[[408248]]

除非你最近參與了涉及深度學習人工智能的視頻監控項目，否則你可能會覺得這項技術太昂貴了，只能用于高端應用。

隨著搭載了深度學習人工智能的新一代經濟型攝像機的推出，情況遠非如此。然而，與該技術相關的術語，如人工神經網絡和機器學習，可能肯定已經造成了這樣一種印象，即該技術所能提供的能力，遠遠超出了大多數終端用戶從他們的視頻監控解決方案中獲得最大利益的要求。

消除誤報

但事實并非如此，大多數情況下，人工智能攝像頭都是需要解決困擾電子安防行業數十年的誤報問題的。

簡而言之，深度學習 AI 視頻分析忽略了視頻噪聲、搖曳的樹木、移動的云層和動物——當使用標準運動檢測技術或傳感器檢測活動時，所有這些通常都可能是誤報的原因，因為它沒有受過訓練來對待這些情況。

這種基于深度學習 AI 的視頻分析的更高性能意味著控制室操作員和安全人員可以專注于響應真實的事件和緊急情況，而不是在誤報上浪費時間和精力。除了極高的準確性，深度學習還允許操作員搜索特定的特征和屬性，包括一個人的年齡和性別，以及他們是否戴著眼鏡、帽子或提包。

易于安裝和使用

實際上，由于 AI 攝像機中已經內置了所有智能的部分，因此安裝、設置和使用深度學習 AI 并不復雜。因此，系統集成商和安裝人員應該能夠充分利用該技術，作為幾乎所有視頻監控項目的一部分。

隨著 AI 做好了開箱即用的準備，盡管有機會對其進行定制以滿足最終用戶的操作要求，但用戶實際上并沒有真正需要深入了解其工作原理的技術層面。

讓我們從深度學習開始了解。這是機器學習的一部分，是一種通過訓練機器執行基于大量實例的任務來實現人工智能的方法。為了做到這一點，深度學習使用了多層或深度人工神經網絡，這本質上是受人類大腦啟發的數學模型。它們的深度使得它們非常適合解決復雜的問題，例如在原始視頻中識別物體和事件，具有極高的準確性。

舉個例子，為了能夠正確地確定一個人的性別，韓華科技的研發工程師需要設計、訓練和驗證一個深度學習網絡，在訓練階段，該網絡使用一個包含數百萬張適當選擇的面孔的數據庫，每一張面孔都貼上了已知的真實性別的標簽。經過我們的工程師幾天的訓練，神經網絡已經可以投入使用了，準確率可能達到98%左右，這與人類做同樣的事情的能力差不多。

與更傳統的視頻分析相比，深度學習 AI 技術的性能要優越得多。后者通常基于運動檢測，因此不夠復雜，無法檢測靜止物體(例如停放的車輛)或處理視頻噪聲(例如前燈的光污染或移動的陰影)，所有這些都是導致誤報的原因。

在快速移動或非常繁忙的環境中，分析的性能同樣令人印象深刻，這改善了對證據的取證搜索并加快了調查速度。

由于這些以及更多的原因，對于大多數應用，尤其是那些遭受誤檢測最嚴重的應用程序，深度學習 AI 將逐漸取代傳統的視頻分析可能是不可避免的。例如，它使零售商能夠捕獲和分析諸如年齡和性別之類的商業情報，從而使他們能夠精細地分析客戶人口統計數據，并在此過程中更深入地了解客戶行為和購買模式。

應該指出的是，深度學習人工智能在過去一年左右的時間里做出了寶貴的貢獻，因為它一直是口罩檢測、距離測量和占用監控應用的核心。