隨著交通樞紐的大規(guī)模聯(lián)網(wǎng)，海量車(chē)輛通行記錄信息被匯集起來(lái)，這對(duì)于城市交通管理有著重要的作用。有足夠的數(shù)據(jù)，加上人工智能技術(shù)應(yīng)用，我們就可以實(shí)時(shí)分析城市交通流量、調(diào)整紅綠燈間隔、縮短車(chē)輛等待時(shí)間，提升城市道路的通行效率。

城市級(jí)的人工智能大腦，實(shí)時(shí)掌握著城市道路上通行車(chē)輛的軌跡信息、停車(chē)場(chǎng)的車(chē)輛信息以及小區(qū)的停車(chē)信息，能提前半個(gè)小時(shí)預(yù)測(cè)交通流量變化和停車(chē)位數(shù)量變化，合理調(diào)配資源、疏導(dǎo)交通，實(shí)現(xiàn)機(jī)場(chǎng)、火車(chē)站、汽車(chē)站、商圈的大規(guī)模交通聯(lián)動(dòng)調(diào)度，提升整個(gè)城市的運(yùn)行效率，為居民的出行暢通提供保障。

目前在智能交通領(lǐng)域，人工智能分析及深度學(xué)習(xí)比較成熟的應(yīng)用技術(shù)以車(chē)牌識(shí)別算法最為理想，雖然目前很多廠商都宣稱自己的車(chē)牌識(shí)別率已經(jīng)達(dá)到了99%，但這也只是在標(biāo)準(zhǔn)卡口的視頻條件下再加上一些預(yù)設(shè)條件來(lái)達(dá)到的。在針對(duì)很多簡(jiǎn)易卡口和卡口圖片進(jìn)行車(chē)牌定位識(shí)別時(shí)，較好的車(chē)牌識(shí)別也很難達(dá)到90%。不過(guò)隨著采用人工智能、深度學(xué)習(xí)的應(yīng)用，這一情況將會(huì)得到很大的改善。

在傳統(tǒng)的圖像處理和機(jī)器學(xué)習(xí)算法研發(fā)中，很多特征都是人為制定的，比如hog、sift特征，在目標(biāo)檢測(cè)和特征匹配中占有重要的地位，安防領(lǐng)域中的很多具體算法所使用的特征大多是這兩種特征的變種。人為設(shè)計(jì)特征和機(jī)器學(xué)習(xí)算法，從以往的經(jīng)驗(yàn)來(lái)看，由于理論分析的難度大，訓(xùn)練方法又需要很多經(jīng)驗(yàn)和技巧，一般需要5到10年的時(shí)間才會(huì)有一次突破性的發(fā)展，而且對(duì)算法工程師的知識(shí)要求也一直在提高。深度學(xué)習(xí)則不然，在進(jìn)行圖像檢測(cè)和識(shí)別時(shí)，無(wú)需人為設(shè)定具體的特征，只需要準(zhǔn)備好足夠多的圖進(jìn)行訓(xùn)練即可，通過(guò)逐層的迭代就可以獲得較好的結(jié)果。從目前的應(yīng)用情況來(lái)看，只要加入新數(shù)據(jù)，并且有充足的時(shí)間和計(jì)算資源，隨著深度學(xué)習(xí)網(wǎng)絡(luò)層次的增加，識(shí)別率就會(huì)相應(yīng)提升，比傳統(tǒng)方法表現(xiàn)更好。

另外在車(chē)輛顏色、車(chē)輛廠商標(biāo)志識(shí)別、無(wú)牌車(chē)檢測(cè)、非機(jī)動(dòng)車(chē)檢測(cè)與分類(lèi)、車(chē)頭車(chē)尾判斷、車(chē)輛檢索、人臉識(shí)別等相關(guān)的技術(shù)方面也比較成熟。

在車(chē)輛顏色識(shí)別方面，基本上克服了由于光照條件變化、相機(jī)硬件誤差所帶來(lái)的顏色不穩(wěn)定、過(guò)曝光等一系列問(wèn)題，因此解決了圖像顏色變化導(dǎo)致的識(shí)別錯(cuò)誤問(wèn)題，卡口車(chē)輛顏色識(shí)別率從80%提升到85%，電警車(chē)輛主顏色識(shí)別率到從75%提升到80%以上。

在車(chē)輛廠商標(biāo)志識(shí)別方面，使用傳統(tǒng)的HOG、LBP、SIFT、SURF等特征，采用SVM機(jī)器學(xué)習(xí)技術(shù)訓(xùn)練一個(gè)多級(jí)聯(lián)的分類(lèi)器來(lái)識(shí)別廠商標(biāo)志很容易出現(xiàn)誤判，采用大數(shù)據(jù)加深度學(xué)習(xí)技術(shù)后，車(chē)輛車(chē)標(biāo)的過(guò)曝光或者車(chē)標(biāo)被人為去掉等引起的局部特征會(huì)隨之消失，其識(shí)別率可以從89%提升到93%以上。

在車(chē)輛檢索方面，車(chē)輛的圖片在不同場(chǎng)景下會(huì)出現(xiàn)曝光過(guò)度或者曝光不足，或者車(chē)輛的尺度發(fā)生很大變化，導(dǎo)致傳統(tǒng)方法提取的特征會(huì)發(fā)生變化，因此檢索率很不穩(wěn)定。深度學(xué)習(xí)能夠很好地獲取較為較穩(wěn)定的特征，搜索的相似目標(biāo)更精確，Top5的搜索率在95%以上。在人臉識(shí)別項(xiàng)目中，由于光線、姿態(tài)和表情等因素引起人臉變化，目前很多應(yīng)用都是固定場(chǎng)景、固定姿態(tài)，采用深度學(xué)習(xí)算法后，不僅固定場(chǎng)景的人臉識(shí)別率從89%提升到99%，而且對(duì)姿態(tài)和光線也有了一定的放松。