經過十多年的平安城市建設，中國已經成為全世界最大的安防市場，視頻監控系統作為安防系統中不可或缺的重要組成，正日益發揮更加重要的作用，在平安城市、雪亮工程等重點建設項目的背景下，安防已成為人工智能最為重要的落地場景之一。隨著平安城市建設的推進和深化，目前新建監控項目已基本實現高清化，隨著建設規模的逐步擴大和人工智能、云計算、大數據技術的興起，平安城市應用正逐步向警務云、大數據應用等方向轉變。 高清監控安裝視頻信息作為公安最重要的數據資源之一，遍布城市大街小巷的攝像頭，每天都會產生大量視頻資料數據，不僅為社會治安穩定發揮作用，也為智慧城市和物聯感知提供信息支撐，但這些圖像資料目前還僅停留在事后查看的層面，沒有被充分利用起來，如何能夠被用戶快速消化使用，成為更有價值的情報數據呢？讓用戶從這些數據中自行尋找線索，不僅占用了大量的人力、物力和時間，同時由于個人能力的差異也會導致針對信息的認知偏差。例如針對卡口實現了主干道的車輛識別，覆蓋面有限，其他活動目標及特征無法獲取，大多依靠人工進行收集和處理，難以結合時空數據進行快速檢索和分析研判。

如何解決海量視頻監控數據與人力分析瓶頸之間的矛盾是產業技術升級的主要方向。安防行業多年前就將智能化作為主要發展趨勢，視頻分析是人工智能的重要熱點之一，人的信息獲取絕大部分是從圖像中來，從技術成熟度和應用場景看，圖像智能的發展更接近實用，進步也更快速。

今天，城市里的數據非常豐富，其中攝像頭的數據量非常大，可以挖掘出巨大的價值，可以解決城市管理中的諸多難題。我們希望把視頻圖像里面的內容和目標白動轉換成結構化數據，讓每個人都能直接理解人／車／事這幾類主要信息，車：車型、車款、車牌號碼、車輛顏色、行駛方向、行駛速度，人：步行、騎車、性別、年齡、上身、下身、背包拎包，事：擁堵、逆行、徘徊、奔跑、劇烈運動、交通行為。有了以上數據就能進行決策和優化，比如根據交通流量優化紅綠燈配時系統，比如在視頻中搜索可疑車輛（肇事）和可疑人（失蹤），比如挖掘數據之間的關系和規律，找到數據之間背后的原因，還可以進行趨勢預測，比如半小時甚至更長時間后的車流和路徑規劃。但原先的智能分析技術一直存在識別準確率低、場景適應性差、識別種類少等問題。深度學習通過大量數據訓練來建立輸入數據和輸出數據之間的映射，通過人工智能來自動處理海量監控視頻數據，解決了以往的技術瓶頸。以平安城市為例，針對道路監控等相對標準場景的視頻，可進行 智能人臉識別系統和機非人實時結構化分析和特征信息提取，轉化為公安所需的情報線索。

目前，安防行業中基于深度學習的人工智能產品，以天地偉業為例，主要識別方向包括：車輛分析、人員分析、行為分析和圖像分析，產品形態分為前端智能和云端智能。

前端產品主要是用于邊緣節點計算的AI攝像機（人臉識別攝像機／卡口電警攝像機），在采集視頻和圖片的同時，依靠內置的算力芯片和智能算法，為云端的數據中心提供結構化的數據，可以減少云端分析處理的計算資源壓力和網絡帶寬等系統成本。缺點是前端設備空間有限、功耗成本較高，導致有限的硬件資源只能運行相對簡單、對實時性要求高的算法。