固定場(chǎng)景讓車輛識(shí)別脫穎而出

經(jīng)如上介紹，大家會(huì)產(chǎn)生新的疑惑：在深度學(xué)習(xí)算法興起之前，為什么車牌識(shí)別技術(shù)能在眾多的AI應(yīng)用中脫穎而出？

對(duì)此，宇視黃攀給出了兩個(gè)字的答案——場(chǎng)景，他進(jìn)一步分析道：“早期的智能交通雖然采用的是普通圖像處理和淺層機(jī)器學(xué)習(xí)技術(shù)，但它們與其他AI應(yīng)用最大的區(qū)別在于有標(biāo)準(zhǔn)化場(chǎng)景，如卡口、電警中的六米安裝高度、夜間提供爆閃補(bǔ)光、專業(yè)的圖像調(diào)教、45度朝下抓拍角度等，加上車輛的可變動(dòng)幅度不大，使得抓拍的圖像非常清晰，因此在傳統(tǒng)算法下也有非常高的識(shí)別率，可做到95％~99％的精準(zhǔn)識(shí)別效果�！�

需要說明的是，在2010-2012年，小編曾做過多次車輛抓拍識(shí)別測(cè)試，即便是采用200萬像素智能交通攝像機(jī)，只要場(chǎng)景設(shè)置得當(dāng)，識(shí)別率可輕松做到99％，很好佐證了宇視黃攀的觀點(diǎn)。

但傳統(tǒng)方案也有缺陷，一是算法對(duì)多種場(chǎng)景的適應(yīng)性難以進(jìn)一步提升，如識(shí)別率很難趨近于100％；二是傳統(tǒng)的淺層機(jī)器學(xué)習(xí)在特征提取、算法設(shè)計(jì)上對(duì)開發(fā)人員要求較高，不能很好滿足智能交通的復(fù)雜場(chǎng)景需求。

在進(jìn)入到深度學(xué)習(xí)階段，大量的場(chǎng)景適應(yīng)性問題通過豐富的訓(xùn)練素材讓算法在訓(xùn)練迭代中得到解決，大幅提升了算法魯棒性，大大簡(jiǎn)化了對(duì)技術(shù)人員的要求。利用新的算法體系做視頻結(jié)構(gòu)化，在標(biāo)準(zhǔn)場(chǎng)景下，車牌識(shí)別率無限趨近于100％；而在非標(biāo)準(zhǔn)場(chǎng)景下，車牌識(shí)別率也能達(dá)到98%以上，如輔助卡口的車牌抓拍識(shí)別應(yīng)用。

不過早期與車牌識(shí)別應(yīng)用幾乎同時(shí)發(fā)展的人臉識(shí)別需求卻始終無法滿足，主要受兩大因素制約，一是因?yàn)槿四槻⒉幌褴嚺颇菢邮且环N相對(duì)固定的模型，人臉在檢測(cè)過程中受到姿態(tài)、表情、穿戴物、朝向、年齡等各種因素的影響；二是攝像機(jī)的安裝場(chǎng)景無法達(dá)到交通卡口般的標(biāo)準(zhǔn)化水平，受環(huán)境影響較大。

通過淺層機(jī)器學(xué)習(xí)算法在這樣的條件下完成人臉識(shí)別會(huì)遇到非常大的挑戰(zhàn)，特征提取方式嚴(yán)重依賴工程師的豐富經(jīng)驗(yàn)：不同場(chǎng)景下，邊緣特征、顏色特征等的提取需要工程師具備非常好的數(shù)學(xué)能力和經(jīng)驗(yàn)，如此才能設(shè)計(jì)出最佳特征提取方式；即便如此，人臉識(shí)別還要面臨人員移動(dòng)隨意性、臉部裝飾、環(huán)境光照等的制約，識(shí)別率難以有保障。這些問題的存在，一度讓人臉識(shí)別難以在實(shí)際場(chǎng)景中得到落地。

利用深度學(xué)習(xí)算法后，機(jī)器可自學(xué)習(xí)最適合的特征提取方式，對(duì)工程師的依賴大大降低。設(shè)備通過大數(shù)據(jù)學(xué)習(xí)獲取人臉特征經(jīng)驗(yàn)，以此來自動(dòng)識(shí)別人臉，由原來的經(jīng)驗(yàn)為王轉(zhuǎn)變?yōu)橐詳?shù)據(jù)為王，更是突破了逆光人臉、陰陽(yáng)臉、戴墨鏡、戴帽子等極端場(chǎng)景人臉的識(shí)別障礙。

自此，深度學(xué)習(xí)讓人臉識(shí)別得到了爆發(fā)式發(fā)展，這也使得人臉識(shí)別成為安防第一個(gè)變現(xiàn)的深度人工智能技術(shù)。顯而易見，深度學(xué)習(xí)給人臉識(shí)別帶來了巨大改變——讓理想照進(jìn)現(xiàn)實(shí)，并得到了眾安防企業(yè)的高度重視，開始將該技術(shù)逐步移植到車牌識(shí)別、行為分析、事件分析，甚至是大數(shù)據(jù)等其他AI應(yīng)用中來。