大数据深度学习下的车辆结构化——明景车辆结构化分析

车辆全特征结构化识别技术是计算机人工智能、图像处理、计算机视觉、模式识别等相关技术的综合应用。目前涉车涉驾案件的快速增长，以及车辆结构化、智慧城市应用的不断加深，业界迫切希望提取更多元的车辆信息，除车牌号码外，还需要车辆的厂牌、车身颜色、车辆品牌、车辆类型、车辆特征物等，支持基于车辆外观特征的快速检索，如：年检标、挂饰、纸巾盒、遮阳板等。这些特征在刑事案件侦查、交通事故处理、交通肇事逃逸、违章车辆自动记录等领域具有广泛而迫切的应用需求。

技术实现途径

车辆结构化技术分为多个环节，通过对摄像机采集的图像进行去噪、增强、车标定位、特征提取、识别等分析完成。为了得到较高的识别率，要求每一个处理步骤要有很高的准确率，而实际背景复杂，四季、昼夜、晴雨等不同情况的光照以及车辆运动速度的快慢等直接影响车辆图像的成像环节，造成车辆图像颜色失真、车身及车标区域灰度不均匀、边缘模糊、粘连等问题，增加了处理难度；反光、逆光、夜晚光照不足、树荫、车身颜色显著区域分布位置不同等情况又增加车身颜色识别难度；再加上车辆类别繁多以及车身本身的污损、遮挡、模糊，也为进一步提高识别率带来诸多困难。

北京明景科技在行业里深耕多年，掌握了大量的实际数据与丰富的算法经验，针对诸多问题，公司综合采用了国际先进的人工智能、计算机视觉、图像处理、模式识别、大数据训练、深度学习等等技术来，通过从视频流、图片流中检测车辆、车头区域的定位、变形和倾斜校正、去除运动和成像造成的模糊、车辆特征的定位和识别、海量特征的选取和决策等多个环节来实现。

1.百万级大数据训练，特征提取更丰富

在系统的设计和实现过程中，公司开发应用了当今国际上最先进的计算机视觉技术，并通过超百万的大数据学习样本进行训练，大量实地数据的系统调整和测试，还采集了描述车头、车灯、散热格栅等各个部分的外形轮廓、相对位置、颜色、纹理等多种特征，组成了海量的辅助分类信息，与厂牌型号识别的结果一起最终通过可在线学习的特征决策模块，得到综合可信度评价，从而得到最终的识别结果。

2.深度学习算法，提高数据精准性

浩瀚如海的大数据，结构复杂，种类繁多，单纯依靠人力定义的过程无法处理这海量数据。于是我们采用基于模仿人类神经网络的人工智能算法，让机器从海量数据当中自我学。深度学习的实质，就是通过构建具有很多隐层的机器学习模型和海量的训练数据，来学习更有用的特征，从而最终提升分类或预测的准确性。我们通过利用大数据来深度学习各类信息、特征，更能够刻画数据的丰富内在信息。从而得出更多元更精准的厂牌型号及其他信息。

3.并行计算，使算法不断优化

系统还通过利用北京明景科技强大的并行计算能力，极大的加快了计算速度和数据处理速度，使算法不断优化，目前厂牌识别种类已达2000多种。常规情况下，识别率在98.5%以上，识别车身颜色包括黑白灰红等十余种。在样本大数据不断增加的同时，通过模型训练及深度学习，指标将不断提升。

明景车辆全特征信息结构化识别为涉案车辆的有效监测提供了有力的手段，为保障人民人身安全和打击违法犯罪行为提供了有效的工具。在大数据深度学习背景下，车辆全特征信息结构化识别技术性能未来将不断提升，并将推动智慧城市、车辆结构化向更加精准、高效发展，使我们的生活更加智能、高效、便捷。