
大数据发展纲要 安防成为重要赢家
国务院日前印发的《促进大数据发展行动纲要》将惠及全民,助力经济转型。这是中国政府网昨天披露的消息。一时间本就很热的“大数据”再次成为了社会的焦点。业内分析,在未来5到10年,大数据产业将可能迎来黄金增长期。
大数据前景被看好
根据国家金融信息中心指数研究院发布报告显示,2010年我国大数据市场规模为32亿元,到2016年预计将达238亿美元。贵阳大数据交易所总裁王叁寿是这次《纲要》的起草人之一。在他看来,《促进大数据发展行动纲要》的作用是要激活中国大数据的资产价值,未来我国大数据的市场规模将达到上万亿元。
监控数据竟占大数据总量60%
安防领域的专家、海康威视的浦世亮博士在2015年4月15日的投资者关系活动中提到:从大数据的角度看,监控数据占大数据总量的60%以上。不只是在监控中产生了大量的数据,同时大数据的关键技术涵盖了数据采集、传输、储存、处理、应用等各个环节,而这些环节都和安防技术密不可分。大数据看起来很复杂,却已经开始渗透进我们的生活。但是对于安防来说,真正的大数据应用之路才刚刚开启。
在安防领域中,主要的数据来源是视频,视频所占据的存储空间相对其他行业结构化的数据不一样,它不能直接被计算机进行处理或分析。而对于现在的安防行业来说还没有真正简单有效的技术可以通过对视频的处理来提取出更多结构化的数据。当然这也和很多其他因素有关,例如,摄像机的硬件性能不足以支持高级智能分析技术,对于一个城市来说数以万计的监控点每天产生的数据量也是惊人的,以现在的技术来说进行如此大规模的智能分析的成本过高,甚至超出了数据所带来的价值,这些都导致了安防行业大数据无法落实到底。
大数据安防应用需要的关键技术
1)大数据融合技术
经过十几年的发展,国内安防系统建设基本形成了是以平安城市、智能交通系统为主体,其他行业系统有效完善的发展态势。而“重建设、轻应用”的现况给安防应用提出了更高要求,如何解决这些问题成为当务之急。
为实现数据融合、数据共享,首先要解决存储“分散”问题,云存储系统不仅能够实现数据的有效融合与共享,解决系统在硬件设备故障条件下视频数据的正常存储和数据恢复问题,为安防大数据应用分析提供可靠基础。
2)大数据处理技术
安防大数据以半结构化和非结构化数据居多,要实现对安防大数据的分析和信息挖掘,首先要解决数据结构化问题。所谓的数据结构化就是通过某种方式将半结构化和非结构化数据转换为结构化数据。大华通过采用先进的云计算系统对安防非结构化数据进行结构化处理,为大数据的进一步分析和应用提供进一步支持。
3)大数据分析和挖掘技术
国内平安城市历经十几年的建设,在解决了稳定性、规模化之后,当下面临的问题是如何深化应用的问题,即如何实现公安部的要求,建为用、用为战的目标,实现对安防系统的深层次应用。
对安防大数据而言,要实现业务的深层次应用,首先需要对安防数据进行分析和挖掘,以云存储和云计算系统为基础,通过云计算系统实现对“大数据”的快速分析,如基于云的车牌识别,可通过对海量视频的分析,快速提取海量车牌信息,并通过应用系统对相关数据进行深一步挖掘、关联,形成有效“档案”。最后利用这些分析和挖掘的数据实现对事件的预测预防、报警,最终实现安防系统建设的实战应用目的。
未来的监控大数据可能为社会带来什么
平安城市监控系统实时汇总并综合分析各种公共安全数据和资料,为执法人员快速准确应对提供科学依据:如实时调阅现场视频录像、犯罪嫌疑人记录、同一地区的相似案件资料;进行地理、时间和空间的比较分析,揭示其犯罪模式和行为模式;追踪嫌疑人与其车辆的位置等。指挥人员也可以参照各种数据对不同来源的资料进行综合分析,制作指挥图。
智能交通行业,可以轻松监控摄像覆盖范围内的所有车辆的行驶状态、运行轨迹,快速分析出其是否违章,通过对海量交通数据的比对、分析和研判,实现指定车辆行驶路径、道路拥堵研判等功能。
视频监控云服务领域:实现基于大数据的视频监控云服务,让摄像机仅通过互连网就能连接云端的视频监控托管服务,通过快速、智能地分析部署在云端的大数据,为小型企业、零售商店、餐馆酒店等提供实时的监控视频和潜在的风险管理,甚至能提供收费的基于视频内容的分析报告,如日常的客户数,平均队列长度等,创造新的商业模式。
大数据技术和视频监控的结合,把孤立的视频内容通过大数据技术的加工,形成可视化结果呈现,这种转变可为视频监控业务创造更加智能高效的使用方式,让用户从繁重的观看视频监控劳动中解脱出来,能轻松自如地通过视频监控进行高效准确的决策。
小结:
《促进大数据发展行动纲要》的出台对于所有的行业都是一次新的契机,而安防行业又处于亟待转型的重要时刻,而监控又是大数据的主要来源之一,安防行业会成为重要赢家。相信随着技术的进步和客户更有针对性的需求的提出,大数据可以帮助客户更加精准有效率的达成目的。而把握住了这次机遇的人也许会改变安防行业的前景,创造出安防更好的未来。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
Excel 数据聚类分析:从操作实践到业务价值挖掘 在数据分析场景中,聚类分析作为 “无监督分组” 的核心工具,能从杂乱数据中挖 ...
2025-09-10统计模型的核心目的:从数据解读到决策支撑的价值导向 统计模型作为数据分析的核心工具,并非简单的 “公式堆砌”,而是围绕特定 ...
2025-09-10CDA 数据分析师:商业数据分析实践的落地者与价值创造者 商业数据分析的价值,最终要在 “实践” 中体现 —— 脱离业务场景的分 ...
2025-09-10机器学习解决实际问题的核心关键:从业务到落地的全流程解析 在人工智能技术落地的浪潮中,机器学习作为核心工具,已广泛应用于 ...
2025-09-09SPSS 编码状态区域中 Unicode 的功能与价值解析 在 SPSS(Statistical Product and Service Solutions,统计产品与服务解决方案 ...
2025-09-09CDA 数据分析师:驾驭商业数据分析流程的核心力量 在商业决策从 “经验驱动” 向 “数据驱动” 转型的过程中,商业数据分析总体 ...
2025-09-09R 语言:数据科学与科研领域的核心工具及优势解析 一、引言 在数据驱动决策的时代,无论是科研人员验证实验假设(如前文中的 T ...
2025-09-08T 检验在假设检验中的应用与实践 一、引言 在科研数据分析、医学实验验证、经济指标对比等领域,常常需要判断 “样本间的差异是 ...
2025-09-08在商业竞争日益激烈的当下,“用数据说话” 已从企业的 “加分项” 变为 “生存必需”。然而,零散的数据分析无法持续为业务赋能 ...
2025-09-08随机森林算法的核心特点:原理、优势与应用解析 在机器学习领域,随机森林(Random Forest)作为集成学习(Ensemble Learning) ...
2025-09-05Excel 区域名定义:从基础到进阶的高效应用指南 在 Excel 数据处理中,频繁引用单元格区域(如A2:A100、B3:D20)不仅容易出错, ...
2025-09-05CDA 数据分析师:以六大分析方法构建数据驱动业务的核心能力 在数据驱动决策成为企业共识的当下,CDA(Certified Data Analyst) ...
2025-09-05SQL 日期截取:从基础方法到业务实战的全维度解析 在数据处理与业务分析中,日期数据是连接 “业务行为” 与 “时间维度” 的核 ...
2025-09-04在卷积神经网络(CNN)的发展历程中,解决 “梯度消失”“特征复用不足”“模型参数冗余” 一直是核心命题。2017 年提出的密集连 ...
2025-09-04CDA 数据分析师:驾驭数据范式,释放数据价值 在数字化转型浪潮席卷全球的当下,数据已成为企业核心生产要素。而 CDA(Certified ...
2025-09-04K-Means 聚类:无监督学习中数据分群的核心算法 在数据分析领域,当我们面对海量无标签数据(如用户行为记录、商品属性数据、图 ...
2025-09-03特征值、特征向量与主成分:数据降维背后的线性代数逻辑 在机器学习、数据分析与信号处理领域,“降维” 是破解高维数据复杂性的 ...
2025-09-03CDA 数据分析师与数据分析:解锁数据价值的关键 在数字经济高速发展的今天,数据已成为企业核心资产与社会发展的重要驱动力。无 ...
2025-09-03解析 loss.backward ():深度学习中梯度汇总与同步的自动触发核心 在深度学习模型训练流程中,loss.backward()是连接 “前向计算 ...
2025-09-02要解答 “画 K-S 图时横轴是等距还是等频” 的问题,需先明确 K-S 图的核心用途(检验样本分布与理论分布的一致性),再结合横轴 ...
2025-09-02