隨著交通樞紐的大規(guī)模聯(lián)網(wǎng)，海量車輛通行記錄信息被匯集起來，這對于城市交通管理有著重要的作用。有足夠的數(shù)據(jù)，加上人工智能技術(shù)應(yīng)用，我們就可以實時分析城市交通流量、調(diào)整紅綠燈間隔、縮短車輛等待時間，提升城市道路的通行效率。

城市級的人工智能大腦，實時掌握著城市道路上通行車輛的軌跡信息、停車場的車輛信息以及小區(qū)的停車信息，能提前半個小時預(yù)測交通流量變化和停車位數(shù)量變化，合理調(diào)配資源、疏導(dǎo)交通，實現(xiàn)機場、火車站、汽車站、商圈的大規(guī)模交通聯(lián)動調(diào)度，提升整個城市的運行效率，為居民的出行暢通提供保障。

目前在智能交通領(lǐng)域，人工智能分析及深度學(xué)習(xí)比較成熟的應(yīng)用技術(shù)以車牌識別算法最為理想，雖然目前很多廠商都宣稱自己的車牌識別率已經(jīng)達到了99%，但這也只是在標(biāo)準(zhǔn)卡口的視頻條件下再加上一些預(yù)設(shè)條件來達到的。在針對很多簡易卡口和卡口圖片進行車牌定位識別時，較好的車牌識別也很難達到90%。不過隨著采用人工智能、深度學(xué)習(xí)的應(yīng)用，這一情況將會得到很大的改善。

在傳統(tǒng)的圖像處理和機器學(xué)習(xí)算法研發(fā)中，很多特征都是人為制定的，比如hog、sift特征，在目標(biāo)檢測和特征匹配中占有重要的地位，安防領(lǐng)域中的很多具體算法所使用的特征大多是這兩種特征的變種。人為設(shè)計特征和機器學(xué)習(xí)算法，從以往的經(jīng)驗來看，由于理論分析的難度大，訓(xùn)練方法又需要很多經(jīng)驗和技巧，一般需要5到10年的時間才會有一次突破性的發(fā)展，而且對算法工程師的知識要求也一直在提高。深度學(xué)習(xí)則不然，在進行圖像檢測和識別時，無需人為設(shè)定具體的特征，只需要準(zhǔn)備好足夠多的圖進行訓(xùn)練即可，通過逐層的迭代就可以獲得較好的結(jié)果。從目前的應(yīng)用情況來看，只要加入新數(shù)據(jù)，并且有充足的時間和計算資源，隨著深度學(xué)習(xí)網(wǎng)絡(luò)層次的增加，識別率就會相應(yīng)提升，比傳統(tǒng)方法表現(xiàn)更好。

另外在車輛顏色、車輛廠商標(biāo)志識別、無牌車檢測、非機動車檢測與分類、車頭車尾判斷、車輛檢索、人臉識別等相關(guān)的技術(shù)方面也比較成熟。

在車輛顏色識別方面，基本上克服了由于光照條件變化、相機硬件誤差所帶來的顏色不穩(wěn)定、過曝光等一系列問題，因此解決了圖像顏色變化導(dǎo)致的識別錯誤問題，卡口車輛顏色識別率從80%提升到85%，電警車輛主顏色識別率到從75%提升到80%以上。

在車輛廠商標(biāo)志識別方面，使用傳統(tǒng)的HOG、LBP、SIFT、SURF等特征，采用SVM機器學(xué)習(xí)技術(shù)訓(xùn)練一個多級聯(lián)的分類器來識別廠商標(biāo)志很容易出現(xiàn)誤判，采用大數(shù)據(jù)加深度學(xué)習(xí)技術(shù)后，車輛車標(biāo)的過曝光或者車標(biāo)被人為去掉等引起的局部特征會隨之消失，其識別率可以從89%提升到93%以上。

在車輛檢索方面，車輛的圖片在不同場景下會出現(xiàn)曝光過度或者曝光不足，或者車輛的尺度發(fā)生很大變化，導(dǎo)致傳統(tǒng)方法提取的特征會發(fā)生變化，因此檢索率很不穩(wěn)定。深度學(xué)習(xí)能夠很好地獲取較為較穩(wěn)定的特征，搜索的相似目標(biāo)更精確，Top5的搜索率在95%以上。在人臉識別項目中，由于光線、姿態(tài)和表情等因素引起人臉變化，目前很多應(yīng)用都是固定場景、固定姿態(tài)，采用深度學(xué)習(xí)算法后，不僅固定場景的人臉識別率從89%提升到99%，而且對姿態(tài)和光線也有了一定的放松。