Skip to main content

AI • 物联网 • 网络边缘

机器学习和自动车牌识别智能应用

计算机视觉,机器学习,深度学习,人工智能

编辑注:insight.tech 支持终止种族主义、不平等和社会不公正的行为。我们不容忍赞助商的产品被用于侵犯人权,包括但不限于政府滥用可视化技术。insight.tech 展示产品、技术和解决方案,并遵循以下前提:负责任和合乎道德地使用人工智能和计算机视觉工具、技术和方法。

 


 

在路易斯安那州的一个信用合作社被抢劫之后,当地警察局能够使用自动车牌识别 (ALPR) 系统来追踪劫匪的行进路线。距离银行约一英里处的摄像头能够发现劫匪的车辆。

但这仅仅是这项技术所发挥作用的一个示例。位于边缘的人工智能除了帮助抓贼之外,还有更多功用。举例来说,它可以帮助城市识别非法倾倒垃圾或非法建筑工地。

ALPR 可以定位随意停放在人行道上的共享单车和助力车。随着城市设立公交专用道(封闭车道),该系统也可以在发现非法停放车辆方面发挥作用。

为了使这种检测成为现实,您需要具有机器学习 (ML) 功能的技术。

Genetec 的计划经理 Chris Yigit 说:“当我们开始设计下一代 ALPR 系统时,我们研究了运用的技术和发展趋势。尝试在通用处理器上运行机器学习推断存在局限性。我们开始使用英特尔® Movidius VPU,那是因为我们意识到了这项技术的威力。”

Movidius 为 Genetec AutoVu SharpZ3 提供动力,这是一种基于最先进的深度神经网络架构的移动 ALPR 系统。VPU 的计算机视觉和机器学习算法使新功能(如态势感知)成为可能。实际上,Yigit 表示,它可以实现比标准 CPU 强大 50 倍的机器学习功能。

即使其上一代 ALPR 设备具有高达 99% 的原始读取率,但在运行机器学习算法的能力方面仍达到了极限。

Movidius 降低了 SharpZ3 所需的功耗。Yigit 说:“我们需要低功率解决方案,因为我们构建了基于车辆的系统,而且并非所有系统都是配备超级交流发电机的功能强大的警车。VPU 提供了高处理能力与低功耗的最佳结合。”

该系统包括三个光学传感器,使其能够识别车辆附近物体的位置。传统的 LPR 摄像机通常只有两个传感器,一个用于读取车牌,另一个用于对其他环境拍摄彩色照片(图 1)。SharpZ3 的第三个传感器还允许进行立体观察,以在图像中提供虚拟深度。这意味着它可以更好地查明诸如助力车或可疑包裹之类的物品的位置。

Genetec AutoVu SharpZ3
图 1。Genetec AutoVu SharpZ3

附加的传感器使 ALPR 设备可以更好地聚焦于它可以读取的物体上,并检测各种状况,甚至发现人行道上的裂缝。立体视觉与 GPS 技术相结合,可进行无人驾驶导航,根据随时间推移的速度计算位置。

边缘人工智能

边缘计算可为急救人员和其他用户节省成本。在边缘通过 ALPR 和深度学习技术收集数据比在云端处理图像便宜。

Yigit 说:“在边缘进行学习有很大的成本优势,因为发送数据在云端处理非常昂贵。这就是我们目前的特色。”

此外,通过合并 Movidius VPU,Sharp Z3 可以提供改进的带宽和分析功能,而无需第二套硬件。

涉及使用机器学习算法进行预测的边缘推断比在云端处理图像便宜。与早期的 ALPR 迭代相比,它还提高了车牌读取速度。Yigit 说:“边缘推断硬件确实为我们提供了大量带宽,是上一代产品性能的数倍,这是我们不曾想到的。”

将这些算法集成到 ALPR 移动设备中将提升分析水平,而不仅仅是识别车辆及其类型。

例如,Genetec 正在与一个城市合作来确定建设项目。Yigit 说:“他们的目标是,一旦确定有建筑工地或道路正在施工,便要确定该承包商是否拥有适当的许可,如果没有,则将其标记为潜在违法行为。”

利用机器学习进行存储优势更多

机器学习、三个传感器和其他创新技术相结合,意味着 ALPR 设备可以提供更多用例。例如,地理围栏可以发现车辆停放或存放不当现象,并采取纠正措施,从而帮助城市改善路边管理。

目前,借助这项技术,停车管理员能够发现车辆非法停放。展望未来,ALPR 技术还将能够检测自动驾驶车辆或超载现象。

Yigit 说:“当我们展望自动驾驶汽车和车对车网络通信之类的事物时,无从得知从现在起的两年、三年、四年后会出现什么问题。随着我们开始释放机器学习的威力,这些类型的应用(其中许多甚至尚未发现)将逐渐普及。”

作者简介

Brian T. Horowitz is a technology journalist who has written extensively about enterprise technology, AI, IoT, innovation, and digital health. His work has been published in outlets such as eWEEK, Fast Company, PCMag, Scientific American, and USA Weekend. In addition, he has spent time in the world of branded content, writing everything from articles and e-books to white papers and infographics for tech clients. Brian is a graduate of Hofstra University in New York.

Profile Photo of Brian T. Horowitz