視頻偵查的應用過程中，需要對關注目標的行進路線進行實時觀察。目標追蹤和軌跡描述分為單攝像頭和跨攝像頭兩個情況。

單攝像頭追蹤是在同一視頻鏡頭內，通過特征或者模型的匹配，對特定對象進行從進入畫面到消失過程中每一時刻位置信息的標注。跨多攝像頭的軌跡追蹤是對特定目標出現的時空特征進行分析，對目標出現的空間位置序列按照時間節點順序進行排列，并給出其在特定時間段內的運動軌跡，用于案情分析和人員篩查等。

視頻偵查辦案中，將目標發現結果分攝像頭進行總結，將關注目標的性別、人數、體態、運動方向、交通工具、時間等進行歸納和羅列，對比各個不同監控視頻的對應地點和時間來綜合判定嫌疑人的軌跡。

車輛追蹤是當前發現犯罪嫌疑人的重要手段之一。對可疑車輛進行特征提取，包括車輛牌照、型號等，實現以車找人的偵查方式。通過治安卡口系統、闖紅燈系統、電子警察系統等，對于車輛的監控信息，如車牌、車標、車身信息等進行獲取。通過對視頻數據進行采集并支持視頻目標搜索，獲取可疑車輛的行動路線，并在地圖上實時展示，提高偵查效率。

視頻監控是安全防范系統的重要組成部分，監控系統包括前端攝像機、傳輸線纜、視頻監控平臺。視頻監控以其直觀、準確、及時和信息內容豐富而廣泛應用于許多場合。視頻監控主要包括城市公共區域建設的“天網”系統、社會視頻監控系統、卡口監控系統。視頻監控采集的視頻圖像數據具有極高的價值。當發生案件時，可以運用視頻監控發現線索、鎖定目標、證實犯罪，作為新的偵查途徑。

視頻識別主要包括視頻信息的采集及傳輸、視頻檢測和分析處理三個環節。通過智能分析模塊，對視頻畫面進行識別、檢測、分析，對異常情況進行目標和軌跡標記。智能分析模塊基于人工智能和模式識別原理的算法。

深度學習是機器學習的一個子類，是機器學習眾多算法中的一種，是擁有多個隱藏層的神經網絡。深度學習可以理解為多層神經網絡，是一種學習的模式，采用具有深度的模型進行學習。深度學習具有其他算法不具備的顯著優勢，特別在AI領域的應用中，使得深度學習解決問題的效果尤為突出，廣泛應用于語音識別、圖像識別、文本理解等眾多領域。

機器學習是讓機器從大量樣本數據中自動學習其規律，并根據學習到的規律預測未知數據的過程。機器學習的目標是發現數據中暗藏的規律，由此對未知進行預測。這個過程要通過學習來實現，學習用到的材料則是大數據。

機器學習通過人工智能來分析、探索和預測趨勢，并根據過去的變化預測未來的趨勢。通過經典的機器學習算法，為客戶提供智能應用程序，包括頻繁模式挖掘、聚類、分類、推薦引擎（獲得用戶行為并從中發現用戶可能喜歡的事物）、頻繁子項挖掘（利用一個項集，如查詢記錄和購物目錄，去識別經常一起出現的項目）。

人工智能是計算機科學與技術專業的一門重要的專業課程，運用計算機模擬和延伸人腦功能，模仿人腦所從事的推理、識別、理解、設計、學習、思考等思維活動，以此解決預測、規劃等需要人類專家才能處理的復雜問題。人工智能關鍵技術包括專家系統、自然語言理解、人工神經網絡。

基于沃達德大數據平臺，通過對海量數據采集、處理、存儲、分析和數據挖掘，根據數據的特性，采用合適的可視化方式，將數據直觀地展現出來，以幫助人們認識數據、理解數據，同時找出包含在海量數據中的規律或者信息，預測未來發展趨勢，進行智能化決策分析，使得數據資產成為核心競爭力。