車輛全特徵結構化識別技術是計算機人工智慧、影象處理、計算機視覺、模式識別等相關技術的綜合應用。目前涉車涉駕案件的快速增長，以及車輛結構化、智慧城市應用的不斷加深，業界迫切希望提取更多元的車輛資訊，除車牌號碼外，還需要車輛的廠牌、車身顏色、車輛品牌、車輛型別、車輛特徵物等，支援基於車輛外觀特徵的快速檢索，如：年檢標、掛飾、紙巾盒、遮陽板等。這些特徵在刑事案件偵查、交通事故處理、交通肇事逃逸、違章車輛自動記錄等領域具有廣泛而迫切的應用需求。

技術實現途徑

車輛結構化技術分為多個環節，通過對攝像機採集的影象進行去噪、增強、車標定位、特徵提取、識別等分析完成。為了得到較高的識別率，要求每一個處理步驟要有很高的準確率，而實際背景複雜，四季、晝夜、晴雨等不同情況的光照以及車輛運動速度的快慢等直接影響車輛影象的成像環節，造成車輛影象顏色失真、車身及車標區域灰度不均勻、邊緣模糊、粘連等問題，增加了處理難度；反光、逆光、夜晚光照不足、樹蔭、車身顏色顯著區域分佈位置不同等情況又增加車身顏色識別難度；再加上車輛類別繁多以及車身本身的汙損、遮擋、模糊，也為進一步提高識別率帶來諸多困難。

北京明景科技在行業裡深耕多年，掌握了大量的實際資料與豐富的演算法經驗，針對諸多問題，公司綜合採用了國際先進的人工智慧、計算機視覺、影象處理、模式識別、大資料訓練、深度學習等等技術來，通過從視訊流、圖片流中檢測車輛、車頭區域的定位、變形和傾斜校正、去除運動和成像造成的模糊、車輛特徵的定位和識別、海量特徵的選取和決策等多個環節來實現。

1.百萬級大資料訓練，特徵提取更豐富

在系統的設計和實現過程中，公司開發應用了當今國際上最先進的計算機視覺技術，並通過超百萬的大資料學習樣本進行訓練，大量實地資料的系統調整和測試，還採集了描述車頭、車燈、散熱格柵等各個部分的外形輪廓、相對位置、顏色、紋理等多種特徵，組成了海量的輔助分類資訊，與廠牌型號識別的結果一起最終通過可線上學習的特徵決策模組，得到綜合可信度評價，從而得到最終的識別結果。

2.深度學習演算法，提高資料精準性

浩瀚如海的大資料，結構複雜，種類繁多，單純依靠人力定義的過程無法處理這海量資料。於是我們採用基於模仿人類神經網路的人工智慧演算法，讓機器從海量資料當中自我學。深度學習的實質，就是通過構建具有很多隱層的機器學習模型和海量的訓練資料，來學習更有用的特徵，從而最終提升分類或預測的準確性。我們通過利用大資料來深度學習各類資訊、特徵，更能夠刻畫資料的豐富內在資訊。從而得出更多元更精準的廠牌型號及其他資訊。

3.平行計算，使演算法不斷優化

系統還通過利用北京明景科技強大的平行計算能力，極大的加快了計算速度和資料處理速度，使演算法不斷優化，目前廠牌識別種類已達2000多種。常規情況下，識別率在98.5%以上，識別車身顏色包括黑白灰紅等十餘種。在樣本大資料不斷增加的同時，通過模型訓練及深度學習，指標將不斷提升。

明景車輛全特徵資訊結構化識別為涉案車輛的有效監測提供了有力的手段，為保障人民人身安全和打擊違法犯罪行為提供了有效的工具。在大資料深度學習背景下，車輛全特徵資訊結構化識別技術性能未來將不斷提升，並將推動智慧城市、車輛結構化向更加精準、高效發展，使我們的生活更加智慧、高效、便捷。