Kỹ sư QLTT Ghi chú ôn thi
← Về danh sách
AI & Dữ liệu
#딥뷰#지능형영상분석#객체탐지#CCTV#VCA#129회
Cập nhật lần cuối · 2026-09-06

DeepView

1. Tổng quan

A. Định nghĩa

DeepView là công nghệ phân tích thông minh nhận dạng video · đối tượng dựa trên học sâu, thuộc dòng công nghệ giám sát video thông minh (VCA, Video Content Analysis) tự động phát hiện · nhận dạng · tìm kiếm · dự đoán người, phương tiện, hành vi, tình huống bất thường từ các luồng video quy mô lớn như CCTV.

Giá trị cốt lõi của DeepView nằm ở chỗ 'AI thay con người giám sát · phân tích lượng video khổng lồ mà con người không thể xem hết'. Ngày nay, một trung tâm giám sát tích hợp của chính quyền địa phương phụ trách hàng nghìnhàng chục nghìn camera CCTV, nhưng vấn đề tồn tại lâu nay ở hiện trường là một nhân viên giám sát thường chỉ có thể theo dõi có ý nghĩa đồng thời vài chục màn hình. Sự chú ý của con người giảm mạnh sau 2040 phút, và khi giám sát nhiều màn hình cùng lúc, xác suất bỏ lỡ tình huống bất thường tăng đáng kể. Rốt cuộc, phần lớn video chỉ hoạt động như thiết bị ghi hình thụ động để 'tua lại xem sau khi sự việc đã xảy ra'.

DeepView thay đổi căn bản cấu trúc này. Mạng nơ-ron học sâu 'hiểu' các đối tượng trong khung hình video và các mẫu hành vi theo thời gian mà các đối tượng đó tạo ra, phát hiện theo thời gian thực các tình huống như xâm nhập, lảng vảng, bỏ lại đồ vật, tụ tập, ngã quỵ và lập tức phát cảnh báo. Ngoài ra, nó tìm kiếm trong lượng video khổng lồ theo đơn vị giây dựa trên thuộc tính (attribute) như "nam giới trưởng thành mặc áo đỏ" hay "SUV màu đen", rút ngắn đột phá việc truy vết nghi phạm · xe nghi vấn vốn trước đây mất nhiều giờ. Tức là DeepView là công nghệ chuyển CCTV từ 'thiết bị ghi hình' thành 'chủ thể giám sát tự nhận thức và phán đoán tình huống', với mục tiêu phòng ngừa sự việc từ trước và nâng cao tốc độ ứng phó trong các lĩnh vực phòng chống tội phạm, giao thông, an toàn công nghiệp, thiên tai.

B. Bối cảnh ra đời và sự cần thiết

Bối cảnh DeepView nổi lên được giải thích bằng sự giao thoa của ba xu hướng. Thứ nhất là sự gia tăng bùng nổ của CCTV. Số CCTV của các cơ quan công quyền tại Hàn Quốc từ những năm 2010 tăng với tỷ lệ hai chữ số mỗi năm, hiện được ước tính đạt quy mô hàng triệu chiếc, và nếu cộng thêm CCTV tư nhân và camera hành trình xe thì đã vượt xa ngưỡng con người có thể xử lý. Sự mất cân đối mang tính cấu trúc 'số lắp đặt tăng lên nhưng nhân lực giám sát giữ nguyên' đã khiến nhu cầu phân tích tự động trở nên cấp bách.

Thứ hai là bước nhảy vọt về hiệu năng nhận dạng hình ảnh bằng học sâu. Kể từ khi các mô hình dòng CNN vượt xa các kỹ thuật hiện có tại cuộc thi ImageNet năm 2012, hiệu năng phân loại ảnh · phát hiện đối tượng · tái nhận dạng tăng nhanh, trong một số điều kiện đã tiến gần độ chính xác nhận dạng ngang con người. Với cách tiếp cận dựa trên quy tắc (trừ nền, luồng quang học), cảnh báo sai xảy ra thường xuyên khi thay đổi ánh sáng, bóng đổ, đám đông nên tính thực dụng thấp, nhưng học sâu — học từ dữ liệu — bền vững hơn nhiều trước các nhiễu này, nên đã vượt qua ngưỡng áp dụng thực tế.

Thứ ba là đầu tư chiến lược ở cấp R&D quốc gia. DeepView được biết đến như thương hiệu tiêu biểu của đề tài R&D quốc gia về phân tích video thông minh do Bộ Khoa học và CNTT, ETRI (Viện Nghiên cứu Điện tử và Viễn thông Hàn Quốc) v.v. chủ trì tại Hàn Quốc, được triển khai với mục tiêu nội địa hóa công nghệ phân tích đa đối tượng thời gian thực trên CCTV môi trường thực quy mô lớn. Như vậy, DeepView không chỉ là tên một sản phẩm thương mại mà là thuật ngữ đồng thời chỉ phạm trù công nghệ 'phân tích video thông minh' và thành quả nghiên cứu phát triển quốc gia.

2. Cấu trúc tổng thể và pipeline xử lý

Cấu trúc tổng thể của DeepView có thể hiểu là một pipeline nối tiếp 'thu thập video → tiền xử lý → động cơ phân tích học sâu → sự kiện/cảnh báo → tìm kiếm · lưu trữ'. Sơ đồ cấu trúc dưới đây thể hiện cách bố trí điển hình trong đó phía camera (biên) và máy chủ · đám mây phân chia vai trò để đồng thời bảo đảm tính thời gian thực và độ chính xác.

flowchart TB
  subgraph EDGE["Tầng biên (camera·NVR)"]
    C["CCTV·đầu vào video"] --> P["Tiền xử lý (giải mã·thay đổi kích thước·ROI)"]
    P --> ED["Phát hiện nhẹ (GPU/NPU biên)"]
  end
  subgraph CORE["Máy chủ phân tích·đám mây"]
    ED --> DET["Động cơ phát hiện·nhận dạng đối tượng"]
    DET --> TRK["Theo vết đa đối tượng·tái nhận dạng (Re-ID)"]
    TRK --> BEH["Phân tích hành vi·tình huống bất thường"]
    BEH --> EVT["Tạo sự kiện·cảnh báo"]
    DET --> IDX["Chỉ mục thuộc tính (DB siêu dữ liệu)"]
  end
  EVT --> OP["Nhân viên giám sát·ứng phó"]
  IDX --> SRCH["Tìm kiếm video thông minh"]
  style DET fill:#e8f0fe,stroke:#2f6fed,stroke-width:2px
  style BEH fill:#e8f0fe,stroke:#2f6fed,stroke-width:2px

Trong pipeline này, phần đầu (biên) thực hiện phát hiện nhẹ sơ cấp tại camera hoặc NVR để giảm băng thông và độ trễ, chỉ gửi các khung hình · đối tượng có ý nghĩa lên máy chủ. Máy chủ · đám mây đảm nhận nhận dạng · theo vết · phân tích hành vi nặng và lập chỉ mục dung lượng lớn. Lý do phân tầng như vậy liên quan trực tiếp tới đánh đổi giữa tính thời gian thực và chi phí sẽ được trình bày trong phần 'những điểm cần cân nhắc' phía sau.

A. Phát hiện đối tượng (Object Detection)

Phát hiện đối tượng là điểm khởi đầu của DeepView, là bước đồng thời tìm ra 'vị trí (bounding box)' và 'loại (class)' của các đối tượng quan tâm như người, xe, xe đạp, túi xách trong một khung hình. Phương pháp hai giai đoạn (two-stage) thời kỳ đầu (dòng R-CNN) có cấu trúc trích xuất vùng ứng viên trước rồi phân loại, chính xác nhưng chậm. Các phương pháp một giai đoạn (one-stage) ra đời sau đó như dòng YOLO (You Only Look Once) · SSD chia ảnh thành lưới một lần và đồng thời hồi quy dự đoán vị trí và lớp, cho phép xử lý thời gian thực vài chục khung hình mỗi giây mà không hy sinh nhiều độ chính xác.

Video môi trường thực mà DeepView xử lý thường xuyên gặp các điều kiện bất lợi như thay đổi ánh sáng, ngược sáng, mưa · sương mù, đối tượng nhỏ ở xa, che khuất (occlusion) nghiêm trọng trong đám đông. Vì vậy, chỉ lấy mô hình hoạt động tốt trên bộ dữ liệu công khai là không đủ, mà việc huấn luyện lại chuyên biệt theo miền và tăng cường dữ liệu phù hợp với góc nhìn, độ phân giải, góc lắp đặt của CCTV thực tế mới quyết định hiệu năng. Ví dụ, ở camera lắp chéo phía trên ngã tư, người bị quay theo dạng nhìn từ trên xuống, khiến độ chính xác của mô hình vốn được huấn luyện chủ yếu với người đi bộ chính diện giảm mạnh.

B. Theo vết đối tượng và tái nhận dạng (Tracking & Re-ID)

Nếu phát hiện là việc nhìn 'bức ảnh của một khung hình', thì theo vết là việc 'nối cùng một đối tượng theo trục thời gian'. Theo vết đa đối tượng (MOT) liên kết các hộp được phát hiện trong các khung hình liên tiếp theo cùng đối tượng để tạo quỹ đạo di chuyển. Phải có quỹ đạo này thì mới có thể phân tích hành vi như 'xuất hiện từ đâu và di chuyển tới đâu', 'lưu lại bao lâu'.

Tái nhận dạng (Re-Identification, Re-ID) tiến thêm một bước, là công nghệ nhận ra lại cùng một người · xe qua nhiều camera không chồng lấn nhau. Ví dụ, khi đối tượng biến mất khỏi camera A được bắt lại ở camera B cách 200m, việc có phải cùng một người hay không được ước tính bằng độ tương đồng của vector đặc trưng ngoại hình như màu áo, dáng người, dáng đi. Re-ID hoạt động ngay cả khi không thấy khuôn mặt nên hữu ích cho truy vết diện rộng, nhưng dễ bị ảnh hưởng bởi khác biệt ánh sáng · chất lượng hình ảnh và trang phục tương tự, nên việc quản lý ghép nhầm là quan trọng.

C. Phân tích hành vi và tình huống bất thường (Behavior/Anomaly Analysis)

Đây là bước tạo giá trị gia tăng lớn nhất của DeepView. Nó diễn giải 'mẫu hình theo thời gian' mà chỉ riêng thông tin đối tượng trong từng khung hình không thể biết được, để xác định thành sự việc có ý nghĩa. Tiêu biểu có xâm nhập vượt đường đã định (virtual line crossing), lảng vảng ở lâu trong một khu vực (loitering), bỏ lại túi · đồ vật rồi rời đi (abandoned object), người ngã xuống sàn, và mật độ bất thường như tụ tập · giải tán đột ngột.

Phân tích này song song hai dòng tiếp cận. Một là dựa trên quy tắc, trong đó người quản lý định nghĩa quy tắc (ví dụ: "ở trong đa giác này quá 30 giây thì coi là lảng vảng"), và hai là dựa trên học (anomaly detection), học mẫu bình thường rồi coi những gì lệch khỏi đó là bất thường. Dựa trên quy tắc dễ hiểu và kiểm soát nhưng bỏ lỡ các bất thường không lường trước, còn dựa trên học bắt được cả bất thường chưa biết nhưng khó giải thích 'vì sao là bất thường' — hai cách này bổ trợ lẫn nhau. Gần đây, phương pháp trích xuất chuyển động khớp của con người bằng ước lượng tư thế (pose estimation) để phán định chính xác hơn các hành vi như hành hung · ngã đang lan rộng.

D. Tìm kiếm video thông minh (Intelligent Search)

Nếu lập chỉ mục kết quả phát hiện · nhận dạng thành 'siêu dữ liệu', có thể tìm kiếm theo điều kiện mà không phải phát lại video gốc. Với truy vấn như "hôm qua trong khoảng 14~16 giờ, camera cổng chính, người trưởng thành mặc áo đỏ, mang túi", hệ thống truy vấn các thuộc tính đã lập chỉ mục để lọc ra đúng các cảnh tương ứng theo đơn vị giây. Nhiều trung tâm giám sát tích hợp của chính quyền địa phương đã báo cáo các trường hợp công việc trước đây trong thực tiễn điều tra — nhân viên giám sát phải tua lại bằng mắt hàng chục giờ video để tìm một người · xe cụ thể — được rút ngắn xuống vài phút sau khi áp dụng DeepView. Đây là điểm thể hiện trực tiếp nhất tính hiệu quả thực tế của DeepView.

Bảng dưới đây tóm tắt các yếu tố công nghệ nêu trên. Bảng chỉ là công cụ bổ trợ, còn 'vì sao' của từng yếu tố đã được trình bày trong các đoạn văn ở trên.

Yếu tố công nghệ Chức năng cốt lõi Kỹ thuật tiêu biểu Khó khăn thực tiễn
Phát hiện đối tượng Phát hiện vị trí + loại YOLO · SSD · R-CNN Đối tượng nhỏ · che khuất · thời tiết xấu
Theo vết · tái nhận dạng Nối quỹ đạo · đồng nhất diện rộng MOT · Re-ID Ghép nhầm do ngoại hình tương tự
Phân tích hành vi · bất thường Phán định mẫu theo thời gian Quy tắc + phát hiện bất thường · pose Cân bằng cảnh báo sai/bỏ sót
Tìm kiếm thông minh Truy vấn dựa trên thuộc tính Chỉ mục siêu dữ liệu Độ chính xác chỉ mục
Xử lý biên · tăng tốc Xử lý dung lượng lớn thời gian thực GPU · NPU · biên Chi phí · tỏa nhiệt · băng thông

3. Lĩnh vực ứng dụng và tình huống

Xét luồng xử lý của DeepView từ góc độ ứng phó sự việc, có thể tóm tắt thành quy trình như dưới đây. Sơ đồ luồng chi tiết này nhấn mạnh vòng kín trong đó 'phát hiện dẫn thẳng tới ứng phó'.

sequenceDiagram
  participant Cam as CCTV
  participant AI as Động cơ DeepView
  participant Op as Nhân viên giám sát
  participant Res as Ứng phó hiện trường
  Cam->>AI: Luồng video thời gian thực
  AI->>AI: Phát hiện·theo vết·phân tích hành vi
  AI->>Op: Cảnh báo sự kiện bất thường (mức ưu tiên)
  Op->>AI: Xác nhận·truy vấn tìm kiếm
  AI-->>Op: Kết quả cảnh liên quan·thuộc tính
  Op->>Res: Chỉ thị xuất phát·xử lý

Trong lĩnh vực phòng chống tội phạm · an ninh trật tự, hệ thống phát hiện dấu hiệu xâm nhập · lảng vảng · hành hung quanh trường học và khu vực dễ xảy ra tội phạm để thúc đẩy tuần tra · xuất phát chủ động, và khi sự việc xảy ra thì nhanh chóng truy vết nghi phạm · xe nghi vấn trên mạng lưới camera diện rộng. Ví dụ tiêu biểu là trong tìm kiếm trẻ em mất tích, tìm kiếm đồng thời nhiều camera theo thuộc tính nhận dạng bề ngoài để khôi phục lộ trình di chuyển.

Trong lĩnh vực giao thông, hệ thống tự động phát hiện luồng xe, ùn tắc, đi ngược chiều, dừng đỗ trái phép, tai nạn giao thông và liên kết với điều khiển tín hiệu · ứng phó khẩn cấp. Ví dụ, tổng hợp theo thời gian thực lưu lượng theo từng hướng của một giao lộ cụ thể để tối ưu chu kỳ đèn tín hiệu sẽ giảm ùn tắc — như vậy nó đóng vai trò cảm biến cốt lõi của hạ tầng giao thông đô thị thông minh.

Trong lĩnh vực an toàn công nghiệp, hệ thống phát hiện việc không đội mũ bảo hộ · không đeo dây an toàn, đi vào khu vực nguy hiểm (bán kính máy móc hạng nặng), dấu hiệu ngã · kẹt tại công trường xây dựng · sản xuất để phòng ngừa tai nạn nghiêm trọng. Gần đây, khi các quy định liên quan đến xử phạt tai nạn nghiêm trọng được siết chặt, nhu cầu giám sát an toàn thông minh như vậy đang tăng nhanh. Ngoài ra, trong bán lẻ, hệ thống phân tích lộ trình di chuyển, thời gian lưu lại, ước tính độ tuổi/giới tính (thống kê phi định danh) của khách để dùng cho bố trí cửa hàng và marketing.

Lĩnh vực Ứng dụng tiêu biểu Hiệu quả kỳ vọng
Phòng chống tội phạm · an ninh Phát hiện xâm nhập · lảng vảng · hành hung, truy vết nghi phạm Phòng ngừa · rút ngắn thời gian bắt giữ
Giao thông Phát hiện ùn tắc · tai nạn · dừng đỗ trái phép · đi ngược chiều Tối ưu tín hiệu · ứng phó tai nạn
An toàn công nghiệp Phát hiện không mang đồ bảo hộ · đi vào khu vực nguy hiểm Phòng ngừa tai nạn nghiêm trọng
Thiên tai · môi trường Phát hiện nguy cơ cháy · khói · mực nước · tụ tập Cảnh báo sớm
Bán lẻ Phân tích lộ trình · thời gian lưu lại · nhân khẩu học Tối ưu vận hành cửa hàng

4. Chuyên sâu: Xu hướng mới nhất và điểm khác biệt so với cách tiếp cận dựa trên quy tắc

Về xu hướng công nghệ, dòng DeepView đang tiến hóa theo một số hướng. Thứ nhất là chuyển dịch sang Edge AI. Ban đầu mọi video được gom về máy chủ trung tâm để phân tích, nhưng do vấn đề băng thông, chi phí lưu trữ và độ trễ, 'camera thông minh biên' tích hợp NPU ngay trong camera để thực hiện suy luận sơ cấp tại hiện trường đang lan rộng. Điều này còn có lợi thế về quyền riêng tư là chỉ truyền tối thiểu video gốc chứa thông tin cá nhân.

Thứ hai là kết hợp mô hình thị giác-ngôn ngữ (VLM) và AI tạo sinh. Gần đây, các nghiên cứu tóm tắt · truy vấn cảnh video bằng ngôn ngữ tự nhiên đang sôi động. Dưới dạng hệ thống tạo câu trả lời tóm tắt cho câu hỏi ngôn ngữ tự nhiên "trong một giờ qua có tình huống bất thường nào không", khả năng sử dụng của công tác giám sát có thể được cải thiện đáng kể. Tuy nhiên, do có rủi ro ảo giác (hallucination) và phán đoán sai, hợp lý hơn là hiểu rằng việc áp dụng có giới hạn sau kiểm chứng đang ở giai đoạn được thảo luận thận trọng trong các lĩnh vực có chi phí lỗi lớn như an ninh · an toàn.

Thứ ba là hoàn thiện tiêu chuẩn và quản trị. Song song đang diễn ra việc xây dựng hệ thống thử nghiệm · chứng nhận để đánh giá khách quan hiệu năng phân tích video thông minh, và các thảo luận về mức độ chấp nhận xã hội · khung pháp lý đối với nhận dạng khuôn mặt · hành vi. Môi trường pháp quy đang hình thành, chẳng hạn AI Act của Liên minh châu Âu xếp nhận dạng sinh trắc học thời gian thực tại nơi công cộng vào nhóm rủi ro cao · bị hạn chế, nên công nghệ dòng DeepView cũng đã bước vào giai đoạn phải đồng thời bảo đảm 'độ chính xác kỹ thuật' và 'tính chính đáng pháp lý · đạo đức'.

Khác biệt căn bản so với VCA dựa trên quy tắc truyền thống nằm ở 'con người định nghĩa cái gì'. Dựa trên quy tắc thì con người thiết kế đặc trưng như trừ nền · ngưỡng chuyển động, nên cảnh báo sai thường xuyên do ánh sáng · bóng đổ · lá cây lay động và phải hiệu chỉnh lại khi môi trường thay đổi. Ngược lại, dựa trên học sâu thì tự học đặc trưng từ lượng dữ liệu khổng lồ, nên bền vững trước thay đổi môi trường và có thể đối phó tình huống mới bằng cách huấn luyện bổ sung dữ liệu. Khác biệt này là yếu tố quyết định giúp giảm tỷ lệ cảnh báo sai trong môi trường thực, làm cho giám sát thông minh — vốn bị vô hiệu hóa bởi 'sự mệt mỏi vì cảnh báo (alarm fatigue)' — thực sự dùng được.

5. Những điểm cần cân nhắc và hàm ý (dưới góc nhìn Kỹ sư chuyên nghiệp)

  1. Cân bằng giữa quyền riêng tư · nhân quyền và công nghệ: DeepView nhận dạng · truy vết khuôn mặt, hành vi, lộ trình trên quy mô lớn, nên về bản chất luôn đi kèm lo ngại xâm phạm thông tin cá nhân và xã hội giám sát. Theo nguyên tắc giới hạn mục đích · thu thập tối thiểu, phải phản ánh ngay từ giai đoạn thiết kế (privacy by design) việc che mờ thường trực (phi định danh) và phi định danh chọn lọc chỉ cho phép người có thẩm quyền khôi phục khi cần, kiểm soát truy cập · log kiểm toán, giới hạn thời gian lưu trữ. Tính chính đáng của việc áp dụng công nghệ được phân định không phải bằng 'bắt được tốt đến đâu' mà bằng 'ngăn lạm dụng như thế nào'.

  2. Đánh đổi giữa tính thời gian thực và chi phí (biên vs đám mây): Để xử lý với độ trễ thấp video của nhiều camera ở vài chục khung hình mỗi giây, cần tài nguyên tính toán đáng kể. Nếu gửi tất cả lên đám mây thì băng thông · chi phí lưu trữ và độ trễ trở thành vấn đề, còn đẩy về biên thì đơn giá camera · tỏa nhiệt · bảo trì tăng lên. Thiết kế kiến trúc lai phân bổ vai trò biên-đám mây theo mật độ camera, độ trễ yêu cầu, độ khó phân tích trở thành quyết định cốt lõi.

  3. Quản lý độ chính xác · thiên lệch · khả năng giải thích: Nếu cảnh báo sai (false alarm) nhiều, nhân viên giám sát sẽ phớt lờ cảnh báo khiến hệ thống bị vô hiệu hóa, còn bỏ sót (miss) dẫn thẳng tới bỏ mặc sự việc. Điểm cân bằng giữa hai loại lỗi phải được điều chỉnh theo chi phí rủi ro của miền áp dụng. Ngoài ra, thiên lệch nhận dạng đối với chủng tộc · giới tính · độ tuổi cụ thể có thể dẫn tới phân biệt đối xử trong xã hội, nên phải huấn luyện · kiểm chứng bằng dữ liệu môi trường thực đa dạng và lưu lại căn cứ có thể giải thích (XAI) vì sao đưa ra phán đoán đó để bảo đảm trách nhiệm giải trình.

  4. Tiêu chuẩn · khả năng tương tác và chiến lược nội địa hóa: Trong môi trường camera · NVR · động cơ phân tích · nền tảng giám sát mỗi thứ một kiểu, để tránh phụ thuộc nhà cung cấp thì các tiêu chuẩn giao diện như ONVIF và liên kết siêu dữ liệu mở là quan trọng. Đồng thời, vì DeepView là thành quả R&D quốc gia, việc nội địa hóa động cơ nhận dạng cốt lõi tại Hàn Quốc và xây dựng hệ thống kiểm chứng hiệu năng cũng mang ý nghĩa chiến lược về chủ quyền công nghệ · ổn định chuỗi cung ứng.

  5. Quản trị vận hành và cải tiến liên tục (góc nhìn MLOps): DeepView không phải là hệ thống kết thúc khi triển khai, mà là mô hình sống có hiệu năng suy giảm (model drift) theo thay đổi mùa, ánh sáng, môi trường lắp đặt. Nếu không có hệ thống vận hành liên tục thu thập · huấn luyện lại các trường hợp cảnh báo sai, giám sát chỉ số hiệu năng và quản lý phiên bản mô hình, hiệu năng ban đầu sẽ suy thoái nhanh chóng. Góc nhìn 'vận hành liên tục' chứ không phải 'xây dựng một lần' là bắt buộc.

Tài liệu tham khảo

  • ETRI, giới thiệu nghiên cứu liên quan phân tích video thông minh (DeepView), https://www.etri.re.kr
  • Cơ quan Internet và An ninh Hàn Quốc (KISA), hướng dẫn chế độ chứng nhận CCTV thông minh, https://www.kisa.or.kr
  • Ủy ban Bảo vệ Thông tin Cá nhân Hàn Quốc, chính sách vận hành · quản lý thiết bị xử lý thông tin hình ảnh, https://www.pipc.go.kr
  • Redmon et al., "You Only Look Once (YOLO): Unified, Real-Time Object Detection," https://arxiv.org/abs/1506.02640

Tóm tắt một câu: DeepView là công nghệ phân tích video thông minh dựa trên học sâu, chuyển CCTV thành chủ thể giám sát chủ động thông qua phát hiện đối tượng, theo vết/tái nhận dạng, phân tích hành vi và tìm kiếm thông minh, được ứng dụng trong phòng chống tội phạm, giao thông, an toàn công nghiệp, với các thách thức cốt lõi là bảo vệ quyền riêng tư, cân bằng thời gian thực/chi phí, quản lý độ chính xác và thiên lệch, và vận hành liên tục.