在监控录像的背景下，嵌入 (Embeddings) 是视觉数据的数值表示，它捕获了视频帧中对象、人物或活动的基本特征。这些表示通常由机器学习模型（例如卷积神经网络 (CNN)）生成，这些模型处理原始像素数据并输出紧凑的向量（数字数组）。每个向量将语义信息（例如一个人的服装外观、面部特征或运动模式）编码成一种可以有效比较、存储或分析的格式。例如，监控系统可能会为检测到的行人生成一个嵌入，以总结其视觉属性，从而能够在不同的摄像头馈送或时间戳中进行相似性检查。
嵌入在监控中特别有用，可以用于诸如重新识别、异常检测或活动分类等任务。例如，一个跨多个摄像头跟踪个人的系统可以为在每一帧中检测到的人生成嵌入。然后使用距离度量（例如，余弦相似度）比较这些嵌入，以确定同一个人是否出现在另一个位置。类似地，诸如车辆之类的对象的嵌入可以帮助识别重复模式（例如，频繁停放的汽车）或异常情况（例如，无人看管的包）。通过将原始视频数据减少到结构化的数值表示，嵌入能够实现可扩展的处理和分析，尤其是在处理大量录像时。
使用监控嵌入的开发人员必须考虑诸如模型选择、预处理和存储等因素。可以使用预训练模型（例如，用于特征提取的 ResNet）或定制训练的架构，具体取决于任务的特异性，例如识别车牌与一般人类活动。通常需要诸如帧归一化、背景减除或时间采样（例如，分析每第 10 帧）之类的预处理步骤，以优化输入质量。有效存储嵌入也至关重要：诸如 FAISS 或 Pinecone 之类的向量数据库可以为嵌入编制索引以进行快速相似性搜索，而诸如降维（PCA、t-SNE）之类的技术有助于管理计算成本。平衡准确性、延迟和资源使用是关键，尤其是在必须立即生成和查询嵌入的实时系统中。