近年来，安防市场规模不断扩大，而视频监控是整个安防系统最重要的物理基础，因此，人们对视频监控的重视程度也越来越高。
以前，我们通过云计算模型来进行视频处理，但随着时代的发展，云计算模型已经不再适用。因为视频传输数据量越来越大，而大量数据在网络中进行传输可能会导致网络拥塞。并且，视频数据的私密性也难以得到保证。
因此，人们提出了一种解决方案——边缘计算。通过边缘计算，我们可以把云中心的相关请求下放到边缘侧进行处理：边缘节点结合本地视频数据，可以直接进行数据筛选、过滤和分析，只将相关结果，或者重要数据上传到云中心。这样，一方面，数据传输量减少，网络流量降低；另一方面，数据安全性更高，智能家居领域的用户隐私也能得到一定程度的保证。
边缘计算
更具体一点来说，边缘计算在视频监控领域的应用是这样的：
边缘计算技术和视频监控技术相结合，构建了一种基于边缘计算的视频图像预处理技术，通过对视频图像进行预处理，去除图像冗余信息，使得部分或全部视频分析迁移到边缘处，由此降低对云中心的计算、存储和网络带宽的需求，提高视频分析的速度。
据测量，就视频监控领域的人脸识别而言，利用边缘计算，响应时间由900ms减少为169ms，响应速度更快；把部分计算任务从云端卸载到边缘之后，整个系统对能源的消耗减少了30%-40%，能源消耗更少。而数据在整合、迁移等方面的时间，更是可以减少20倍。
同时，构建基于行为感知的视频监控数据弹性存储机制，减少上传的视频数据。一方面，实时提取和分析视频中的行为特征，实现监控场景行为感知的数据处理机制；另一方面，根据行为特征决策功能，实时调整视频数据，既减少无效视频的存储，降低存储空间，又最大化存储“事中”证据类视频数据，增强证据信息的可信性，提高视频数据的存储空间利用率。
边缘计算视频监控领域应用举例：人脸识别
人脸识别是一种重要的生物特征识别技术，是通过计算机自动判断两幅人脸照片相似度的技术统称。其中，信号采集部分通过光学传感设备采集人脸照片，预处理模块对采集的原始信号进行处理，确定人脸所在的区域，特征提取模块则将预处理后的信号转换成表征其特性的一串“数字码”，存储在模板数据库中。比对时，将目标特征与数据库中的人脸特征进行运算，经处理后确定目标的身份。
使用边缘计算以后，我们可以实现：将人脸识别抓图的压力分摊到前端，解放中心的计算资源，以集中优势计算资源做更高效的分析。
在具体应用中，接收到接收前端人脸抓拍摄像机上传的人脸抓拍数据后，通过边缘计算，人脸抓拍数据可以实时与数据库中的人脸记录进行比对，而不是等待人脸抓拍数据上传到云中心，云中心处理后再反馈回来。这样，识别速度就太慢了。
