2.8mm的镜头可以用在储藏间等狭小空间的监控环境中，监控距离3m以内。
4mm的镜头可以用在小商铺或者家庭等室内环境中，监控距离3-5m。
6mm的镜头可以用在小商铺或者家门口等场景下，监控距离5-10m。
8mm的镜头可以用在室外的道路、胡同等场景下，监控距离10-20m。
12mm的镜头可以用来监控特定位置，比如一些特定的出入口等，监控距离20-30m。
扩展知识：
监控摄像机选取1/3感光原件的举例说明定焦镜头监控角度：
1、监控摄像机镜头2.1mm小镜头-监控角度150度；
2、监控摄像机镜头2.5mm小镜头-监控角度130度；
3、监控摄像机镜头2.8mm小镜头-监控角度115度；
4、监控摄像机镜头3.6mm小镜头-监控角度80-96度；
5、监控摄像机镜头4mm小镜头-监控角度78-80度；
6、监控摄像机镜头6mm小镜头-监控角度53-60度；
7、监控摄像机镜头8mm小镜头-监控角度40-45度；
8、监控摄像机镜头12mm小镜头-监控角度23-30度；
9、监控摄像机镜头16mm小镜头-监控角度15-17度。
电子眼
是常见、数量较多的交通摄像头
主要抓拍车辆在街道路口时的违规行为
比如闯红灯、逆行等
流动测速摄像头
测速摄像头
是专门用来抓拍车辆的
每个路段都有限定的行驶速度
区间测速
区间测速摄像头
是在同一路段上设置两个相邻的监控点
用来判定车主在该路段的平均速度
实际上和流动测速摄像头的内容相似
车主在通过该区域时
注意保持合理的速度
违停抓拍摄像头
违停抓拍摄像头
主要抓拍对象是违停车辆
注意被抓拍到就会受到200元以下的罚款处罚
基于大数据的大规模深度神经网络，这种神经网络可以的分析图片中的每种不同元素并将其分类，找出我们需要的那一类。这样一个强大的神经网络属于强分类器。训练这样的深度神经网络分类器是很耗时的。另外，在正常的图像中，人脸区域只是占了很小的一部分，如果使用所有的特征进行训练的话，运算量非常大。
适应性增强算法则不同，为了节省运算时间和资源消耗，它训练很多个简单的弱小的分类器，然后把它们串在一起，层层筛选，终形成一个强分类器。关键在于这个串在一起的筛选过程是动态的，下一个分类器能够根据上一层分类器所做的结果进行评估，并能够重点学习那些错误的结果，这就是“适应性增强”的含义。
如果做个比喻的话，就是你做100道练习题，错了30个，对了70个。想要获得更好的学习成果，你必须提高对这30道错题的关注，至于你做对了的可以不用再分太多精力去复习。你再做一遍这30道错题，结果其中又做错了10道题，那么这10道题是你必须重点关注的目标！以此类推，直到做对所有的题。
具体来说，在用适应性增强算法训练分类器时，首先在一张图中，真正属于人脸五官特征的区域其实并不多，那么先用一个简单的阈值二分法分类器“随便”过滤一下就能筛掉大量的非人脸区域。
网络摄像机电源的配置，忌讳什么？
忌讳的是：整个监控系统共用一个电源。
原因如下：
1) 系统维修的时候，经常需要打开、关闭电源。所有的摄像机在打开电源瞬间同时启动，启动电流特别大，对电源的冲击力很大，严重的会烧毁电源，
2) 所有的摄像机共用一台电源，当电源发生故障时，整个闭路监控系统陷入瘫痪。
尤其是一些重要出入口的图像无法监视，可能会造成不必要的麻烦。
那么正确的做法应该是怎样呢？如上面例子，一个商务楼有100台固定摄像机，总共需要约800W的电源，正确的配置应该是选择4台、每台200W的电源。这样，当某一台电源发生故障，可以把重要出入口的摄像机接到其它好的电源上，不至于影响整个系统的工作。