如何为现有安防摄像头添加 AI 分析

几乎每个询问如何为安防摄像头添加 AI 的组织，都已经能在三个选项中找到所需答案，而常见的错误是从软件入手，而不是先了解现有设备。你已有的摄像头（在关键距离下的分辨率、拍摄角度、低光照表现，以及视频流可在哪里处理）决定了这三条路线中哪些对你可行。

本指南先介绍如何如实盘点摄像头，然后介绍三条路线：购买覆盖现有视频管理系统的分析层、升级 VMS 或摄像头本身，以及在现有视频流上自行托管检测模型。大多数读者应选择前两条之一。第三条只适用于满足特定限制条件的情况，本指南会明确说明具体条件。

先盘点现有设备，而不是软件#

分析服务商很乐意接入无法支持你所需检测的摄像头。评估之前先做盘点。

• 关注目标上的像素，而非百万像素。一台覆盖宽阔院子的 4K 摄像头，在 40 米外拍到的人身上的像素，可能比覆盖门口的 1080p 摄像头还少。每种检测都有最低像素高度要求，这是改造项目未达预期最常见的原因。
• 角度。用于安防的摄像头通常会倾斜安装，以便大范围拍摄人脸。对于人数统计和区域逻辑来说，这几乎是最不理想的几何布局，因为俯视画面的表现远胜于斜视画面。
• 低光照和逆光表现。在黄昏、夜间以及太阳直射镜头的时段进行测试。红外照明会显著改变图像特征，而只用日间录像评估过的模型可能会让你大吃一惊。
• 帧率和编解码器。严重压缩的低帧率视频流会丢失模型所依赖的细节。检查录像机实际存储的内容，以及摄像头能够输出的内容。
• 视频流访问。能否在不降低录像质量的前提下，为每台摄像头获取第二路 RTSP 视频流？许多摄像头支持低分辨率子码流，通常已经够用，而且处理成本低得多。
• 网络容量和拓扑。对许多视频流进行持续分析，要么会消耗带宽将视频传到中央服务器，要么需要在摄像头附近配置计算资源。相比软件偏好，这往往更能决定系统架构。
• 摄像头使用年限和补丁状态。在扁平网络中使用默认凭据的摄像头，首先是安全隐患，其次才是分析机会。

这次盘点通常会得出这样的结果：部分摄像头适合区域和存在检测，较少一部分足以支持精细分类，还有几台无论选择哪条路线都需要重新定位或更换。

三条路线#

路线 1：在现有 VMS 上增加分析层#

这是默认建议。这类产品专门用于在不更换摄像头设备的情况下为其增加检测能力；对于标准安防用例，它们比你自行构建的任何方案都更快、成本更低。

BriefCam。视频内容分析层，尤其擅长快速查看和搜索已录制的视频，可在本地部署。最适合以调查为主、主要工作是从历史视频中查找事件的环境。取舍：它运行在 VMS 之上，是新增组件，而非替换现有组件。

IronYun / Vaidio。专为现有摄像头和 VMS 平台引入检测功能而设计的 AI 分析层，提供种类丰富的安防检测。最适合希望增加分析能力、又不想改动录像基础设施的组织。取舍：集成链路中会增加一家需要测试和维护的服务商。

Lumana。专注于为现有摄像头设备增加 AI，尤其关注改造路径本身，而非假设一切都从零开始安装。最适合明确要求保留现有摄像头的团队。取舍：相较于成熟的 VMS 服务商，它是较新的市场参与者。

Volt.ai。同样致力于在现有监控基础设施上叠加 AI，并将集成指导作为其服务的显著组成部分。最适合要改造混合摄像头硬件的组织。取舍：与任何覆盖层一样，最终效果仍取决于底层摄像头。

这四款产品都能提供：标准检测（人员和车辆存在检测、越线、区域入侵、徘徊、物品遗留、人群密度，以及基于属性搜索已录制的视频），并提供支持服务和准确性责任方。它们无法提供的是：检测目录中没有的检测功能。

范围界定方面的一点提醒。这些产品中有几款宣传可对视频进行属性搜索，但不同服务商所说的属性搜索差别很大，有的指匹配衣服颜色等描述性属性，有的指匹配身份。这两种能力有实质性的区别，面临的法律风险也大不相同，因此值得确认你买到的是什么，以及你真正需要的是什么。将范围限定为属性和事件检测，而不是身份识别，不仅更容易进行合规沟通，也足以满足大多数安防工作流的需求。

路线 2：升级 VMS 或摄像头#

有时，坦诚的答案是限制因素在于现有设备，而不是分析功能。如果摄像头已经老旧、位置不佳、无法打补丁且以低帧率录像，在它们上面叠加 AI 只会让人失望。

Genetec Security Center。集成视频、门禁控制和 ALPR，提供强大的网络安全和隐私工具，可在本地部署。最适合需要统一实体安全管理的大型企业和公共部门设备环境。取舍：平台功能强大，也需要相应的专业能力。

Milestone XProtect。开放平台 VMS，拥有庞大的第三方集成生态，因此可以独立于录像层选择分析方案。最适合希望保留选择灵活性的组织。取舍：需要有人负责整合各项集成。

Avigilon Unity。本地部署的视频安防系统，内置分析功能，摄像头与软件紧密集成。最适合希望采用同一服务商提供的完整技术栈的团队。取舍：搭配其自有摄像头使用时效果最佳。

Verkada。云管理摄像头，内置分析功能，尤其注重部署和管理的简便性。最适合现场 IT 资源有限的分布式多站点组织。取舍：采用云管理架构，一些数据驻留要求可能不允许使用这种架构。

Rhombus。同样采用云管理模式并内置分析功能，面向简便的多站点部署。最适合希望快速部署的中型市场组织。取舍：与上述情况相同，必须将视频保存在本地时，云模式会成为限制。

Eagle Eye Networks。云视频管理，采用开放 API 方案并提供分析选项。最适合希望使用云管理、同时保留集成灵活性的组织。取舍：架构以云为中心。

Axis Camera Station。搭配 Axis 摄像头和机载分析功能，提供简洁的本地视频管理，并有非常详细的硬件来源文档。最适合中型 Axis 部署。取舍：与企业级平台相比，它不太适合规模非常大的多站点设备环境。

如果涉及数据驻留、物理隔离或采购限制要求，那么在考虑其他因素之前，这些要求就会缩小候选范围。关于这些决策所依据的合规框架，我们在《面向安全合规的本地视频分析指南》中有更深入的介绍。

路线 3：在现有视频流上自行托管模型#

这是少数情况下才会选择的路线，但符合以下特定条件时，它就是正确选择：

• 检测目录中没有所需检测。例如某种特定设备、设施特有的情况、流程状态或生产线上的产品。无法通过配置通用安防分析来添加全新的类别。 - 推理边界必须绝对封闭。不只是存储。任何图像都不能离开网络用于分析，包括发送到服务商的云端层。 - 你要交付产品。如果分析功能是你所售产品的一项特性，按通道许可不符合成本模型，而你需要自行构建。 - 按通道许可在你的视频流数量下无法扩展，而且你有工程能力来运营替代方案。 - 你需要掌控模型生命周期，随着现场情况变化，使用自己的视频重新训练，而不是等待服务商发布更新。

如果以上条件都不适用，就选择路线 1。

系统架构#

保留 VMS。录像、保留期限、访问控制和审计日志功能已经解决，且与合规有关。从 VMS 获取视频流，不要替换它。

将 RTSP 视频流拉取到你自己的推理服务中。只要分辨率够用，就优先使用摄像头子码流。它的解码成本低得多，而且实际瓶颈往往是解码，而不是推理。

运行检测和跟踪。Ultralytics YOLO 模型（YOLOv8、YOLO11 和 YOLO26）涵盖相关任务：检测人员、车辆和物体；跟踪越线和区域逻辑；姿态估计可用于姿势和跌倒检测；在边界比边框更重要时进行分割。根据部署硬件，导出为 ONNX 或 TensorRT。

使用你自己的视频进行训练。通用模型能够很好地处理人员和车辆。你使用的具体摄像头、拍摄角度、天气和光照决定了实际准确性，而公开数据集无法代表这些情况。Ultralytics Platform 可以通过基于 SAM 的 Smart Annotation 为现场视频添加标注，并在同一工作流中完成训练；如果替代方案是把标注工具和训练工具拼接在一起，这一点就很重要。

将事件写回安防工作流。检测结果应进入 VMS 或操作人员已经在使用的警报管理系统。单独的仪表盘会变成一个没人打开的独立系统。

在试点投入生产之前确定许可。Ultralytics YOLO 模型采用 AGPL-3.0 许可，而商业或专有部署通常需要 Ultralytics Enterprise 许可，该许可也涵盖私有部署和高级支持。在设计阶段解决许可问题，比部署完成后再处理便宜得多。

计算资源规划#

对许多视频流进行持续推理是一项容量规划工作，其中两个因素最为关键。

首先是帧率。大多数安防事件不需要处理每一帧。根据你必须捕捉到的最短事件设定帧率（人员越线所需的帧率远低于 30fps），通常能大幅降低容量需求。

其次是推理运行位置。在摄像头附近的边缘设备上运行推理，可以避免通过网络传输视频并使视频留在本地，而这往往正是项目的目标。中央 GPU 服务器更容易运行和管理，但会集中带宽需求。混合设备环境通常会同时采用两种方式：在远程站点进行边缘推理，在网络条件良好的地方进行中央处理。

使用你自己的视频流和硬件进行基准测试。在精选数据集上测得的模型吞吐量，无法预测摄像头上的解码加推理流水线能达到怎样的效果。

误报问题要在模型之外解决，而不是在模型内部解决#

自建系统最常见的问题不是检测准确率差，而是警报数量太多，操作人员不到两周就不再响应。

检测结果不等于事件。将边框转换为警报的这一层，才是真正控制误报率的地方：

• 持续性。要求跟踪目标在连续多帧中保持稳定后才计为有效。单帧检测属于噪声。
• 用现实世界的尺度定义区域几何形状。画在二维图像上的多边形并不等于地面上的区域。没有透视校准时，远在危险区域之外的人也可能看起来像是在区域内。
• 防抖。同一个人在边界处徘徊，不应反复触发越线事件。
• 时间表和例外规则。叉车下午 2 点出现在通道里很正常，凌晨 2 点则不正常。加入这类规则可以减少大量警报。
• 分级升级。并非每次检测都值得触发警报。实时警报、班次摘要和每周趋势是三种不同的输出，对准确性的要求也各不相同。

这部分代码预计会比模型集成代码更多；评估系统时，应统计每班次的误报数量，而不是测试集上的检测准确率。每班次的误报数量决定了系统三个月后是否还会继续运行。

隐私和范围#

为现有摄像头增加分析功能会改变摄像头的用途，这通常会引发原始安装时并不涉及的义务。

• 目的限制。出于安防目的安装的摄像头，不应在未告知的情况下转而用于生产效率或行为监控。在工作场所，这既是法律问题，也是信任问题。
• 重新评估，不要照搬既有结论。对现有视频增加自动化分析通常需要重新进行数据保护评估；在欧盟大部分地区，还需要咨询职工委员会。
• 排除身份匹配。人员和车辆检测、越线、区域入侵、徘徊、人群密度和物品遗留检测，都可以基于匿名检测结果运行。Ultralytics 不提供用于人脸识别的模型，而身份匹配会带来显著更高的法律风险，却不会改善上述任何一种检测。
• 尽量减少保留的数据。如果事件和计数就能回答问题，那就只保留事件和计数。
• 记录查看和导出行为，而不仅是配置变更。
• 隔离摄像头网络。改造是修复扁平网络和默认凭据问题的好时机。