固定場景讓車輛識別脫穎而出

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

對此，宇視黃攀給出了兩個字的答案——場景，他進一步分析道：“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)化場景，如卡口、電警中的六米安裝高度、夜間提供爆閃補光、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別率，可做到95％~99％的精準(zhǔn)識別效果�！�

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

但傳統(tǒng)方案也有缺陷，一是算法對多種場景的適應(yīng)性難以進一步提升，如識別率很難趨近于100％；二是傳統(tǒng)的淺層機器學(xué)習(xí)在特征提取、算法設(shè)計上對開發(fā)人員要求較高，不能很好滿足智能交通的復(fù)雜場景需求。

在進入到深度學(xué)習(xí)階段，大量的場景適應(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，大大簡化了對技術(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)場景下，車牌識別率無限趨近于100％；而在非標(biāo)準(zhǔn)場景下，車牌識別率也能達到98%以上，如輔助卡口的車牌抓拍識別應(yīng)用。

不過早期與車牌識別應(yīng)用幾乎同時發(fā)展的人臉識別需求卻始終無法滿足，主要受兩大因素制約，一是因為人臉并不像車牌那樣是一種相對固定的模型，人臉在檢測過程中受到姿態(tài)、表情、穿戴物、朝向、年齡等各種因素的影響；二是攝像機的安裝場景無法達到交通卡口般的標(biāo)準(zhǔn)化水平，受環(huán)境影響較大。

通過淺層機器學(xué)習(xí)算法在這樣的條件下完成人臉識別會遇到非常大的挑戰(zhàn)，特征提取方式嚴(yán)重依賴工程師的豐富經(jīng)驗：不同場景下，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，如此才能設(shè)計出最佳特征提取方式；即便如此，人臉識別還要面臨人員移動隨意性、臉部裝飾、環(huán)境光照等的制約，識別率難以有保障。這些問題的存在，一度讓人臉識別難以在實際場景中得到落地。

利用深度學(xué)習(xí)算法后，機器可自學(xué)習(xí)最適合的特征提取方式，對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，以此來自動識別人臉，由原來的經(jīng)驗為王轉(zhuǎn)變?yōu)橐詳?shù)據(jù)為王，更是突破了逆光人臉、陰陽臉、戴墨鏡、戴帽子等極端場景人臉的識別障礙。

自此，深度學(xué)習(xí)讓人臉識別得到了爆發(fā)式發(fā)展，這也使得人臉識別成為安防第一個變現(xiàn)的深度人工智能技術(shù)。顯而易見，深度學(xué)習(xí)給人臉識別帶來了巨大改變——讓理想照進現(xiàn)實，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。