探讨智能视觉技术在智能交通领域的应用
时间:2018-08-16 17:14来源:Thundersoft中科创达
摘要:随着交通枢纽的大规模联网,海量车辆通行记录信息被汇集起来,这对于城市交通管理有着重要的作用。有足够的数据,加上人工智能技术应用,我们就可以实时分析城市交通流量、调整红绿灯间隔、缩短车辆等待时间,提升城市道路的通行效率。
随着交通枢纽的大规模联网,海量车辆通行记录信息被汇集起来,这对于城市交通管理有着重要的作用。有足够的数据,加上人工智能技术应用,我们就可以实时分析城市交通流量、调整红绿灯间隔、缩短车辆等待时间,提升城市道路的通行效率。
城市级的人工智能大脑,实时掌握着城市道路上通行车辆的轨迹信息、停车场的车辆信息以及小区的停车信息,能提前半个小时预测交通流量变化和停车位数量变化,合理调配资源、疏导交通,实现机场、火车站、汽车站、商圈的大规模交通联动调度,提升整个城市的运行效率,为居民的出行畅通提供保障。
目前在智能交通领域,人工智能分析及深度学习比较成熟的应用技术以车牌识别算法最为理想,虽然目前很多厂商都宣称自己的车牌识别率已经达到了99%,但这也只是在标准卡口的视频条件下再加上一些预设条件来达到的。在针对很多简易卡口和卡口图片进行车牌定位识别时,较好的车牌识别也很难达到90%。不过随着采用人工智能、深度学习的应用,这一情况将会得到很大的改善。
在传统的图像处理和机器学习算法研发中,很多特征都是人为制定的,比如hog、sift特征,在目标检测和特征匹配中占有重要的地位,安防领域中的很多具体算法所使用的特征大多是这两种特征的变种。人为设计特征和机器学习算法,从以往的经验来看,由于理论分析的难度大,训练方法又需要很多经验和技巧,一般需要5到10年的时间才会有一次突破性的发展,而且对算法工程师的知识要求也一直在提高。深度学习则不然,在进行图像检测和识别时,无需人为设定具体的特征,只需要准备好足够多的图进行训练即可,通过逐层的迭代就可以获得较好的结果。从目前的应用情况来看,只要加入新数据,并且有充足的时间和计算资源,随着深度学习网络层次的增加,识别率就会相应提升,比传统方法表现更好。
另外在车辆颜色、车辆厂商标志识别、无牌车检测、非机动车检测与分类、车头车尾判断、车辆检索、人脸识别等相关的技术方面也比较成熟。
在车辆颜色识别方面,基本上克服了由于光照条件变化、相机硬件误差所带来的颜色不稳定、过曝光等一系列问题,因此解决了图像颜色变化导致的识别错误问题,卡口车辆颜色识别率从80%提升到85%,电警车辆主颜色识别率到从75%提升到80%以上。
在车辆厂商标志识别方面,使用传统的HOG、LBP、SIFT、SURF等特征,采用SVM机器学习技术训练一个多级联的分类器来识别厂商标志很容易出现误判,采用大数据加深度学习技术后,车辆车标的过曝光或者车标被人为去掉等引起的局部特征会随之消失,其识别率可以从89%提升到93%以上。
在车辆检索方面,车辆的图片在不同场景下会出现曝光过度或者曝光不足,或者车辆的尺度发生很大变化,导致传统方法提取的特征会发生变化,因此检索率很不稳定。深度学习能够很好地获取较为较稳定的特征,搜索的相似目标更精确,Top5的搜索率在95%以上。在人脸识别项目中,由于光线、姿态和表情等因素引起人脸变化,目前很多应用都是固定场景、固定姿态,采用深度学习算法后,不仅固定场景的人脸识别率从89%提升到99%,而且对姿态和光线也有了一定的放松。
城市级的人工智能大脑,实时掌握着城市道路上通行车辆的轨迹信息、停车场的车辆信息以及小区的停车信息,能提前半个小时预测交通流量变化和停车位数量变化,合理调配资源、疏导交通,实现机场、火车站、汽车站、商圈的大规模交通联动调度,提升整个城市的运行效率,为居民的出行畅通提供保障。
目前在智能交通领域,人工智能分析及深度学习比较成熟的应用技术以车牌识别算法最为理想,虽然目前很多厂商都宣称自己的车牌识别率已经达到了99%,但这也只是在标准卡口的视频条件下再加上一些预设条件来达到的。在针对很多简易卡口和卡口图片进行车牌定位识别时,较好的车牌识别也很难达到90%。不过随着采用人工智能、深度学习的应用,这一情况将会得到很大的改善。
在传统的图像处理和机器学习算法研发中,很多特征都是人为制定的,比如hog、sift特征,在目标检测和特征匹配中占有重要的地位,安防领域中的很多具体算法所使用的特征大多是这两种特征的变种。人为设计特征和机器学习算法,从以往的经验来看,由于理论分析的难度大,训练方法又需要很多经验和技巧,一般需要5到10年的时间才会有一次突破性的发展,而且对算法工程师的知识要求也一直在提高。深度学习则不然,在进行图像检测和识别时,无需人为设定具体的特征,只需要准备好足够多的图进行训练即可,通过逐层的迭代就可以获得较好的结果。从目前的应用情况来看,只要加入新数据,并且有充足的时间和计算资源,随着深度学习网络层次的增加,识别率就会相应提升,比传统方法表现更好。
另外在车辆颜色、车辆厂商标志识别、无牌车检测、非机动车检测与分类、车头车尾判断、车辆检索、人脸识别等相关的技术方面也比较成熟。
在车辆颜色识别方面,基本上克服了由于光照条件变化、相机硬件误差所带来的颜色不稳定、过曝光等一系列问题,因此解决了图像颜色变化导致的识别错误问题,卡口车辆颜色识别率从80%提升到85%,电警车辆主颜色识别率到从75%提升到80%以上。
在车辆厂商标志识别方面,使用传统的HOG、LBP、SIFT、SURF等特征,采用SVM机器学习技术训练一个多级联的分类器来识别厂商标志很容易出现误判,采用大数据加深度学习技术后,车辆车标的过曝光或者车标被人为去掉等引起的局部特征会随之消失,其识别率可以从89%提升到93%以上。
在车辆检索方面,车辆的图片在不同场景下会出现曝光过度或者曝光不足,或者车辆的尺度发生很大变化,导致传统方法提取的特征会发生变化,因此检索率很不稳定。深度学习能够很好地获取较为较稳定的特征,搜索的相似目标更精确,Top5的搜索率在95%以上。在人脸识别项目中,由于光线、姿态和表情等因素引起人脸变化,目前很多应用都是固定场景、固定姿态,采用深度学习算法后,不仅固定场景的人脸识别率从89%提升到99%,而且对姿态和光线也有了一定的放松。
免责声明:本文若是转载新闻稿,转载此文目的是在于传递更多的信息,版权归原作者所有。文章所用文字、图片、视频等素材如涉及作品版权问题,请联系本网编辑予以删除。
我要投稿
近期活动
- 仪器使用操作视频教程时间:2023年12月31日 - 2024年01月31日[立即参与]
- 安森美汽车&能源基础设施白皮书下载时间:2023年04月03日 - 2023年11月30日[立即参与]
- 2023年安森美(onsemi)在线答题活动时间:2023年08月01日 - 2023年08月31日[查看回顾]
- 【在线答题活动】PI 智能家居热门产品,带您领略科技智慧家庭时间:2023年06月15日 - 2023年07月15日[查看回顾]
- 2023年安森美(onsemi)在线答题活动时间:2023年06月01日 - 2023年06月30日[查看回顾]
分类排行榜
- 汽车电子电源行业可靠性要求,你了解多少?
- 内置可编程模拟功能的新型 Renesas Synergy™ 低功耗 S1JA 微控制器
- Vishay 推出高集成度且符合 IrDA® 标准的红外收发器模块
- ROHM 发布全新车载升降压电源芯片组
- 艾迈斯半导体推出行业超薄的接近/颜色传感器模块,助力实现无边框智能手机设计
- 艾迈斯半导体与 Qualcomm Technologies 集中工程优势开发适用于手机 3D 应用的主动式立体视觉解决方案
- 维谛技术(Vertiv)同时亮相南北两大高端峰会,精彩亮点不容错过
- 缤特力推出全新商务系列耳机 助力解决开放式办公的噪音难题
- CISSOID 和泰科天润(GPT)达成战略合作协议,携手推动碳化硅功率器件的广泛应用
- 瑞萨电子推出 R-Car E3 SoC,为汽车大显示屏仪表盘带来高端3D 图形处理性能
编辑推荐
小型化和稳定性如何兼得?ROHM 推出超小型高输出线性 LED 驱动器 IC,为插座型 LED 驱动 IC 装上一颗强有力的 “心脏”
众所周知,LED的驱动IC担负着在输入电压不稳定的情况下,为LED提供恒定的电流,并控制恒定(可调)亮度的作用。无论是室内照明,还是车载应用,都肩负着极为重要的使命。
- 关于反激电源效率的一个疑问
时间:2022-07-12 浏览量:9667
- 面对热拔插阐述的瞬间大电流怎么解决
时间:2022-07-11 浏览量:8426
- PFC电路对N线进行电压采样的目的是什么
时间:2022-07-08 浏览量:9039
- RCD中的C对反激稳定性有何影响
时间:2022-07-07 浏览量:6839
- 36W单反激 传导7~10M 热机5分钟后超标 不知道哪里出了问题
时间:2022-07-07 浏览量:5576
- PFC电感计算
时间:2022-07-06 浏览量:3801
- 多相同步BUCK
时间:2010-10-03 浏览量:37794
- 大家来讨论 系列之二:开机浪涌电流究竟多大?
时间:2016-01-12 浏览量:43078
- 目前世界超NB的65W适配器
时间:2016-09-28 浏览量:59954
- 精讲双管正激电源
时间:2016-11-25 浏览量:127222
- 利用ANSYS Maxwell深入探究软磁体之----电感变压器
时间:2016-09-20 浏览量:107351
- 【文原创】认真的写了一篇基于SG3525的推挽,附有详细..
时间:2015-08-27 浏览量:99843