Когда сетевые камеры видеонаблюдения впервые появились на рынке, они были в основном простыми устройствами, которые использовались для потоковой передачи видео. Большая часть интеллекта и систем обработки для системы была размещена в форме основных серверов системы управления видео. Однако в течение нескольких лет компании производили камеры видеонаблюдения с процессором, достаточным для выполнения простой аналитики на периферии. По мере того, как вычислительные мощности продолжали расти, у компаний появилась возможность встраивать все более сложные аналитические функции в камеру видеонаблюдения, выбрать такие камеры можно на сайте: https://guardmaster.com.ua/videonablyudenie/kameri/

Был определенный ряд преимуществ, которые сделали краевую аналитику привлекательной.

Меньшее потребление полосы пропускания.

Вместо потоковой передачи каждого кадра необработанного видео на сервер для анализа камера видеонаблюдения может предварительно обработать изображения и просто отправить отснятый материал.

Меньшие требования к хранению.

Если на сервер будет отправляться только видео с богатым содержанием, в массиве хранения будет меньше материала для архивации.

Снижение эксплуатационных расходов на камеры видеонаблюдения.

Обработка видео в камере видеонаблюдения была дешевле, чем монополизация циклов процессора на сервере.

Самые ранние алгоритмы, внедренные в камеры видеонаблюдения, основывались на изменении пикселей в поле зрения. Когда изменения достигают определенного порога, аналитики приходят к выводу, что движение было обнаружено, и отправляют видео на сервер. Основываясь на этой концепции порогового значения пикселей, вскоре последовала и другая внутренняя аналитика, такая как вмешательство камеры и обнаружение перекрестных линий.

КАК МАШИННОЕ ОБУЧЕНИЕ ВЛИЯЕТ НА ПРЕИМУЩЕСТВА В ВИДЕОНАБЛЮДЕНИИ

Перенесемся в 2020 год. Производители создают камеры видеонаблюдения со встроенными модулями обработки данных (DLPU), это дает возможность разработчикам программного обеспечения интегрировать искусственный интеллект (AI) в свои алгоритмы видеоаналитики. Это породило новые надежды на то, что машинное обучение и глубокое обучение станут серебряной пулей, которую индустрия безопасности давно обещает. Однако, учитывая изменчивость условий для систем видеонаблюдения, выполнение этого обещания еще предстоит осуществить. Это связано с тем, что машинное обучение может потреблять огромное количество ресурсов, прежде чем будет достигнут стабильно точный результат.