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。
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