2024年5月27日 星期一

★ 車牌辨識:過去、現在和未來

 
車輛辨識的未來:汽車車牌辨識揭示型號和顏色


 Klacci 凱樂奇 Kii Assistant 智慧酒店服務系統

來源:Quercus



車牌辨識(LPR)是一種從影像或一組影像中獲取車輛車牌資訊的技術。近年來,LPR 是電腦視覺(CV)的一個領域,在與車輛監控相關的各個領域被廣泛使用:道路安全、停車設施控制或自動收費和停車費等。

辨識車牌的必要性是如何,以及何時出現的?

第一次提到 LPR 系統可以追溯到 1976 年,當時英格蘭的「警察科學發展處」開發了第一個系統,於 1979 年佈署。除了技術挑戰(在研究專案中經常發生)外,該應用的目標從一開始就很清楚:提高安全性從那時起,該技術在技術方面和應用領域都發生了很大變化。

車牌辨識技術隨著時間的推移是如何演變的?

首先,這些系統由兩個明顯不同的部分組成:第一部分由光學元件組成,相機針對高品質的影像捕獲進行了最佳化。第二個是具有足夠計算能力的外部CPU,可以在適當的時間內處理光學字元辨識(OCR)。儘管這種初始配置仍然有效,但 CPU 向更小、更強大、更經濟的元件的演變,導致系統向多功能裝置演變,這加強了它們的多功能性。

眾所皆知,近年來,人工智慧徹底改變了可程式領域。雖然人工智慧聽起來可能是一個新穎的概念,但第一次提到人工智慧是在 20 世紀 50 年代。1956 年,在達特茅斯會議期間,一小群來自不同領域的專業人士會面,並將注意力集中在電腦的初期世界,以及他們展示智慧行為的潛在能力上。從那時起,這個領域取得了很大進展。 

在過去的十年裡,仍然較新的技術 —— 深度學習(DL) —— 加快了人工智慧的發展。這種方法是機器學習的一個分支,以身作則學習為基礎。除了在發生錯誤時修改模式的一小套指令外,還建立了一個模式,可以評估示例。目的是讓系統自主地從自己的經驗中學習,並在培訓和學習過程中,能夠辨識模式,使其能夠以高度準確的方式解決複雜問題。實現 DL 的最常見技術之一,是基於神經網路的使用。

什麼是神經網路,它們是如何工作的?

人工神經網路模型的靈感,來自人類大腦的工作方式。它們由一系列稱為人工神經元的節點組成,這些節點被分層分組,組成一個神經網路。節點是相互連線的,因此輸入處的訊號可以移動,直到它產生輸出。每個神經元都有一個權重,一個數值,可以修改接收的輸入。生成的新值離開神經元,並繼續在網路中移動,達到網路計算預測的輸出。它的層次越多,網路就越複雜,同樣,它能夠解決的問題就越複雜。

Entrada%201

該模式的目的在能夠調整自己,以便它可以執行無法透過經典基於規則的可程式寫程式的複雜任務。此過程在培訓過程中進行,其中資料作為輸入。根據達到的結果,神經元的權重會根據產生的誤差率進行調整。這種方法被稱為「反向傳播」。「Backprop」或 BP 使網路能夠自動學習,直到達到預期結果,使其非常準確。

深度學習應用於車牌辨識技術

那些致力於車牌辨識領域研發的人,面臨著許多挑戰,為了使辨識過程有效,必須克服這些挑戰。首先,該系統必須在不同的影像捕獲條件下快速有效,如照明(白天或晚上)、位置和攝影機規格(角度、透視、距離、解析度)。另一方面,具有不同顏色、排版和字母表的車牌類型種類繁多,使車牌辨識成為一項複雜而刺激的技術挑戰。

由於深度學習在大數據和物聯網中的應用,深度學習正在快速成長。這種進化進步也在 LPR 世界中得到影響,讓該行業繼續做它一直致力於的事情:透過尋求新的完美視野來改進必須記住,經典的 CV 技術已經達到了技術極限。它們不再是最先進的技術,至少在非受控的情況下是如此,因為不可能對能夠處理現實世界中,存在的無限輸入資料組合的規則進行寫程式。

因此,如果車牌辨識過程的每個階段,都成為具有複雜錯誤分佈的最佳化問題,我們將充分利用 DL,並達到非常高的準確率。但這需要與迄今為止不同的記憶體和處理時間。為了實現在或多或少複雜的模式中,獲得高效率反應時間的目標,使用了圖形處理單元(GPU)或神經處理單元(NPU)等特殊處理單元。

歷史重演

今天,我們正處於一個類似於幾年前 CPU 的轉折點:這項技術仍然不夠便宜,無法廣泛使用。基本上,我們面臨著兩種可能性:接受整合一體化系統的挑戰,其中硬體的演變(相對)還有很長的路要走,或者脫離一體機的理念,在外部伺服器(或雲)中執行 DL 處理件。技術發展迅速,今天成本高昂的東西在幾個月內可能絕對負擔得起。未來擁有無限的可能性,所有這些都提高了我們車牌辨識(LPR)系統的品質和總體有效性。

一個充滿希望的未來

總而言之,LPR 技術絕不是停滯不前的。DL 的出現帶來了新的趨勢,使我們能夠達到極高的成功率,並比以往任何時候都更敏捷地解決複雜情況。現在是時候繼續投資於這個領域的研究了。在 Quercus Technologies,我們的目標是繼續為客戶提供最好的停車解決方案,並幫助他們克服任何挑戰。



沒有留言:

張貼留言