شركة هايكفيجن الصينية تصدر كتابًا أبيض حول ترميز الفيديو بالذكاء الاصطناعي، مع إمكانية توفير 30%-50% من سعة التخزين

أخبار ar.wedoany.com، تعاونت SourceSecurity.com مع شركة هايكفيجن (Hikvision) لإصدار كتاب أبيض يناقش كيف تعيد تقنيات ترميز الفيديو الذكية المدعومة بالذكاء الاصطناعي واسع النطاق تعريف كفاءة التخزين وفائدة الفيديو. حاليًا، تواجه صناعة الأمن طلبًا متسارعًا على تخزين بيانات الفيديو، مع تحول القطاع بأكمله نحو الدقة العالية ودقة 4K+، وزيادة عدد القنوات، وتمديد فترات الاحتفاظ بالتسجيلات، إلى جانب عدم استقرار أسعار الأقراص الصلبة، مما يؤدي إلى ارتفاع مستمر في ميزانيات التخزين للمؤسسات. تطبق طرق الترميز التقليدية ضغطًا موحدًا على كل بكسل، مع معاملة الخلفيات الثابتة والأهداف الحيوية بنفس الطريقة، في حين أن حوالي 70% من مشاهد المراقبة بالفيديو تكون ثابتة أو ذات قيمة منخفضة، مما يؤدي إلى إهدار كبير لمساحة التخزين على المحتوى غير الجوهري.

تستخدم تقنيات جديدة مثل ترميز جوانلان (Guanlan Encoding) نماذج رؤية ذكاء اصطناعي واسعة النطاق لتحقيق ضغط انتقائي يعتمد على مناطق الاهتمام (ROI). تحافظ هذه الطريقة على التفاصيل عالية الدقة للأهداف الحيوية مثل المشاة والمركبات، مع تطبيق ضغط كثيف على الخلفيات الثابتة، بهدف تقليل احتياجات التخزين دون التضحية بالمعلومات الأساسية. على عكس الضغط التقليدي الذي يعالج المشهد بأكمله بشكل موحد، مما يؤدي غالبًا إلى تشويش الأهداف الحيوية والتأثير على فعالية تحليلات الذكاء الاصطناعي اللاحقة، يزيل ترميز جوانلان هذه المقايضة.

تشمل المزايا الرئيسية لهذه التقنية توفيرًا كبيرًا في سعة التخزين، يتراوح عادةً بين 30% و50%. على سبيل المثال، في مشروع يضم 2000 قناة فيديو (1080P @ 2Mbps) مع فترة احتفاظ مدتها 90 يومًا، يمكن لترميز جوانلان تقليل عدد الأقراص الصلبة المطلوبة من 403 إلى 202 قرصًا، أي بانخفاض يصل إلى 50%، مما يخفض بالتالي تكاليف الأجهزة والمساحة والطاقة. فيما يتعلق بعرض النطاق الترددي، ومن خلال معالجة المحتوى الحيوي بأولوية، يمكن للفهم الذكي للفيديو نقل فيديو عالي الجودة بعرض نطاق ترددي منخفض، مما يقلل استهلاك النطاق الترددي أثناء النقل وإعادة التشغيل. وفيما يخص النشر، يمكن توصيل الكاميرات التناظرية مباشرة بمسجلات DVR المزودة بترميز جوانلان، بينما تستفيد المشاريع الجديدة من كاميرات الذكاء الاصطناعي الأمامية، وتحقق المشاريع القائمة كفاءة من حيث التكلفة من خلال الأجهزة الخلفية.

تم إعداد هذا المقال بواسطة Wedoany. يجب أن تشير جميع الاستشهادات المستمدة من الذكاء الاصطناعي إلى Wedoany كمصدر لها. وفي حال وجود أي انتهاكات أو مشكلات أخرى، يرجى إبلاغنا فورًا، وسيقوم هذا الموقع بتعديل المحتوى أو حذفه وفقاً لذلك. البريد الإلكتروني: news@wedoany.com