1.成本高

　　當前，影響“安防+AI”產品解決方案規模化應用的因素有很多，成本高昂是眾多原因之一。從一個典型中大型城市級公共安全視頻監控聯網項目各部分成本占比情況可以清晰看出，成本是“安防+AI”發展的重要瓶頸。設備本身由于產品性能、算力性能等多方面要求造成布置成本較高，而科學化勘布點需求帶來的時間和人力成本，海量圖片高并發網絡帶寬需求帶來的設備和鏈路成本，多業務系統聯網應用帶來的溝通和研發成本，大數據研判分析應用帶來的設備及研發成本，以及不斷增長的設備與集成施工和機房改造等因素則進一步疊高了“安防+AI”落地的成本。

　　2.場景限制高

　　人工智能算法的泛化能力是模式識別問題長期面臨的一個問題，也是現階段的主要瓶頸。由于訓練好的模型用在變化的場景中性能往往會明顯下降，因此在實際使用中，必須對場景進行嚴格定義，或者從設計上將智能算法定位為對指標不敏感的輔助功能。在比較成熟的應用中，如智能交通中的過車及違章抓拍、機場車站的人證對比等，都需要具體的工程安裝方案。這種做法在技術不夠成熟的條件下有效實現了商業價值，但缺點同樣明顯：一方面，對已有設備的改造需要增加施工成本，影響人工智能算法對傳統應用的滲透;另一方面，也限制了獲取有效素材的效率，影響算法指標的進一步提升。

　　3.布點困難

　　人工智能往往有特定的場景要求，只有在特定場景下才能保持較好的識別率。按照《安全防范視頻監控人臉識別系統技術要求》(GA/T 31488-2015)，《安防人臉識別應用視頻人臉圖像提取技術要求》(GA/T 1334-2016)等技術要求，人像識別攝像機主要指安裝在公安檢查站人行通道，如車站、機場、碼頭等出入口或閘機，以及人行道、非機動車道、步行街、商業中心等重要部位出入口，能夠有效限制人員通行、具有良好人像抓取條件的部位，應面向人員行進方向正面安裝，具有良好的光照條件。

　　人像抓拍攝像機的架設位置應滿足GA/T 922.2-2011的要求。對漏報無專門要求的場景可采用上限位置安裝，視場內應避免有遮擋目標人的物體。

　　4.安全要求更高

　　人工智能技術的蓬勃發展賦予了安防監控系統更加多樣化的業務功能，將安防監控行業的市場空間進一步拓寬，使安防監控系統在各行各業得到廣泛部署。但從風險角度而言，在AI與安防融合發展的進程中，將大量非結構化視頻轉化為可快速檢索的結構化數據，一旦網絡被攻擊，數據泄漏后的損失將更為惡化。另一方面人工智能將大量視頻、圖片集中到云中心，也對網絡帶寬提出了更高要求。此類需求和風險可歸類為以下三個方面：

　　(1)現階段大量部署的終端計算設備安全風險高，暴露設備數量太多、暴露端口太多、設備漏洞太多、固件更新不及時、通信協議安全性不高、數量過多無法管控 。

　　(2)監控等物聯網設備已經成為新的攻擊目標(僵尸網絡與 DDOS、遠程錄拍、勒索病毒、挖礦木馬、 APT 攻擊)。

　　(3)人工智能的發展，數據被終端采集后傳輸匯集到集中式云計算中心，網絡實時性和帶寬都帶來量級的要求，對云中心部署方案帶來了挑戰，同時還需要新的模式來適應 AIoT。

　　5.當前AI大數據分析技術主要存在的問題

　　視頻監控系統產生的數據量龐大，而且日趨多元化，包含非結構化數據、半結構化特征數據以及結構化數據。當前的人工智能視頻大數據分析技術主要存在如下三個問題：

　　(1)非卡口場景的視頻分析算法在準確率、 穩定性及計算成本等核心指標方面還有待提高，導致非卡口場景的存量視頻利用率極低，目前沒有有效利用的非卡口監控視頻約占監控視頻總量的 97%左右。

　　(2)當前的人臉識別技術、行人識別技術、行為分析等視頻分析技術往往是接近于實驗室場景下的初級應用、數據孤立下的單點識別應用，距離全天候場景下的精準鎖定以及最快時間、最小成本、跨攝像機下的識別搜索，還有很大的差距，真正解決客戶實戰問題的能力還有待于提高。

　　(3)智能 AI 攝像機及視頻結構化分析產品開始進入安防市場，產生了海量的結構化視頻數據，但基于結構化視頻數據的深度智能應用，如時空分析、模式挖掘、預測預警、技戰法訓練等尚在探索階段，有可能形成新的數據浪費和低效投資。