18900533555
在安防行业，AI技术的先进性及未来发展趋势是毋庸置疑的，并且行业中已经有众多企业推出了相关产品和解决方案。虽然安防一直以来都是以人工智能zui佳落地点自居，但从目前来看，人工智能在安防行业市场细分场景下的应用，还无法达到预期的效果，AI新产品的替换率依然在谋求新的突破。无论是参与各方企业实力，还是在技术研发和产品融合应用等方面还存在诸多的难点与困境。
1.行业参与者层面
受限于各自的技术领域与行业发展，在安防领域参与AI技术研发应用的各方均存在明显的优劣势，这也是各方在持续推进AI技术落地应用中面临的一些难题。
首先传统安防企业虽然表现出积极拥抱AI技术的态度，一些大型安防上市企业也提出对应策略，但时间点都集中在近两三年，成熟的AI产品及行业解决方案还相对较少，算法积累以及与行业的融合时间还较短。根据目前市场上反应来看，传统安防企业AI产品依然局限于人脸识别、车辆识别以及相应的大数据平台的应用。
其次部分AI算法企业虽然从四五年前就开始将视角转向安防领域，并基于自身在算法上的积累优势，推出了相应的AI安防产品及解决方案。但是算法企业在硬件制造、行业积累和渠道拓展方面，与传统的安防制造企业存在着很大差距，尤其是在细分领域应用积累，亟需进一步提高。
最后处于底层的安防中小企业既没有资金实力，又缺乏算法领域研发，又没有能力通过与各地gong安业务部门建立合作关系获取大数据支撑，唯独有细分领域行业应用的经验。这也是AI时代，安防中小企业面临的一系列亟需解决的难题。
2.技术层面
目前，人工智能技术在安防行业的应用表现出一种欣欣向荣的态势，但当前的应用还只是浅层次的，技术还不成熟，在一些场景应用中，人工智能还无法实现较为理想的落地效果。例如AI在细分领域中环境适应性较差，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。
另外，数据资源分散，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。同时，不同的场景理解受限，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，很少涉及大范围场景的关联行为分析，以致很难用于异常行为分析和风险预测。
3.落地应用层面
早在2012年，深度学习被广泛应用之后，部分AI算法企业将视角转向安防领域，并研发出基于人工智能或深度学习的AI安防产品。从产品线来看，主要分为人像识别布控系统、视频结构化分析系统、车辆大数据平台、警务大数据平台、AR实景指挥系统。但是在硬件制造、行业积累和渠道拓展方面，算法企业与传统的安防制造企业存在着很大差距，尤其是在细分领域应用积累，亟需进一步提高。
