過去傳統類比及數位網路影像監控大多仰賴人工，監控過程所產生的事件狀況都須透過人為分析判斷，在紀錄上也僅有錄影圖像，對於事件的後續無法做到管理與調閱紀錄;而藉由最新的影像大數據與智慧影像分析技術，將使影像監控系統除了具邏輯化之外，更有了智慧影像分析（Intelligent Video Analytics）能力，讓監控系統廣泛取代過去人員的緊盯畫面，並從影像資料收集的大數據資料庫中，分析其產生結果及規則，讓過去的被動監控進化到異常事件主動通知及處理。這樣的智慧型態也逐漸運用在商業零售、工廠製造、醫療、學校及交通運輸等領域，透過大數據結合智慧影像分析，讓影像監控系統得以從大量數據中萃取出行業應用智慧，進而提升各行業的營運與管理效率。
大數據與影像監控的應用關係與架構
根據IDC預估，到了2020年，全球所產生的影像資料將會有超過1/3儲存在雲端，或是藉雲端運算平台來處理分析。從前端邊緣霧運算及後端伺服器GPU/NPU軟硬體所取得的影像結構化資料，都需要進行分析和處理，以獲取更多有價值的數據資訊。未來的智慧影像監控系統，會有越來越多結構化／非結構化資料，監控系統想要高效地存儲和管理這些資料，須有強而有力的大數據處理分析，以支撐將來智慧化的影像監控系統。
目前大數據在各個行業領域都已有成熟應用，例如在城市安全及交通管理上，透過攝影機的佈建，產生大量的城市及交通相關大數據資料;又如在商業零售上，包括人臉辨識、消費者停留及商品物流等資料量每日可能達到上萬筆或更多，以目前的影像伺服器或是NVR、VMS來說，會讓數據資料在搜索及速度上越來越慢，其統計及分析效率也會越來越低，這些問題都需要成熟的運算技術來解決。而AI人工智慧、機器深度學習與前緣霧運算的技術發展，能讓影像大數據得以從日趨大量的非結構化影像數據中，快速提取高價值的數據資訊，這種高效能運算的數據平台，讓智慧影像感知與大數據分析成為現今影像監控主流技術。
智慧影像大數據平台一般以分散式集群的方式建置，讓監控系統能在數據資料處理時取得負載均衡;同時，大數據架構平台要能便於進行擴充，且能透過增加一些網路節點來提升平台整體性能。數據的存儲則需要考慮有哪些資料需要保存到數據平台，還有在系統進行架構改造時，原有系統的數據資料該如何取捨;更重要的，是要確保數據資料的可靠性。因為影像大數據平台大都採用分散式運算或是最新的前緣霧運算，因此在架構上必須結合記憶體加速、負載均衡、本地處理，以提供有效的數據運算能力。智慧影像大數據處理系統總體架構多採用包括資料層、平台層與應用層的三個層次架構，以滿足智慧影像數據收集的需求，這三個層次架構在影像監控的功能分別如下：第一是資料層，包括IT基礎資料、資料資源、影像資料等，能產生、存儲、處理大量數據的資源如商品、人流、車流車牌、人臉等資料。第二是平台層，包括數據存儲、數據處理、數據移轉、數據管理等功能，同時為最終層應用提供介面，其地位類似於資料庫，但是比資料庫的處理能力要強大得多，可以對大量數據資料進行處理。最後則是應用層，基於智慧影像大數據平台提供的高效能資料處理服務，能夠為使用者提供大量資料的高效存儲、檢索、分析和統計等功能。
大數據與智慧影像分析的應用技術
智慧影像分析做為平台運算中最為重要的細節，更是結合大數據最多的應用需求。如下是幾種智慧影像分析需求應用：
人臉辨識
為因應商業及公共安全突發事件，治安單位對人臉辨識技術特別關注。例如透過在機場、商場、市區道路、廣場及車站各類重點公共場所架設結合智慧人臉檢測技術的網路攝影機，捕捉包括人的性別、髮型、高度、穿著、眼鏡穿戴、年齡段等人物特徵資訊，進而實現人臉的即時監控比對、黑名單比對、以臉搜臉等業務應用;另外也可透過警政單位即時人口查尋平台與全國人口庫、常住人口庫、外籍居留人口資料庫等相連，實現城市道路、捷運、鐵路、機場、旅館等重點場所等人臉辨識系統的連動。再加上地圖定位追蹤系統，便可將重點人物軌跡追蹤、告警、查詢數據視覺化。過去監控場所得到的人臉圖像往往因畫質不佳，角度及距離等因素無法準確判別，但現在的智慧影像技術已經進步到不管是運動模糊、角度遮擋或是因光線、飾物影響等，都可不受干擾的準確辨識。
車輛與車牌辨識
隨著智慧運輸系統（ITS）的出現，應用在交通領域的高清攝影機也逐漸普遍，交通管理部門利用影像監控系統將高快速公路、匝道進出、收費口、停車場出入口等場所的車輛相關結構化資訊存入基礎資料庫，例如車輛動向、車速、車頭燈啟閉、車牌、車牌顏色、車廠、車身顏色、車型、車款，以及遮陽板遮擋、安全帶是否繫上、車內前座人員的人臉檢測和抓拍、駕駛有無打電話等細微資訊。基於這些車輛關鍵的特徵資訊，形成各種違法／交通與保險參考數據的分析識別及資料庫產出，還可針對違規車輛進行累計分析、特定車輛的行駛軌跡、車禍碰撞等應用。通過數據在收集、分類檢知及分析運算的基礎上加以比對搜索，即可迅速找到符合搜索及數據庫內特定條件對象的車輛資訊，還可以結合以圖搜圖的檢索方法，在警政平台上調閱所拍下的影像照片和影片檔，快速查詢到有關嫌疑車輛資訊，還原車輛行駛的軌跡歷史資訊，而且可以實現嫌疑車輛在整個城市的全程運行軌跡查詢;或結合智慧影像監控資訊，達到車輛全程視覺化軌跡重播，以及對涉事車輛的精確監控和查詢;亦可結合監理所車輛資料庫，得到車輛和車主的資訊、車輛活動資訊、車輛保險資訊等紀錄。
多層次資訊結合
一般大數據與智慧影像可以當作一個多層次的傳感信號，除了影像資訊外，還可以融合更多層次的傳感數據資料，有利於排除干擾，提升識別準確率。例如結構光的深度攝影機、雙鏡頭攝影機等技術，能檢測物體的深度和高度資訊，更有利於排除光照和背景干擾。而結合人工智慧領域的電腦視覺技術，在各個應用行業，都為大數據與智慧影像分析構建全新的智慧、可視、物聯的資料系統。
影像採集分析
過去傳統監控資料只有影像和照片等非結構化資料，事件查詢只有空間和時間兩個層次，資訊利用效率低下，隱藏在其中、富有價值的資訊也會被大量冗餘的資訊所覆蓋。隨著大數據與影像智慧化的發展，能提供更多數據資訊，讓系統可以檢測出更多人、車、物等目標的辨別特徵以及其他必要資訊，再結合時間和空間，挖掘出目標物件的行為和變化關聯等。這就衍生出很多貼近實際的特色事件管理應用，如物件動態行為模型、可疑目標人物行為模型等。
傳統事件查找中，錄影搜尋等這類簡單的影像片段往往是分散和獨立的，又因設備有DVR、NVR等差異，使事件影像存在格式不一、存儲散亂、與其他數據資訊連不上而產生事件記錄脫節等常見問題，需要一套標準化的智慧影像分析研判流程，對影像中的事件數據進行統一提取和分析研判，以完成案件影像偵查工作;而通過大量數據間的關聯挖掘，可以為事件研判過程提供精確的推測，協助分析人或物在某一時刻可能的移動軌跡，提高工作效率。
影像濃縮、解碼與診斷
影像濃縮是以摘要的方式來進行錄影片段的智慧分析，把特定事件運動目標部分影像截取下來，丟棄沒有事件目標的片段，通過縮時影像短片製作，將24小時內具有運動目標的視頻濃縮在短短十幾分鐘。影像解碼則是提取目標的圖像特徵資訊，先定義好事件規則，過濾掉使用者不關心的資訊，保留人、車或其他目標活動細節，並利用多種影像處理演算法，對擷取的影像執行亮度、白平衡、去霧、去模糊等多種智慧處理，幫助還原現場車輛和行人的本來面目，快速找出相關線索。而透過檢測攝影機如影像模糊、鏡頭焦距模糊、攝影機外罩髒汙、亮度、對比度、色偏、橫條紋、雪花雜訊等影像異常狀態，可以自行進行診斷。
大數據與智慧影像分析所面臨的問題
雖然現階段各行業對智慧分析的需求越來越高，但大數據與智慧影像分析技術並非萬靈丹，在實際應用中也面臨很多難題，還有幾個問題有待克服。智慧影像分析檢測、識別和報警功能在關鍵場合已能發揮作用，但無法廣泛建置和大規模應用。追究其原因，主要是影像分析演算法仍然對所在環境敏感，環境干擾因素較多，尤其對環境中的光照變化特別敏感，針對不同角度的複雜異常運動建模困難。而當目標與背景過度接近，會導致目標檢測和特徵資訊提取困難，事件目標被遮擋則會造成目標資訊缺失，若目標移動速度過快或演算法過於複雜，也會導致跟蹤的有效性較低。如果無法解決誤警率、漏報率高、目標跟蹤丟失等環境適應性的困難，在市場推廣度將很難大規模被應用。
以目前大數據與智慧影像分析面對大量前端攝影機所送回的影像、截圖資料，雖然後端智慧分析平台的伺服器硬體GPU/NPU的運算性能不斷提升，但前端攝影機感知與霧運算的目標搜索速度仍然滿足不了需求，因此為了提升檢出率同時降低誤報率，演算法複雜度也在不斷提升，資料分析和目標檢索的速度仍有進步的空間。
結論
大數據與智慧影像分析的應用正被安防及物聯網行業廣泛應用，除了大數據與智慧影像分析技術，AI人工智慧與機器視覺、深度學習的技術也被套入物聯網與雲端運算平台中，讓大數據與智慧影像分析跟上深度學習的應用浪潮。深度學習在安防監控與物聯網使用上有很多適合的應用場景，只要是涉及到目標檢測、目標識別的地方，都可以應用深度學習技術來解決影像分析與辨識，如人臉識別、行人識別、車輛識別、物體檢測識別、圖像分割、光學字元辨識等應用場景，並進一步做到細化特徵的識別。而接下來隨著GPU/NPU晶片技術的更大發展，運算性能不斷提升，利用大量豐富的數據樣本演算法越來越成熟，場景適應性的增強，識別指標的不斷提升，性價比越來越高，大數據結構化智慧分析資訊越來越豐富，必然在安防監控領域得到更大的應用。