近兩年，伴隨著智能終端設備及傳感器的數量急劇增長，海量數據對視頻監控后臺計算效率要求越來越高，連接前后端的傳輸系統面臨巨大的考驗，網絡帶寬逐漸成為后端處理的另一瓶頸。系統僅靠提高網絡帶寬完全不能滿足萬物互聯應用對延遲時間的要求，尤其是目前公共安全行業對即時性響應的高要求下，后端人工大數據處理分析的延時顯得不合時宜。

　　隨著芯片技術的成熟，尤其是專門為視覺處理設計的終端芯片體積減小，能耗降低以及處理能力增強，使得越來越多的智能算法可以從后端轉向前端完成。例如海思在手機終端領域推出的AI芯片麒麟970，實現手機端強大處理能力。在安防領域海思還推出了專為機器視覺應用的AI芯片，通過專用硬件加速，支撐前端攝像機實現深度學習下計算視覺處理，再利用前后端系統結合實現更快、更準、性價比更高的解決方案，輕松解決數據傳輸、反應延時的問題。

　　目前來看，在傳統攝像機亟需智能化改造的大背景下，基于AI技術的智能攝像機的應用場景隨處可見。不但包括靜態場景下的應用如出入口、交通以及重點場所等，還可以滿足廣域、移動、便攜等場景下的需求。

　　不可否認，伴隨著物聯網、5g技術來臨，具備AI智能分析的攝像機帶來的改變，不光實現安防智能硬件的進一步繁榮，還將進一步拓展安防應用場景。

　　智能攝像機多場景應用還面臨諸多難題

　　雖然基于AI智能分析的前端攝像機應用前景廣闊，但目前安防行業中出現的智能分析攝像機還僅限于實驗室中或者是單一場景化下的行業應用，在一些復雜應用環境下的表現并不理想。

　　例如在公安領域中，實戰業務對智能攝像機的要求非常嚴苛。一方面當時當地環境因素影響智能攝像機的性能，導致識別準確率遠遠低于實驗室數據。另一方面在面對具體應用場景中，由于細分領域眾多，每個領域的業務需求不盡相同，往往要通過重復建設來滿足多應用場景下的需求。

　　同時，在目前全國公共安全視頻監控聯網應用的過程中，系統還面臨應用領域不同，攝像機的廠家不同，各行業之間接口不協調，標準不統一的困境，無法快速實現視頻監控大數據的融合貫通。

　　另外，目前大多數的智能攝像機依然借助傳統嵌入式軟件開發模式，導致軟件更新、算法融入非常慢，雖然能滿足當前的需求，但卻限制了后期攝像機的升級空間。隨著城市場景日益復雜，對于視頻內容分析深度和廣度要求也越來越高，提升單個算法的精度，以及多細分場景下的智能算法并行已經提上日程。