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。

    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**带，是否抽烟和**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fasterrcnn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。