大数据下的车辆结构化。车辆全特征结构化辨认技能是计算机人工智能、图画处理、计算机视觉、模式辨认等相关技能的归纳使用。目前涉车涉驾案子的快速增长，以及车辆结构化、才智城市使用的不断加深，业界迫切希望提取更多元的车辆信息，除车牌号码外，还需要车辆的厂牌、车身色彩、车辆品牌、车辆类型、车辆特征物等，支撑根据车辆外观特征的快速检索，如：年检标、挂饰、纸巾盒、遮阳板等。这些特征在刑事案子侦办、交通事故处理、交通肇事逃逸、违章车辆自动记录等范畴具有广泛而迫切的使用需求。
技能完结途径
车辆结构化技能分为多个环节，经过对摄像机收集的图画进行去噪、增强、车标定位、特征提取、辨认等剖析完结。为了得到较高的辨认率，要求每一个处理进程要有很高的准确率，而实际布景杂乱，四季、昼夜、晴雨等不同状况的光照以及车辆运动速度的快慢等直接影响车辆图画的成像环节，形成车辆图画色彩失真、车身及车标区域灰度不均匀、边缘含糊、粘连等问题，添加了处理难度；反光、逆光、夜晚光照缺乏、树荫、车身色彩明显区域分布方位不平等状况又添加车身色彩辨认难度；再加上车辆类别繁复以及车身自身的污损、遮挡、含糊，也为进一步进步辨认率带来诸多困难。
1.百万级大数据练习，特征提取更丰厚
在体系的规划和完结进程中，公司开发使用了当今国际上最先进的计算机视觉技能，并经过超百万的大数据学习样本进行练习，许多实地数据的体系调整和测验，还收集了描绘车头、车灯、散热格栅等各个部分的外形概括、相对方位、色彩、纹路等多种特征，组成了海量的辅佐分类信息，与厂牌类型辨认的成果一同终究经过可在线学习的特征决议计划模块，得到归纳可信度评价，然后得到终究的辨认成果。
2.深度学习算法，进步数据精准性
众多如海的大数据，结构杂乱，品种繁复，单纯依托人力界说的进程无法处理这海量数据。所以咱们选用根据仿照人类神经网络的人工智能算法，让机器从海量数据傍边自我学。深度学习的本质，就是经过构建具有许多隐层的机器学习模型和海量的练习数据，来学习更有用的特征，然后终究提高分类或猜测的准确性。咱们经过使用大数据来深度学习各类信息、特征，更可以描写数据的丰厚内涵信息。然后得出更多元更精准的厂牌类型及其他信息。
3.并行计算，使算法不断优化
体系还经过使用北京明景科技强壮的并行计算才能，极大的加快了计算速度和数据处理速度，使算法不断优化，目前厂牌辨认品种已达2000多种。惯例状况下，辨认率在98.5%以上，辨认车身色彩包含黑白灰红等十余种。在样本大数据不断添加的一起，经过模型练习及深度学习，指标将不断提高。