計算機視覺在交通領(lǐng)域主要有如下幾個方面的應(yīng)用：第一個是感知，既車輛的檢測，第二個是車輛身份的識別，第三是車輛身份的比對，第四個是車輛的行為分析，第五個是駕控，也就是現(xiàn)在非�；鸬钠�車輔助駕駛與無人駕駛。

車輛檢測與感知

檢測就是計算機通過圖片或者視頻，把其中的車輛或其它關(guān)注目標準確的“框”出來，檢測是很多系統(tǒng)的基礎(chǔ)。在2012年以前，很多智能交通系統(tǒng)中用的檢測是一種基于運動的檢測，這種檢測會受天氣、光線等方面的影響，在不同天氣下會存在很多問題。而基于深度學習的檢測，是基于車輛的輪廓和形態(tài)的檢測，是完全模擬人看車的方式，只要人眼可以辨識那是一輛車，就可以“框”出來，這個就可以解決很多過去車輛檢測中存在的問題，排除了天氣光線等來帶的干擾。

路口的感知

目前的國內(nèi)很多城市交通擁堵情況很嚴重，很多十字路口的紅綠燈配時其實并不是最優(yōu)的，通過基于深度學習的車輛精確感知檢測，可以精準的感知交通路口各個方向的車輛數(shù)量、流量和密度，從而可以給交通路口的最優(yōu)配時提供準確依據(jù)。如果各個路口都用上這種車輛檢測技術(shù)，那對交通擁堵將是極大的緩解。

路段的感知

經(jīng)過過去幾年的建設(shè)，我國的大中型城市都安裝了很多監(jiān)控攝像頭，通過路段的感知，可以基于原有監(jiān)控系統(tǒng)獲取到道路的總體交通路況，通過這種車輛檢測技術(shù)就可以為道路路況分析、交通大數(shù)據(jù)、交通規(guī)劃等提供可靠的數(shù)據(jù)依據(jù)。

路側(cè)停車的感知

有兩個方面的應(yīng)用，一個是路側(cè)違法停車的感知和抓拍，不再需要攝像機去輪詢檢測，大大提高了攝像機的使用壽命。另外一個就是路側(cè)停車位的管理，之前的方案在外場要感知車位是否被占用，一般通過地磁感知，成本非常高，系統(tǒng)可靠性也是問題；基于圖像的識別則可以很好的解決這個問題，一臺攝像機即可監(jiān)控和感知一大片區(qū)域的停車位是否被占用，成本低還所見即所得。

停車場的感知

現(xiàn)在室內(nèi)停車場應(yīng)用圖像識別實現(xiàn)車位檢測的已經(jīng)比較多了，但是現(xiàn)在很多車的檢測都是基于車牌，有車牌就可以檢測出來，沒車牌檢測不出來，甚至有的車牌效果不太好也無法檢測。而基于深度學習的車輛檢測，只看車輛的輪廓，不看車牌，只要看起來像個車的，就可以檢測出來，而且精度很高。現(xiàn)在通過計算機視覺技術(shù)，可以做到模擬人的視覺感知，哪個地方有車停，哪個地方是空位，直接檢測出來把數(shù)據(jù)發(fā)送給平臺，發(fā)布到停車場誘導系統(tǒng)上。

車輛身份特征識別

計算機視覺用于智能交通的第二個大的應(yīng)用領(lǐng)域就是車輛的身份識別。目前，常用的ETC和電子標簽技術(shù)識別車輛確實非�？煽�，而且精度還是比圖像識別要高一些。但是現(xiàn)實中還存在很多現(xiàn)實問題，比如說現(xiàn)在很多大貨車無法用ETC，還有ETC系統(tǒng)遭到破壞，怎么辦？而電子標簽真正落地還需要時間。在這個時間窗口，如何實現(xiàn)車輛身份特征的唯一性識別？通過深度學習提升的車輛識別不僅僅是車輛的車牌識別準確率，還能實現(xiàn)更多維度的識別，現(xiàn)在的“車臉識別”技術(shù)不僅能精確識別車牌，還有車輛的顏色、類型、品牌年款、車輛里人物、車輛擋風玻璃上的特殊標志以及車輛尾部的特征標志等。

車輛的比對

計算機視覺用于智能交通的第三個大的應(yīng)用領(lǐng)域就是車輛的比對，最典型的應(yīng)用就是以圖搜圖，如何在海量圖片里精準的找到一輛車，所謂世界上沒有兩片相同的樹葉，也沒有兩輛完全一樣的車。如下圖，看著像是一樣的，但是仔細區(qū)分，還是會發(fā)現(xiàn)不同。

基于視圖大數(shù)據(jù)的以圖搜圖功能，可以在海量圖片里找到一輛特定的車，不管有沒有號牌，這里還包括一些其它的功能，如套牌車分析等等，套牌車在以前，唯一的方法就是舉報，但現(xiàn)在計算機可以通過兩個車牌是完全一樣的車，通過車型比對和車輛特征比對來鑒定是否套牌車。

車輛比對的另外一個應(yīng)用場景就是收費結(jié)算，目前車牌識別用在停車場的支付里，還有一些遺留問題，就是還存在無牌車、污牌車和套牌車，因而依然必須依賴人工參與。有沒有一種辦法可以減少或者是不讓人工參與呢？車臉識別就可以解決這一問題，可以構(gòu)建車輛多層多維度的特征，相當于得到一個車輛的肖像，然后通過特征比對去判斷是否同一輛車。

交通視頻的分析應(yīng)用

計算機視覺應(yīng)用在智能交通的第四個大的應(yīng)用領(lǐng)域就是車輛的行為分析。

第一個是交通事故及事件檢測，基于連續(xù)視頻可以分析車輛的行為，檢測如車輛停車、逆行等行為，發(fā)現(xiàn)交通事故和交通擁堵進行報警。借助深度學習技術(shù)，能實現(xiàn)真正準確的交通事件檢測系統(tǒng)，真正的幫交通運營部門提供準確及時的報警信息。

第二個就是車輛違章抓拍，這些近幾年在我國應(yīng)用非常廣泛，而且利用視頻檢測實現(xiàn)的非現(xiàn)場執(zhí)法的種類越來越多，現(xiàn)在甚至連開車接打電話都可以識別抓拍，這些都得益于計算機視覺技術(shù)的快速進步。

無人駕駛和汽車輔助駕駛

最后要說的一個應(yīng)用領(lǐng)域就是汽車駕控，就是當前非常熱的無人駕駛和汽車輔助駕駛。其中非常重要的一個技術(shù)點就是圖像識別，通過圖像識別前方車輛、行人、障礙物、道路以及交通信號燈和交通標識，這項技術(shù)的落地應(yīng)用將給人類帶來前所未有的出行體驗，重塑交通體系，并構(gòu)建真正的智能交通時代。

總結(jié)一下，計算機視覺技術(shù)過去5年內(nèi)取得的成績甚至是遠遠超過了之前的20年，得益于深度學習技術(shù)帶來的巨大進步，計算機視覺的廣泛應(yīng)用，能夠大大提升智能交通系統(tǒng)的感知精度與維度，讓智能交通系統(tǒng)更加智慧。

通過深度學習技術(shù)，未來能夠讓移動支付在智能交通系統(tǒng)中更加快速的落地，讓無人駕駛的美好夢想變成現(xiàn)實，從而給全人類帶來更加安全、便捷、舒適的出行體驗。