车牌识别是人工智能在城市交通中最理想的应用领域

61
发表时间:2019-09-03 16:23作者:kdacctv来源:网络

目前,在智能交通领域,成熟的人工智能分析和深入学习应用技术是最理想的车牌识别算法。虽然许多厂商声称他们的车牌识别率已经达到99%,但这只能通过在标准卡视频条件中添加一些预先设定的条件来实现。如果将其用于车牌定位和许多简单夹紧端口和夹紧端口图片的识别,则很难实现90%的车牌识别。然而,随着人工智能的应用,这种情况将得到很大改善。


车牌识别系统.jpg


车辆识别技术是智能交通系统中最重要的环节之一,车辆牌照提取、图像预处理、特征提取等技术被广泛应用于汽车牌照的识别,目前,车牌识别在高速收费站、停车场等领域得到了广泛的应用,我国的摄像机识别技术在世界上处于领先水平,但是由于受光、脏车、车牌损坏等扫描技术的影响,硬件识别的综合准确率只能维持在95%左右,这也导致了人们对车辆的无支付感和无关税。


在传统图像处理和机器学习算法的研究和开发中,许多特征是人工的,如HOG和SIFT特征,在目标检测和特征匹配中发挥着重要作用。在安全领域的许多具体算法中使用的大多数特征都是这两个特征的变体。人机设计特点和机器学习算法,从以往的经验来看,由于理论分析的难度,训练方法需要大量的经验和技能,一般需要5~10年的时间才能有突破性的发展,算法工程师的知识要求也在不断提高。人工智能的深入学习不是,在图像检测和识别中,不需要设置特定的特征,只需准备足够的图形进行训练,通过逐层迭代就可以得到更好的结果。从目前的应用情况来看,只要增加新的数据,并且有足够的时间和计算资源,随着深度学习网络水平的提高,识别率就会相应的提高,这比传统的方法要好。


此外,人工智能在车辆颜色、汽车制造商标识识别、无证车辆检测、非机动车检测和分类、前后判断、车辆检索、人脸识别等相关技术方面也相对成熟。


一、车牌颜色识别


在车辆颜色识别方面,基本克服了光照条件变化引起的颜色不稳定、摄像机硬件误差、曝光过大等一系列问题,解决了图像颜色变化引起的识别误差,使夹持车的颜色识别率从80%提高到85%,报警车辆的主颜色识别率从75%提高到80%以上。


二、车辆厂商标志识别


在车辆制造商标识识别中,使用传统的HOG、LBP、SIFT、SURF等功能,利用SVM机器学习技术训练多级联分类器识别制造商的标识容易误判,使用大数据加深度学习技术之后,由人类移除的车辆标志或车辆标志的过度曝光引起的局部特征将消失,并且识别率可以从89%增加到超过93%。


三、车辆检索


在车辆检索方面,车辆的图像可能在不同的场景中曝光过度或曝光不足,或者车辆的比例变化很大,这导致传统方法提取的特征发生变化,因此检索率不稳定。深度学习可以获得更好的稳定特征,类似的搜索目标更准确。 Top5的搜索率超过95%。在人脸识别项目中,由于光线?的姿势和表情等因素导致脸部变化,很多应用都是固定场景?的固定姿势。使用深度学习算法后,不仅固定场景的人脸识别率从89%提高到99%,而且姿势和光线都有一些放松。


四、车牌识别


在车辆识别方面,基于深度学习的车辆识别技术将特征范围由单纯的车牌或车标扩展到整个车身。车辆的车灯、格栅、车窗等均是车辆的重要特征,对车辆这些特征的引入,不仅大大提升了车辆识别的准确率,对干扰、遮挡等问题的适应性也更强,识别的类别也更加细化,不仅能识别车辆的品牌,而且能识别车辆的子品牌、型号、年款等详细类别。指定车辆在视频图像数据中的检索除了可以通过车牌、品牌、型号、颜色等描述信息进行外,还可以通过车辆图片或年检标、挂饰等局部特征进行。


目前,国内很多城市的车辆卡口系统在现有系统的基础上扩展了车辆识别功能,也称为车辆二次分析系统,基本可以识别2000余种细化到年款的车辆类型,并在此基础上扩展出很多如"假/套牌分析"等实战业务应用。特别是针对"假牌"、"套牌"、"车内不系安全带"、"开车打电话"等需要人工甄别的违法行为,这些智能交通系统不仅事半功倍,而且极大减少人工投入,大大提升工作效率。


与传统的车牌识别技术相比,基于深度学习的车牌检测算法具有相对简单的框架。在硬件性能强,训练样本充足的情况下,可以在短时间内获得更好的识别效果,进一步优化网络。识别的实时性也得到保证。目前,许多安全企业对象特征识别技术在科研和商业使用上相对成熟,基本处于世界先进甚至领先水平。

website qrcode
关注我们: