在当下，中国安防行业谈及最多的话题是“如何防爆”。其实，视频监控从模拟到数字，再到网络、防爆、智能，一直在解决二个问题：“实时监控”和“记录存储”。智能防爆即解决由机器来完成人工监视、另一个是在海量视频数据中快速搜索到想要找的图像。因此，下一个安防爆发点必将是智能化应用，未来，或许智能化将是安防系统的“标配”。

　　智能化，安防技术突进的下一个结点

　　目前，监控系统通常采用数码摄像头采集数据，很少进行图像处理。数字内容随后转换为模拟信号，在现有基础设施上进行传输，到达指挥中心后，再转换回数字格式以进行分析和最终存储。在整个过程中，我们很难对信息加以处理。具有智能化的安防系统却大不相同，它们主要为端到端数字系统，采用的是IP网络，因为IP传输的灵活性大大高于传统的点到点模拟传输。从本质上说，每部摄像头都成了智能的网络摄像头，能在通信路径的任意一点上分析视频数据，并就此采取行动。智能防爆过程主要由前景检测、目标检测、目标跟踪、目标分类、轨迹分析、事件检测等部分组成，各部分有专业应用。但有时为了提高算法在某些场景下的性能，一些附加模块也会被加入到算法中，如抗抖动、阴影抑制、车灯抑制模块等。所以说，智能算法常常会有多种实现方案，这就是为什么各种智能产品标称功能可能相同，但性能差异或很大。一套智能算法在设计中需要考虑场景中可能出现的各种复杂情况，各算法模块必须要具有对复杂场景的适应性，并且加入相宜的附加模块来提升算法对场景的处理效果。

　　但从行业发展需求和技术前沿来说，智能防爆还可研发以下两点功能：

　　生成重要数据

　　生成元数据是一项复杂的工作，要完全打破传统的视频概念。由于要用计算机而不是人来监视视频，因此必须进行图形增强处理。计算机分析需要提高对比度，这是一个说明问题的很好的例子。由于运动检测以及图形识别算法取决于识别对象的边缘，因而提高图形的对比度非常重要我们可以在摄像头子系统中内置边缘锐化算法。对在摄像头视野中的运动对象进行跟踪，通过活动参照引擎将对象的活动与一系列规则相对比，通常可以得出结论，有时还会要求采取安全行动。我们可向摄像头的定位系统发出指令，以便对对象执行摇动、缩放和聚焦等操作，或命令摄像头转变方向，从而在原始的视野范围之外继续跟踪对象。

中国安防智能化现状分析

    事后的取证分析

　　智能防爆除了能生成数据给用户带来安全和管理的统计分析，还还可解决比非法闯入等更广泛的安全问题。过去几年来，视频监控技术已成为众多政府和企业部门首选的技术。从模拟向数字系统转换的潮流是大势所趋。不过，大家普遍认同，将压缩视频传输到人工控制的指挥中心是一种落后的策略。利用内容分析引擎和推论引擎等算法对从视频中提取的元数据进行分析，这在安全系统的各个层面都具有优势。此外，使监控外设具备尽可能高的智能化程度(比如提高摄像头的智能化程度)将有助于减轻处理负载、提高信息质量以及加快采取补救措施的速度。

　　显然，集万千宠爱于一身的智能防爆，比将成为安防的主角。

　　中国安防智能化的现状：理想丰满，现实骨感

　　虽然是市场上“宠爱”的技术，但智能防爆技术在中国的应用并非一帆风顺。全球一些专业的IVS研究厂家，像美国的ObjectVideo、Vidient；以色列的NICE，Mate，IOImage；澳大利亚的IOmniscient等。这些厂家都相继进入中国市场，一度造成外国厂商独占国内智能防爆市场的局面。而终究因其技术与中国国情的差异性，无法真正渗透中国市场。而国内的一些智能防爆厂家多数能够识别的行为特征仅局限于一些特定的场合。

    如目标跟踪、越界、计数、目标丢失、物体遗留等，主要应用于像看守所、监狱、博物馆、仓库、厂区、地铁站等相对固定的应用场景，而在针对社会层面的监控环境中，因监控场景的复杂和多变性导致监控的稳定性大打折扣，而以报警事件准确性为评价标准的智能监控产品也因此而突显了其应用局限性，因此，智能防爆技术处于“叫好不叫座”的尴尬境地，那如果我们探究安防智能化规模化应用的拐点在哪？应该说，除了之前分析的本身技术具有的先天性优势之外，还需要解决以下瓶颈问题，或许，聚沙成塔，安防智能化的大爆发指日可待。

　　技术难能满足应用需求。目前来看，虽然近年智能视频技术迅速发展，应用范围也在不断扩展，市场上已经有了网络监控的各种产品，如网络摄像机、网络矩阵等，但由于这些系统的质量还有待提高，图像看起来有明显的延迟、跳动、不够清晰等缺陷，由于硬件本身性能不够稳定，易出现死机、重启、误漏报等问题。而智能防爆本身算法的局限，在理想环境下才可实现其全部功能，所以在实际应用中，只能初步实现较简单的功能。

    首先是无法完全消除误报的影响。例如，运动目标识别中的背景建模技术，在控制漏报数量的同时，还不能完全的删除误报。在以目标识别为技术基础的周界防范产品中，误报的数量一直是反映该产品优劣的一大指标。而误报的数量是由背景模型与实际使用情况之间的差距造成的。模型的适应能力越强，造成的误报越少，背后要求的技术也越高。影响背景模型建立的因数很多。又例如，空旷的柏油马路和边上有树木的围墙，6m高的摄像机与2m高的摄像机所拍摄的画面就需要不同的背景模型，白天和黑夜的状态需要的模型也不同。目前，行业中还没有开发出一种可以涵盖所有使用情况的背景模型来，也无法完全的解决随机事件的影响，如在黑夜环境下车灯造成的误报；

     其次，不具备行为的判断能力。例如，周界防范，机器中行为分析的区域入侵功能能够发现活动目标，并可以在这些活动目标中利用技术手段把用户希望的目标(例如人体)提取出来。但是再进一步，这个闯入者的动机是什么，是偶尔路过，还是故意闯入，是否有意的往警戒区域内探望，这些都无法靠机器来识别；再次，特征识别技术对画面要求高。对于基于特征识别的分析技术，对于图像的要求比较高。除了画面本身清晰度外，也需要清楚的展示目标物体的特征，目前计算机的识别能力大大低于人类对物体特征的识别能力，不同的光照条件和拍摄角度，都将改变计算机所看到的特征；

     最后，CPU的处理能力仍然是瓶颈。要满足实际复杂的应用环境就需要越加复杂的算法，随之带来了巨大的计算量，目前DSP芯片的能力有限，已经不能满足某些复杂算法的需要。因此，难以开发相应高级功能的嵌入式产品，这也增加了很多产品的施工难度与实际推广的阻力。