实际上监管单位建设智能视频分析系统尝试已经近10年了，回顾起来，一共经历了如下几个阶段：

第一阶段：2010年-2014年，视频AI概念刚刚兴起，算法模型还是处于传统模型阶段，全国很多监管单位也积极开展了试点建设，但是由于AI算法、算力、数据等严重不足，导致效果不太理想，给刚刚兴起的智能视频分析技术泼了一瓢冷水。
第二阶段：2015年-2019年，随着深度学习算法的飞速提升，GPU算力的快速提高，监管行业的智能视频分析需求和满足度都有了改善，而且还有很多摄像机带了一些基础算法功能，从部署和使用的效果上得到很大提升。
但是在实际使用中，还是遇到了一些问题：
1、 算法准确性与实际需求存在差距，尤其是在智慧监管这种宁误不可漏的特殊环境下，原理性漏报成了深度学习系统迈不过去的槛。
2、 监管单位普遍存在强监管+警力有限+信息化数据多这三个要素导致的矛盾，原本警力紧巴巴凑合用，而人工智能产品本身就不可能完全准确，错误报警信息时有发生，形成了基层干警普遍认为数据干扰的印象，系统建成之后停用的现象时有发生。
3、 选型标准混乱：认为功能越多越好、GPU硬件越多越好、单路成本价格越低越好，或者说单台设备分析路数越多越好。还有前端摄像机内置算法与后端专用分析算法之争。
针对这些问题，2018年，司法部发布了《监狱视频智能分析建设标准》，给出了比较实用的标准和建议。
第三阶段2019---至今在发展
随着智能视频分析算法、算力、数据的持续发展，准确率大幅提升，加上实际效果的确能提升监管安全、缓解警力、降低工作强度。以省级为单位的建设开始多了起来，目前规模最大的就是华为建设的某省监管单位智能视频行为分析全覆盖项目，部署数量近2万路。

三、如何成功建设智能视频分析系统

(一）、对系统各项功能合理认知、判断
按照司法部发布的标准，目前一共提出了13项功能，针对监管单位不同场景的功能部署提出了合理的建议，有些功能确实可靠。但是目前智能视频分析技术，对个别功能存在一些限制因素和认知判断失误。如有些用户在前期设计规划时，认为把所有功能都部署上去，能降低危险事件发生的风险，还有摄像机的角度等，都有可能影响到智能视频分析的准确性。所以与专业团队核对每项功能的可实施性，以及在逻辑上如何最优配置功能，是成功交付的一个重要环节。
（二）、分析系统预警处置流程合理规划，既要发现异常，又要降低一线值班民警的工作量。
监管单位在执勤值岗方面，早期都有相对固定的工作模式，一般以人防为主，智能视频分析系统为辅。由于智能视频分析系统本身会产生一些提示和告警，如果规划部署不合理，不但无法减轻人防工作量，反而很容易增加一线民警工作量。所以，一套专业的预警处置流程，也是成功交付的一个重要环节。
（三）、算法准确性要高，尽可能避免原理性漏报
从2015年开始，机器视觉行业随着算力、算法、数据的持续提升，已经达到比较高的准确性和可靠性。但是因为监管行业很多场景具有自身特性，而且目前主流算法均采用了深度学习的算法模型，这种算法存在的问题就是容易导致原理性漏报。一些算法公司因为没有底层的算法编组能力，导致无法修正误报和克服原理性漏报。
（四）、重视实践交付能力及经验
有些用户单位在技术设计和选型阶段，关注点在产品，实际上行业经验和交付能力也很关键。所谓交付能力包括对各项功能实现度的理解力，业务处置流程整体设计能力，底层算法编组能力和持续演进能力，大规模视觉分析系统的真实部署能力和案例，这些因素融合在一起，才能真正提高交付能力。

基于端到端的整体架构设计和业界领先的算法能力，智能视频分析解决方案为客户带来以下价值：

1. 对异常事件的实际监督覆盖率提升，场所整体安全防范和管理能力有效改善；
2. 报警分级分类处置，普通事件由系统判定筛选，警力仅需关注关键事件处置，效率提升；
3. 警员执勤值岗全过程数据记录，实现执勤质量考核客观量化；
4. 视频数据的价值得到挖掘，支撑全省大数据应用。