在进行自动巡逻时，摄像头通常会利用计算机视觉技术和深度学习算法来区分正常活动和异常行为。具体步骤如下：
动态目标检测：摄像头会持续监测场景中的动态目标，如行走的人、车辆等。这可以通过背景建模来实现，检测出不同于背景的运动目标。
特征提取：一旦检测到动态目标，摄像头会提取目标的特征，例如大小、形状、速度等。这些特征可以帮助摄像头进一步分析目标的行为。
行为分类：摄像头会将提取的目标特征输入到预先训练好的深度学习模型中，模型会根据已知的行为模式对目标的行为进行分类。例如，人的正常活动包括走动、站立等，而异常行为可能包括奔跑、攀爬等。
异常行为检测：一旦模型识别出目标的行为为异常行为，摄像头将触发警报或采取其他预先设定的措施，如通知安保人员或启动其他安全系统。
总的来说，摄像头通过不断监测、提取特征、进行行为分类和异常行为检测等步骤来区分正常活动和异常行为，在保障安全的同时提高自动巡逻系统的效率和准确性。