假日出游，为什么显示有票你却抢不到？揭秘12306如何保证车票不超卖的关键技术！>>>
全球的互联网科技巨头与大厂都已经聚焦边缘计算+AI人工智能市场。比如Google、Intel、高通、英伟达等，国内的有华为、阿里、百度等等。
在视频监控领域，边缘计算的主要优势之一是能够使用人工智能（AI）进行高级分析，并可以在摄像头内部进行深度学习。
首先，“边缘计算”是什么意思？
安全的边缘网络设备数量正在增长，它们在我们的安全性中发挥着越来越重要的作用。边缘计算意味着在连接的设备本身上建立更多的功能，因此信息处理能力应尽可能地靠近“数据源”。
对于视频监控网络，这意味着可以对摄像机本身执行更多操作。人工智能（AI），机器学习和深度学习在视频监控中的作用正在增长，因此我们能够“教”摄像头以更加直观地了解它们实时拍摄和分析的内容。例如，场景中的车辆是汽车，公共汽车还是卡车？是建筑物旁的人还是动物？
这些结果将减轻分析数据和制定决策所需的人工负担。置于边缘计算的设备，可以加快响应时间，有可能挽救更多的生命，并提供有价值的见解，从而影响我们的城市和交通系统的未来发展。
据德勤的行业报告预测，至2024年，边缘人工智能芯片销量预计将超过——甚至可能远远超过——15亿片，年销量增长率将达到至少20%。
我们如何转变边缘的视频监控？
当前，大多数监视摄像机镜头的边缘分析仅表明某物或某人正在移动。 在集中式服务器上的视频管理系统（VMS）进行此分析之后，需要人工来准确解释其含义以及它们是否存在任何威胁或安全风险。
为了了解物体是车辆，人类，动物还是几乎所有物体，我们可以“训练”摄像头系统来检测和分类物体。
基于基础的AI智能分析可以识别出车辆。借助智能深度学习层，可以进一步了解更多细节：这是什么类型的车辆？ 是在会引起潜在安全问题的通行中，还是没有交通危险？ 这是一辆公交车，它出故障了，很可能在人们下车时危及他们的安全？
边缘分析的好处
边缘分析的更高准确性-以及区分多种类别对象的能力-降低了误报率。随之而来的是减少了调查这些误报的时间和资源。边缘分析可以更主动地创建更合适、更及时的响应能力。
例如，在边缘运行AI分析可以识别高速公路上的物体并提醒驾驶员。而深度学习带来的区分人和车辆的能力不仅可以提醒驾驶员，同时还能警告严重程度。如果摄像头看到道路上有人处于在危险中（交通事故），它们可以自动激活标牌以减慢交通速度并向紧急服务中心发出警报。
边缘分析将成为未来的发展趋势，这些趋势不仅可用于交通管理和规划，而且还可用于对野生生物行为和保护感兴趣的其他机构。能够区分行人，骑行者，驾驶员，以及商用车等交通类型，还可以提供有价值的趋势见解，帮助土木工程师规划未来的智慧城市。
将原始数据转化为可行的数据分析
边缘分析的另一个主要优势是，视频数据分析是在最接近源的最高质量的视频素材上进行的。在传统模型中-当分析是在服务器上进行时-视频通常在传输之前被压缩，因此这些数据分析其实是在质量已经下降的视频中进行的。
此外，在将视频数据分析集中在服务器上的情况下，当将更多摄像头添加到解决方案中时，这将导致传输更多的数据，这也就需要添加更多服务器来处理数据分析。而在边缘部署强大的分析能力意味着仅需要通过网络发送最相关的信息，从而大大减少了带宽和存储的负担。
云边端一体协同
随着视频监控领域发展，视频监控与AI、大数据、云计算、边缘计算等技术结合的趋势越来越紧密。以智慧城市为例，视频监控智能分析EasyCVR，基于针对我国智慧城市安防领域的视频监控需求，结合云（云计算）、边（边缘计算）、端（设备终端），打破传统的数据孤岛，让三端的数据互相融合，实现对城市全面感知、智能分析、风险预控、数据共享。
既能满足智慧城市安防对多元细分场景的智能化应用需求，又能通过计算和数据的边缘化，降低数据传输对网络的压力和对数据中心的依赖，极大提升了全网智能化效率。
5G+边缘计算技术
近年来随着人工智能、VR/AR、高清识别等技术的发展，大规模布设于城市之间的安防监控设备逐渐变得更加高清化与智能化，而与之伴随的则是海量设备的联网接入并产生庞大的数据。