人工智能机器学习和深度学习，是如何影响视频监控的？

　　许多视频监控专业人员都遇到过人工智能、机器学习和深度学习等术语。但是这些术语是什么意思，它们如何影响视频监控？人工智能、机器学习和深度学习
　　人工智能是一个宽泛的术语，指的是将人类智能应用于计算机程序，或者允许程序随着时间的推移进行学习，目的是在学习过程中产生更好的结果。机器学习是一种用于达到人工智能水平的技术，深度学习是机器学习的一种演变。简而言之，深度学习是一种先进的、更复杂的机器学习技术，两者都是达到人工智能水平的方法。
　　视频监控中的应用。在视频监控中，视频分析使用机器学习和深度学习方法来识别对象，对它们进行分类，并确定它们的属性。
　　每当人们收到新信息时，我们的大脑就会试图将这些数据与类似的项目进行比较，以便理解它。这种比较方法与机器学习和深度学习算法使用的概念相同。
　　机器学习和深度学习算法的不同之处在于它们如何被编程来确定什么构成了已知的对象。机器学习需要程序员进行更多的人工干预来建立期望的参数，以实现期望的结果。深度学习独立地识别对象属性，并可能考虑程序员不会考虑的特征。机器学习和深度学习对视频分析意味着什么？
　　这两种方法都描述了系统基于数据集学习的编程方法。在机器学习中，系统寻找的数据属性通常是由人类程序员预设或校正的。例如，系统可以被编程来描绘一个比它宽高的物体，以特定的方式移动肢体等等，并且将这个物体标记为＂人＂。
　　深度学习被认为优于机器学习，部分原因是程序员可能无法识别最相关的标准。使用前面的算法来识别一个人，一个坐着不动的人可能不会触发准确的检测。
　　借助深度学习，视频分析算法可以获得代表对象的大量数据集。这一步被称为训练，算法训练自己识别一种类型的对象。例如，这个系统有成千上万张不同性别、不同服装风格、不同种族背景的人的照片，从不同角度拍摄的照片等等。
　　该算法计算出相似和不相似的属性，并确定如何权衡这些特征的相关性。在分析了数千张图像后，该算法可以计算出大多数图像包括图像上部附近的三角形物体，在其底部附近有两个暗椭圆形斑点，我们可以将其视为某人脸上的鼻子。事实上，该算法可能已经识别了许多我们不会想到的其他此类特征。
　　在用户使用AI智能软件之前，开发者会对系统进行训练。这个过程需要大量的计算能力；远远超过现场使用时检测和分类物体的要求。结果是系统引用一个文件来确定检测到的对象是否与分类匹配。
　　因为深度学习过程使用机器来确定对象特征，所以它导致了能够提供更细粒度分类的分析。例如，旧的方法可能能够检测到一个人，但基于深度学习的分析可以检测出这个人是男人、女人还是孩子。它还可以检测个人的相关特征以及车辆类型或品牌。
　　AI需要日积月累的学习
　　视频监控中的人工智能是在设计时训练的，并且在某些情况下，当在现场使用时，不会逐渐变得＂更聪明＂。深度学习和机器学习确实有这种能力，如果使用深度学习技术，那么视频分析，也可以随着时间的推移学习。
　　典型的应用可能包括确定场景中什么是正常的。例如，在课间，学校走廊大约每45分钟就会经历一次人群高峰。在高峰时间，人群是分散的，而不是集中在任何特定的地区。
　　此外，所有人都以非常高的速度移动是不寻常的。如果系统检测到异常的物体集中，这有可能表明发生了打架。如果所有的人都在通常的课间休息时间之外朝同一个方向跑，这可能表明出现了紧急情况。更智能的系统，更好的分析结果
　　视频监控系统产生了大量数据。
　　监控和过滤如此大量的信息使得快速识别安全事件和寻找证据的任务比以往任何时候都更加困难。使用深度学习的智能系统可以更及时地识别证据，并实时分析视频，以提醒系统操作员可疑事件，为用户安全计划提供更好的结果。
　　TSINGSEE安防视频结构化智能分析平台EasyCVR已经融合了深度学习技术，可实现对接入的视频监控图像进行智能分析。
　　EasyCVR可采集不同厂家、不同协议、不同型号的摄像机、视频源设备的音视频信息，以统一、标准的视频格式和传输协议，将视频流推送至云端平台，完成城市海量监控视频资源的轻量化接入、分发，实现设备和平台的互联互通，形成感、存、知、用一体化的综合性大平台。
　　基于AI算法、深度学习、大数据智能分析、边缘计算、5G等新兴技术，我们将赋能更多视频+AI生态应用场景，加快视频AI在更多行业领域落地。