除非你最近参与了涉及深度学习人工智能的视频监控项目，否则你可能会觉得这项技术太昂贵了，只能用于高端应用。
随着搭载了深度学习人工智能的新一代经济型摄像机的推出，情况远非如此。然而，与该技术相关的术语，如人工神经网络和机器学习，可能肯定已经造成了这样一种印象，即该技术所能提供的能力，远远超出了大多数终端用户从他们的视频监控解决方案中获得最大利益的要求。
消除误报
但事实并非如此，大多数情况下，人工智能摄像头都是需要解决困扰电子安防行业数十年的误报问题的。
简而言之，深度学习 AI 视频分析忽略了视频噪声、摇曳的树木、移动的云层和动物——当使用标准运动检测技术或传感器检测活动时，所有这些通常都可能是误报的原因，因为它没有受过训练来对待这些情况。
这种基于深度学习 AI 的视频分析的更高性能意味着控制室操作员和安全人员可以专注于响应真实的事件和紧急情况，而不是在误报上浪费时间和精力。除了极高的准确性，深度学习还允许操作员搜索特定的特征和属性，包括一个人的年龄和性别，以及他们是否戴着眼镜、帽子或提包。
易于安装和使用
实际上，由于 AI 摄像机中已经内置了所有智能的部分，因此安装、设置和使用深度学习 AI 并不复杂。因此，系统集成商和安装人员应该能够充分利用该技术，作为几乎所有视频监控项目的一部分。
随着 AI 做好了开箱即用的准备，尽管有机会对其进行定制以满足最终用户的操作要求，但用户实际上并没有真正需要深入了解其工作原理的技术层面。
让我们从深度学习开始了解。这是机器学习的一部分，是一种通过训练机器执行基于大量实例的任务来实现人工智能的方法。为了做到这一点，深度学习使用了多层或深度人工神经网络，这本质上是受人类大脑启发的数学模型。它们的深度使得它们非常适合解决复杂的问题，例如在原始视频中识别物体和事件，具有极高的准确性。
举个例子，为了能够正确地确定一个人的性别，韩华科技的研发工程师需要设计、训练和验证一个深度学习网络，在训练阶段，该网络使用一个包含数百万张适当选择的面孔的数据库，每一张面孔都贴上了已知的真实性别的标签。经过我们的工程师几天的训练，神经网络已经可以投入使用了，准确率可能达到98%左右，这与人类做同样的事情的能力差不多。
与更传统的视频分析相比，深度学习 AI 技术的性能要优越得多。后者通常基于运动检测，因此不够复杂，无法检测静止物体(例如停放的车辆)或处理视频噪声(例如前灯的光污染或移动的阴影)，所有这些都是导致误报的原因。
在快速移动或非常繁忙的环境中，分析的性能同样令人印象深刻，这改善了对证据的取证搜索并加快了调查速度。
由于这些以及更多的原因，对于大多数应用，尤其是那些遭受误检测最严重的应用程序，深度学习 AI 将逐渐取代传统的视频分析可能是不可避免的。例如，它使零售商能够捕获和分析诸如年龄和性别之类的商业情报，从而使他们能够精细地分析客户人口统计数据，并在此过程中更深入地了解客户行为和购买模式。
应该指出的是，深度学习人工智能在过去一年左右的时间里做出了宝贵的贡献，因为它一直是口罩检测、距离测量和占用监控应用的核心。
