人臉辨識

泛宏碁集團之建碁旗下以AI 視覺應用為主的建碁智見公司 AOPEN Smart Vision，結合集團強大專業的AI研發實力，日前發布100%由台灣本地專家團隊研發之AI臉部識別演算法—AVCP，具人臉辨識之高精準度、防假臉的基本辨識外，口罩辨識也輕鬆無感通過。目前在國內及東南亞企業、醫院、工廠及知名零售品牌之二岸分公司已有廣泛應用、樹立口碑實例。AVCP演算法平台提供API方便軟體開發商對接各種應用程式，為推廣人臉辨識應用，建碁智見開放軟體開發商申請30天免費試用。 建碁智見總經理林銘祥表示，企業人臉辨識出缺勤管理及門禁系統，連結雲後台便可以時刻掌握全球各據點的人員出勤狀況，避免誤/代打卡或強化安全管理，確保非權限者闖入企業機密區域。中部某地區醫院，希望導入員工刷臉作為上下班打卡系統以減少醫護人員的手部接觸、降低汙染風險。 AVCP之AI人臉辨識演算法技術係由集團內100%在台灣研發無資安問題，AVCP採用類神經網路深度學習應用演演算法在國際臉部辨識資料庫準確率達99.53%(LFW)及Mega Face準確度97.24%的高水準特色，AVCP支援離線使用、毋需上傳雲端系統，即使在無網路的環境下仍可如常使用、辨識運作不受影響。AVCP符合人工智慧深度學習架構的嚴格要求，支援多種邏輯推理引擎，如：OpenVINO、TensorRT、TensorFlow及CoreML等，同時在Intel Movidius及NVIDIACUDA 等GPU硬體架構下進行效能加速；針對如Jetson及ARM等AIoT邊緣運算設備，皆能進行輕量化與效能優化，加速深度學習演算法的運算速度。特別適合欲建立人員資料的企業員工、會員管理及金融安全之嚴格防護需求產業。 緯創軟體事業群2019年甫遷入位於汐止遠雄U-Town新辦公室，直接導入以人臉識別方式做為員工打卡、進出門禁及訪客系統之應用。緯創軟體人資長Steve提到，自從導入刷臉打卡的門禁後，同仁不需要擔心卡片忘記、遺失的問題、準確度高，HR同仁僅需在人員入職及離職時僅需從後台做資料的更動，而不需製作卡片，工作效率相對提升。 此外，在北部某大型醫院亦將多人動態識別做為高齡患者之動態追蹤管理之用，當辨識到該樓層病患離開護理區樓層時即開始記錄時間，超過一定時間若未偵測到返回即發訊息通知護理站啟動院區尋人機制。林銘祥表示，人臉辦識可應用的範圍廣，舉凡有建置個人資料的單位都適合，此次因為疫情關係，也讓許多企業單位重視健康與安全，能協助企業主以最少人力資源快速達成系統升級是該公司的目標。

大聯大控股宣布旗下世平集團將推出以英特爾(Intel)Movidius Myriad 2(MA2450)為基礎的38×38mm人臉辨識攝影鏡頭方案。 繁星嵌入式AI模組是以深度學習演算法和嵌入式技術為基礎，由閱面科技自行研發的一款人工智慧產品。繁星在產品設計上，搭載高效能低功耗嵌入式視覺處理VPU，整合多種視覺辨識演算法。 此人臉辨識攝影鏡頭方案主要特點有：移動運算，識別運算不需透過伺服器；功能豐富，支援多種機器視覺功能；小尺寸，38×38ｍｍ設計可嵌入各類移動影像裝置；部署簡單，USB2.0簡單對接即可。 此方案以高效能低功耗英特爾Movidius VPU為基礎，閱面科技研發的輕量級嵌入式深度學習演算法，無需雲端。同時具備人臉抓拍優勢以人臉檢測和人臉追蹤為基礎，於人群場景中對人臉進行捕捉；效能指標，捕捉速度(單人) 10ms；捕捉準確率99%；捕捉漏抓率小於0.5%；捕捉重複率小於10%。 偵測到人臉，並與資料庫進行特徵比對，驗證身份。支援辨識人臉資料庫1萬人；本地辨識速度(單人)85ms；千分之一誤差下，準確率99%，萬分之一誤差下，準確率96%。 另外此方案特點尚有：人臉屬性辨識優勢，針對檢測到的人臉，辨識年齡和性別訊息；人臉屬性辨識速度18ms/frame；性別辨識準確率>96%；年齡辨識誤差±5歲；人數流量統計優勢，根據人群的頭頂訊息，進行人數流量統計；人頭檢測時間33ms/frame；人頭追蹤時間(單人) 11ms/frame；人頭追蹤時間(15人) 165ms/frame；人頭計數準確率> 95%；支援攝影鏡頭放置高度2~6公尺。

致力於亞太區市場的領先零組件通路商大聯大控股今日宣佈，旗下世平集團將推出以恩智浦半導體(NXP)QorIQ LS1046A邊緣計算為基礎之人臉辨識方案。 大聯大世平集團所推出的恩智浦半導體方案將打造安全、可編碼且靈活的運算系統來加強人工智慧(AI)和機器學習(ML)，而邊緣節點兼具智慧化與學習力，清楚所處的環境和狀況，能夠在離線或有限的雲端連線下運作。 恩智浦平台提供硬體和軟體級別的安全邊緣計算，提供基本技術，支援低功耗、低延遲、高吞吐量的解決方案，以提升效率、便利性、隱私性和安全性。 恩智浦的邊緣計算方案可提供高達10Gbps的高效能網路功能、企業安全性和廣泛的連接接口。開發人員能以Docker為基礎建構網路應用，利用QorIQ Layerscape LS1043A或LS1046A處理器中的數據包加速器，可將CPU使用率降至5％以下。 QorIQ LS1046A處理器將四個64位ARM Cortex-A72核心、數據包加速器和高速外接裝置相整合。此處理器具有超過32,000 CoreMarks的效能，可與10 Gb乙太網路、第三代PCIe、SATA 3.0、USB 3.0和QSPI接口配對。 點對點解決方案：以Tensorflow為基礎，AWS雲端學習，邊緣端運算；恩智浦(NXP)A7x產品提供硬體加密及密鑰儲存，並可透過雲端進行安全認證和OTA升級。以FaceNet為基礎進行人臉辨識，準確度高，速度快。

長久以來，人臉驗證一直被認為是電腦視覺領域中最大的挑戰之一，但現已設計出一套準確度高達98.36%的人臉驗證系統，而且是此一概念的即時驗證。本系統選擇的管線設計結合典型與現代的機器學習(深度學習)技巧，支援包括多用戶驗證以及反詐騙階段等關鍵功能，以解決利用照片或影片進行詐騙的關鍵安全議題。本文的目標是針對使用機器學習所產生的問題，以及終端用戶使用平台遭遇的問題，進一步瞭解打造更完整解決方案的程序。也因此，此一使用案例主要在探討如何在多IP上部署機器學習，以提升使用者體驗。為了達成概念驗證，本文使用Arm NN軟體以及已生產的硬體IP，展示一套Always-on的人臉解鎖(人臉驗證)系統。 人臉驗證演算法設計總覽 資訊流的來源，來自耗電量非常低的低解析度照相機檢測到的場景顯著變化，並對隨後階段進行閘控，以保持低電力使用量。當場景變化達到預先定義的水準時，高解析度的RGBD相機會啟動，並且開始針對每一幀(Frame)進行掃瞄，以找出人臉(圖1)。 圖1　當場景變化達到預先定義的水準，為找出人臉，高解析度RGBD相機會開始針對每一幀(Frame)進行掃瞄。 依據RGB資訊，倘若檢測出人臉，相對應的景深影像會傳送至負責辨識真實人臉的詐騙偵測器。在初期便放置反詐騙偵測器的作法，在出現的人臉若是列印的臉或是螢幕影像，得以馬上中止管線執行，並進一步降低電力消耗。 倘若人臉經過驗證後確認是真的，經裁切的RGB人臉會送至特徵點偵測器。追蹤可信之人臉部分，以及更精確的眼睛座標，可以協助我們對準人臉，並讓特徵提取器更易派上用場。在這個階段，我們使用卷積神經網路(Convolutional Neural Network, CNN)，替每位用戶將每張臉轉換成一套特徵集。 最後，驗證階段使用一個分類器，它負責透過比對輸入特徵與用戶儲存的特徵來驗證用戶的身份，以決定是否讓用戶進行系統存取。 此一解決方案使用Python做為開發語言達成，每一個資料段都可依據任務的不同，部署於最合適的Arm IP，讓管線更加節能，同時也能保持低推論延遲。 系統的啟動，靠在Arm Cortex-M處理器上處理的低解析度影像達成，可以提供最大的效能與最小的記憶體使用量。為了觸發高解析度相機，人臉偵測與反詐騙階段在Arm Cortex-A CPU上運作，並使用Compute Library運算函式庫支援的低階且高度優化的軟體功能。同樣地，特徵提取神經網路透過Arm NN可以進行高效剖析，然後匯入NEON或GPU，這讓我們針對所有的關鍵階段，都能達成高效的平行執行(圖2)。 圖2　人臉辨識執行步驟 Always-on階段使用一顆Arm Cortex-M處理器執行，處理來自低解析度感測器的輸入訊號，並在偵測到場景變化時，把系統喚醒；此一場景變化的偵測，會對在Cortex-A73上運行的RGBD相機資料處理，進行閘控。 更高品質的人臉偵測可移除偽陽性，且詐騙偵測使用深度資訊，確保人臉不會只是一張照片。人臉經偵測後，資料將饋入身份辨識階段，其為設計用來針對每個身份擷取獨特特徵的先進神經網路。驗證階段確認人臉是裝置中已登錄的人臉之一，並確認用戶的身份；而使用Arm NN，自然地把各階段移至正確的IP。我們不妨仔細檢視每個階段的功能，以及它們對整個解決方案有何貢獻。 喚醒階段 大多數現有的喚醒方式，都需要與裝置進行實體互動。為了讓行動使用更加無縫順暢，此一方式可以用其它感測器的低電力分析加以取代，以偵測用戶是否有意開始使用裝置。 運動感測器是選項之一，但是當裝置放在口袋裡或袋子中，可能會因為錯誤的喚醒而產生電力消耗的風險。因此，本文選擇使用低解析度相機來偵測顯著的場景變化，原因是手機上鎖後的前置相機，在使用前的一刻，通常只會看到一片黑暗，或是靜止不動的天花板。 使用低解析度感測器來進行影像擷取，並用Cortex-M處理器進行影像分析，可以讓喚醒階段偵測出有趣的特徵，同時在Always-on耗電水平內進行運作。這些特徵可以靠執行背景減法，並依背景擷取強度值的直方圖差異，輕易地進行辨識。此一階段設計用意為低延遲，並藉由使用低成本的Cortex-M處理器，來觸發解析度較高的光學感測器，並開啟人臉檢測階段。 人臉檢測 針對此一階段，我們選擇執行經過訓練的支援向量機(Support Vector Machine, SVM)分類器，並用梯度直方圖(Histogram of Gradients, HOG)當成特徵提取器。與另一種Viola&Jones方法相比，這種方式經證實可產生較少的偽陽性偵測，同時仍可在Cortex-A上進行即時運作。 每張梯度直方圖都是從使用16×16像素的資料段所擷取的8×8像素儲存格，且資料段的間隔為8個像素。每個儲存格的直方圖大小，可以支稱9個bin(0~180度)，而且最後的特徵向量在每個視窗大小內，將可支撐數個序連特徵。 最後，每個視窗的特徵資訊會傳送至SVM分類器，而它也將檢測人臉是否出現在此一視窗內。分類器經過LFW影像訓練過，而且藉由提供可以接受數量的真實反例，如此一來便可證實已經能顯著減少偽陽性偵測(圖3)。 圖3　執行經過訓練的SVM分類器可顯著減少偽陽性偵測 此一方式在使用NEON的Compute Library已經主要執行，而這也是降低這個階段整體延遲的一個好選項。正常來說，特徵擷取會進行多次運行，每一次都會讀取視窗內相對應的強度值，ACL則以更有效率的方式處理，透過預先定義HOG參數，每個儲存格都會計算一次特徵向量，並儲存在裝置上。 隨後，大小不同的數個視窗，每個都可以用來讀取相對應的記憶資料段，而且藉由平行運行多個SVM分類器，可以更快速地預測人臉座標，要辦到這點，需要訓練數個SVM分類器，且每個分類器都對應特定的特徵長度。 當然，要訓練分類器，必須相對應地調整訓練資料的大小，原因是每個SVM(總共有六個)是針對特定的特徵向量長度接受訓練，且視視窗的大小而定。不過，由於不必再重覆從像素值擷取特徵，使用上述的方法可降低運行時間的延遲。此外，依據輸入影像的解析度選擇所要的視窗大小，可以免除整合金字塔表示法的需要。最後一步我們則透過非極大值的抑制，來排除多重檢測。 拿ACL人臉偵測的延遲，與針對256×256影像以Dlib在4個Arm Cortex-A73、時脈調為2.36Ghz的處理器運作兩相比較，結果只花了一半的時間，就可以達成類似的結果(ACL：15毫秒對比Dlib：30毫秒)。最後，在ACL人臉監測執行的前端，建立了Python綁定(Binding)，讓它可以輕鬆與管線進行整合。 反詐騙步驟極為關鍵 在把人臉影像匯入生物特徵提取器之前，反詐騙是極為重要的安全步驟。在這個階段，我們把應付兩個關鍵安全議題的詐騙偵測資料段整合進去；利用照片或影片詐騙用戶身份。 四個最受歡迎的詐騙檢測演算法類別，分別是運動分析、紋理分析、影像品質分析，以及如紅外線感測器等主動方式。不過，由於此次使用的是RGBD輸入感測器，於是採取使用深度資訊的方式來辨識真臉與假臉。帶出反詐騙模型最大的挑戰，在於缺乏公共資料庫，因此我們搜集了自有的真臉與假臉反詐騙資料庫，並對系統進行訓練。 真實的人臉利用各種變數進行擷取，如不同的採光環境與姿勢，以及戴上或不戴眼鏡的情況；假臉則從各種不同的顯示監視器與照片進行擷取，以模擬2D的人臉詐騙攻擊。 為了辨識出詐騙攻擊，透過RGB偵測出的人臉座標會從人臉偵測資料段，饋入反詐騙資料段。依據這些座標，我們裁切從深度空間(2D距離的矩陣)偵測到的人臉，並跟之前一樣，利用同樣的HOG參數提取特徵。 最後，已經在我們客製化資料集中接受訓練的SVM分類器，會利用區別真實與虛假的人臉，防止非法的系統存取。倘若人臉被判定為假臉，我們會拒絕該用戶，並避免管線剩下的運行；如果判定是真臉，人臉會饋入2D仿射轉型資料段。針對反詐騙階段，再次執行HOG與SVM ACL，因為此一解決方案提供加速運行與結果(圖4)。 圖4　反詐騙是執行人臉辨識十分重要的步驟。 對準人臉 倘若用來訓練與測試的臉部影像修補，可以對準成常見的角度，人臉辨識與驗證系統的效果會更好。此一對準動作，可以讓生物特徵系統專注在人臉的外表，而不用特別應付不同的姿勢。 雖然我們預期用戶在人臉驗證過程中會直視相機，但藉由人臉對準的變換，我們提升了生物特徵提取器的堅固性，並排除了資料集內的姿勢變異。在對準人臉的作業中，深度學習技術顯現出大有可為的結果。不過，我們最後選擇了一個有效且運算成本較低的解決方案，以將管線的延遲降至最低；先用特徵點偵測器來提取特徵點，隨後依據這些點，用2D仿射變換(Affine Transformation)對準輸入的人臉。 在無限制的環境下，要把人臉特徵點局部化是件極具挑戰的任務，原因是它會出現許多令人混淆的因素，如姿勢、堵塞、表情與照明；特別是這些因素會對人臉的外表以及人臉局部特徵狀態，產生顯著的影響。 在我們的情況中，針對五個特徵點進行追蹤，並依集成迴歸樹(Ensemble of...

致力於亞太區市場的領先零組件通路商大聯大控股近日宣布，旗下世平集團將推出以恩智浦半導體(NXP)S32V234為基礎可應用於疲勞監測、前方碰撞、車道偏離、全景監控的解決方案。 在物聯網的發展下，智慧汽車成為現今市場的新主流。其中，先進駕駛輔助系統(ADAS)是無人駕駛的重要技術。世平集團ADAS解決方案採用恩智浦S32V234作為視覺處理器系列晶片，搭載優異的3D GPU、雙APEX-2視覺加速器(速率達80 GMACS)，並提供一個可支援1080P的ISP。此方案可提供疲勞監測、前方碰撞、車道偏離、全景監控等功能。目前也有許多客戶已投入於智慧駕駛相關應用。此方案開發工具包可在大聯大電商平台購買。 該方案具備人臉偵測及人眼分析技術，可偵測駕駛臉部特徵，判斷是否處於疲勞狀態，當偵測到駕駛處於疲勞狀態時，會發出警報。也具備前車偵測及分析技術，可檢測前車的輪廓並計算與前車的距離，當其距離低於預設的閾值時，會發出警報。另外，車道識別分析技術能在車輛行駛時，檢測是否偏離車道，當偏離車道時會發出警報。也支援4顆1080P的廣角攝影鏡頭影像輸入，可以將4部攝影機的影像進行拼接，提供環景影像(AVM)。具備支援魚眼校正功能，也可以可進行H264編碼並儲存影像數據。

人工智慧(AI)無疑是監控產業未來發展的關鍵，其應用也愈加普遍，民間、政府單位皆紛紛導入智慧化的監控系統提升效率及提升安防等級。例如新北市警察局引進「違規停車自動偵測執法系統」，24小時在新北市板橋車站的機慢車優先道進行自動偵測，只要違停屬實，不再勸導、一律舉發，預定2019年1月起正式施行執法。 據新北市警局指出，此一系統是使用雷射偵測及車牌辨識系統，24小時自動偵測違規停車，自動蒐證違規車輛影像，傳送逕行舉發系統，減少人力作業，預定於2019年1月正式施行執法；若成效良好，將擴大在全市違規停車嚴重路段規畫辦理。除了在板橋車站引進違規停車自動偵測執法系統，新北市警局同樣也在萬里區萬里隧道實施區間平均速率科技執法，在進、出口設置偵測設備，記錄車輛進出的時間，換算通過該路段時間及通行速率。 除了政府單位，也有愈來愈多的民間企業開始使用智慧監控系統，以提升安全維護。像是美國流行歌手泰勒絲(Taylor Swift)便於今年5月的洛杉磯Rose Bowl體育館演唱會中導入人臉辨識系統，避免跟蹤狂混進會場中。從這兩個案例可看出，智慧監控愈來愈受各界的重視，其需求也跟著水漲船高。 監控市場續成長　裝置AI化成趨勢 根據市場調查機構Marketsandmarkets調查報告指出，影像監控的市場產值，將以每年13.1%複合成長率的速度成長，從2018年的368.9億美元，成長至2023年的683.4億美元。其主要驅動因素在於政府及公共安全應用方面調查，使得數位網路型攝影機、消費型DIY設備及偵防用攝影機的需求增加。 報告指出，網路影像監控系統的產值成長，主要是因為市場採購趨向從類比(Analog)走向數位網路型(IP)系統。網路影像監控系統的主要優點包括畫質更清晰、系統可高度擴充、容易安裝，以及容易網路連線及整合。 像是連網型的機種，用現有的網路就能連線整合使用，配合設備基本提供的軟體，可做到影像分析、網路管理及雲端儲存。因此，數位網路型監控系統未來會以快速的速率成長，而攝影機內建的功能，以及儲存設備產業的技術都將更進化；而AI，更是提升攝影機效能，使其實現更多應用的最大關鍵。 對此，Western Digital表示，隨著矩陣數學運算和算法的進步，機器學習(ML)與深度學習(Deep Learning)技術逐漸應用於監控市場之中。機器學習可被訓練，以識別模式、形狀、顏色、聲音、振動、溫度以及壓力等細微差別和差異， 這對於即時檢測和識別十分重要，使得臉部辨識應用日益完善，以進行高級識別、驗證、搜索、預防和救援。至於深度學習，透過大量的監控影像和訓練之後，搭載深度學習的監控系統便可有效的進行對象和行為模式分析，進而提供更有效的數據。 Arm市場行銷高級總監Rhonda Dirvin(圖1)也指出，在監控裝置中導入AI將會產生十分巨大的影響，特別是現今越來越多的智慧從雲端移到終端。廣域監控(人群和交通管理、智慧零售、智慧監控)和屋內或室內監控(人員偵測、辨識、存取控制、停車管理)，都將因AI的導入而受益。 圖1　Arm市場行銷高級總監Rhonda Dirvin指出，AI將會對監控裝置帶來十分巨大的影響，同時現在也有越來越多的智慧功能從雲端移到終端。 Rhonda Dirvin進一步說明，例如，在廣域監控中，終端偵測和推論實現了更實用的即時訊息提取，使得這類系統的管理更加強大，且更不易出現人為錯誤，在此類系統拓展終端智慧也更有效率。又或對於家庭或室內使用情境，終端智慧可讓系統更加安全和本地化；像是可以通過在家中本地運作的臉部辨識來打開家中大門，而不是在雲端中運作。 總而言之，安防需求的增加，推升了影像監控市場成長，而要實現更高的監控效率，AI可說是不可或缺的關鍵技術；一旦增添了AI功能，使安防監控系統更加智慧化，不僅效率更佳，也能有效降低人力成本，因此，監控AI化可說是必然的發展趨勢。 技術變遷/消費需求　AI監控趁勢而起 眾所皆知，影像監控系統每天都會產生大量的影像與事件資料，但這資料數據只有20~40%是有意義的，其餘都是無用的影像或誤報的事件資訊，也因此，導入AI針對影像進行自動分析、識別、跟蹤、理解和描述，藉此提升效率並減低人力成本的需求明顯增加。 晶睿通訊研發副總馬士毅(圖2)表示，事實上，監控錄影其實是件很無聊的事情，因為不是常常都有狀況發生。在錄影過程中，大概有八到九成的時間是不會有事的，當有事情發生時，才倚賴人工方式將監視帶子調出，對事件發生時段進行檢視。也因此，如何將監控系統智慧化，使其能有效地在事情發生時能迅速通知、警示，同時也減少人力，是監控產業期望實現的目標。 圖2　晶睿通訊研發副總馬士毅說明，場景、演算法和算力為智慧監控三大要素，科技進步使得演算法和算力不斷提升，因而能導入AI實現智慧監控。 馬士毅進一步指出，過往之所以無法實現智慧監控，最大原因莫過於是演算法能力不夠強。智慧監控共有三個要素，一個是場景，例如停車場、商場、辦公大樓等；第二是演算法，像是如何運用機器學習、深度學習進行數據處理，並有準確的分析結果；第三個要素就是演算能力，也就是這演算法和硬體處理器的運算效能夠不夠強大。 馬士毅說明，如上所述，智慧監控的場景一直存在，但過往礙於演算法和演算能力不夠成熟，因此遲遲無法實現。然而，隨著科技進步，晶片製程不斷提升，加上AI興起，使得不僅是監控產業，其他領域也積極投入，像是汽車、工業等。在各行各業的推波助瀾之下，IC、演算法成熟度加速累積，因而使得智慧監控應用得以實現，且如雨後春筍般冒出，而未來更智慧的監控設備勢將愈加普及。 對此，索思未來科技(Socionext)影像處理事業部應用工程科經理陳哲鋒(圖3)也認為，監控系統於設計上已然改變，不論是居家應用、商場百貨，或是交通等領域，監控設備不再是過往的單純錄影，待事件發生時再回看進行搜索，而是會有更多智慧化的功用在其中，像是臉部辨識、動作偵測等。 圖3　索思未來科技影像處理事業部應用工程科經理陳哲鋒提到，在消費者希望監控產品能有更多附加價值的情況下，智慧化功能便逐漸增多。 陳哲鋒指出，隨著科技進步，消費者的購買需求也會隨之改變。過往消費者對於監控設備的要求多在於高效能(如畫面清晰)；現在則希望這些設備還能有其他的「附加價值」。 陳哲鋒說，試想一下，若家中IP攝影機具有臉部辨識功能，當親朋好友來臨時便會立刻發出通知，通知客人身分；或是當陌生人在家附近徘徊時，能立即發出警示。這對消費者而言，不僅實用，也方便，而這也是所謂消費者對監控系統所期望的「附加價值」。因此，使得越來越多監控系統業者紛紛於產品上增添附加功能，智慧化趨勢便日益明顯。 智慧監控應用增　交通/零售/安防為三大市場 上述提到，監控系統AI化趨勢日益明顯，其應用也逐漸浮現，如交通管理、智慧零售，或是和屋內或室內監控等。對此，建騰創達董事長暨執行長朱伯倫(圖4)表示，目前AI智慧監控所要監測的事物不外乎可分成四大類，分別為人、臉、車，以及車牌識別(Automatic License-plate Recognition, ALPR)；也因此，和這四類較為相關的應用領域，像是零售、交通、商業建築等，會是未來智慧監控發展較為快速的領域。 圖4　建騰創達董事長暨執行長朱伯倫表示，要搶得AI商機，不能再以尋求差異化為主，而是要從應用服務角度出發，滿足客戶需求。 以零售業為例，耐能智慧行銷業務資深經理陳學佑指出，零售業者導入智慧監控系統有兩大方向，首先是打造無人商店，例如7-ELEVEN的「X-STORE」及亞馬遜(Amazon)的「Amazon Go」等；其次便是希望能藉此進行客群分析，進而實現「精準行銷」。也就是運用AI監控系統，除了紀錄來店人數，監看現場狀況之外，同時紀錄客人的相關資訊，不一定需要知道客人的身分，但可透過數據分析得知是否有固定來客，以及這些客人是否有品牌忠誠度；若有的話，店員便可進行技巧性推銷，推薦客人有興趣的產品。 至於交通方面，馬士毅指出，AI的出現使得交通監控的需求也開始產生改變。交通監控不再只著重錄到的影像，重點開始轉向背後所獲取的資料。監控系統不僅僅是單純錄到車輛通過的影像就行，於車輛通過時也同時須得知其車牌號碼、車型等，這就是所謂的結構化監控。也就是不單單是看車流數量，或是影像畫質好不好，而是要看懂其背後的數據，才能做出更有效的判斷和決策。 當然，傳統安防領域也仍是AI監控的重要市場。台灣索尼課長葉沛青指出，對於智慧監控需求一般而言，還是以警政系統的安全維護及智慧辨識為主。促成此變化的發展趨勢在於，針對日新月異的犯罪手法，傳統式的監控系統不斷在更新其功能，透過智慧識別，能節省人力，在更短的時間內分析出所需的資訊。這對於某些業主(如零售店、家庭)而言，無疑是更有效的安防監控工具。 搶占AI監控商機　應用服務為主軸 綜上所述，AI將為監控產業帶來翻天覆地的新變化，其應用需求也逐漸高漲；然而，對於監控業者而言，AI的興起雖帶來了新商機，但也意味著新挑戰隨之而來。 朱伯倫說明，商場、零售店等終端業者之所以會導入AI，其原因不外乎是增加營收、減少成本，以及降低風險，以得到更多的投資回報率(Return On Investment, ROI)。也因此，監控業者不能抱持「尋求差異化」的思維，而是須以「應用服務」的角度出發，協助客戶達到更多營收、更低成本、更易管理風險的目標。 朱伯倫進一步指出，尋求技術差異化偏向製造業的思維，也就是打造一個具獨特性的產品(可能是價錢最低、效能最好等)力抗市場眾多競爭對手，進而讓顧客買單；然而，這種差異化並非是永遠不變的，因為技術每天在進步，或許在短短幾個月內，產品之間的優勢或獨特性便會相差無幾。 也因此，對於監控業者而言，在逐漸攀升的AI監控商機中，要占有一席之地，便該從「應用服務」的角度切入，以客製化的支援與服務滿足客戶的三大主要需求，也就是賺錢、省錢和管理風險。 朱伯倫表示，應用服務和客製化都不是新的概念，對於監控業者而言卻是新的挑戰。原因在於，這考驗業者了不了解終端產業的需求、運作，以及在了解之後有沒有相對應的能力進行服務與技術支援。以該公司為例，除了提供監控系統相關的軟硬體之外，更重要的還包括售後的服務與支援，例如數據分析、伺服器資料管理等。換言之，化繁為簡，不再執著於尋求產品、技術的差異化，而是去思考如何實現更智慧的應用，提供最有效率的解決方案滿足客戶在ROI上的需求，這是目前所有監控設備業者應了解的觀念，同時也是新的挑戰。 對此，Western Digital也認為，AI監控的興起，對於製造商和安裝商而言，雖說有更多的機會可提供和安裝複雜設備和系統，但更重要的是，他們更須了解數據在整個營運過程中所扮演的角色，因為有了數據，才使AI成為可能。所以，要如何獲取數據、又該捕獲哪些數據，且該如何消化、解釋、整合不同數據，還能呈現準確的結果，遂成為監控製造商、安裝商在AI世代脫穎而出的關鍵要素之一。