边缘的人工智能：视频监控的机遇
在视频监控领域，边缘计算具备一大优势：能够借助摄像机本身的人工智能和深度学习技术开展高级分析。
首先，“边缘”是什么意思？
安防网络边缘的设备数量不断增长，并在安全保障方面发挥着越来越重要的作用。边缘计算意味着在联网设备上构建更多的功能，让信息处理能力尽可能靠近信息来源。
对于视频监控网络来说，这意味着可以通过摄像机本身执行更多操作。人工智能、机器学习和深度学习在视频监控中的作用不断增强，使得我们能够“教会”摄像机更直观地了解自己实时拍摄和分析的内容。例如，场景中的车辆是小汽车、客车还是卡车？建筑物旁边的物体是人还是动物？公路上的东西是阴影还是物体？
这种洞察力有助于减轻分析数据和制定决策所需的人工输入负担。最终，它可以加快反应速度，从而有可能挽救生命，并可以提供有价值的分析结论，从而塑造建筑物、城市和交通系统的未来。
我们如何改造边缘的视频监控？
当前，监控摄像机视频内容的边缘分析大多只能表明有东西或有人在移动。当集中式服务器上的视频管理系统完成这种分析之后，我们还需要人工来准确解读它到底是什么，以及是否存在威胁或安全风险。
为了弄清楚某个物体到底是车辆、人员、动物还是别的什么东西，我们可以“训练”摄像机系统来检测物体并予以分类，这样我们就能够分辨无限多的物体类别和环境。
标准分析可以识别出车辆触发了警报。在此基础上，借助深度学习，我们还可以进一步了解更多的细节：它是什么类型的车辆？它是位于有可能引起潜在问题的区域，还是停在硬质路肩上并没有直接的危险？它若是发生故障而抛锚的公交车，那么车上的乘客下车会有危险吗？
边缘分析的优势
边缘分析的准确性更高，并且能够区分多种类别的物体，因此可以降低误报率，从而减少调查误报所花费的时间和资源。此外，边缘分析还有助于主动创建更合适、更及时的响应。
例如，在边缘运行人工智能分析有助于识别高速公路上的物体并提醒驾驶员，而深度学习具备区分人员和车辆的能力，因此有助于界定向驾驶员发出的警告的严重程度。如果摄像机看到道路上有人处于危险之中，那么它可以自动激活标牌以减慢交通速度，并向应急服务机构发送警报。
随着时间的推移，分析背后的开发人员慢慢会发现一些发展趋势，它们不仅可用于交通的管理和规划，而且还可用于对野生动物的行为和保护感兴趣的其他机构。能够区分各类交通参与者，包括行人、骑车人、驾车人、商用汽车等，就可以提供有价值的发展趋势分析结果，从而帮助土木工程师规划未来的智慧城市。
将原始数据转化为可操作的分析结果
边缘分析还具备另外一大优势：分析的基础是最接近于信息来源的最高品质的视频内容。而在传统的模型中（分析在服务器上进行），视频通常在传输之前先行压缩，因此分析的基础是质量有所下降的视频内容。
此外，当分析集中在服务器上进行时，若解决方案新增更多的摄像机，则会有更多的数据需要传输，最终也需要更多的服务器来处理分析。而在边缘部署强大的分析功能则意味着仅需通过网络发送最为相关的信息，因此可以减少带宽和存储的负担。
希望进一步了解我们的固定盒式摄像机以获得卓越的性能和处理能力？