使用节点分析和对数成像器可改进物联网(IoT)中的视频分析应用。视频分析应用试图利用日常世界中丰富的信息资源，出于几个原因考量。包括日常监控的人脸识别，但大部分原因集中在预测分析和行为分析上。这些应用中收集到的信息可通过云计算进行更高端的广泛处理。然而，深度处理有其局限性，并且可以通过往组合中增加节点分析和对数成像器在很多方面加以改进。
通过往组合中增加节点分析，减轻与云之间的通信，可以改进数据分析。云计算的带宽需求比节点分析应用多出两个（如果不是三个）数量级。因此，节点分析的计算能力要求更低，并可减少延迟。人口稠密的市场、交通混乱的地区以及城市停车场都是一些环境错综复杂的地方，可使用节点分析进行检测，以进行预测和行为分析。在云中对这些环境进行高级处理有助于制定业务策略，疏导交通流量，并可提高政府管理的停车场的效率。然而，在传感器节点处采用低端软件，而不是执行云分析，可改进这些场景的延迟、带宽、安全和功耗。
除了节点处实现智能化，往组合中增加对数成像器对于传统成像器不符合要求的领域也具有优势，从而增强系统功能。除了减少对亮度变化的依赖性，对数成像器还提供更高的图像处理动态范围。例如：在阴影、反光、光线突变以及高对比度场景中，对数成像器的表现都优于传统成像器。在视频应用中，这些问题的解决有利于数据捕捉，从而加强节点的分析能力。通过提高数据捕捉能力，整个视频分析应用都可得到显著改进。
节点分析技术和对数成像器实现的改进有助于解决物联网中的视频分析应用问题。安全、决策制定延迟、数据带宽和计算能力是物联网应用中常见的一些工程难题。通过减少数据传输可大大减少这些工程问题，而这也是节点分析对物联网应用具有吸引力的原因。在视频分析应用中，有限的对比度和亮度依赖性是需要共同解决的难题。对数成像器是视频分析应用的关键，几乎可以解决这一难题。总的来说，使用节点分析技术和对数成像器可增强物联网中的视频分析应用。
智能边缘
通过处理基于预期视觉事件的数据，可迅速地将测量数据转换为适当的动作，不必向云服务器传输任何数据，或传输少量数据。对视频数据进行快速分析，而不是将其传至云，可在本地做出决策，从而改进系统的延迟性。通过减少传输具有拦截风险的数据，不仅能够明显减少决策延迟，而且安全性也得以提高。
只有最有价值的信息需要传输至节点之外的云中，以进行预测或行为处理。经过优化的数据划分可充分发挥云价值，因为通常不需要全带宽的视频分析帧。在固定安装的摄像机上，帧与帧之间的大部分可视数据为静态数据，并可在节点进行滤波处理。边缘节点视频分析可提供多种滤波解读来区分各种预期的对象类型：汽车、卡车、自行车、人类和动物等。这种抽取操作减少了云服务器上所需的数据带宽和相关的计算能力，而如果要分析下游发送的全帧速率视频数据，则会占用大量的数据带宽和计算能力。与云计算应用相比，这种带宽的减少可实现两个或三个数量级的改进，而这是节点分析技术实现的一个关键性能改进。
对数成像
通过替换为对数成像技术可解决与传统成像器相关的常见问题，从而进一步改进视频分析应用。大多数传统成像器都是线性成像器，其使用像素生成的电压作为光的线性函数，而此类像素则会导致有限的对比度。线性成像器还利用统一的曝光相位，限制了其相对于帧速率范围内像素曝光时间的动态范围。最后，传统成像器的对比度取决于亮度，从而可能导致反光相关的对比度问题。通过替换成对数成像器可消除这些常见的问题，对数成像器使用像素生成的电压作为光的对数函数。传统成像器与对数成像器之间的区别请参见图1、2和3。
图1. 传统的图像曝光。
