并融合會員數(shù)據、銷售數(shù)據等業(yè)務數(shù)據提供智能功能，舉一個完整使用各類數(shù)據的例子：

顧客到店后，根據抓拍的人臉數(shù)據結合會員數(shù)據做會員到店識別，再基于會員的購買記錄和之前的到店行動軌跡挖掘做用戶的購買畫像，通過APP推送精準推薦給到店的顧客。在顧客選擇其中的商品后，根據抓拍識別客戶當前位置并提供直達選擇商品的導航。這樣一來，既方便了顧客也提高了轉化率。

智能商場應用場景解決方案

智能化應用場景中的數(shù)據處理需求

智能商場是視頻圖像數(shù)據在智能化場景中的典型應用之一。綜合來看，在智能化應用場景中，我們通常會面對結構化與非結構化混合形成的數(shù)據，需要對數(shù)據做三個階段的處理，即視頻圖像數(shù)據的接入、視頻圖像數(shù)據及業(yè)務數(shù)據的處理、數(shù)據使用，這也是常見的物聯(lián)網數(shù)據處理架構方案。

數(shù)據處理方案

其中，在第二階段的數(shù)據處理中，通常會存在以下四種數(shù)據處理需求：

01

數(shù)據的感知類計算

需將視頻圖像數(shù)據進行圖像處理、建模、識別，結構化等操作。某些應用場景如黑名單報警由于實時性要求高，部分計算需在智能邊緣設備中才能實現(xiàn)；

02

數(shù)據的實時流式計算

某些應用場景如客流統(tǒng)計、熱點區(qū)域等需進行實時反饋結果的流式計算；

03

數(shù)據的多維計算

某些應用場景如人車關聯(lián)、頻繁出入分析等涉及到聚類后圖像數(shù)據的碰撞；動線分析等場景需進行圖像數(shù)據和業(yè)務數(shù)據之間的關聯(lián)……通常情況下，這類計算需求和傳統(tǒng)數(shù)據倉庫中的操作類似，需進行大量結構化數(shù)據的處理工作；

04

數(shù)據挖掘

高級分析、預測類功能如用戶畫像里大量使用的聚類、預測里大量使用的回歸都會涉及到對各類數(shù)據做數(shù)據挖掘。

由于響應時間、吞吐量和計算模式的不同，上述數(shù)據處理需求通常使用多種數(shù)據處理組件實現(xiàn)不同類型的計算，以便在幾種計算場景中獲得較高的效率。

目前，大部分數(shù)據處理需求都采用Hadoop生態(tài)的各類計算組件實現(xiàn)，但在數(shù)據量不大、成本存在限制等小規(guī)模使用場景中，仍存在硬件資源有限、組件出故障幾率高、維護成本突出等問題。

因此，在上述小規(guī)模場景下，使用更輕量的解決方案更為合適。輕量的解決方案應滿足感知計算、實時計算、多維查詢、數(shù)據挖掘等計算需求，具備完整的資源配額功能支持和其他模塊混合部署，可透明擴展；同時，使用單一組件可降低資源開銷及維護成本。

人大金倉MPP數(shù)據庫：

滿足小規(guī)模場景數(shù)據處理需求

人大金倉悉心打造的MPP數(shù)據庫可以更好解決小規(guī)模視頻圖像數(shù)據+業(yè)務數(shù)據處理場景的數(shù)據處理需求，它具備以下優(yōu)勢特點：

1

通過UDF集成感知算法實現(xiàn)感知計算

常見的應用場景如抓拍、以圖搜圖等可通過SQL實現(xiàn)；同時，MPP數(shù)據庫本身具備的并行執(zhí)行方式會在全部計算節(jié)點上做并行的比對計算；

2

通過概率數(shù)據結構增強實時計算能力

例如使用hyperloglog可做實時的到店流量統(tǒng)計，基于聚類后實名/匿名ID的十億級數(shù)據量可實現(xiàn)毫秒級響應；

3

通過并行SQL支持，提供多維查詢功能

通過獲取顧客按時間順序出現(xiàn)的抓拍位置計算行動軌跡、通過關聯(lián)交易系統(tǒng)的交易數(shù)據獲取顧客在軌跡中的購買記錄等應用場景需要用到聚類后數(shù)據和業(yè)務數(shù)據的OLAP關聯(lián)查詢。支持OLAP是MPP數(shù)據庫的基礎能力，MPP基于代價的優(yōu)化器和各類優(yōu)化規(guī)則則可以保證執(zhí)行的效率；

4

內置并行數(shù)據挖掘算法，提供數(shù)據挖掘功能

支持使用內置的聚類算法可對顧客進行畫像，使用回歸算法可實現(xiàn)客流和銷售預測等功能。MPP提供的庫內數(shù)據挖掘可減少數(shù)據移動的開銷，在資源有限的情況，這無疑是一個 更好的選擇；

5

支持CGROUP控制資源及單機混合部署

可通過資源配額為挖掘/報表類任務和實時任務分配不同的CPU比率，這樣一來，夜間進行批量數(shù)據挖掘處理時可以占用全部資源計算，也可在有實施任務時降級使用較少的計算資源，減少對系統(tǒng)占用的影響。同時，整體的占用比率限制可以支持MPP和應用系統(tǒng)混合部署在同一服務器；

6

使用單一組件，資源使用更少

場景中數(shù)據處理所需要的不同類型計算能力都可以通過MPP數(shù)據庫實現(xiàn)，無需多個組件同時使用，資源使用更少。

除了具備以上特點，MPP數(shù)據庫還具備“三個減少”優(yōu)勢：由于數(shù)據的處理和開放使用都使用標準SQL，可以減少數(shù)據使用層的開發(fā)成本；使用交易數(shù)據庫的恢復技術實現(xiàn)數(shù)據的可靠存儲，可減少由于數(shù)據故障產生的維護成本；在存儲典型的人臉、車輛等視圖數(shù)據時，歷史數(shù)據壓縮比可達5：1到10：1，減少數(shù)據存儲成本。

縱觀市場，從 2005年Michael Stonebraker首先提出了數(shù)據處理不再適合one size fits all的方案，到如今由于不同的數(shù)據和處理需求衍生出了DB-Engines排名中數(shù)百種數(shù)據處理產品，這些都足以說明不同的數(shù)據和不同的處理需求需要使用不同的數(shù)據處理方案。

未來已來

未來，隨著視頻圖像數(shù)據在更多行業(yè)中的深度應用，數(shù)據處理將會衍生出更多的需求。人大金倉將持續(xù)以“客戶需求為中心”，利用自身過硬的技術實力和開放能力服務更多AI應用場景，為客戶持續(xù)貢獻價值。