在安防行業，AI技術的先進性及未來發展趨勢是毋庸置疑的，并且行業中已經有眾多企業推出了相關產品和解決方案。雖然安防一直以來都是以人工智能最佳落地點自居，但從目前來看，人工智能在安防行業市場細分場景下的應用，還無法達到預期的效果，AI新產品的替換率依然在謀求新的突破。無論是參與各方企業實力，還是在技術研發和產品融合應用等方面還存在諸多的難點與困境。
1.行業參與者層面
受限于各自的技術領域與行業發展，在安防領域參與AI技術研發應用的各方均存在明顯的優劣勢，這也是各方在持續推進AI技術落地應用中面臨的一些難題。
首先傳統安防企業雖然表現出積極擁抱AI技術的態度，一些大型安防上市企業也提出對應策略，但時間點都集中在近兩三年，成熟的AI產品及行業解決方案還相對較少，算法積累以及與行業的融合時間還較短。根據目前市場上反應來看，傳統安防企業AI產品依然局限于人臉識別、車輛識別以及相應的大數據平臺的應用。
其次部分AI算法企業雖然從四五年前就開始將視角轉向安防領域，并基于自身在算法上的積累優勢，推出了相應的AI安防產品及解決方案。但是算法企業在硬件制造、行業積累和渠道拓展方面，與傳統的安防制造企業存在著很大差距，尤其是在細分領域應用積累，亟需進一步提高。
最后處于底層的安防中小企業既沒有資金實力，又缺乏算法領域研發，又沒有能力通過與各地公安業務部門建立合作關系獲取大數據支撐，唯獨有細分領域行業應用的經驗。這也是AI時代，安防中小企業面臨的一系列亟需解決的難題。
2.技術層面
目前，人工智能技術在安防行業的應用表現出一種欣欣向榮的態勢，但當前的應用還只是淺層次的，技術還不成熟，在一些場景應用中，人工智能還無法實現較為理想的落地效果。例如AI在細分領域中環境適應性較差，目前鑒于車輛及道路環境的相對標準化，識別率相對較高，但對于人臉的準確識別則很容易受到光照不足、圖像模糊、目標尺寸過小或相互遮擋等環境影響，以致影響到識別準確率。
另外，數據資源分散，安防領域監控數據的開放性和共享程度相對較低，很難開展多維數據的交叉融合分析，這使得人工智能分析缺乏有效的數據支撐，同樣也會影響準確率。同時，不同的場景理解受限，由于缺乏有效的專業領域經驗知識的積累，視頻內容的理解能力偏弱，目前的智能分析多為單場景的目標檢測和行為分析，很少涉及大范圍場景的關聯行為分析，以致很難用于異常行為分析和風險預測。
3.落地應用層面
早在2012年，深度學習被廣泛應用之后，部分AI算法企業將視角轉向安防領域，并研發出基于人工智能或深度學習的AI安防產品。從產品線來看，主要分為人像識別布控系統、視頻結構化分析系統、車輛大數據平臺、警務大數據平臺、AR實景指揮系統。但是在硬件制造、行業積累和渠道拓展方面，算法企業與傳統的安防制造企業存在著很大差距，尤其是在細分領域應用積累，亟需進一步提高。 |
