-
?
解惑!卷积神经网络原来是这样实现图像识别的
傅雅香
展开
作者:Savaram Ravindra
来源:mindmajix
「机器人圈」编译:多啦A亮
图像识别是非常有趣和具有挑战性的研究领域。本文阐述了卷积神经网络用于图像识别的概念、应用和技术。
什么是图像识别,为什么要使用它?
在机器视觉领域,图像识别是指软件识别人物、场景、物体、动作和图像写入的能力。为了实现图像识别,计算机可以结合人工智能软件和摄像机使用机器视觉技术。
虽然人类和动物的大脑很容易识别物体,但计算机在相同的任务中却遇到了困难。当我们看着像树木、汽车或朋友的东西时,我们通常不需要有意识地去学习后才能判断它是什么。然而,对于计算机,识别任何东西(无论是钟、椅子、人类或动物)都是一个非常困难的问题,并且为该问题找到解决方案的风险非常高。
图片:CS231.github
图像识别是一种机器学习方法,其设计类似于人类大脑的功能。通过这种方法,计算机可以识别图像中的视觉元素。通过依靠大型数据库和注意显露模式(emerging patterns),计算机可以理解图像,并制定相关的标签和类别。
图像识别的流行应用
图像识别有各种应用。其中最常见和最受欢迎的是个人图片管理。照片管理应用程序的用户体验正在通过图像识别变得越来越好。除了提供照片存储,应用程序还要进一步向人们提供更好的发现和搜索功能。他们可以通过机器学习提供的自动图像组织的功能来实现。集成在应用中的图像识别应用编程接口根据识别的图案对图像进行分类,并将它们进行主题分组。
图像识别的其他应用包括全景图库和视频网站、互动营销和创意活动、社交网络上的面部和图像识别以及具有巨大视觉数据库的网站的图像分类。
图像识别是一项艰巨的任务
图像识别不是一件容易的事情。实现它的一个好方法是,将元数据应用于非结构化数据。聘请人类专家手动标注音乐和电影库可能是一项艰巨的任务,但是当涉及无人驾驶汽车的导航系统,如将道路上的行人与各种其他车辆区分开来或过滤,分类或标记每天在社交媒体上显示的用户上传的数百万个视频和照片等挑战时,将变得遥不可及。
解决这个问题的一个方法是利用神经网络。我们可以利用传统的神经网络在理论上分析图像,但在实践中,从计算的角度来说,成本将是非常昂贵的。例如,一个普通的试图处理小图像的神经网络(让它变为30 * 30像素)仍然需要50万个参数和900个输入。一个功能强大的机器可以处理这一点,但是,一旦图像变得更大(例如达到500 * 500像素),则需要的参数和输入数量就会增加到非常高的水平。
与图像识别神经网络的应用相关的另一个问题是过度拟合。简单来说,过度拟合发生在模型裁剪本身与其已经被训练的数据非常接近的时候。一般来说,这将导致附加参数(进一步增加计算成本)和模型对新数据的暴露导致一般性能下降。
卷积神经网络
卷积神经网络架构模型
就神经网络的结构而言,一个相对简单的变化可以使更大的图像更易于管理。结果就是我们所说的CNN或ConvNets(卷积神经网络)。
神经网络的一般适用性是其优点之一,但是这种优势在处理图像时变成了一种妨碍。卷积神经网络进行有意思的权衡:如果一个网络是专门为处理图像而设计的,那么为了更可行的解决方案,必须牺牲一些一般性。
如果你考虑任何图像,接近度与其中的相似性具有很强的相关性,并且卷积神经网络明确利用了这一事实。这意味着在给定图像中,彼此更接近的两个像素更可能与彼此分开的两个像素相关。然而,在一般的神经网络中,每个像素都都与每一个神经元相连。增加的计算负荷使得网络在这种情况下不太准确。
通过停止很多这些不太重要的连接,卷积解决了这个问题。在技术术语中,卷积神经网络使得图像处理可以通过邻近度对连接进行滤波而计算可管理。在给定层中,卷积神经网络不是将每个输入连接到每个神经元,而是有意限制了连接,使得任何一个神经元仅从它之前的层的小部分接受输入(例如5 * 5或3 * 3像素)。因此,每个神经元只负责处理图像的某一部分(顺便说一句,这几乎是个体皮质神经元在大脑中的作用,每个神经元只对整个视野的一小部分起反应)。
卷积神经网络的工作过程
图片:deeplearning4j
在上图中从左到右,你可以观察到:
·对特征进行扫描的真实输入图像。通过它的过滤器是光矩形。
·激活映射被安排在一个堆栈的顶部,另一个用于你使用的每个筛选器。较大的矩形为要进行下采样的1补丁。
·激活图通过下采样进行压缩。
·通过将过滤器通过堆栈进行下采样生成的一组新的激活映射。
·第二次下采样——将第二组激活图压缩。
·完全连接层,每个节点指定1个标签的输出。
CNN如何通过滤临近连接?秘密是添加了两种新的层:池化和卷积层。我们将以下述方式分解这个过程:使用一个被用于某种用途的,比如说,确定一张图片中是否包含祖父。
该过程的第一步是卷积层,其本身又包含几个步骤。
·首先,我们将把祖父的图片分解成一系列重叠的3 * 3像素的拼图。
·之后,我们将通过一个简单的单层神经网络来运行这些拼图,权重保持不变。将瓷砖排列组合,当我们保持每个图像尺寸是小的(在这种情况下为3 * 3)时,神经网络需要处理它们保证可控与小型化。
·然后,将以数字表示照片中每个区域的内容的数组进行输出值排列,其中坐标轴表示颜色,宽度和高度。所以,对于每个拼图,在这种情况下,我们将有一个3 * 3 * 3的表示。(如果我们谈论祖父的视频的话,我们会抛出第四个维度——时间)。
·下一步是池化层。它采用这些3或4维阵列,并与空间维度一起应用下采样功能。结果是一个池数组,其中仅包含重要的图像部分,同时丢弃剩余部分,这最大限度地减少了需要完成的计算量,同时也避免了过度拟合问题。
采用下采样阵列作为常规全连接神经网络的输入。由于使用池和卷积,输入的大小已经大大降低了,所以我们现在必须拥有普通网络能够处理的一些东西,同时保留最重要的数据部分。最后一步的输出将代表系统对于祖父图片的确信度。
在现实生活中,CNN的工作过程错综复杂,涉及许多隐藏、池化和卷积层。除此之外,真正的CNN通常涉及数百或数千个标签,而不仅仅是单一标签。
如何构建卷积神经网络?
从零开始构建CNN可能是一项昂贵而耗时的工作。话虽如此,人们最近开发了一些API,旨在使不同组织能够收集不同的见解,而无需自己研究机器学习或计算机视觉专业知识。
谷歌 Cloud Vision
GoogleCloud Vision是谷歌的视觉识别API,并使用REST API。它基于开源的TensorFlow框架。它检测单个面部和物体,并包含一个相当全面的标签集。
IBM沃森视觉识别
IBM沃森视觉识别是沃森开发者云(Watson Developer Cloud)的一部分,并附带了一大批内置的类别,但实际上是为根据你提供的图像来训练自定义定制类而构建的。它还支持一些很棒的功能,包括NSFW和OCR检测,如Google Cloud Vision。
Clarif.ai
Clarif.ai是一个新兴的图像识别服务,也使用REST API。关于Clarif.ai的一个有趣的方面是它附带了一些模块,有助于将其算法定制到特定主题,如食物、旅行和婚礼。
尽管上述API适用于少数一般应用程序,但你可能仍然需要为特定任务开发自定义解决方案。幸运的是,许多库可以通过处理优化和计算方面来使开发人员和数据科学家的生活变得更加容易,从而使他们专注于训练模型。有许多库,包括Theano、Torch、DeepLearning4J和TensorFlow已经成功应用于各种应用。
卷积神经网络的有趣应用
自动将声音添加到无声电影
为了匹配无声视频,系统必须在此任务中合成声音。该系统使用千个视频示例进行训练,用鼓棒击打不同的表面,产生不同的声音。深度学习模型将视频帧与预录音的数据库相关联,以选择与场景中发生的完全匹配的声音。然后系统将借助于类似于图灵测试的设置进行评估,人们必须确定哪个视频具有假(合成)或真实的声音。这是卷积神经网络和LSTM循环神经网络中非常酷的应用。在这里查看视频
-
?
ETC不停车收费系统是如何自动识别车辆信息和抓拍图像的?
河流
展开
ETC 是国际上正在努力开发并推广的一种用于公路、大桥和隧道的电子自动收费系统。该技术在国外已有较长的发展历史,美国、欧洲等许多国家和地区的电子收费系统已经局部联网并逐步形成规模效益。我国以 IC 卡、磁卡为介质 , 采用人工收费方式为主的公路联网收费方式无疑也受到这一潮流的影响。
车道控制系统
(1)自动车辆识别技术。自动车辆识别技术(AVI,Automatic Vehicle Identification System)是ETC系统的核心技术,指利用安装在车内的电子标签存贮车辆编号及相关信息,安装在车道的射频天线可与该无线电收发器以专用短程通信(Dedicated Short-Range Communication,简称DSRC)方式交换信息,并对其存储内容(车辆唯一标识、车牌、车型等)进行读写操作,从而识别出当前通行车辆,然后自动从该用户的专用账户中扣除通行费。
正是基于自动车辆识别技术,车辆经过ETC车道时才可以在不停车方式下自动完成收费功能,所以自动车辆识别技术是ETC收费系统最主要、最为关键的技术选择。
(2)图像抓拍技术。图像抓拍系统(VideoEnforcementSystem)用来抓拍通过ETC车道车辆,对于未装备有效电子标签的车辆,还要借助车牌识别技术确定逃费车辆,用于确定逃费车主并通知其应交费用。
图像抓拍技术是指收费车辆经过车道检测线圈或光栅时,触发检测系统由抓拍软件自动抓拍车辆图片,并保存在车道机和上传至对应的图像数据库中,用专门的图像复核软件,实时或事后浏览和查询车道过车图片。抓拍与图像处理是计算机收费系统中,非常重要和必须的管理功能子模块。
将视频监控与计算机技术有机的结合起来,由计算机控制自动抓拍每一台经过收费站的车辆图片,是对收费流程实现实时监控的有效手段,对内可强化收费员的规范操作意识,必须准确判断每一台车辆的收费状态与类型,对外为冲岗逃票车辆的事后取证,提供有力的依据。
抓拍与图像处理软件要求,在保证抓拍图像质量的前提下,尽可能的将图像资料压缩到最小,以便提高图片传输、查询速度和节省储存空间。
-
?
一文看懂车牌识别系统全部内容
飞瑶
展开
识别流程
牌照自动识别是一项利用车辆的动态视频或静态图像进行牌照号码、牌照颜色自动识别的模式识别技术。其硬件基础一般包括触发设备(监测车辆是否进入视野)、摄像设备、照明设备、图像采集设备、识别车牌号码的处理机(如计算机)等,其软件核心包括车牌定位算法、车牌字符分割算法和光学字符识别算法等。某些车牌识别系统还具有通过视频图像判断是否有车的功能称之为视频车辆检测。一个完整的车牌识别系统应包括车辆检测、图像采集、车牌识别等几部分(如图1所示)。当车辆检测部分检测到车辆到达时触发图像采集单元,采集当前的视频图像。车牌识别单元对图像进行处理,定位出牌照位置,再将牌照中的字符分割出来进行识别,然后组成牌照号码输出。
车辆检测
车辆检测可以采用埋地线圈检测、红外检测、雷达检测技术、视频检测等多种方式。采用视频检测可以避免破坏路面、不必附加外部检测设备、不需矫正触发位置、节省开支,而且更适合移动式、便携式应用的要求。
系统进行视频车辆检测,需要具备很高的处理速度并采用优秀的算法,在基本不丢帧的情况下实现图像采集、处理。若处理速度慢,则导致丢帧,使系统无法检测到行驶速度较快的车辆,同时也难以保证在有利于识别的位置开始识别处理,影响系统识别率。因此,将视频车辆检测与牌照自动识别相结合具备一定的技术难度。
号码识别
为了进行车牌识别,需要以下几个基本的步骤:
1)牌照定位,定位图片中的牌照位置;
2)牌照字符分割,把牌照中的字符分割出来;
3)牌照字符识别,把分割好的字符进行识别,最终组成牌照号码。
车牌识别过程中,牌照颜色的识别依据算法不同,可能在上述不同步骤实现,通常与车牌识别互相配合、互相验证。
1牌照定位
自然环境下,汽车图像背景复杂、光照不均匀,如何在自然背景中准确地确定牌照区域是整个识别过程的关键。首先对采集到的视频图像进行大范围相关搜索,找到符合汽车牌照特征的若干区域作为候选区,然后对这些侯选区域做进一步分析、评判,最后选定一个最佳的区域作为牌照区域,并将其从图像中分离出来。
2牌照字符分割
完成牌照区域的定位后,再将牌照区域分割成单个字符,然后进行识别。字符分割一般采用垂直投影法。由于字符在垂直方向上的投影必然在字符间或字符内的间隙处取得局部最小值的附近,并且这个位置应满足牌照的字符书写格式、字符、尺寸限制和一些其他条件。利用垂直投影法对复杂环境下的汽车图像中的字符分割有较好的效果。
3牌照字符识
方法主要有基于模板匹配算法和基于人工神经网络算法。基于模板匹配算法首先将分割后的字符二值化并将其尺寸大小缩放为字符数据库中模板的大小,然后与所有的模板进行匹配,选择最佳匹配作为结果。基于人工神经网络的算法有两种:一种是先对字符进行特征提取,然后用所获得特征来训练神经网络分配器;另一种方法是直接把图像输入网络,由网络自动实现特征提取直至识别出结果。
实际应用中,车牌识别系统的识别率还与牌照质量和拍摄质量密切相关。牌照质量会受到各种因素的影响,如生锈、污损、油漆剥落、字体褪色、牌照被遮挡、牌照倾斜、高亮反光、多牌照、假牌照等等;实际拍摄过程也会受到环境亮度、拍摄方式、车辆速度等等因素的影响。这些影响因素不同程度上降低了车牌识别的识别率,也正是车牌识别系统的困难和挑战所在。为了提高识别率,除了不断地完善识别算法还应该想办法克服各种光照条件,使采集到的图像最利于识别。
车牌识别系统原理图
车牌识别云台摄像机通过光抑制屏蔽,电子快门调节,宽动态功能等来实现抓拍车牌:
强光屏蔽:在低照度彩色摄像机的基础上,通过软件的功能,把图像中最亮的部分遮挡。在交通监控中,一般可将大灯的强光遮挡,从而将车牌较清晰的抓拍下来。但是这款摄像机最大的缺点就是软件分辨不清,对于图像最亮部分界定不清,有可能将车牌号码也遮挡,同时无法处理高速运动物体的抓拍。目前国产摄像机在强光屏蔽方面做的比较多,效果各方反映不一。
可调电子快门:对于高速运动的物体抓拍(高速公路上的汽车车速一般都在70KM/小时以上),可以通过降低电子快门速度来实现清晰抓拍,一般都是通过手动方式调整。但是这种方式最大的问题就是白天、晚上的照度不一样,必需设置2个快门速度来分别适应白天和晚上的监控。
宽动态功能:这是解决车灯对于抓拍影响的最好的办法,宽动态最早是松下公司提出来的。当背景光过亮时,普通摄像机无法很好的解决明暗图像的显示问题。
作为智能交通领域确定车辆身份的最重要手段,车牌识别技术为实现交通的智能管理发挥了很大作用,在各项工作中都有车牌识别技术的渗透。
一监测报警
对于纳入“黑名单”的车辆,例如:被通缉或挂失的车辆、欠交费车辆、未年检车辆、肇事逃逸及违章车辆等,只需将其车牌号码输入到应用系统中,车牌识别设备安装于指定的路口、卡口或由执法人员随时携带按需要放置,系统将识读所有通过车辆的牌照号码并与系统中的“黑名单”比对,一旦发现指定车辆立刻发出报警信息。系统可以全天不间断工作、不会疲劳、错误率极低;可以适应高速行驶的车辆;可以在车辆行使过程中完成任务不影响正常交通;整个监视过程中司机也不会觉察、保密性高。应用这种系统将极大地提高执法效率。
二超速违章处罚
车牌识别技术结合测速设备可以用于车辆超速违章处罚,一般用于高速公路。具体应用是:在路上设置测速监测点,抓拍超速的车辆并识别车牌号码,将违章车辆的牌照号码及图片发往各出口;在各出口设置处罚点,用车牌识别设备识别通过车辆并将号码与已经收到的超速车辆的号码比对,一旦号码相同即启动警示设备通知执法人员处理。与传统的超速监测方式相比,这种应用可以节省警力,降低执法人员的工作强度,而且安全、高效、隐蔽,司机需时刻提醒自己不能超速,极大地减少了因超速引发的事故。
三车辆出入管理
将车牌识别设备安装于出入口,记录车辆的牌照号码、出入时间,并与自动门、栏杆机的控制设备结合,实现车辆的自动管理。应用于停车场可以实现自动计时收费,也可以自动计算可用车位数量并给出提示,实现停车收费自动管理节省人力、提高效率。应用于智能小区可以自动判别驶入车辆是否属于本小区,对非内部车辆实现自动计时收费。在一些单位这种应用还可以同车辆调度系统相结合,自动地、客观地记录本单位车辆的出车情况,H3智在通行管理系统采用了车牌识别技术,达到不停车、免取卡,有效提高车辆出入通行效率。
四自动放行
将指定的牌照信息输入系统,系统自动地识读经过车辆的牌照并查询内部数据库。对于需要自动放行的车辆系统驱动电子门或栏杆机让其通过,对于其它车辆系统会给出警示,由值勤人员处理。可用于特殊单位(如军事管理区、保密单位、重点保护单位等)、路桥收费卡口、高级住宅区等。
五高速公路收费管理
在高速路的各个出入口安装车牌识别设备,车辆驶入时识别车辆牌照将入口资料存入收费系统,车辆到达出口时再次识别其牌照并根据牌照信息调用入口资料,结合出入口资料实现收费管理。这种应用可以实现自动计费并可防止作弊,避免了应收款的流失。
高速公路已开始实施联网收费,随着联网范围的扩大,不同车型的收费差额也越来越高,司机利用现有收费系统的漏洞通过中途换卡进行逃费的问题将越来越突出,利用车牌识别技术是解决此类问题的根本方法。
六计算车辆旅行时间
在交通管理系统中可以将车辆在某条道路的平均旅行时间作为判断该道路拥堵状况的一个参数。安装车牌识别设备于道路的起止点,识读所有通过车辆并将牌照号码传回交通指挥中心,指挥中心的管理系统根据这些结果就可计算出车辆平均旅行时间。
七牌照号码自动登记
交通监管部门每天都要处理大量的违章车辆图片,一般由人工辨识车牌号码再输入管理系统,这种方式工作量大、容易疲劳误判。采用自动识别可以减少工作强度能够大幅度提高处理速度和效率。这种功能可用于电子警察系统、道路监控系统等。
车牌识别停车场管理系统将摄像机在入口拍摄的车辆车牌号码图象自动识别并转换成数字信号。做到一卡一车,车牌识别的优势在于可以把卡和车对应起来,使管理提高一个档次,卡和车的对应的优点在于长租卡须和车配合使用,杜绝一卡多车使用的漏洞,提高物业管理的效益;同时自动比对进出车辆,防止偷盗事件的发生。升级后的摄像系统可以采集更清晰的图片,作为档案保存,可以为一些纠纷提供有力的证据。方便了管理人员在车辆出场时进行比对,大大增强了系统的安全性。
八车牌识别应用前景广阔
随着停车场管理系统的不断发展,车牌识别技术也开始应用于停车场。不过据调查发现,由于国内只有几家企业专门开发针对停车场的车牌识别技术,因此目前很多停车场使用的车牌识别技术大多是从早期车牌识别技术照搬过来,而两者在识别环境、识别角度、灯光环境、车辆行驶速度等方面的较大差异,也导致这些车牌识别系统大多都出现了“水土不服”的现象。对此不少停车场呼吁“私人订制”的车牌识别系统。
而据最新的数据统计,截止至2015年年底,我国停车场市场需求将超过37亿元,而未来5年必将是停车场智能化改造的黄金时期。车牌自动识别是未来停车场市场中的最有价值的市场,随着高清与智能的融合,车牌识别还能够帮助我们解决更多生活中的问题。
-
?
智能车牌识别系统的进出场流程
情难牵
展开
智能车牌识别系统在停车场的应用是越来越普遍了,主要是得益于智能车牌识别系统的特点,仅仅需要车牌就能进出停车场,无需停车、刷卡,让停车场在管理上了一个档次。
那么智能车牌识别系统的便捷性到底体现在哪呢?其他别的方面咱们先不谈,单单先看一下其工作流程,您就能看到其与众不同之处。
一、车辆进场流程
1、车辆驶入车道,触发地感。
2、监控摄像机抓拍车辆图像,自动识别车牌号,管理软件分析检索数据库得出车辆类别。
3、入口显示屏显示车辆进场时间,并显示礼貌提示语。
4、语音播报车辆车牌号,欢迎车辆进入。
5、道闸自动开闸放行,系统会自动记录车辆进入时间,车辆驶入,道闸自动下落。
车辆进场整个过程无需停车,无需人员干预,自动识别,自动开关闸。
二、车辆出场流程
1、车辆驶进出口车道,触发地感线圈。
2、监控摄像机抓拍车辆图像,自动识别车牌号,管理软件分析检索数据库得出车辆类别。
3、显示屏显示车辆进出场时间、交费金额,并显示礼貌提示语。
4、语音播报车辆车牌号,祝您一路顺风等。
5、如果车辆为临时车辆,需停车缴费,如果为固定车辆,道闸自动开启。
6、车辆驶出,系统记录下车辆离开时间,道闸自动下落。
智能车牌识别系统走进各大停车场,使得有车一族感受到自动化、智能化的停车体验,让出行更加方便。
安贝驰(anbeichi)是一家专注智能停车15年的停车场管理系统厂家,致力于智能停车场系统的研发、生产、销售、安装及售后一站式服务,为您营造一个良好的停车环境。
-
?
智慧停车管理---车牌自动识别系统
柳飞风
展开
车牌识别系统
车牌识别系统(Vehicle License Plate Recognition,VLPR) 是计算机视频图像识别技术在车辆牌照识别中的一种应用。车牌识别在高速公路车辆管理中得到广泛应用,电子收费(ETC)系统中,也是结合DSRC技术识别车辆身份的主要手段。
车牌识别技术要求能够将运动中的汽车牌照从复杂背景中提取并识别出来,通过车牌提取、图像预处理、特征提取、车牌字符识别等技术,识别车辆牌号、颜色等信息,目前最新的技术水平为字母和数字的识别率可达到99.7%,汉字的识别率可达到99%。
在停车场管理中,车牌识别技术也是识别车辆身份的主要手段。在深圳市公安局建设的《停车库(场)车辆图像和号牌信息采集与传输系统技术要求》中,车牌识别技术成为车辆身份识别的主要手段。
车牌识别技术结合电子不停车收费系统(ETC)识别车辆,过往车辆通过道口时无须停车,即能够实现车辆身份自动识别、自动收费。在车场管理中,为提高出入口车辆通行效率,车牌识别针对无需收停车费的车辆(如月卡车、内部免费通行车辆),建设无人值守的快速通道,免取卡、不停车的出入体验,正改变出入停车场的管理模式。
车牌识别系统(Vehicle License Plate Recognition,VLPR) 是指能够检测到受监控路面的车辆并自动提取车辆牌照信息(含汉字字符、英文字母、阿拉伯数字及号牌颜色)进行处理的技术。车牌识别是现代智能交通系统中的重要组成部分之一,应用十分广泛。它以数字图像处理、模式识别、计算机视觉等技术为基础,对摄像机所拍摄的车辆图像或者视频序列进行分析,得到每一辆汽车唯一的车牌号码,从而完成识别过程。通过一些后续处理手段可以实现停车场收费管理,交通流量控制指标测量,车辆定位,汽车防盗,高速公路超速自动化监管、闯红灯电子警察、公路收费站等等功能。对于维护交通安全和城市治安,防止交通堵塞,实现交通自动化管理有着现实的意义。
汽车牌照号码是车辆的唯一“身份”标识,牌照自动识别技术可以在汽车不作任何改动的情况下实现汽车“身份”的自动登记及验证,这项技术已经应用于公路收费、停车管理、称重系统、交通诱导、交通执法、公路稽查、车辆调度、车辆检测等各种场合。
——监测报警
对于纳入“黑名单”的车辆,例如:被通缉或挂失的车辆、欠交费车辆、未年检车辆、肇事逃逸及违章车辆等,只需将其车牌号码输入到应用系统中,车牌识别设备安装于指定的路口、卡口或由执法人员随时携带按需要放置,系统将识读所有通过车辆的牌照号码并与系统中的“黑名单”比对,一旦发现指定车辆立刻发出报警信息。系统可以全天不间断工作、不会疲劳、错误率极低;可以适应高速行驶的车辆;可以在车辆行使过程中完成任务不影响正常交通;整个监视过程中司机也不会觉察、保密性高。应用这种系统将极大地提高执法效率。
——超速违章处罚
车牌识别技术结合测速设备可以用于车辆超速违章处罚,一般用于高速公路。具体应用是:在路上设置测速监测点,抓拍超速的车辆并识别车牌号码,将违章车辆的牌照号码及图片发往各出口;在各出口设置处罚点,用车牌识别设备识别通过车辆并将号码与已经收到的超速车辆的号码比对,一旦号码相同即启动警示设备通知执法人员处理。与传统的超速监测方式相比,这种应用可以节省警力,降低执法人员的工作强度,而且安全、高效、隐蔽,司机需时刻提醒自己不能超速,极大地减少了因超速引发的事故。
——车辆出入管理
将车牌识别设备安装于出入口,记录车辆的牌照号码、出入时间,并与自动门、栏杆机的控制设备结合,实现车辆的自动管理。应用于停车场可以实现自动计时收费,也可以自动计算可用车位数量并给出提示,实现停车收费自动管理节省人力、提高效率。应用于智能小区可以自动判别驶入车辆是否属于本小区,对非内部车辆实现自动计时收费。在一些单位这种应用还可以同车辆调度系统相结合,自动地、客观地记录本单位车辆的出车情况,车牌识别管理系统采用了车牌识别技术,达到不停车、免取卡,有效提高车辆出入通行效率。
——自动放行
将指定的牌照信息输入系统,系统自动地识读经过车辆的牌照并查询内部数据库。对于需要自动放行的车辆系统驱动电子门或栏杆机让其通过,对于其它车辆系统会给出警示,由值勤人员处理。可用于特殊单位(如军事管理区、保密单位、重点保护单位等)、路桥收费卡口、高级住宅区等。
——高速公路收费管理
在高速路的各个出入口安装车牌识别设备,车辆驶入时识别车辆牌照将入口资料存入收费系统,车辆到达出口时再次识别其牌照并根据牌照信息调用入口资料,结合出入口资料实现收费管理。这种应用可以实现自动计费并可防止作弊,避免了应收款的流失。
高速公路已开始实施联网收费,随着联网范围的扩大,不同车型的收费差额也越来越高,司机利用现有收费系统的漏洞通过中途换卡进行逃费的问题将越来越突出,利用车牌识别技术是解决此类问题的根本方法。
——计算车辆旅行时间
在交通管理系统中可以将车辆在某条道路的平均旅行时间作为判断该道路拥堵状况的一个参数。安装车牌识别设备于道路的起止点,识读所有通过车辆并将牌照号码传回交通指挥中心,指挥中心的管理系统根据这些结果就可计算出车辆平均旅行时间。
——牌照号码自动登记
交通监管部门每天都要处理大量的违章车辆图片,一般由人工辨识车牌号码再输入管理系统,这种方式工作量大、容易疲劳误判。采用自动识别可以减少工作强度能够大幅度提高处理速度和效率。这种功能可用于电子警察系统、道路监控系统等。
车牌识别停车场管理系统将摄像机在入口拍摄的车辆车牌号码图象自动识别并转换成数字信号。做到一卡一车,车牌识别的优势在于可以把卡和车对应起来,使管理提高一个档次,卡和车的对应的优点在于长租卡须和车配合使用,杜绝一卡多车使用的漏洞,提高物业管理的效益;同时自动比对进出车辆,防止偷盗事件的发生。升级后的摄像系统可以采集更清晰的图片,作为档案保存,可以为一些纠纷提供有力的证据。 方便了管理人员在车辆出场时进行比对,大大增强了系统的安全性。
汽车牌照自动识别技术是一项利用车辆的动态视频或静态图像进行牌照号码、牌照颜色自动识别的模式识别技术。通过对图像的采集和处理,完成车牌自动识别功能,能从一幅图像中自动提取车牌图像,自动分割字符,进而对字符进行识别.其硬件基础一般包括触发设备(监测车辆是否进入视野)、摄像设备、照明设备、图像采集设备、识别车牌号码的处理机(如计算机)等。
车牌自动识别是一项利用车辆的动态视频或静态图像进行牌照号码、牌照颜色自动识别的模式识别技术。其硬件基础一般包括触发设备(监测车辆是否进入视野)、摄像设备、照明设备、图像采集设备、识别车牌号码的处理机(如计算机)等,其软件核心包括车牌定位算法、车牌字符分割算法和光学字符识别算法等。某些车牌识别系统还具有通过视频图像判断是否有车的功能称之为视频车辆检测。一个完整的车牌识别系统应包括车辆检测、图像采集、车牌识别等几部分(如图1所示)。当车辆检测部分检测到车辆到达时触发图像采集单元,采集当前的视频图像。车牌识别单元对图像进行处理,定位出牌照位置,再将牌照中的字符分割出来进行识别,然后组成牌照号码输出。
车辆检测
车辆检测可以采用埋地线圈检测、红外检测、雷达检测技术、视频检测等多种方式。采用视频检测可以避免破坏路面、不必附加外部检测设备、不需矫正触发位置、节省开支,而且更适合移动式、便携式应用的要求。
系统进行视频车辆检测,需要具备很高的处理速度并采用优秀的算法,在基本不丢帧的情况下实现图像采集、处理。若处理速度慢,则导致丢帧,使系统无法检测到行驶速度较快的车辆,同时也难以保证在有利于识别的位置开始识别处理,影响系统识别率。因此,将视频车辆检测与牌照自动识别相结合具备一定的技术难度。
号码识别
为了进行车牌识别,需要以下几个基本的步骤:
1) 牌照定位,定位图片中的牌照位置;
2) 牌照字符分割,把牌照中的字符分割出来;
3) 牌照字符识别,把分割好的字符进行识别,最终组成牌照号码。
车牌识别过程中,牌照颜色的识别依据算法不同,可能在上述不同步骤实现,通常与车牌识别互相配合、互相验证。
1) 牌照定位
自然环境下,汽车图像背景复杂、光照不均匀,如何在自然背景中准确地确定牌照区域是整个识别过程的关键。首先对采集到的视频图像进行大范围相关搜索,找到符合汽车牌照特征的若干区域作为候选区,然后对这些侯选区域做进一步分析、评判,最后选定一个最佳的区域作为牌照区域,并将其从图像中分离出来。
2) 牌照字符分割
完成牌照区域的定位后,再将牌照区域分割成单个字符,然后进行识别。字符分割一般采用垂直投影法。由于字符在垂直方向上的投影必然在字符间或字符内的间隙处取得局部最小值的附近,并且这个位置应满足牌照的字符书写格式、字符、尺寸限制和一些其他条件。利用垂直投影法对复杂环境下的汽车图像中的字符分割有较好的效果。
3) 牌照字符识别方法主要有基于模板匹配算法和基于人工神经网络算法。基于模板匹配算法首先将分割后的字符二值化并将其尺寸大小缩放为字符数据库中模板的大小,然后与所有的模板进行匹配,选择最佳匹配作为结果。基于人工神经网络的算法有两种:一种是先对字符进行特征提取,然后用所获得特征来训练神经网络分配器;另一种方法是直接把图像输入网络,由网络自动实现特征提取直至识别出结果。
实际应用中,车牌识别系统的识别率还与牌照质量和拍摄质量密切相关。牌照质量会受到各种因素的影响,如生锈、污损、油漆剥落、字体褪色、牌照被遮挡、牌照倾斜、高亮反光、多牌照、假牌照等等;实际拍摄过程也会受到环境亮度、拍摄方式、车辆速度等等因素的影响。这些影响因素不同程度上降低了车牌识别的识别率,也正是车牌识别系统的困难和挑战所在。为了提高识别率,除了不断地完善识别算法还应该想办法克服各种光照条件,使采集到的图像最利于识别。
技术路线
采用计算机视觉技术识别车牌的流程通常都包括车辆图像采集,车牌定位,字符分割,光学字符识别,输出识别结果5个步骤。车辆图像的采集方式决定了车牌识别的技术路线。国际ITS通行的两条主流技术路线是自然光和红外光图像采集识别。自然光和红外光不会对人体产生不良的心理影响,也不会对环境产生新的电子污染,属于绿色环保技术。
自然光路线是指白天利用自然光线,夜间采用辅助照明光源,用彩色摄像机采集车辆真彩色图像,用彩色图像分析处理方法识别车牌。自然光真彩色识别技术路线,与人眼感光习惯一致,并且,真彩色图像能够反映车辆
及其周围环境真实的图像信息,不仅可以用来识别车牌照,而且可以用来识别车牌照颜色、车流量、车型、车颜色等车辆特征。用一个摄像机采集的图像,同时实现所有前端基本视频信息采集、识别和人工辅助图像取证判别,可以前瞻性的为未来的智能交通系统工程预留接口。
红外光路线是指利用车牌反光和红外光的光学特性,用红外摄像机采集车辆灰度图像,由于红外特性,车辆图像上几乎只能看见车牌,然后用黑白图像处理方法识别车牌。950nm的红外照明装置可抓拍到很好的反光车牌照图像。因红外光是不可见光,它不会对驾驶员产生视觉影响。另外,红外照明装置提供的是不变的光,所抓拍的图像都是一样的,不论是在一天中最明亮的时候,还是在一天中最暗的时候。唯一的例外是在白天,有时会看到一些牌照周围的细节,这是因为晴朗天气时太阳光的外光波的影响。采用红外灯的缺点就是所捕获的车牌照图像不是彩色的,不能获取整车图像,并且严重依赖车牌反光材料。
技术特点
车牌识别技术是现代智能交通系统重要组成部分,其应用十分广泛。它以计算机视觉处理、数字图像处理、模式识别等技术为基础,对摄像机所拍摄的车辆图像或者视频图像进行处理分析,得到每辆车的车牌号码,从而完成识别过程。通过一些后续处理技术其可以实现停车场出入口收费管理、盗抢车辆管理、高速公路超速自动化管理、闯红灯电子警察、公路收费管理等等功能。对于维护交通安全和城市治安,防止交通堵塞,实现交通全自动化管理有着现实的意义。
我国标准汽车牌照是由汉字、英文字母和阿拉伯数字组成,汉字识别与字母和数字的识别有很大的区别,汉字的识别增加了识别的难度;
我国汽车车牌的悬挂位置不统一;
其他国家的汽车牌照格式(如汽车牌照的尺寸大小,牌照上字符çš...
-
?
电子车牌是否能取代传统车牌图像识别呢?
南松
展开
电子车牌的优点
①识别精确度高丨基于RFID技术,电子车牌的识别率可以做到较高水平,这是传统光学车牌识别难以达到的;
②识别速度快丨由于道路交通环境复杂,车速快,那么就要求电子车牌有非常快的读取速度;
③准确定位车辆信息丨通过安装电子车牌时,写入车辆相关信息,可避免公司私用、盗抢车辆等情况的发生及侦破。
既然这个产品有优点,那么任何事物都是两面性的,他在某些方面,也有他的局限性。
电子车牌的局限性
①可视性
这在公安和交管处理违章信息方面,是最重要的信息(打个比方,今天交警通过电子车牌读取到你在南京新街口超速违章,但是实际情况是你今天并没有开车上路,那么真实情况到底是你的车辆违章了,还是其他车辆盗用了你的电子车牌,没有图像,无法考证);
②电子车牌的技术标准难确定,后期维护成本高
电子车牌涉及到的是全国各个车辆的个人信息,涉及到个人隐私,该项技术的实施,考虑到安全性,应该由国家统一标准实施,不可能像以前电子警察或者卡口等,任何公司都可参与,但是面对如此数量庞大的车辆,维护绝对是一个很难的工作;
③读取距离
既然电子车牌应用的是RFID技术,那么必然有读取距离方面的局限性,在一些特定的场景,很难通过安装电子车牌读取装置来识别车辆信息,而传统的图像识别,则可通过配置镜头和相机的分辨率,来达到大拍摄距离的要求;
④物理精度
在电子警察领域尤为明显,现在传统的电子警察拍摄违章,要求提供3张车辆特写图片,分别是停车线前,停车线后和车辆特写,并且还得关联信号灯信息,而电子车牌,很难做到以上的要求。
2015年是我国智慧城市进入全面实施的一年,作为其重要组成部分的智能交通市场蕴含着蓬勃的生机和无限的发展前景。随着国家制定汽车电子标识行业标准的进程,中国智能交通迎来汽车电子标识时代已经成为市场不可逆转的发展趋势,它的到来,将对未来城市的智能交通、服务公众出行、公安机关的社会稳定、社会公共安全等涉车应用的技术发展带来巨大变革。
电子车牌是国家探讨了多年,近几年要主推的项目,这个趋势很难去改变,有人分析,在将来交通领域,电子车牌和光学车牌识别,应该是相辅相成,缺一不可的。电子车牌的重要应用领域,应该在交通流量检测、ETC收费等不需要车辆完善信息的应用中,而在公安系统的治安卡口、图像侦查、平安城市、交管行业的电子警察、雷达测速、尾号限行等涉及到车辆违章信息时,光学车牌识别技术,是不可缺少的,将来电子车牌标准推出后,车牌识别厂家如何完善自有技术,能做到和电子车牌的完美结合,将冲击改为利好,是我们需要进行思考和讨论的。
车牌识别基于图像为特征进行车辆信息的提取,解决了电子车牌不具备可见性的特点,两者缺一不可,优势互补,必将为智能交通和智慧停车的管理带来新的春天!
-
?
目标检测必须要OpenCV?10行Python代码也能实现,亲测好用!
段情
展开
大数据文摘出品
编译:朱一辉、雪清、小鱼
短短10行代码就可以实现目标检测?!
本文作者和他的团队构建了一个名为ImageAI 的Python库,集成了现今流行的深度学习框架和计算机视觉库。本文将手把手教你构建自己的第一个目标检测应用,而且文摘菌已经帮你踩过坑了,亲测有效!
无人超市、人脸识别、无人驾驶,众多的使用场景及案例,使得【目标检测】正成为计算机视觉最有前景的方向。
听起来似乎是个很难实现的技术,需要大量训练数据和算法才能完成。事实上,本文作者开发了一个基于Python的函数库,可以用十行代码高效实现目标检测。
还不熟悉的读者,我们先来看看,目标检测到底是什么,以及软件开发人员面临的挑战。
目标检测是借助于计算机和软件系统在图像/场景中,定位目标并识别出每个目标的类别的技术。目前已广泛用于人脸检测、车辆检测、行人计数、网络图像、安全系统和无人驾驶汽车等领域。随着计算机技术不断发展和软件开发人员的不懈努力,未来目标检测技术将更广泛的普及开来。
在应用程序和系统中使用先进的目标检测方法,以及基于这些方法构建新的应用程序并不容易。早期目标检测是基于经典算法而实现的,如 OpenCV(广受欢迎的计算机视觉库)所支持的一些算法。然而,这些经典算法的性能会因条件而受到限制。
2012年,深度学习领域取得众多突破,学者们提出了一系列全新、高精度的目标检测算法和方法,比如R-CNN, Fast-RCNN, Faster-RCNN, RetinaNet,以及既快又准的SSD和YOLO等。要使用这些基于深度学习的方法和算法(当然深度学习也是基于机器学习),需要对数学和深度学习框架有很深的理解。数百万的软件开发人员致力于整合目标检测技术进行新产品的开发。但是想要理解这项技术并加以使用,对非深度学习领域的程序员来说并不容易。
一位自学了计算机的开发者Moses Olafenwa在几个月前意识到了这个问题,并与同伴一起开发了一个名叫ImageAI的Python函数库。
ImageAI可以让程序员和软件开发者只用几行代码,就能轻易地把最先进的计算机视觉技术整合到他们现有的以及新的应用程序里面。
用ImageAI实现目标检测,你只需要以下步骤:
1. 安装Python
2. 安装ImageAI和相关函数库
3. 下载目标检测模型文件
4. 运行示例代码(只有10行)
准备工作
文摘菌测试环境为Windows 64位系统,Python版本为3.6。关注大数据文摘微信公众号,在后台回复“检测”可获取代码和模型文件~
1) 从Python官网下载并安装Python 3,并安装pip。
下载地址:
https://python.org
https://pip.pypa.io/en/stable/installing/
2)用pip安装下列依赖
找到Pyhthon安装目录下的Scripts文件夹,如C:\XXX \Python\Python36\Scripts,打开cmd命令窗口,依次输入下列安装命令即可。
1. Tensorflow:
pip install tensorflow
2.Numpy:
pip install numpy
3.SciPy
pip install scipy
4.OpenCV
pip install opencv-python
5.Pillow
pip install pillow
6.Matplotlib
pip install matplotlib
7. H5py
pip install h5py
8. Keras
pip install keras
9. ImageAI
pip install https://github/OlafenwaMoses/ImageAI/releases/download/2.0.1/imageai-2.0.1-py3-none-any.whl
注:在安装ImageAI时如果出现异常,可先下载.whl文件,并放在Scripts文件夹下,用下列命令进行安装:
pip install imageai-2.0.1-py3-none-any.whl
3) 下载用于目标检测的RetinaNet模型文件:
下载地址:
https://github/OlafenwaMoses/ImageAI/releases/download/1.0/resnet50_coco_best_v2.0.1.h5
准备工作到此结束,你可以写自己的第一个目标检测代码了。新建一个Python文件并命名(如FirstDetection.py),然后将下述代码写入此文件。接着将RetinaNet模型文件、FirstDetection.py和你想检测的图片放在同一路径下,并将图片命名为“image.jpg”。
下面是FirstDetection.py中的10行代码:
from imageai.Detection import ObjectDetectionimport osexecution_path = os.getcwd()detector = ObjectDetection()detector.setModelTypeAsRetinaNet()detector.setModelPath( os.path.join(execution_path , "resnet50_coco_best_v2.0.1.h5"))detector.loadModel()detections = detector.detectObjectsFromImage(input_image=os.path.join(execution_path , "image.jpg"), output_image_path=os.path.join(execution_path , "imagenew.jpg"))for eachObject in detections:print(eachObject["name"] + " : " + eachObject["percentage_probability"] )
然后,双击FirstDetection.py运行代码,并稍等片刻,识别结果就会在控制台打印出来。一旦结果在控制台输出,在包含FirstDetection.py的文件夹里,你会发现一张新保存的图片,文件名为“imagenew.jpg”。
注:如果运行代码时出现下列异常:
则需要安装Numpy+MKL依赖,下载对应的.whl文件并放在Scripts文件夹下,用pip安装.whl文件即可。
下载地址:
https://lfd.uci.edu/~gohlke/pythonlibs/#numpy
检测结果
来看看下面这2张示例图片以及经过检测后保存的新图片。
检测前:
检测后:
检测结果:
person : 55.8402955532074
person : 53.21805477142334
person : 69.25139427185059
person : 76.41745209693909
bicycle : 80.30363917350769
person : 83.58567953109741
person : 89.06581997871399
truck : 63.10953497886658
person : 69.82483863830566
person : 77.11606621742249
bus : 98.00949096679688
truck : 84.02870297431946
car : 71.98476791381836
检测结果:
person : 71.10445499420166
person : 59.28672552108765
person : 59.61582064628601
person : 75.86382627487183
motorcycle : 60.1050078868866
bus : 99.39600229263306
car : 74.05484318733215
person : 67.31776595115662
person : 63.53200078010559
person : 78.2265305519104
person : 62.880998849868774
person : 72.93365597724915
person : 60.01397967338562
person : 81.05944991111755
motorcycle : 50.591760873794556
motorcycle : 58.719027042388916
person : 71.69321775436401
bicycle : 91.86570048332214
motorcycle : 85.38855314254761
文摘菌测试了另外几张图片,结果如下:
检测前:
检测后:
检测结果:
car : 59.04694199562073
car : 50.62631368637085
car : 71.59191966056824
car : 52.60368585586548
person : 76.51243805885315
car : 56.73831105232239
car : 50.02853870391846
car : 94.18612122535706
car : 70.23521065711975
car : 75.06842017173767
car : 87.21032738685608
car : 89.46954607963562
person : 73.89532923698425
bicycle : 90.31689763069153
bus : 65.3587281703949
竟然可以检测出牛……
检测结果:
person : 55.15214800834656
person : 62.79672980308533
person : 69.01599168777466
person : 67.26776957511902
person : 75.51649808883667
person : 52.9820442199707
person : 67.23594665527344
person : 69.77047920227051
person : 83.80664587020874
person : 61.785924434661865
person : 82.354336977005
person : 93.08169484138489
cow : 84.69656705856323
检测结果:
person : 65.07909297943115
person : 65.68368077278137
person : 68.6377465724945
person : 83.80006551742554
person : 85.69389581680298
person : 55.40691018104553
person : 56.62997364997864
person : 58.07020664215088
person : 70.90385556221008
person : 95.06895542144775
代码解释
下面我们来解释一下这10行代码的含义。
from imageai.Detection import ObjectDetectionimport osexecution_path = os.getcwd()
上面3行代码中,第一行导入ImageAI的目标检测类,第二行导入Python的os类,第三行定义一个变量,用来保存Python文件、RetianNet模型文件和图片所在文件夹的路径。
detector = ObjectDetection()detector.setModelTypeAsRetinaNet()detector.setModelPath( os.path.join(execution_path , "resnet50_coco_best_v2.0.1.h5"))detector.loadModel()detections = detector.detectObjectsFromImage(input_image=os.path.join(execution_path , "image.jpg"), output_image_path=os.path.join(execution_path , "imagenew.jpg"))
上面5行代码中,第一行定义目标检测类,第二行将模型类型设置为RetinaNet,第三行将模型的路径设为RetinaNet模型文件所在路径,第四行将模型载入目标检测类,然后第五行调用检测函数,并解析输入图片和输出图片的路径。
for eachObject in detections:print(eachObject["name"] + " : " + eachObject["percentage_probability"] )
上面2行代码中,第一行迭代所有detector.detectObjectsFromImage函数返回的结果,然后,第二行打印出模型检测出的图片中每个目标的类型和概率。
ImageAI还支持配置目标检测过程中的其他功能。例如,将检测到的每个目标的图片单独提取出来。通过简单地把extract_detected_objects=True写入detectObjectsFromImage函数,目标检测类就会为图片对象集新建一个文件夹,然后提取出每个图片,将它们存入这个文件夹,并返回一个数组用来保存每个图片的路径,如下所示:
detections, extracted_images = detector.detectObjectsFromImage(input_image=os.path.join(execution_path , "image.jpg"), output_image_path=os.path.join(execution_path , "imagenew.jpg"), extract_detected_objects=True)
我们用第一个示例图片提取出来的检测结果如图所示:
参数配置
为了满足目标检测的生产需求,ImageAI提供了一些可配置的参数,包括:
Adjusting Minimum Probability(可调整最小概率阈值)
默认阈值为50%,如果检测结果的概率值低于50%,则不显示检测结果。你可以根据具体需求对该阈值进行修改。
Custom Objects Detection(自定义目标检测)
使用提供的CustomObject类,你可以让检测结果只显示特定类型的目标。
Detection Speeds(检测速度)
可以将检测速度设置为“fast”、“ faster”和“fastest”,以减少检测图片所需的时间。
Input Types(输入类型)
你可以解析并修改图像的文件路径,其中,Numpy数组,或是图片文件流都可以作为输入类型。
Output Types(输出类型)
你可以修改detectObjectsFromImage 函数的返回结果,例如返回图片文件或Numpy数组。
详细的说明文档在GitHub上,GitHub链接:
https://github/OlafenwaMoses/ImageAI
关注大数据文摘微信公众号,在后台回复“检测”可获取代码和模型文件~
动手试试吧,欢迎在留言区分享~
-
?
AI图像识别可自动给车辆定损
Sabah
展开
科技日报重庆8月23日电(记者雍黎 实习生王珂)8月23日上午,在中国国际智能博览会(智博会)新产品新技术发布会现场, 国内首个新能源汽车智能共享出行平台盼达用车发布了全新的“AI赋能出行3.0”。在这项最新技术中,通过AI图像识别可自动界定车损责任。
“我们绝大多数同事的时间量化单位是分钟,比如,我们时时刻刻都在处理调度任务,包括能源的,运营的,服务类的等等。AI帮助我们在每一个链条衔接更多的数据源,同时将链条间的时间缩短——沟通、权重判断、委派仅在几百毫秒内完成。“盼达用车CEO高钰博士说,依托AI图像识别技术、大数据智能调度、出行需求分析等多种核心自主知识产权技术,盼达在成本管控和用户体验方面获得快速提升。
以盼达应用的AI图像识别功能举例,高钰博士告诉大家,目前盼达用户取车和还车都需要拍摄并上传车辆照片,这样可以界定车损责任。此前需要50名同事处理车辆损伤鉴别工作,每日约处理1000张图片。但在全面上线智能鉴损后,目前只有5名同事处理这个事务,AI能够在后台每日处理30万张图片,并主动识别损伤、确认损伤程度,这大大提升了工作效率。
据介绍,盼达用车AI赋能出行3.0体系下的三大智能平台主要包括:AI车联网平台、手机租车平台和智能调度平台。目前,三大平台已经全部应用在实际运营中。
据了解,盼达用车自2015年11月11日在重庆运营分时租赁业务以来,已成功开拓了杭州、成都、郑州、广州、武汉、南京等十几个国内主要城市。截至今年8月中旬,累计注册用户数突破350万,是目前国内注册用户最多的共享汽车项目;累计投放新能源车辆接近20000台,是国内运营车辆规模最大的分时租赁项目。
下一步,盼达用车将继续加深探索和实践,以数据为连接纽带,以技术创新来持续完善人机交互能力和人工智能开发,挖掘大数据在智能网联汽车产业的应用价值,使AI成为最好的指挥官,打造更好的智能共享出行生态。
版权声明:如涉及版权问题,请作者持权属证明与本网联系
来源:中国科技网
-
?
做人工智能图像识别技术的领跑者
孤晴
展开
“图像识别”,这是广东微模式软件股份有限公司(以下简称微模式)为完成“填补空白、赶超欧美,带动行业及产业向前发展使命”拥有的世界领先技术。
唯有开放方能共赢,唯有技术才能引领
在人工智能信息化时代,图像识别技术作为核心技术已深入到各个行业,并对人类生产和生活方式产生颠覆性改变。微模式洞悉到未来,坚持以自主创新核心技术,引领国内图像识别技术发展,构建开放性的商业模式,带动产业结构调整与升级。
作为以研发图像识别类软件产品并提供技术服务的高科技软件企业,专注于人脸识别技术、车辆识别技术和视频图像处理分析技术是公司三大核心技术。公司自成立至今,微模式始终专注于图像识别技术的发展,积累了对人们图像识别应用的深刻理解和创造力。公司立足于软件开发,深入拓展行业应用,使技术得到广泛应用,客户遍及国内、国际和信息化三大市场。
战略部署、聚焦行业,人工智能的弄潮儿
“持续创新”是微模式在图像识别领域得以领先的基础。公司是国家多项标准及金融行业标准的制定单位之一,中国安防产品行业协会会员、广东省高新技术企业。公司拥有资质100项,包括安防工程企业二级资质、ISO9001:2008、重点华侨华人创业团队证书、高新技术企业证书和软件企业证书等。微模式身处人工智能的历史发展大潮中,积极布局云计算、大数据等新兴领域,以图像识别核心技术优势成为其中的佼佼者。
微模式还积极参与国内外的智慧城市建设,为政府、企业、金融、安防、移动互联网等行业客户提供一流的解决方案和技术服务,并在近期承担了上百个重大项目,公司有丰富的解决方案咨询、开发、实施和服务经验。以北京、广州、武汉三大研发中心,形成先进的层级研发架构,通过强大的技术力量支撑,将图像识别核心技术行业化和产品化。
我们正在步入一个新时代,一个面向移动、全面融合的信息时代。微模式的战略部署是顺应新时代潮流和规则的创新,敢于引领技术趋势,应时代和客户而改变。
看得见的智能产品、摸得到的未来
微模式已然成为人工智能时代的图像识别技术创新的领跑者。
识别验证服务平台、动态人脸布控系统和人证合一身份验证等产品业务是微模式的关键,基于在人脸和OCR识别技术的优势,微模式加大了在人工智能方面的投入,推进建设线下展厅提高用户体验,深度学习、服务大安防和大金融方向的业务,并取得了手写签名验证、视频运动目标检测、运动目标跟踪、车辆检测、车辆识别、行人检测、视频浓缩、视频搜索等方面的诸多突破进展,以技术扎实、产品线丰富而满足了各行业应用需求。
微模式作为金融银行业和安防业图像识别重要的技术公司,产品技术已成功在中国建设银行、中国农业银行、民生银行以及黄石市公安局等数十家金融和安防机构广泛应用。微模式助力智慧城市创新变革,在广东和湖北等地将新一代图像识别和视频图像处理和分析技术用于动态人脸布控、“人证合一”核验身份、网上追逃等实际应用,得到了行业用户的高度评价。微模式研发实力雄厚,拥有来自清华大学、中国科学院大学、中国科学技术大学、华中科技大学、武汉大学、中山大学等国内著名大学及资深行业领域专家组成的数百人科研团队,并设有国家级博士后科研工作站和硕士、博士培养点。员工平均年龄30岁,本科以上学历约占90%,其中硕士、博士等占20%,这些高端人才为公司布局人工智能发展提供了强有力的支撑和保障。微模式将继续坚持以图像识别自主创新的经营理念为全球客户提供领先的技术服务,致力于成为世界级的图像识别产品和引领者。
-
?
用AI进行车辆识别,辨别品牌、车型、车系,实测详情在这里
冬菱
展开
什么叫车辆识别?在AI领域,车辆识别是图像对象识别的一个特定分支,它根据输入的汽车图像,自动判别车辆的品牌、车型、车系等信息。车辆识别技术基于对汽车图像的检测和分析,提取汽车图像特征,与汽车特征数据库的数据进行比较,找到相应的车辆。当汽车特征数据库收集的汽车数量全面扩充之后,就可以对任意一台汽车进行识别。
用在线AI进行车辆识别腾讯优图提供了车辆识别的在线技术体验服务,可以利用它来进行在线车辆识别。以下是笔者对不同类型的20款汽车的检测结果。
车辆识别前的准备:微型车的照片2张小型车的照片2张紧凑型车的照片2张中型车的照片2张大型车的照片2张SUV(Sport Utility Vehicle,运动型汽车)的照片2张 MPV(Multi-Purpose Vehicles,多用途汽车)的照片2张跑车的照片2张皮卡的照片2张微面的照片2张
车辆识别检测结果微型车的检测结果:2张都正确
小型车的检测结果:2张都正确
紧凑型车的检测结果:2张都正确
中型车的检测结果:2张都正确
大型车的检测结果:2张都正确
SUV的检测结果: 2张都正确
MPV的检测结果:2张都正确
跑车的检测结果:2张都正确
皮卡的检测结果:2张都正确
微面的检测结果:2张都正确
小结从结果看,对20款车AI都正确识别,虽然只是极小量的抽测,不能以此评估AI其对任意一款汽车的识别准确率,但似乎说明了车辆识别的AI技术已到了一定的水准,若AI技术再向前深入发展,应该可以识别更多的车型,识别率更高。