安防视频监控从上世纪90年代至今，获得了快速发展。随着IP技术在视频监控领域的大规模应用，视频监控规模从几十路发展到成千上万路。在此背景下，如何有效提高视频监控的应用效率成为视频监控建设的重要问题。因此，智能视频监控成为视频监控建设的发展方向。

在以往的视频监控项目中，智能视频分析技术得到越来越多的应用。但是真正成功的应用确非常少，即使在一些相对应用成功的案例中，智能视频分析往往只是作为补充手段，而且以拌线、禁区等简单算法居多。例如卡口应用中，也只是作为感应线圈的后备技术，在感应线圈故障的时候采用拌线识别抓拍车牌。

出现这种呼声与实际严重差距的原因，主要总结为两点：准确率和成本。这两者相互依赖，密不可分。

就准确率来说，目前智能分析算法的误报率和漏报率显然是无法令人满意的。这主要有几个原因，首先在我看来目前国内很少有真正属于视频监控自身的视频分析算法。目前使用的大部分算法都是按照实验室单纯环境总结图像规律而来的。然而安防视频监控主要是面向保护人和财产的，所以视频来源主要是路口、广场、建筑物出入口、通道等相对复杂的环境。这些环境往往图像变化率大，受灯光环境干扰多。以人脸识别为例，目前的主流算法对人脸图像有非常严格的要求，取景各个角度、距离、瞳孔之间的像素都要在一个很小的范围内，反之则无法识别。

怎么解决准确率的问题，关键是样本，智能分析算法的本质是比对，和样本的比对。由于视频监控的环境复杂性，导致很难得到具有统一规律的样本。不同应用场景，具有不同的样本规则。所以要解决准确率，智能分析算法就要具备自我学习，样本自我采集的能力。在不同的场景中，智能分析出现误报漏报，操作员对智能分析服务器反馈误报漏报数据，搜集特殊样本，从而帮助智能分析服务器在以后的相似场景下，能计算准确分析结果。

另外阻碍智能分析发展的就是成本。虽然目前有很多厂商的编码器、摄像机带有简单的智能分析，但是目前大部分相对复杂的智能分析还是以单独服务器分析的方式应用。服务器收取到视频流，还原为YUV、RGB等数据再做样本比对，然后再编码输出。所以一台服务器要解码、分析、再编码，性能成为很大的瓶颈。

导致这种情况的原因是视频分析算法从九十年代末至今，实际并没有算法上的根本进步，发展的只是运算能力的提高，也就是计算机技术的发展。同样以车牌识别为例，国内大部分厂商还是在别人的算法基础上不停的优化。在基础没有得到优化的情况下，外围的优化只能说效果了了。

对于计算性能和算法性能一定的情况下，视频监控产品是否还能有效提高智能分析的效率？答案是一定的，软件架构。我认为，云和格的思想在软件架构的应用可以有效的提高智能分析的效率，降低成本。云是这两年最火的概念，核心思想是共享，格是前几年在网络领域得到发展，核心思想是协同计算。视频智能分析主要是计算图像的变化量和对比度，很多数据要在前端、服务器和客户端反复计算，导致了计算量的浪费，试想如果把前端编码计算变化量共享给智能分析服务器，数据对比的计算量由服务器和多个客户端协同计算，就能大大降低服务器的计算量，从而大大提高智能分析的效率，降低智能分析应用的成本。

我相信，在有效技术手段下，提高智能分析准确率，降低建设成本，智能视频分析一定能在视频监控领域得到快速的应用和发展。