AI让安防升级换代，催生更多应用场景
近年来，在计算、大数据、深度学习等技术的综合应用下，Al技术得以大幅度提升，应用场景也越来越多。2017年人工智能市场中，计算机视觉位居第一，占比达到37%，语音第二，达到22%，而在计算机视觉应用中，安防占比高达68%，基于计算机视觉开发的人脸解锁、人像美颜功能在Al手机应用中渗透率分别高达75%与90%，而语音主要应用在智能手机、可穿戴设备、智能家居中。
A、稳健发展中的安防产业
根据中安协发布《中国安防行业“十三五”（2016-2020年）发展规划》，
“十三五”期间，安防行业将向规模化、自动化、智能化转型升级，且到2020年，安防企业总收入达到8000亿元左右，年增长率达到10%以上。
B、A技术助力安防行业智能化升级
随着GPU等硬件设备的研发和人工智能相关软件算法的成熟，人工智能逐渐被大规模应用各个领域，而安防行业对实时性、准确性要求极高，人工能+安防应运而生。在安防产业链中，硬件设备制造、系统集成及运营服务是产业链的核心，渠道推广是产业链的经脉。未来安防产业的运营升级势在必行，通过物联网、大数据与人工智能技术提供整体解决方案是众多企业的发展趋势。
安防是人工智能最理想的落地行业之一。随着深度学习、大数据等技术持续突破，“人工智能+”已成为我国经济增长的新引擎。人工智能的产业化是“Al+垂直行业”的一场变革。安防行业的海量数据以及事前预防、事中响应、事后追查的诉求与人工智能训练需求及技术逻辑完全吻合，是人工智能最理想的落地行业之一。“AI+安防”已经从概念普及、技术比拼，进入到产品、场景、实战应用和生态构建阶段。
智能安防云边结合成为新趋势。目前安防系统中，常见的中心计算架构问题已经日趋严重，主要体现为网络传输带宽问题、及时性问题得不到有效解决。边缘计算的出现有效缓解了上述问题。云计算聚焦非实时、长周期数据以及业务决策场景，而边缘计算在实时性、短周期数据以及本地决策等场景方面有不可替代的作用。这使得云端及边缘端结合成为新趋势：一些需要集中式处理的计算继续交由大型云计算中心，如大数据挖掘、大规模学习；大量实时的需要交互的计算、分析在边缘节点完成。
海康威视提出云边融合AlCloud架构。海康威视AlCloud架构由边缘节点、边缘域和云中心三个层级构成。边缘节点侧重多维感知数据采集和前端智能处理；边缘域侧重感知数据汇聚、存储、处理和智能应用；云中心侧重业务数据融合及大数据多维分析应用。数据从边缘节点到边缘域，实现“聚边到域”；从边缘域到云中心，实现“数据入云”。边缘域和云中心可多级多类，根据不同应用，边缘域汇聚的数据和传到云中心的数据在格式和内容上也会不同。边缘域所发挥的作用就像足球“中场”，负责决定在什么时候，将什么样的数据，处理到什么程度，发送到云中心，实现“按需汇聚”。
智能安防产业链：上游有零组件供应商、算法和芯片供应商等；中游为软硬件设备设计、制造和生产环节，主要包括前端摄像机、后端存储录像设备、音视频产品、显示屏供应商、系统集成商、运营服务商等；下游为产品分销及终端的城市级、行业级和消费级客户应用。上游零部件供应商，代表企业有华为海思、索尼、中星微，还有视频算法提供商Object Video等；中游软硬件供应商、系统集成商的主力厂商包括海康、大华等。下游为终端客户，主要涉及到政府、公共行业、民用行业等。在智慧城市的普及下，安防市场容量持续增加，安防产品的智能化程度不断提高，数字监控技术日益成熟，人工智能技术在安防市场上的应用大规模落地，推动传统安防产业进化革新，从而带动了安防产业市场规模的扩大。智慧安防产业链中，上游的算法、芯片和其他零组件供应环节属于技术集成部分，是智能安防产业的发展基础。A+安防产业链公司众多，系统厂商有海康威视、大华股份，芯片公司有英伟达、华为海思、寒武纪，比特大陆，而Al算法公司有商汤科技、依图科技、云从科技等。
智能安防算法：算法环节主要包括图像处理、视频压缩和内容识别三个分类。计算机视觉、深度学习、集成算法等重要的人工智能算法的引入和革新，助力安防产品适应大众不断增长的安防需求。在安防领域智能算法的运用主要体现在，利用无间歇工作的智能算法对视频画面进行监控，以弥补人力无法长时间保持监控状态的缺失；利用生物识别技术解决人脸、指纹、语音等生物特征被盗用的情况；提高安防产品保密和防御级别，确保场所安防布控。此前，算法的基础框架的研发几乎被国外企业垄断，但近年来，伴随人工智能深度学习算法的快速成熟，中国芯片设计公司和设备产品厂商都致力于在基础算法上进行改进和优化，培养自己独有的算法技术，部分优质的图像内容识别、算法供应商陆续出现。
图表：人工能安防涉及的主要算游
资料来源：公开资料整理
安防监控芯片：在智能安防监控领域，芯片是硬件设备中成本占比最高的零组件之一，也是安防视频监控设备的核心部件，通过前端摄像机内置人工智能芯片，可实时分析视频内容，检测对象，识别人、车属性信息，并通过网络传递到后端人工智能的中心数据库进行存储。目前，安防视频设备中所需要的处理器芯片主要包括网络摄像机中的SOC芯片、后端DVR/NVR中的SOC芯片以及深度学习算法、加速器芯片以及前端模拟摄像机中的ISP芯片四种类型。目前，高性能的深度学习算法加速器芯片仍由国外芯片厂商提供，但其余三类处理器芯片已实现了较大程度的国产化替代。
图表：年防监控四类主要芯片
资料来源：公开资料整理
安防用人工智能芯片：目前安防领域最主流的深度学习芯片方案是GPU，但GPU存在成本、效率、功耗等瓶颈，现已有针对安防产业开发的FPGA/ASIC智能芯片，如深鉴科技（去年被Xilinx赛灵思以3亿美元并购）的DPU芯片（FPGA）、北京君正的NPU协处理器（ASIC）、寒武纪的Al服务器芯片（ASIC等）。当前安防智能化进程中，算法层面已经接近成熟，宏观架构上云边融合（即云端计算和边缘计算的融合）的理念成为行业共识，虽然具体场景的解决方案层面需要通过大量前期项目进行摸索，但政府部门和大企业客户对于安防智能化的趋势已经有较为充分的认知，而当下对智能化落地的进度最为关键的影响因素便是芯片的成本。为了实现智能化的功能（即运行深度学习算法），安防监控系统的前端和后端设备中需要加入英伟达或是英特尔等国际大厂所设计的GPU、FPGA或者ASIC加速芯片，与原有的承担图像处理和编解码功能的主处理器芯片一起构成双芯片方案，而采用这些芯片一般要为安防监控设备新增高额成本（2017年仅前端摄像机中采用的Al加速器芯片的成本就高达上百美元），因此导致智能化设备的成本普遍偏高，在很大程度上影响了智能化的大面积应用。未来随着根据应用场景定制的ASIC或专用SOC智能监控芯片的逐渐成熟（安霸、海思的方案已经在小排量测试，而海康及大华也都在开发自研智能监控ASIC/SOC芯片），高性价比的专用芯片对边缘运算及部分云端通用GPU芯片的替代，将使得智能监控设备的成本有望大幅降低，安防监控智能化进程在未来加速落地可期。
图表：GPU在智能笑防的应用
资料来源：公开资料整理
C、智能安防才刚进入初级阶段，Al占比低于1%，未来大有可为
目前Al在安防领域仍处在发展阶段，具有较好的发展前景：《2018年中国Al+安防行业发展研究报告预告版》的报道中指出，人工智能在安防领域的应用早在2012年就已经取得一定成就，但是无论是人脸识别、结构分析等其他定制化服务，也就2016-2017年左右才稍有起色。
安防领域智能摄像头应用率1%：智能摄像头无疑在智能安防领域充当着最基础也最重要的眼睛作用，单单就智能摄像头来说，我国一年有5000万个摄像头需求。实际上我们只有50万不到智能摄像头进入到安防领域应用，用率也就刚刚达到1%而已。
Al摄像机在公安动态识别系统渗透率0.4%：2018年市场较为理性，从铺设速度看，Al摄像机在公安动态识别系统项目中渗透约达到16.6%，而若考虑全国近2300万路现存公安监控摄像头，则渗透率约0.4%，从设备能力看，符合应用场景可用指标为核心准则。
智慧安防22.6%复合增长：在安防领域，智能化逐渐成为行业转型升级的方向，智能安防在安防行业占比也逐步提升。据中商情报网数据，2018年中国安防行业市场规突破六千亿元，其中，智慧安防行业市场规模约2001亿元，预计到2022年智慧安防行业市场规模将达到4514亿元，2018-022年均复合增长率达到22.6%。
2018年安防Al产品营收在前端营收占比中增长100%，后端增长70%：2017年和2018年人工智能开始真正落地安防场景，其中2018年更是飞速发展的一年。按前端产品、后端产品、中控产品、工程施工和其他划分的营收结构在这两年中基本没有发生变化，而Al产品的营收在前端营收占比中增长了100%，在后端营收占比中增长了70%（注：图中蓝色区域Al产品占比为前端产品或后端产品中的占比，并非整体营收占比。），说明在符合已有市场需求结构的基础上，Al产品越来越受到市场的重视与欢迎，虽然整体占比还很小，但在公安部门“新建一批、利旧一批、淘汰一批”的准则下，2019年Al产品在安防厂商视频监控业务中的占比增速不会低于2018年。
Al、安防企业有望整合：新兴Al企业比部分安防上市企业要更早推出智能安防产品，且在技术方面更领先一些，但Al需要通过数据进行机器学习，Al创企在数据方面稍逊，若没有数据支撑难以实现更大的突破，而大量数据都在政府国安手里，若没有数据支撑也难以有更大的突破；大型安防上市企业尽管早已提出结合深度学习、Al技术的研发策略，且拥有大数据和综合指挥平台优势，但大部分在2017下半年才真正推出智能安防产品。这也就形成了资源与技术不能很好地匹配，有资源的手里缺Al技术，而Al产品难以规模化应用。不过，存在问题并不意味着智能安防达到了瓶颈。从2017年中国智能安防行业下游需求分析中可以看出，平安城市、智能交通是智能安防崛起的主因，目前这些领域均处于快速发展期，此外，智能安防企业在物流、旅游、能源等领域开辟了新的应用。未来智能安防无疑拥有非常大的发展空间。
D、安防Al面临的三大挑战
安防Al的发展主要面临以三个方面的挑战：算法的场景适应能力、大规模用的技术与经济可行性和面向业务应用的解决方案。
算法的场景适应能力：以人脸识别为例，目前绝大多数厂商的算法来源于对人脸静态图片的学习训练一比如标准证件照，对所采集的人脸照片的清晰度、光照、角度、妆容都有着严格的要求，但在实际监控场景中，除了室内个别环境外，绝大多数现场环境采集的人脸图片无法满足这样的要求，造成人脸识别精度的大幅度衰减。如国内某知名厂商的人脸识别算法在静态人脸比对测试中总是名列前茅，但其复杂环境下动态人脸识别的效果就比较差，特别是在偏转角度较大（超过30°）、化妆、戴墨镜、戴口罩等情况下识别率会大打折扣。
大规模应用的技术与经济可行性：目前计算机视觉的大规模运算还主要依赖GPU和CPU的算力，以人脸识别和视频结构化分析为例，一般利用GPU做视频图像处理与特征解析运算，用CPU做人脸特征比对运算。在复杂动态人脸采集环境下，1台8卡GPU（TESLAP4）+2个16核CPU服务器每秒可支持80路1080P高清视频实时动态解析和100万库的实时动态比对运算，硬件成本折合4000元人民币/路，电力消耗（服务器自身耗电+散热制冷耗电）折合每年800元/路。如果采用800万像素的监控图像，硬成本会再增加3倍，这还没有计算算法与应用软件系统的费用，如此高昂的建设与运行费用很难得到大规模的应用推广。
面向业务应用的解决方案：Al是一项技术，从Al技术到客户价值，需要一整套的产品与解决方案，向客户最终交付的是应用，尤其是面向业务的应用软件，不同行业、不同场景、不同用途的业务应用都不尽相同，需要针对性的集成与应用软件开发，否则无法规模化推广。而目前情况来看，无
论是Al算法厂商、安防产品商还是系统集成商，都不具备全行业应用软件的开发能力。
E、Al+安防使用技术
（a）视频结构化技术
是目标检测——从视频中提取出前景目标，然后识别出前景目标是有效目标（如：人员、车辆、人脸等）还是无效目标（如：树叶、阴影、光线等）。在目标检测过程主要应用到运动目标检测、人脸检测和车辆检测等技术。
二是目标跟踪——实现特定目标在场景中的持续跟踪，并从整个跟踪过程中获取一张高质量图片作为该目标的抓拍图片。在目标跟踪过程中主要应用到多目标跟踪、目标融合以及目标评分技术。
三是目标属性提取——对已经检测到的目标图片中目标属性的识别，判断该目标具有哪些可视化的特征属性，例如人员目标的性别、年龄、着装，车辆目标的车型、颜色等属性。目标属性提取过程主要基于深度学习网络结构的特征提取和分类技术。
（b）情感计算技术
情感计算在安防领域具有广泛的应用前景。计算机通过对人类面部表情、语音表情、姿态表情、生理表情和文本情感的获取、分类和识别，可以及时获取目标对象的情感变化，并对异常危险行为提出预警，实施相应的应对措施。
脸部表情：国际著名心理学家Paul Ekman和研究伙伴W.V.Friesen对人脸面部表情作了深入的研究，通过观察和生物反馈，于1976年描绘出了不同的脸部肌肉动作和不同表情的对应关系，即面部表情编码系统FACS。FACS根据人脸的解剖学特点，将人脸划分成若干既相互独立又相互联系的运动单元，分析了这些运动单元的运动特征及其所控制的主要区域以及与之相关的表情，并给出了大量的照片说明。FACS是如今面部表情的肌肉运动的权威参照标准，也被心理学家和动画片绘画者使用。为满足视频信息传输的需要，人们进一步将人脸识别和合成的工作融入到视频图像编解码之中。典型如MPEG4V2视觉标准，其中定义了3个重要的参数集：人脸定义参数、人脸内插变换和人脸动画参数。当前人脸表情处理技术研究的热点多侧重于对三维图像的更加细致的描述和建模。通常采用复杂的纹理和较细致的图形变换算法，达到生动的情感表达效果。在此基础上，不同的算法形成了不同水平的应用系统。
语音理解：目前，国际上对情感语音的研究主要侧重于情感的声学特征的分析。中国科学院自动化研究所模式识别国家重点实验室的专家们针对语言中的焦点现象，首先提出了情感焦点生成模型。这为语音合成中情感状态的自动预测提供了依据，结合高质量的声学模型，使得情感语音合成和识别达到了实用水平。
姿态变化：针对肢体运动，科学家专门设计了一系列运动和身体信息捕获设备，例如运动捕获仪、数据手套、智能座椅等。国外一些著名的大学和跨国公司，例如麻省理工学院、IBM等则在这些设备的基础上构筑了智能空间。也有人将智能座椅应用于汽车的驾座上，用于动态监测驾驶人员的情绪状态，并提出适时警告。意大利的一些科学家还通过一系列的姿态分析，对办公室的工作人员进行情感自动分析，设计出更舒适的办公环境。
生理识别：不同的生理信号的特征模式也是情感识别的重要依据之一。人的生理信号比起面部表情和语音，识别难度更大，所以目前生理模式的情感识别研究还处于初级阶段。哪些信号可以转化为情感参数、信号各个方面的权重、比例应该是多少，这些都还需要进行进一步的研究和探索。
文本情感计算：文本情感计算是自然语言处理的一个研究分支，其工作展开的关键在于情感特征提取和情感分类方法的不断进步优化。尽管经过了大量研究，文本情感计算取得了很大的进展，但整体仍处于探索阶段，存在
一些亟待解决和研究的问题：缺乏规范统一的实验语料和词典。目前针对语言规律和句子语义成分的分析问题，还没有成熟的解决方案。
多模态的情感计算：虽然人脸、语音、姿态、生理、文本均能独立地表示一定的情感，但只有实现多通道的情感信息采集，才能实现完整的情感识别。这通常要求系统集自然语言、语音、手语、人脸、唇读、头势、体势等多种交流通道于一体，进行综合的采集、分析和识别。目前，多模态技术正在成为情感计算的研究热点，实现情感的多特征融合，能够有力地提高情感计算的研究深度。美国麻省理工学院、日本东京科技大学、美国卡内基·梅隆大学均在情感机器人和情感虚拟人的研究领域做出了较好的演示系统。中科院自动化所模式识别国家重点实验室也已将情感处理融入到了多模态交互平台中，结合情感语音合成、人脸建模等技术，构筑了栩栩如生的情感虚拟头像。
（c）大数据技术
大数据技术为人工智能提供强大的分布式计算能力和知识库管理能力，是人工智能分析预测、自主完善的重要支撑。
一是海量数据管理被用于采集、存储人工智能应用所涉及的全方位数据资源，并基于时间轴进行数据累积，以便能在时间维度上体现真实事物的规律。同时，人工智能应用长期积累的庞大知识库，也需要依赖该系统进行管理和访问。
二是大规模分布式计算使得人工智能具备强大的计算能力，能同时分析海量的数据，开展特征匹配和模型仿真，并为众多用户提供个性化服务。
三是数据挖掘是人工智能发挥真正价值的核心，利用机器学习算法自动开展多种分析计算，探究数据资源中的规律和异常点，辅助用户更快、更准地找到有效的资源，进行风险预测和评估。
F、AI+安防场景应用
安防与人工智能技术结合是大势所趋，“Al+安防”朝着视频结构化、数据可视化、安防移动化、云防立体化演进。但在发展过程中软硬件问题尚待解决，只有妥善解决这些问题，才能满足市场需求，提升整个安防领域的智能化水平，从而推动安防产业的升级换代。
公安行业场景应用：公安行业用户的迫切需求是在海量的视频信息中，发现犯罪嫌疑人的线索。前端摄像机内置人工智能芯片，可实时分析视频内容，检测运动对象，识别人、车属性信息，并通过网络传递到后端人工智能的中心数据库进行存储，再利用强大的计算能力及智能分析能力，对嫌疑人的信息进行实时分析，为案件的侦破节约宝贵的时间。其强大的交互能力，真正成为办案人员的专家助手。
交通行业场景应用：在交通领域，利用人工智能技术，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，提升城市道路的通行效率。城市级的人工智能大脑，实时掌握着城市道路上通行车辆的轨迹信息，停车场的车辆信息，以及小区的停车信息，合理调配资源、疏导交通，实现机场、火车站、汽车站、商圈的大规模交通联动调度，提升整个城市的运行效率，为居民的出行畅通提供保障。
智能楼字场景应用：在智能楼宇领域，人工智能是建筑的大脑，综合控制着建筑的安防、能耗，对于进出大厦的人、车、物实现实时的跟踪定位，区分办公人员与外来人员，监控大楼的能源消耗，使得大厦的运行效率最优，延长大厦的使用寿命。
工厂园区场景应用：在工厂园区场所，利用可移动巡线机器人，定期巡逻，读取仪表数值，分析潜在的风险，保障全封闭无人工厂的可靠运行，真正推动“工业4.0”的发展。
民用安防场景应用：在家庭安防中，当检测到家庭中没有人员时，家庭安防摄像机可自动进入布防模式，有异常时，给予闯入人员声音警告，并远程通知家庭主人。而当家庭成员回家后，又能自动撤防，保护用户隐私。夜间期间，通过一定时间的自学习，掌握家庭成员的作息规律，在主人休息时启动布防，确保夜间安全，省去人工布防的烦恼，真正实现人性化。
G、2018年安防Al发展情况
2015年以来，旷视、依图、商汤、云从等人工智能算法团队率先将人脸识别技术应用到公安科技中，帮助公安机关侦破了很多旧案积案，抓获了不少长期潜逃的案犯，引起了轰动，安防AI应用才始见庐山真面目。经过2016、2017两年的认知、试用和推广，2018年开始进入一轮人脸识别初级阶段应用的小高潮。
（a）2018年全防AT发属特点
2015年以来，旷视、依图、商汤、云从等人工智能算法团队率先将人脸识别技术应用到公安科技中，帮助公安机关侦破了很多旧案积案，抓获了不少长期潜逃的案犯，引起了轰动，安防AI应用才始见庐山真面目。经过2016、2017两年的认知、试用和推广，2018年开始进入一轮人脸识别初级阶段应用的小高潮。
（a）2018年安防AI发展特点
2018年安防Al市场发展的特点可概括为四句话十六个字：“看脸时代”、“风正起时”、“群雄并起”、“两营对垒”。
“看脸时代”：2018年谈到安防Al就离不开人脸识别，一方面是因为一流算法团队的人脸识别技术已经超越人眼的辨识能力且得到了众多现实场景的检验，技术上完全达到了实用化阶段；另一方面人脸识别的应用范围和场景比较宽，如公安追逃、身份核查、案件侦查和所有需要身份鉴别认证的场景都用到人脸识别技术，人脸识别是目前最成熟、最广泛的安防Al应用
“风正起时”：作为全国性的安防行业最大的工程项目——雪亮工程和天网工程的建设重点都已经从原来点位建设转移到Al应用上来，以及其它垂直应用领域的安防系统建设也都在关注Al应用，从而催生出了未来巨大的安防Al产品与应用市场，安防Al“风”已经吹起，Al算法团队、Al芯片厂商、传统安防厂商、系统集成商、传统IT厂商都吹响了“集结号”，意欲掘金未来庞大的安防市场。
“群雄并起”：受安防Al风口的驱动，除了目前国内几家知名的视觉Al算法团队外，传统安防厂商、新Al创业团队、垂直行业应用集成商也都在投入人力物力来开发自己的Al技术和产品，形成了群雄并起的局面。
“两营对垒”：2018年以前，率先在安防Al市场刮起旋风的是依图、商汤、旷视、云从等Al新锐。2018年，传统安防厂商布局Al技术产品，在市场竞争层面主要是Al算法专业团队与传统安防厂商两大阵营的对垒，在到底是Al+安防还是安防+Al的问题上各自演绎。从当前竞争的初步结果来看，Al算法团队在算法精度和云端算力上具有较为明显的碾压优势，传统安防厂商在Al边缘产品——特别是人脸检测抓拍摄像机产品化和安防Al行业应用方面处于领先地位。
（b）安防AI技术、产品应用落地情况
目前安防Al技术主要集中在人脸识别与人、车、物视频结构化解析两个方面，其中人脸识别技术已经成熟，人脸静态识别准确率已经达到98%以上，人脸动态识别（利用监控摄像头进行实时人脸识别）的准确率也已达到90%以上（百万人脸比对库以内），已经满足绝大多数场景下的应用需求。人/车/物视频结构化解析在机动车特征解析上的准确率已达到95%以上，而在人体特征和非机动车识别上准确度与实战要求还存在一定的差距，特别是在大场景、多目标、复杂光照条件下，准确度还难有保证。
在Al产品上，云端产品主要是基于GPU运算的人脸识别与视频结构化解析服务器，受限于前端芯片算力的影响，边缘运算产品主要是人脸抓拍摄像机和支持小规模人脸库的人脸门禁终端机，其中以人脸抓拍摄像机和人脸闸机的市场销售已经初步放量。在落地应用场景上，以雪亮工程、天网工程等社会公共安全为主要应用场景，占安防Al市场的80%以上，但目前还仅仅是小规模
试点和少量项目落地应用，还远没形成规模化应用的格局。另外，人脸门禁在政府机关、对安全有较高要求的企事业单位、居民小区、校园等也有试点场景落地。
H、AI+安防发展趋势
（a）从最初的“谁是你”，到“你是谁”
近些年因为Al技术的出现，视频监控层面从最初的数字化、网络化、高清化向智能化快速转变，安防行业达成的共识是从“看得清“到”看得懂“，从”看视频“到”用视频“进行过渡。最初摄像头解决的是图像传输和处理，网络互联网普及后开始进行万物互联，无论是依托大数据还是云计算技术来判别人与人、人与物之间的关联性。但最近在近期Al或安防上市企业发布会或展会上我们看到一些多功能Al产品面世。
比如感知型IPC，在车辆识别方面精细化程度从车牌、车型、车身颜色、品牌到驾驶员是否系安全带、是否打电话、是否开启遮阳板，再到车辆通过的时、道路名称、车辆行驶方向进行车辆轨迹分析，包括人员以图搜图，整理你的行为轨迹。Al+安防要解决的将不再是人与人之间、人与车之间的结构联系而是能自主判断“你是谁”，相信在不久的将来人工智能技术将会取代众多传统的安防技术，整个安防行业的发展已经到了比拼核心技术的关键节点。
（b）投资并购，完美结合
因为Al技术和供应链资源参差不齐的事实客观存在，我们发现，不少传统安防企业通过投资/并购Al公司的方式来弥补各自短板，向完美结合体演进。2008年，全球视频监控领域三大巨头AXIS、BOSCH、Sony宣布合作，安防领域内企业开放、合作呼声渐高。2015年英飞拓收购藏愚科技，高新兴收购创联电子，东方网力收购华启智能、动力盈科等6家新技术企业：2016年海康威视收购英国报警企业SHL，佳都收购华之源，东方网力再次投资爱耳目、数智源等等。我们看到安防市场格局逐渐明朗，已经形成了“两超多强”的格局，海康威视和大华股份领跑市场，东方网力、佳都、苏州、汉王等第二梯队企业奋起直追。当有了新技术的运作，尤其在Al应用正式落地安防之后，投资或收购Al技术公司成为传统安防企业最有效创新升级的方式，而Al+安防企业也将面临行业集中度提高，市场份额向头部集中的洗礼。
（c）AI+安防企业的业务逻辑是先TOb
公安部门属于比较高端的市场，但从历史来看，都是从政府这边去切入，然后成熟之后再往民用方向普及，随着Al成熟度的进一步加强，很多安防产品已经开始逐步下沉到更多细分的民用场景，如社区、学校、工业园区、智能家居等。
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Al+安防时代，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，可广泛应用于公安、零售、教育、金融、医疗等行业；除此之外未来也可以尝试新兴的场景，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。
而对于具体做法，Al初创公司未来需要选择和深挖垂直行业解决方案。做解决方案的好处就是能够端到端地了解行业应用，从系统化、全局化的角度才能真正理解业务对于技术的需求，重新定义问题才有可能更好解决问题。
Al对安防领域的改造才刚开始，这一点从几家传统安防企业的Al产品落地情况可以看出来。2017年是Al+安防企业正式落地应用的第一年，具备深度学习算法或Al产品开始在政府国安得到小范围运用，包括提供个性化定制解决方案，随着未来技术的成熟，以及国家政策的推动。在原有安防场景里，A+安防产品大规模运用最多只有5年左右时间，这些年弯道超车的
Al初创企业，以及积极拥抱Al新技术的传统安防企业的行业格局变化值得期待。
（d）安防AI应用场景落地需要算法、算力、产品与应用共同推动
安防Al应用场景落地需要算法、算力、产品与应用四个方面的合力才能推动，其中算法仍然是核心。随着算法、算力、芯片的快速发展和泛Al业务场景的深度应用，行业将迎来泛Al时代，预计到2022年，Al将成为几乎所有安防监控系统的必备能力。
算法层面：除了需要不断提升应用场景的环境适应能力外，还需要在保证算法精度的前提下对模型的持续精炼，以降低对算力的消耗，从而控制硬件资源的投入、系统建设成本和电力消耗，为大规模泛智能化应用创造条件。因此谁掌握了深度学习的核心技术，具备算法的持续优化选代能力，谁就会在未来的市场中占据主导地位。虽然安防Al市场的参与者都宣称具有自主开发算法的能力，但绝大多数是利用开源深度学习框架进行二次开发和模型训练，本身并不掌握核心技术，而开源框架多数来源于美国的公司或研究机构，未来在算法的迭代能力上将面临极大的考验。
算力层面：无论是云端算力和边缘算力将会得到大幅度提升，英伟达不断刷新其推理型GPU芯片的运算性能和能耗比，为云端运算提供强大的算力支撑。Intel、NXP、AMD、GOOGLE、苹果、IBM、ARM、高通、博通、三星等国际知名芯片厂商以及华为、寒武纪、比特大陆，深鉴、地平线、中星微等国内芯片厂商都在Al芯片上持续发力，未来必将呈现众彩纷呈的局面，让每个安防设备都具备强大的Al能力。
产品层面：目前云端产品主要以GPU服务器为主，未来会出现集成ARM、高通、华为海思、FPGA等芯片架构的云端Al运算服务器。随着高性能、微功耗、低成本Al芯片的推出，未来最值得期待的将会是边缘节点泛智能产品，如可同时运行多种Al算法模型的Al摄像机、智能NVR等产品，Al将会是安防监控设备的标配能力。
应用层面：Al来源于深度学习与大数据，Al同时也产生大数据，如基于人脸、人体、车辆特征的时空轨迹大数据。Al的核心是算法，本质是大数据，特别是在公安行业，Al给警用大数据注入了新鲜血液，有了Al才算真正有了警用大数据。因此未来在安防Al应用层面，不仅仅是目前简单的人脸比对、黑名单布控、身份甄别等简单化应用，而是具备更大可挖掘价值的Al大数据应用，也将会涌现出一批专注于面向各行业的Al大数据挖掘和应用的企业。
