Есть принципиально два подхода. Первый - задать шаблон и сравнивать входящий поток видеоданных с этим шаблоном. Если есть совпадение, примеру, 70% и более - то мы видим то, что искали. Такой подход реализуется через нейросети и их обучение. Второй - задание принципов, создающих критерии самостоятельного принятия решений. Анализ данных, классификация, принятие решений, обновление БД. Такой подход потребует гораздо больше параллельных вычислительных мощностей и более детальную имитацию головного мозга, чем нейросети.