三、深度學習技術(shù)的出現(xiàn)

　　許多工業(yè)界、互聯(lián)網(wǎng)界的業(yè)內(nèi)大佬已經(jīng)開始利用大數(shù)據(jù)開發(fā)了一些系統(tǒng)。百度利用一個近10萬小時的語音數(shù)據(jù)集開發(fā)出一款語音識別系統(tǒng)。據(jù)介紹，這個系統(tǒng)可以在嘈雜環(huán)境下實現(xiàn)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(shù)據(jù)，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(jié)構(gòu)。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(xiàn)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(yù)的步驟，通過多層迭代得到更優(yōu)的特征。本質(zhì)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(yīng)用于對大數(shù)據(jù)內(nèi)部關(guān)系的表示。

　　四、深度學習的應(yīng)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(yīng)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(jīng)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(shù)的算法、產(chǎn)品?？梢?，深度學習正影響著安防企業(yè)，影響著智能視頻分析技術(shù)。接下來我們將從幾個行業(yè)應(yīng)用來分析深度學習的前景。

　　1、人臉識別應(yīng)用。事實上，在安防領(lǐng)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(fù)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(shù)據(jù)無法調(diào)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(shù)據(jù)，如各種光照、姿態(tài)、表情下的人臉圖像。誰掌握了大數(shù)據(jù)，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(yīng)用。作為智能交通的一個典型應(yīng)用，車輛特征識別一直是安防廠商重點關(guān)注的技術(shù)領(lǐng)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(chǎn)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(fù)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(shù)興起，很多廠商利用大規(guī)模的數(shù)據(jù)集訓練取得了實質(zhì)性進展。目前行業(yè)水平已經(jīng)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(shè)備所能提取的車輛特征將更加豐富，將有助于提升業(yè)務(wù)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(yīng)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(yīng)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(xiàn)有的很多特征提取、目標檢測技術(shù)。在未來，深度學習技術(shù)將與安防應(yīng)用碰撞出更多的火花

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