固定場景讓車輛識別脫穎而出

經如上介紹，大家會產生新的疑惑：在深度學習算法興起之前，為什么車牌識別技術能在眾多的AI應用中脫穎而出？

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習技術，但它們與其他AI應用最大的區(qū)別在于有標準化場景，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，只要場景設置得當，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)的淺層機器學習在特征提取、算法設計上對開發(fā)人員要求較高，不能很好滿足智能交通的復雜場景需求。

在進入到深度學習階段，大量的場景適應性問題通過豐富的訓練素材讓算法在訓練迭代中得到解決，大幅提升了算法魯棒性，大大簡化了對技術人員的要求。利用新的算法體系做視頻結構化，在標準場景下，車牌識別率無限趨近于100％；而在非標準場景下，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用。

不過早期與車牌識別應用幾乎同時發(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準化水平，受環(huán)境影響較大。

通過淺層機器學習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)，特征提取方式嚴重依賴工程師的豐富經驗：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學能力和經驗，如此才能設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。

利用深度學習算法后，機器可自學習最適合的特征提取方式，對工程師的依賴大大降低。設備通過大數據學習獲取人臉特征經驗，以此來自動識別人臉，由原來的經驗為王轉變?yōu)橐詳祿�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，深度學習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。顯而易見，深度學習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，開始將該技術逐步移植到車牌識別、行為分析、事件分析，甚至是大數據等其他AI應用中來。