在视频监控领域，智能化的过程首先是从后端服务器和应用平台开始起步的。这是由于后端设备的空间、能耗、环境等限制相对较少，便于对更大规模的数据进行深度处理，因此各大安防监控厂商也是首先在后端设备上部署人工智能技术，纷纷推出自己的人工智能产品。另外，如果没有大规模改造前端设备的条件，采用智能化的后端设备能够更好地利用当前的非智能前端设备，以实现安防监控系统的智能化升级。下面我们就一起来看看智能监控安防的重点

　　一、前端智能摄像机
　　根据智能化程度以及应用场景的不同，智能摄像机大体可分为3个层次：

　　1、智能网络摄像机

　　此类摄像机的算法相对固定，能够完成某些特定识别任务，比如行为分析、统计分析等。通常在现有的IPC SoC芯片中即可集成相应的算法，无须额外增加协处理芯片，而且目前的技术也已经比较成熟。

　　2、结构化分析摄像机

　　此类摄像机能够对视频流进行实时的结构化属性分析，从而提取其中的视频信息、语义信息和图片信息，并能对人员、车辆进行分类抓拍，支持对目标人/车/物进行结构化属性分析。该类摄像机需要在原有的IPC SoC 芯片基础上加入 NPU 浅层学习处理器，或者利用通用芯片结合安防厂商自主开发的感知算法。

　　3、深度学习摄像机

　　此类摄像机采用的是深度学习算法，并以海量图片集视频资源为基础，通过机器自身提前目标特征，形成深层可供学习的图像数据，极大地提升目标检出率。该类摄像机通常带有高性能深度学习的 GPU 芯片，如海康的深眸系列。

　　二、后端智能产品

　　后端智能产品主要包括采用了高密度 GPU 架构的结构化服务器和智能 NVR。在后端利用智能算法对视频数据进行深层次的结构化分析，仍然是当前的主流方案，具有软件开发周期短、项目应用灵活、改造项目适用性强的特点。其中，结构化服务器主要是集成了基于深度学习的算法，每秒可实现数百张人脸图片的分析、建模，也可实现“数十万人脸黑名单布控”、“人脸比对”、“以脸搜脸”等功能；还能对人/车/物进行结构化处理。智能 NVR 则是基于深度学习算法，在兼顾传统 NVR 存储的基础上，增加了视频结构化分析功能。

　　但是，如果采用单纯的前端或后端智能，都有其弊端。对于纯前端智能方式，其优势是计算资源比较集中，实施后能大幅节省带宽资源；劣势是前端的硬件计算资源量相对受限，运行的算法比较简单，并且由于部署很分散，算法升级、运维会比较困难。而单纯的后智能的优势是能够提供足够的硬件计算资源，运行的算法可以很复杂，其集中设置的方式使得算法升级、运维很方便；劣势是计算资源比较分散，前端的不智能会占用大量带宽资源。 

　　如果在视频监控系统中采用前端、后端智能相配合的“云边结合”方式，则能充分发挥这两种方案的各自优势，主要体现在：

　　1、带宽压力

　　中心分析方式需要7×24h不间断地提供实时视频流，而云边结合只需要在有人脸抓拍图片的情况下才需要占用带宽，以传输图片流。

　　2、报警的时间

　　中心分析的方式下报警延时在15～20s，云边结合时的报警延时不超过3s。

　　3、分析的准确度

　　采用中心分析的方式，由于视频流经过了编码压缩，因此损伤了很多细节，影响了识别的准确度，而采用云边结合，由于前端人脸识别基于的是压缩前的原始码流分析，避免因压缩而带来的图像质量损伤，识别准确度更高。

　　随着技术和市场的发展，后端服务器的分析模式已经无法满足智能安防的需求。这是因为一方面，视频监控市场规模本身在快速增长，市场对视频监控的要求也是从“看得见”，到“看得清”，再到“看得懂”，高清设备逐渐取代标清设备，因此前端摄像头要传输的数据量是在飞速发展。如果这些高清的数据不经过处理就传输，会给网络传输设备和后端设备都带来巨大的压力。另一方面，人工智能技术的发展也给前端设备智能化带来可能性。因此，在视频监控领域，将智能算法前置，使智能分析的压力能分摊到前端，解放中心的计算资源，以用于处理更复杂、高效的分析工作，大大提高视频处理的及时性，节约带宽和人力成本，提升安防行业水平。