目前，從視頻數據中提取有效信息的技術已基本解決，主要面臨的是提高從海量數據提取信息的速度。視頻數據檢索的提述經歷了三個階段：一、有效視頻數據提取;二、基于智能視頻分析算法的檢索;三、基于視頻數據的元數據的檢索。

　　有效視頻數據提取

　　該方法的技術基石是圖像分析技術中的移動偵測技術。該技術在業界已經比較成熟。移動偵測我們可以在前端設備中完成，也可以通過后端處理來執行。以24小時錄像來說，鬧市區場景的錄像可能有1/3左右的錄像是無運動目標;而郊區場景的錄像可能有2/3左右的錄像是無運動目標，在檢索視頻數據時，我們只需要觀看有運動目標的視頻數據即可，無論是1/3或2/3，均能顯著降低所需檢索視頻數據的大小。

　　基于智能視頻分析算法的檢索

　　前面提到，一段24小時的錄像，人工查看即使用4倍速查看也需要6小時，而利用計算機通過智能視頻分析算法進行視頻的自動檢索，檢索的速度則取決于視頻解碼和分析算法的運行速度。我們以對4cif的視頻數據執行周界防范算法為例，一幀視頻數據解碼加上算法執行的平均時間可以控制在10ms左右，也就是相當于4倍速。同樣四倍速，一個是不知疲倦的計算機，一個是極易疲倦和出錯的人腦。孰優孰劣，一目了然。

　　如果我們把1段24小時的錄像，經過解碼，智能分析，把獲取到的智能元數據都存儲下來，對元數據的查詢速度可以達到十秒的量級。

　　一段24小時錄像文件的查詢速度提升過程：人工，正常速度查詢，24小時;人工，四倍速查詢，6小時;視頻濃縮后，人工四倍速查詢，3小時左右;視頻濃縮后，基于智能分析算法查詢，3小時左右;基于視頻數據的元數據查詢，十秒量級。

　　可以看到，最后一步才是質的提升，檢索速度量級的飛躍。盡管如此，視頻數據的元數據的檢索也并不是完美無缺的，仍有一些問題等待解決。

　　移動偵測算法雖然比較成熟，但對于飛蟲干擾、燈光干擾、樹葉抖動等問題目前還沒有特別有效的解決辦法;基于智能分析算法的檢索，比如車牌識別、人臉識別，對視頻數據的場景要求比較高，普通的治安監控視頻基本無法執行這種分析。對于視頻場景適應性相對較好的周界防范，行為分析算法來說，雖然能較為準確分析出目標，但是對于目標進一步的分類，比如人、物、非機動車、機動車、目標的屬性特征，比如顏色、紋理、形狀等，目前還是業界面臨的技術難題。

　　雖然有上述兩大難題，隨著元數據的標準化，以及前端設備實時產生元數據和后處理產生元數據兩種機制和產品的并存，基于元數據的檢索必然會成為海量視頻數據檢索的主流。