智能分析可以看作是一个将数据转化为信息的模块。近两年，围绕深度学习技术，人脸视频结构化描述、车辆视频结构化描述等复合型智能分析算法开始在安防中应用，而且越来越成熟、广泛。
智能分析在安防领域的应用
在安防领域中，数据的主要来源是监控视频，也有部分音频、雷达、激光等数据;需要提取的信息主要包括感兴趣目标、事件、统计特征等;智能分析技术负责建立从数据到信息的映射关系。由于数据主要由视频构成，所以智能分析技术中常用的算法也以计算机视觉领域的算法为主，如前背景建模、目标检测、分类、识别、跟踪、特征点提取、匹配、运动估计等等。
智能分析技术可以代替人力，从视频等数据中提取出客户感兴趣的信息。安防监控中，智能分析技术通过电子警察、人脸识别、人数统计、自动跟踪球机、主从跟踪球机、视频质量诊断服务器、智能视频浓缩、车辆二次分析等产品，应用在智能交通、安防、公安刑侦、电力、金融等十一个大行业。
随着软硬件技术的发展，智能分析技术早已不局限在安防领域，而是成为人工智能领域的关键技术。在智慧城市、智能家居、平安城市、物联网、虚拟现实、机器人等代表最新科学技术发展水平的领域中，智能分析技术都发挥着非常重要的作用。
在这样的形式下，安防企业迎来了巨大的机遇和挑战。一方面，安防企业对智能分析技术一直非常重视，也取得了很多成果，由于拥有海量的视频数据，在发展大数据、深度学习、云计算等技术时具有一定优势，可以凭借智能分析相关软硬件技术的积累，向其它领域扩展业务。另一方面，新的领域也将带来更多的投入和竞争，如何通过合理的规划来迎接这些挑战，是需要不断思考的问题。
前后端智能分析的关系
智能化作为现代安防发展的趋势之一，智能前置VS后端智能分析一直是行业备受争议的两个方向，两者的主要区别是：由于前端设备(主要是相机)内的空间有限，再加上功耗、成本等因素的限制，智能前置会受硬件计算资源限制，只能运行相对简单的、对实时性要求很高的算法;而后端智能分析(如智能分析服务器)通常可以根据需求配置足够强大的硬件资源，能够运行更复杂的、允许有一定延时的算法。
笔者认为这两者其实不是对立与竞争的关系，更多的是一种合作关系，合作的目标是为客户提供性价比更高的智能解决方案，具体过程是根据前端与后端的设计特征，将解决方案的执行过程予以分解，在满足智能需求的前提下，使资源利用得最充分。
从另外一个角度看，智能前置与后端智能分析包含着明显的转化关系，随着芯片技术的持续发展，已经有很多智能算法在前端实时运行了，如进入/离开区域、越界、徘徊、停车、人员聚集、快速移动、物品遗留、物品拿取、人脸检测等。在intel最新的movidius芯片中，计算能力大幅提高，一些基于神经网络的智能算法也将在前端完成，而这在前几年几乎是不可能实现的。
对于两者的未来，我认为在很长一段时间里两者仍会共同存在，相互配合地满足客户的需求。随着芯片技术的发展，会有越来越多的后端智能算法转变到前端运行，但同时也会有更复杂更高级的智能算法被研发出来，并依托于后端设备运行。
智能算法存在的问题
智能分析算法受实际场景影响较大。算法在设计的时候，需要对问题进行建模，这些模型是对场景的抽象和近似，由于实际场景非常复杂，单一的模型无法准确描述，就需要假设场景满足某些约束条件，如果这些条件与实际场景不符，算法的性能就会下降。现在，深度学习技术的研究有望缓解这一问题，该技术在训练模型参数的阶段使用了海量数据，相比传统机器学习方法，包含了足够多的场景，并且直接建立从数据到信息的映射，对约束条件的依赖较少。但是，短期来看，基于深度学习的算法仍然无法从根本上解决算法对实际场景的依赖。