视频监控的应用非常广泛，已经是各行各业无可替代的基础信息化设备。在我们的生产和生活中都已经无法离开视频监控的应用。
早期的视频监控只是简单的通过摄像机对画面进行记录。然后通过记录的画面服务我们的生产和生活。随着人工智能技术的兴起，人们更多地希望利用计算机的运算能力和算法，以AI的方式对视频监控画面进行分析，然后将分析的结果进行反馈，来提高视频监控的功能和利用效率。
比如我们目前可以使用AI的技术进行火焰识别，安全帽识别，高空抛物识别，工服识别，离港识别等等，可以实现的识别算法非常丰富。
但是这些AI视频算法需要大量的算力。我们简单讲一下AI是如何进行分析的。分析服务器需要将拍摄到的视频全部进行解码，解码后变成一张张的图片，然后根据图片上的内容进行计算对比，才能获得计算分析后的结果。这就需要大量的算力，一般CPU也是无法完成这一工作的，就需要GPU进行工作，大量的运算也带来了成本的提高，也面临一个问题，如果部署这些算力的问题。
目前大约有三种算力部署的方式。一种是将AI分析部署在云端，一种是把AI分析部署在边缘，另外一种是把AI分析部署在摄像头。也就是我们常说的云，边，端。
这三种部署各有优势，但是现在越来越多的摄像头就集成了AI分析能力，为什么会有这样的趋势呢？主要有以下几点。
云，边部署复杂，网络环境要求高
AI算法的云边部署相对来讲要复杂一些，算法和摄像头分离，首先要解决的就是如何把监控的视频接入到算法分析服务器。而大多数算法公司的能力在算法，在流媒体接入处理方面并不擅长，一般提供的接入能力比较简单，导致很多项目场景接入时配置复杂，取流不成功等问题。
另外一些边缘计算设备都是采用摄像头直接取流的方法。这在早年间没什么问题。因为早期的视频监控业务输出少，应用很单纯，所以取个一两路视频，没什么大的影响。现在情况已经今非昔比，基于视频监控的业务太多了，而AI分析这种应用是24小时实时取流，对摄像头的压力很大。所以经常会发生取流不成功，甚至摄像头瘫痪，黑屏，不稳定的现象，都是取流方法不正确导致的。目前正确的做法可以通过视频接入网关，统一取流，根据业务应用输出各种视频流给其它业务平台，包括AI分析服务器的视频流应用。
另外云，边缘部署需要占用大量的带宽资源，特别是有限算法，部署在云端几乎是不可能的，大量的视频实时上传进行分析，很多项目的上行带宽根本达不到，导致分析效果差强人意。
而算法部署在摄像头内，利用摄像头自身的算力，在摄像头内完成计算，只将运算结果返回，这些问题都不会存在。
硬件成本下降
另外，我们也说过，AI分析需要很强的运算能力。早期的摄像头没有AI需求，因此配置较低。只满足基本的视频编码能力。不具备分析能力。其主要原因是成本原因，如果在摄像头内增加算力，就要更好的硬件，这会导致成本的上升。
很多边缘计算的AI盒子也正是看到了这一点，只利用摄像头的摄像能力，将视频流引入边缘计算的算力服务器进行分析计算，再将结果返回给用户。
这样做没什么问题，也有很大的优势，算力的选择也更丰富。但是随着AI市场规模的扩大，硬件成本的下降，很多摄像头厂家也开始给摄像头配置更好的硬件，并开发了算法能力与摄像头集成。与边缘计算产品开始形成竞争。
传感器的集成度更高
AI的视频分析目前都存在一个很大的问题，就是准确率低问题。而提高准确率需要不断的学习和优化算法，这是成本极高的。但是很多时候，单纯依赖视频的分析，也很难达到分析的效果。毕竟视频画面的分析来源过于单一。但是如果结合传感器的应用，分析的成功率就会极大的提高。
比如我们分析火焰，单纯用视频画面分析，很容易造成误检，但是如果我们把温度传感器，烟雾传感器等数据进行结合分析，那么准确率会极大的提高。
将这些传感器集成到摄像头内，在结合AI分析，这就让摄像头在行业的应用领域发挥了巨大的优势。而这一功能边缘计算，云计算要集成起来会非常困难。首先需要单独部署传感器，需要物联网网关汇总数据，需要将两个系统打通后返回综合结果。
在这种情况下，很多视频监控厂家看准商机，推出的各种传感器集成摄像头，正是解决行业客户的一些固有场景应用，一个摄像头解决多种问题，同时增加AI识别分析的准确率，受到了市场的认可。
针对视频的AI分析，人工智能应用会越来越受欢迎，解决用户的实际问题，提高效率。三种视频分析的应用场景也都会有自己的市场，发挥各种的优势，更好的服务客户。同时也给用户更多的选择，在不同的场景下，选择最适合的产品。
