如何进行智能交通识别、帮助公安办案，“图存科技”希望能完成车型识别，最多识别3000个车款

随着人民生活水平的提高，车辆的拥有量不断的上升，针对车辆的视频分析系统迫切的需要进行升级，来挖掘出更多的结构化信息。已经在停车场广泛应用的“车牌识别”是其中一种视频分析方法，除此之外，车型识别也是一种有用的结构化方式。

我近期接触的“图存科技”便是一家智能交通识别公司，其算法引擎采用了传统算法加深度学习技术，可以识别车牌号码，此外，图存科技还能进行车身颜色以及车辆款式的识别（超过3000多种车辆款式）。

图存科技CEO告诉36氪，图存科技主要提供以下四种SDK：

车牌识别 SDK

识别结果包括车牌信息(车牌号码，车牌位置，车牌类型等)。

识别速度 200W 图片小于 100ms，识别率白天大于 98%，黑夜大于 95%。

车型识别 SDK

识别结果包括车辆类型全名(目前可以识别1700余种)，车辆品牌，子型号，年款，

车辆类型(轿车，客车，货车，面包车等)，识别率白天>90%，夜晚>80%

车辆跟踪 SDK

车辆跟踪SDK采用机器学习和深度学习算法，

可以实时检测和跟踪画面里的车辆，可以同时跟踪50余辆车辆，应用在电子警察，

卡口系统中，可以对车辆违章进行抓拍，车流量实时统计等。

以及其他特征识别 SDK

识别信息包括车身颜色（9种常见颜色，一主一辅），检测驾驶员人脸，

可以输出车窗位置，年检标位置，遮阳板位置，检测是否有挂坠儿，摆件(目前主要针对纸巾盒)。

那么，上述车辆智能识别可以用在哪些场景呢？除了停车场，智能交通是另一个重要应用场景。就目前的智能交通技术而言，其主要集中在卡口和电子警察等传统技术上，除了抓拍车辆、识别车牌号码、车身颜色、车辆闯红灯、压实线、逆行等违法行为，很难从图像中挖崛出更深层次的信息。

图存科技CEO告诉我，以前的技术大都采用传统的算法，车辆检测跟踪主要采用基于adaboost和svm的训练方法检测车辆，然后采用基于连通区域关联或者meanshift做车辆跟踪；车牌识别主要采用基于颜色和纹理等传统特征做车牌定位，采用基于垂直投影和连通区域方式做字符分割，基于人工神经网络的方式做字符识别。目前针对标准位置下安装的摄像头，传统算法基本上都能达到98%以上的准确率。

但是，传统算法技术已经很难满足现在的应用，例如随着硬件GPU的发展和深度学习技术的普及，公安和交警抓可以对拍下来的图片做更深层次的挖掘，例如可以识别车辆的品牌、子型号、年款、检测年检标的数目，识别年检标的形状，检测遮阳板是否放下，检测车窗上摆放的纸巾盒等物品，是否挂了挂坠，同时可以识别驾驶员的违法行为，例如是否系安全带，是否抽烟和打手机。

图存科技的算法就是采用了传统算法加深度学习，将上述非结构化的数据进行结构化处理，然后存储，为将来公安办案、抓捕嫌疑车辆提供证据。

图存科技CEO介绍到，其智能交通识别算法引擎采用了深度学习中的分类算法，和faster rcnn等方法进行车辆检测和各类特征的检测，实际场景下测试准确率均超过90%，可以实际商用。

运营数据方面，去年图存科技共签约了30多家客户，营收300多万，其中约80%为利润。其主要面向的客户对象为管理各省市高速路卡口的总公司，比如图存科技会和某省高速公路集团下的全资子公司签订合同，后者完成采购后，再去应用到各条高速路。今年图存科技的营收目标是600多万。

我是36氪汽车小组负责人卢姿伊，负责特斯拉、无人驾驶、新能源、车联网、出行及后市场，欢迎直接与我联系，微信：17701221940