安防领域一直被认为是人工智能技术落地最好的行业之一。
得益于：
可以充分满足人工智能对于算法模型训练的要求。
安防行业中事前预防、事中响应、事后追查的诉求与人工智能的技术逻辑完全吻合。
安防领域的市场规模到底有多大？
根据中国安防网的统计，2016年我国安防行业总体规模已达5687亿元，同比增长17%；预计未来两年国内安防市场将维持15%的增速，2018年安防市场规模将达到7521亿元。其中，在安防细分子行业中，视频监控的市场规模占比接近一半，未来两年预计保持13.4%的年复合增速，2018年市场规模预计达到1114亿元。
目前，在整个行业上下游环节的参与方分别包括：
上游，包含了视频算法提供商、芯片制造商、图像传感器、镜头模组等其他核心零部件；
中游，包含了硬件供应商、软件服务商、系统集成商、运营服务商；
下游，为终端行业应用，涉及政府、、交通、金融、民用等领域；
事实上，在技术进步的推动下，整个安防行业也在不断发生阶段性的变化，其中1.0阶段主要为设备提供商，2.0阶段多为解决方案提供商，3.0阶段则更多转向运营服务商。而伴随国内安防行业的迅速发展，目前已经有一批优秀的企业迅速成长为国际领先的安防龙头，如海康威视、大华股份、网力、科达等都在布局智能化。从产品路线来看，相较于传统巨头从下往上的布局路线，
AI在安防领域都有哪些技术应用及场景？
技术角度，目前AI在安防领域的应用主要还是涉及对人脸、车辆的识别，包括生物特征识别技术、大数据及视频结构化技术等。其中，生物特征识别包含了指纹识别、虹膜识别、人脸识别、步态识别等，前两个主要应用于特定场景的身份认证居多；而关于视频结构化技术，目前则主要融合了机器视觉、图像处理、模式识别、深度学习等人工智能技术，这也是视频内容理解的基础。
安防行业对IVA(智能图像识别)需求巨大。
1)近年防视频监控向高清化与网络化发展是实现安防智能化的大前提:一方面,高清监控设备传递回来高清监控图像,才有可能对画面上的各种细节(人脸、车牌号等)进行识别;另一方面,网络化监控设备采用云端存储,传递实时图像,为实时动态分析提供基础。
2)大数据时代IVA 的必要性:海量视频数据,采用人眼识别难度越来越高IVA 采用计算机视觉结合人工智能,对图像进行智能分析,使得安防大数据分析成为现实。
而此时，对于安防企业来说，就要借助基于GPU开发的模块既能够满足图像处理要求，又适合于处理计算密度高、逻辑分支简单的大规模数据并行负载，将会成为进行海量视频数据结构化处理的关键。首先，GPU能将3D模型的信息转换为2D表示，能够实现视频图像的结构化处理；其次，随着GPU的飞速发展，在浮点运算、并行计算等部分计算方面，GPU可以提供数十倍乃至于上百倍于CPU的性能。因此以图像视觉为核心并具有海量的数据源以及丰富的数据层次的安防监控领域正是GPU发挥其图像处理以及高性能通用计算的用武之地。
行业角度，目前智能安防在、交通、楼宇、金融、工业、民用等多个领域都有应用场景。，领域，主要涉及到图侦、实战、预判三层应用以满足其事前、事中、事后的实际需求；交通领域，未来通过建立城市大脑，利用AI技术可实时分析城市交通流量、调整红绿灯间隔、缩短车辆等待时间等，以合理调配提升城市道路的通行效率；智能楼宇，利用AI技术可以综合控制建筑的安防、能耗，同时对进出大厦的人、车、物实现实时监控以确保核心区域的安全。
现阶段AI在安防领域
已实现的目标和主要存在的问题
随着城市、智慧城市的推进，摄像头及高清视频的普及，安防行业有海量的数据，是人工智能可以发挥强大作用的领域，目前已经基本实现安防监控在人、车、物的识别中的三个目标。为什么说基本实现，是因为目前对人、车、物的识别并没有到达真正实用化的阶段，仍然存在较多的问题需要不断完善和解决，环境适应性差、数据分散、场景理解受限等。
1）识别行人的生理属性。通过分析行人身体结构，准确识别视频中人物的性别、年龄、姿态等多种生理特征。
但是环境适应性差，目前鉴于车辆及道路环境的相对标准化，识别率相对较高，但对于人脸的准确识别则很容易受到光照不足、图像模糊、目标尺寸过小或相互遮挡等环境影响，以致影响到识别准确率；
2）识别行人车辆。基于深度学习的行人检测算法能够在各类遮挡的情况下精确找出行人位置，并能够进一步分析行人姿态和动作，可应用于交通监控、辅助驾驶、无人驾驶等。可以在行车场景、交通监控场景、卡口场景中检测多种不同角度的车辆，并同时给出车牌号码、汽车品牌、型号、颜色等物理特征。
但是，数据分散，安防领域监控数据的开放性和共享程度相对较低，很难开展多维数据的交叉融合分析，这使得人工智能分析缺乏有效的数据支撑，同样也会影响准确率；
3）实现人群分析。在度公共场所，例如地铁，广场，估计人群数量和密度，同时检测人群过密、异常聚集、滞留、逆行、混乱等多种异常现象。
但是，场景理解受限，由于缺乏有效的专业领域经验知识的积累，视频内容的理解能力偏弱，目前的智能分析多为单场景的目标检测和行为分析，很少涉及大范景的关联行为分析，以致很难用于异常行为分析和风险预测。
未来AI在安防领域还有
哪些行业趋势及发展机会？
1）视频结构化处理，目前在安防细分子行业中，视频监控的市场规模占比接近一半，这其中蕴含着大量视频监控数据。但目前在对视频结构化处理过程中，多还停留在基于静态特征的单场景的目标识别，还没有把动作、行为等动态特征以及之间的相关性做结构化的处理。未来，如果能够做到对视频语义的理解，对视频的时间、空间、行为等动态特征做结构化处理，将对后期的视频检索、视频分析有较大的实用价值。
2）前端设备智能化，以往的前端设备基本只能做到高清录像，智能分析能力则相对比较弱，而目前基于深度学习的智能分析技术也仍多在服务器上进行处理，一旦未来视频数据量增多，服务器的传输带宽以及后端存储管理压力就会加大，也不能满足安防智能化在安全性、实时性、鲁棒性等方面的要求。如此，前端智能化也便成了行业发展的趋势，即可以通过内嵌深度学习算法或芯片，在设备前端实现具有结构化信息提取、人脸识别、道路实况检测、车辆识别等多种功能。目前，典型如以IP芯片算法切入的智芯原动、基于SVAC2.0标准的欣博电子、从模组切入的人人智能等。
3）技术创新突破点，鉴于目前对人、车、物的识别准确率仍然存在较多的限制，未来在软、硬件方面都存在相应的技术创新点。前端设备，未来几年内高清显示技术仍将持续发展，如在4K级别整合3D图像，从2D转向3D获取更立体的深度数据，或借鉴人眼仿生原理让光学系统与识别系统进行相互实时反馈获得远距离物体的清晰图像，或借助星光摄像机带来更高的对比度和更好的色彩表现以满足夜间高品质监控需求等；而在软件算法方面，要想摄像机采集的图像给出最适合机器去检测识别人脸，一方面需要做很多算法以根据当前的光照条件等环境计算出最好的成像效果，另一方面也需要尽可能的采集大量各种场景下数据。以停车场为例，当车辆进地库时，车头与背景的光照差异较大，如何针对区域做局部的曝光参数调整。简单来讲，根据相机的高度、角度、环境、异常人脸等特定场景的特征提取都需要对算法做不同的改进，在此基础上针对不同的特定场景需求，都可以给出特定的软、硬件产品。
4）多维数据融合分析，即对多维度、多场景数据的交叉融合分析，其中包括不同设备对同一物体（人、车）的识别，也包括对不同场景的数据融合。以公共安全领域为例，在动态人脸识别中即便是只有百万分之一的错误率，也会导致系统误报率太高缺乏实用价值，而要解决此类问题，单纯从人工智能算法、芯片等维度提升识别率是不够的，需要在视频数据的基础上扩充数据维度，如手机定位数据、社交数据、车辆数据、消费数据等，通过这样的大规模的、多模态数据整合以进一步提升识别效果，并在数量级上降低错误率。
5）细分应用场景广泛，受益于安防领域深度学习算法的快速发展，智能安防已经得到了越来越广泛的应用。在AI+安防3.0时代，面对安防视频产品下游的需求，运营服务将有较大的市场空间，这也将成为我国安防产业未来的发展方向。以人脸识别为例，可广泛应用于、零售、教育、金融、医疗等行业；除此之外，未来也可以尝试的场景，如智慧景区，完成物品遗留检测、客流统计以及智能巡检等；智慧商业，对客流量统计以及人流密度检测等。
