隨著交通樞紐的大規(guī)模網(wǎng)絡(luò)化，大量的車輛通行記錄信息被匯集起來，可以實(shí)時(shí)分析城市的交通量，調(diào)整信號間隔，縮短車輛的等待時(shí)間，提高城市道路的通行效率，對城市交通管理起著重要的作用，有了充分的數(shù)據(jù)和人工智能技術(shù)的應(yīng)用，下面一起了解下ai視覺算法在智慧交通領(lǐng)域的應(yīng)用吧!

　　目前，許多廠家聲稱自己的車牌識別率已經(jīng)達(dá)到99%，但這也只是在標(biāo)準(zhǔn)卡口的視頻條件上加上一些預(yù)設(shè)條件而達(dá)到的。 目前在智能交通領(lǐng)域，人工智能分析和深度學(xué)習(xí)較為成熟的應(yīng)用技術(shù)以車牌識別算法為理想。在對許多簡單的卡口和卡口圖像進(jìn)行車牌定位識別時(shí)，良好的車牌識別也很難達(dá)到90%。 但是，隨著人工智能、深度學(xué)習(xí)的應(yīng)用，這種狀況將會(huì)得到大幅改善。

　　在傳統(tǒng)的圖像處理和機(jī)器學(xué)習(xí)算法的研發(fā)中，根據(jù)以往的經(jīng)驗(yàn)，理論分析難度較大，訓(xùn)練方法需要很多經(jīng)驗(yàn)和技術(shù)，因此一般需要5到10年的時(shí)間，取得了劃時(shí)代的發(fā)展，很多特征都是人為制定的，例如hog、sift特征在目標(biāo)檢測和特征匹配中占有重要的地位，在安全領(lǐng)域的許多具體算法中使用的特征大多有這兩個(gè)人為特征和機(jī)器學(xué)習(xí)算法的設(shè)計(jì)，對算法工程師的知識要求也越來越高。 從目前的應(yīng)用情況來看，只要加入新的數(shù)據(jù)，有足夠的時(shí)間和計(jì)算資源，深度學(xué)習(xí)并非如此。 進(jìn)行圖像檢測和識別時(shí)，不需要人為設(shè)定具體的特征，只要準(zhǔn)備足夠多的圖進(jìn)行訓(xùn)練即可，通過分層迭代可以得到良好的結(jié)果。隨著深度學(xué)習(xí)網(wǎng)絡(luò)層次的增加，識別率就會(huì)提高，比以往的方法更好。

　　另外，ai視覺算法在車輛顏色、車輛制造商標(biāo)識識別、無車牌車輛檢測、非機(jī)動(dòng)車檢測與分類、車頭后置判斷、車輛搜索、人臉識別等技術(shù)方面也很成熟。

　  ai視覺算法對于車輛顏色識別，基本上克服了照明條件變化、攝像頭硬件誤差導(dǎo)致的顏色不穩(wěn)定、過曝光等一系列問題，解決了圖像顏色變化導(dǎo)致的識別錯(cuò)誤問題，車場車輛的顏色識別率為80%至85%， 如果采用大數(shù)據(jù)和深度學(xué)習(xí)技術(shù)，車輛標(biāo)記過度暴露或標(biāo)記被人為去除而帶來的局部特征將消失，其分辨率將從89%上升到93%以上，車輛的主要顏色識別率為75%?在車輛制造商的標(biāo)志識別中，利用傳統(tǒng)的HOG、LBP、SIFT、SURF等特征，如果利用SVM機(jī)器學(xué)習(xí)技術(shù)訓(xùn)練多連接的識別器，則識別制造商的標(biāo)志容易發(fā)生誤判。

　　ai視覺算法在車輛檢索中，由于車輛的圖像根據(jù)場景不同而曝光過度或曝光不足，深度學(xué)習(xí)可以很好地獲得比較穩(wěn)定的特征，搜索的相似目標(biāo)更加準(zhǔn)確，Top5的搜索率在95%以上。 在臉部識別項(xiàng)目中，或者車輛的比例發(fā)生較大變化，用以往的方法提取的特征會(huì)發(fā)生變化，所以檢索率不穩(wěn)定。 臉部會(huì)因光線、姿勢、表情等因素而發(fā)生變化，因此目前大多數(shù)應(yīng)用都是固定場景、固定姿勢，在姿勢和光線上也得到了一定的放松。

　　以上介紹的就是ai視覺算法在智慧交通領(lǐng)域的應(yīng)用，如需了解更多，可隨時(shí)聯(lián)系我們!