深度學習技術開啟智能視頻分析技術的新篇章

三、深度學習技術的出現

　　許多工業(yè)界、互聯網界的業(yè)內大佬已經開始利用大數據開發(fā)了一些系統(tǒng)。百度利用一個近10萬小時的語音數據集開發(fā)出一款語音識別系統(tǒng)。據介紹，這個系統(tǒng)可以在嘈雜環(huán)境下實現81%的準確率。與傳統(tǒng)的語音識別系統(tǒng)不同，這套系統(tǒng)并沒有采取標準的、計算代價昂貴的聲學模型，而是給算法提供豐富的數據，然后讓它自己去學習，并取得了卓越的性能。

　　在這些成果的背后，有著一套共同的算法框架，那就是深度學習。前面提到過淺層學習模型,而深度學習，往往含有更深的層次結構。我們可以認為高層級的特征是由底層級的特征組合得到的。越是低層，特征越簡單，如一些直線、斜線、曲線等。越是高層，特征越抽象，越接近所要表達的意圖。我們回到圖像分析的范疇，對于一個圖片來說，最低級的特征是像素，也就是0到255的矩陣。我們通過像素，無法理解圖片里的目標是什么。我們從像素中找到了邊緣特征，然后用邊緣特征組合成不同的部件，最后形成了不同種類的目標物。顯然這個是我們所想要實現的。

　　深度學習初期是一種無監(jiān)督的特征學習算法，減少了人工干預的步驟，通過多層迭代得到更優(yōu)的特征。本質上，深度學習也是一種非線性變換，但通過多層嵌套，更適合應用于對大數據內部關系的表示。

　　四、深度學習的應用

　　近年來，深度學習在語音識別、圖像識別、自然語言處理等應用中取得了顯著的成效。但是在安防行業(yè)，深度學習剛剛起步。筆者注意到，已經有很多安防企業(yè)開始投入資源開發(fā)基于深度學習技術的算法、產品。可見，深度學習正影響著安防企業(yè)，影響著智能視頻分析技術。接下來我們將從幾個行業(yè)應用來分析深度學習的前景。

　　1、人臉識別應用。事實上，在安防領域的人臉識別還沒有達到理想的效果。究其原因，視頻中的人臉處在一種非常復雜的狀態(tài)。光照、姿態(tài)、表情、飾物、分辨率等都影響著人臉識別算法。已有的訓練算法，或者說已有的訓練數據無法調整出一個具有很強泛化能力的算法模型。未來的人臉識別模型如果想要取得突破，一方面需要更多更豐富的樣本數據，如各種光照、姿態(tài)、表情下的人臉圖像。誰掌握了大數據，誰將搶奪先機。另一方面，深度學習模型還需要進一步優(yōu)化。深度模型的理論性還需要加強。到底什么樣的模型才算是最優(yōu)的表示，目前并沒有很好的答案。

　　2、車輛特征識別應用。作為智能交通的一個典型應用，車輛特征識別一直是安防廠商重點關注的技術領域。早期的車輛特征通常為車牌號碼和車身顏色等。前幾年各大廠商推出的產品都能對車牌號碼和車身顏色進行準確識別，但對于車輛品牌和車型系列這些更加復雜的信息特征，并沒有很好的識別手段。近兩年，深度學習技術興起，很多廠商利用大規(guī)模的數據集訓練取得了實質性進展。目前行業(yè)水平已經可以達到上千種車系和上百種車標的識別。識別的準確率也已達到實用程度。今后的智能交通設備所能提取的車輛特征將更加豐富，將有助于提升業(yè)務部門的工作效率，推動智能交通行業(yè)的發(fā)展。

　　深度學習還有很多應用場景，只要涉及到目標檢測、目標識別的地方，理論上都可以應用深度學習來解決。就像百度首席科學家吳恩達在一些報告中提到的，深度學習可以取代現有的很多特征提取、目標檢測技術。在未來，深度學習技術將與安防應用碰撞出更多的火花

百思德門控生產基地設在江西南昌高新技術開發(fā)區(qū)民營科技園內，是專業(yè)的車牌識別廠家主要產品有：

道閘及系統(tǒng)類：道閘、廣告道閘、藍牙遠距離讀卡器、車牌識別一體機、停車場系統(tǒng)、通道閘等，

安防類：自動升降地柱、路障機等