什么是計算機視覺技術
計算機視覺是一門研究如何使機器“看”的科學，是通過攝像機或者電腦代替人眼進行目標檢測識別、跟蹤和測量的技術，具體到智能交通領域就包括車輛檢測，車輛識別和車輛跟蹤和測量等。而深度學習是一種可用于計算機視覺的機器學習技術，它應該說是近幾年最火技術之一。
深度學習（DeepLearning）本質上講就是一個多層的深度神經網絡，是一種非常接近人腦工作機制的機器學習算法，為什么叫深度學習呢？它是相對于淺層學習而言的，例如含有一個隱層的神經網絡或者支持向量機（SVM）算法就是一種淺層學習的機器學習算法。
在2012年前，主流的機器學習算法都是淺層學習。但在2006年，加拿大的一位執著的科學家Geoffrey Hinton提出了一種多層的神經網絡并創造性的給出了訓練的方法，這是一種是模擬人腦工作機制的機器學習算法，例如一副圖像，人首先看到的是像素，然后是邊緣，然后是結構，最后是整體全貌，將圖象分成一層一層的，每一層都比下一層更加抽象，從而可以更好的識別這個圖像中的物體，這模擬了人腦的工作機理。
在2012年之后，在一些國際上大的互聯網公司大資金投入之后，深度學習從最初的理論到實際應用有了非�？焖俚陌l展，就像上面這幅圖，到了2014年的時候，計算機可以僅通過一幅圖片，就可以檢測和識別里邊的人、馬、狗等，即使有很大的遮擋，這在2012年之前，其實是一個很難的問題，但在2012年之后，借助深度學習就很容易就能實現了。今年深度學習應用最火的應該就是眾人皆知的圍棋機器人AlphaGo，它以4：1戰神了國際頂尖的圍棋手李世石；跟1996年IBM打造的深藍機器人下象棋戰勝人類不一樣，AlphaGo背后的計算機程序是只看棋盤，不看邏輯，僅僅通過學習大量的棋局來“領悟”圍棋的奧秘從而戰勝人類的，這是一個劃時代的進步。
在我理解來看，就像這里的2張圖，2012年之前有很多識別只能叫做“青蛙眼的識別”，很多目標的檢測是靠運動信息，靠前背景提取來實現的，因而只有運動的東西才能檢測得到，而不動的東西往往檢測不到，就像青蛙一樣。而如今，計算機視覺已經進入了讀圖時代，計算機的識圖能力甚至已經可以達到2、3歲小孩的水平了。
計算機識別可以給智能交通帶來什么
我認為計算機視覺能給交通帶來的主要有如下幾個方面：第一個是感知，對于我們車輛而言就是車輛的檢測，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，也就是現在非�；鸬钠囕o助駕駛與無人駕駛。
第一，車輛檢測與感知
檢測就是計算機通過圖片或者視頻，把其中的車輛或其他關注目標準確的“框”出來，檢測是很多系統的基礎。在2012年以前，很多智能交通系統中用的檢測采用的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。從檢測感知角度，我覺得有以下幾個方面的細分應用。
第一個是路口的感知
目前的中國很多城市交通擁堵很嚴重，很多十字路口的紅綠燈配時其實并不是最優的，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量、流量和密度，從而可以給交通路口的最優配時提供準確依據。如果各個路口都用上這種車輛檢測技術，那對交通擁堵將是極大的緩解。
這張圖是我們的檢測結果，是基于純圖片的檢測方式，而不是基于運動的方式，干擾會大大降低，部分遮擋也不影響車輛檢測，同時成本也非常低，可以利用現有的已建電子警察、反向卡口或監控攝像頭的視頻圖像。
第二個就是路段的感知
經過過去幾年的建設，我國的大中型城市都安裝了很多監控攝像頭，通過路段的感知，可以基于原有監控系統獲取到道路的總體交通路況，通過這種車輛檢測技術就可以為道路路況分析、交通大數據、交通規劃等提供可靠的數據依據，這對于計算機在以前要做起來，成本是非常高的，現在就可以采用很低的成本做到，通過圖象快速的感知。
第三個是路側停車的感知
有兩個方面的應用，一個是路側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，系統可靠性也是問題；基于圖象的識別則可以很好的解決這個問題，一臺攝像機即可監控和感知一大片區域的停車位是否被占用，成本低還所見即所得。就如左邊的圖，基于深度學習的檢測，即使這些車輛挨在一起也依然可以準確檢測，這采用傳統的方法是做不到的。
第四個是停車場的感知
現在室內停車場應用圖像識別實現車位檢測的已經比較多了，但是現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。右邊的圖，以前是不太可以實現的，過去室外停車場的數據怎么匯集，經常是靠停車場的管理員不間斷的報數據，這個成本非常高，而且不可靠。而現在通過計算機視覺技術，也同樣可以做到，模擬人的視覺感知，哪個地方有車停，哪個地方是空位，直接檢測出來把數據發送給平臺，發布到停車場誘導系統上。
第五個是出入口的車輛感知
現在很多停車場和出入口都上了車牌識別系統，但如果一旦車輛車牌不清楚或車輛沒有掛牌，系統就抓瞎了。而采用基于深度學習的車輛特征識別系統，可以識別車輛本身。 通過車輛的檢測，出入口車輛的檢測精度可以完全做到99%以上，甚至完全可以替代地磁來進行車輛感知，完成抬桿落桿的控制。而基于圖象的車輛檢測，還可以實現出入口的視頻濃縮存儲等附加功能。
第二，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用領域就是車輛的身份識別。今天有專家講ETC和電子標簽，通過這兩項技術來識別車輛確實非�？煽�，而且精度目前來說還是比圖象識別要高一些。但是現實中還存在很多現實問題，比如說現在很多大貨車無法用ETC，還有ETC系統遭到破壞，怎么辦？而電子標簽真正落地還有待時間驗證。在這個時間窗口，如何實現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，還能實現更多維度的識別，我們叫車臉識別，也就是不僅精確識別車牌，還有車輛的顏色，車輛的類型，車輛的品牌年款，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。
先說車牌號碼，車牌識別已經應用了很多年，但實際中還有很多車牌是是很難準確識別的，比如隨意大角度傾斜的車牌，在過去很多年其實解決的都不好，可以說過去3-5年車牌識別技術曾處于一種瓶頸期，但現在這兩年可以看到有些已經可以識別了，這其實很大程度上得益于深度學習技術的應用，有了新的突破，各種姿態的，各種角度的車牌都能很好的識別。
除了車牌識別之外，過去很難想象的一個進展就是車輛的品牌年款識別，我們目前已經可以識別超過3000種的車輛品牌年款了，車頭的檢測超過95%，車尾的檢測也超過了90%，車輛顏色超過95%。
除此之外，還可以識別很多車輛的特有特征，通過深度學習技術可以檢測你年檢標的個數，也可以識別你的車有沒有裝行李架，車燈的形狀，有沒有掛件等。
著重提一下就是車輛類型識別，這個可以幫助高速公路收費。還可以識別一些特種車輛，如公交車，現在很多省份鼓勵公交優先政策，很多城市在打造公交優先快速通行系統，如深圳，而目前方案主要是通過裝電子標簽來實現公交車的感知，其實通過圖像識別完全可以準確識別一輛公交車來了，并優先通行。
第三，車輛的比對
計算機視覺用于智能交通的第三個大的應用領域就是車輛的比對，最典型的應用就是以圖搜圖，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。大家可以看看這個，右下角的圖，看著以為是一樣的，但是仔細一看還是有不一樣的，可以區分出來。
我們研發的基于視圖大數據的以圖搜圖功能，可以在海量圖片里找到一輛特定的車，不管有沒有號牌，這里還包括一些其他的功能，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用場景就是收費結算，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？就是通過車臉識別。通過車臉識別，可以構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。 這個當然也可以應用在高速公路的逃費稽查方面。
此外，目前高速公路上MTC車道受限于技術等原因，還沒有應用移動支付，有了這些比對技術，我認為在不久的將來，高速公路的移動支付完全可以實現。
第四，交通視頻的分析應用
計算機視覺應用在智能交通的第四個大的應用領域就是車輛的行為分析。
一個是交通事故及事件檢測，基于連續視頻可以分析車輛的行為，檢測如車輛停車、逆行等行為，發現交通事故和交通擁堵進行報警，這個之前在高速公路上應用非常廣泛。但由于存在較多的誤報，實際效果離真正的需求還有一段差距。而借助深度學習技術，能實現真正準確的交通事件檢測系統，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用非常廣泛，而且利用視頻檢測實現的非現場執法的種類越來越多，現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的快速進步。
第五，無人駕駛和汽車輔助駕駛
最后要說的一個應用領域就是汽車駕控，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點就是圖象識別，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，這項技術的落地應用將給人類帶來前所未有的出行體驗，重塑交通體系，并構建真正的智能交通時代。
總結一下，計算機視覺技術過去5年內取得的成績甚至是遠遠超過了之前以前的20年，得益于深度學習技術帶來的巨大進步，通過計算機視覺的廣泛應用，能夠大大提升智能交通系統的感知精度與維度，讓智能交通系統更加智慧。
通過深度學習技術，未來能夠讓移動支付在智能交通系統中更加快速的落地，讓無人駕駛的美好夢想變成現實，從而給全人類帶來更加安全、便捷、舒適的出行體驗。
核心關注：拓步ERP系統平臺是覆蓋了眾多的業務領域、行業應用，蘊涵了豐富的ERP管理思想，集成了ERP軟件業務管理理念，功能涉及供應鏈、成本、制造、CRM、HR等眾多業務領域的管理，全面涵蓋了企業關注ERP管理系統的核心領域，是眾多中小企業信息化建設首選的ERP管理軟件信賴品牌。
轉載請注明出處：拓步ERP資訊網http://www.guhuozai8.cn/
本文標題：機器視覺在智能交通領域應用的五個方向
本文網址：http://www.guhuozai8.cn/html/consultation/10839320603.html
相關文章
