视频分析中的人工智能 (AI)白皮书，16页pdf

基于AI的视频分析是视频监控行业讨论很多的话题之一。某些应用程序能够显著提升数据分析速度，自动开展重复性任务。但现今，AI解决方案无法取代人类操作员的经验和决策制定能力。它的切实优势在于组合：利用AI解决方案，改善和提高人工效率。

AI概念包含机器学习算法和深度学习算法。这两种类型都能够使用大量采样数据（训练数据）自动构建数学模型，以便能够在无需专门编程的情况下计算结果。AI算法的开发通过迭代过程实现，其中，在得到所需的质量水平之前，要反复执行如下操作循环：收集训练数据、对训练数据加标记、使用加标记的数据训练算法以及测试经训练的算法。此后，可随时将算法用于分析应用程序中，此应用程序在购买后即可部署在监控点。这时，所有训练都已完成，应用程序将不再进行任何新的学习。

基于AI的视频分析的典型任务是，以视觉方式侦测视频流中的人和车辆，并对它们加以区分。机器学习算法已学习对这些目标予以定义的视觉特征的组合。深度学习算法是进一步优化，在经过相应训练后，能够侦测复杂得多的目标。但在使用最终的应用程序时，它需要的开发量和训练量以及计算资源也多得多。因此，应依据明确的监控需求，考虑专门的、经优化的机器学习算法是否已经足够。

摄像机的算法开发和不断提升的处理能力使得能够直接在摄像机上（基于前端）运行先进的基于AI的视频分析工具，而不必在服务器上（基于服务器）执行计算。这样就能够改善实时功能性，因为应用程序能够直接访问未压缩的视频材料。相比CPU或GPU（图形处理单元），利用摄像机中的专用硬件加速器，如MLPU（机器学习处理单元）和DLPU（深度学习处理单元），能够更省电地实现前端分析。

在安装基于AI的视频分析应用程序之前，必须仔细研读并遵守制造商基于已知前提条件和限制要求所提出的建议。每套监控安装都具有唯一性，应针对每个监控点评估应用程序的性能。如果质量低于预期，应开展全面调查，而不是仅着眼于分析应用程序本身。视频分析性能取决于多方面因素，涉及摄像机硬件、摄像机配置、视频质量、场景动态和照明等。在许多情况下，了解这些因素的影响并进行相应的优化有助于提升系统的视频分析性能。

随着AI在监控领域的应用日益广泛，必须严谨评估这项技术的使用时机和场合，从而在运行效率优势与新应用场合之间合理平衡。