直接举例：某安防运维维保商承接了某城市三环路以内（含三环）合计6万路摄像头的日常运维工作，为此组建了10人的网络线上巡检专班。

网络巡检人员的日常工作任务就是根据分工，逐通道线上查看监控图像是否正常。以每路耗时1分钟来计算（含打开、关闭、网络延时等情况，实际耗时远大于此），6万路监控摄像头需要耗时6万分钟。6万分钟/60分钟=1000小时。10人的网络巡检专班平均每人工作100小时才可以将整个系统的摄像机巡视一遍（实际耗时远大于此）。

如果实现8小时工作时间内完成一遍图像检索分析任务的话，人员规模需要扩充到125人。如果考虑24小时不间断巡查，三班倒的人员又将增加3倍，达到了375人的规模。再考虑周末节假日休息、事假替换班等因素，网络线上巡检小组的人员规模又将上升28.57%，达到482人的规模。

网络线上巡检人员的规模达到如此水平依然解决不了：前脚巡检正常、后脚就异常；上午巡检正常、下午就不正常的状况，始终难以在第一时间发现故障和问题。所以出现：某一路口下午发生交通事故，尝试调看事故监控录像才发现该监控摄像机上午就发生故障没有图像了。运维小组免不了被批评、考核评分被减分。500个人员编制的线上巡检专班依然解决不了第一时间发现故障的问题。

如果引入视频监控管理分析平台对前端的每路图像进行集中检索分析，每路监控图像的巡检时长可以压缩到秒级。以优化后的典型CPU/GPU、足够的内存、带宽配置，使用多线程、多进程同时处理多个视频流的方式，单路图像的分析处理时长可以控制在10秒、甚至以内。当然，这需要较高的软硬件配置。单纯以10秒/路进行测算，6万路监控的智能处理分析总时长依然将达到166小时。如果需要进一步提升系统检索效率，就需要考虑采用分布式服务器的多节点方案，这将进一步提升项目造价、增加系统风险。

智能监测分析技术产生的结果已经比人工检索分析的方案提升了一个数量级，实现了巨大的技术进步。那有没有办法进一步提升，将监测的效率达到毫秒级、无限接近于实时呢？答案是肯定的。

这就需要考虑引入“边缘计算”技术。

在天网工程、雪亮工程、智慧城市、智慧交通等大规模安防视频监控系统中，利用分布在前端监控点位的智能监控箱、智能运维等终端产品，在这些为前端摄像机提供动力、网络等基础支撑的运维设备中，设计新增、构建对监控点位本地监控图像的监测分析能力。将分析监控图像的任务交由众多的前端运维设备分别、独立完成，构建“边缘计算”、“分布式处理”的架构。智能监控箱、智能运维只将监测分析的结果上报监控系统运维管理平台，而不再由监控系统运维管理平台集中、顺序进行分析处理，这将极大地提升效率。

在6万路视频监控系统中，相当于存在6万双眼睛分别实时盯着6万路监控图像，可以做到“分布”、“并行”、“实时”。方案原理可以进一步优化为：智能监控箱、智能运维终端对监控点位的视频图像进行分析，结果正常的可以向监控系统运维管理平台直接上报文本数据格式的最终结果。如遇分析结果异常的上报告警信息，而告警信息拥有较高的优先级，可以超越正常信息在第一时间被监控系统运维管理平台接收到，从而实现实时监测、实时告警。

由此可见，边缘计算技术在庞大视频监控系统中拥有独特而巨大的应用价值。视频监控系统越庞大，边缘计算技术的应用价值就越高。相信不久的将来，随着视频监控系统的越发普及，物联网架构进一步庞大、复杂，边缘计算技术将发挥更大的作用。