ORP10-1N1A-2
城市级的人工智能大脑，实时掌握着城市道路上通行车辆的轨迹信息，停车场的车辆信息以及小区的停车信息，能提前半个小时预测交通流量变化和停车位数量变化，合理调配资源、疏导交通，实现机场、火车站、汽车站、商圈的大规模交通联动调度，提升整个城市的运行效率，为居民的出行畅通提供保障。
目前在智能交通领域，人工智能分析及深度学习比较成熟的应用技术以车牌识别算法最为理想，虽然目前很多厂商都宣称自己的车牌识别率已经达到了99%，但这也只是在标准卡口的视频条件下再加上一些预设条件来达到的。在针对很多简易卡口和卡口图片进行车牌定位识别时，较好的车牌识别也很难达到90%。不过随着采用人工智能、深度学习的应用，这一情况将会得到很大的改善。
在传统的图像处理和机器学习算法研发中，很多特征都是人为制定的，比如hog、sift特征，在目标检测和特征匹配中占有重要的地位，安防领域中的很多具体算法所使用的特征大多是这两种特征的变种。人为设计特征和机器学习算法，从以往的经验来看，由于理论分析的难度大，训练方法又需要很多经验和技巧，一般需要5到10年的时间才会有一次突破性的发展，而且对算法工程师的知识要求也一直在提高。
深度学习则不然，在进行图像检测和识别时，无需人为设定具体的特征，只需要准备好足够多的图进行训练即可，通过逐层的迭代就可以获得较好的结果。从目前的应用情况来看，只要加入新数据，并且有充足的时间和计算资源，随着深度学习网络层次的增加，识别率就会相应提升，比传统方法表现更好。
另外在车辆颜色、车辆厂商标志识别、无牌车检测、非机动车检测与分类、车头车尾判断、车辆检索、人脸识别等相关的技术方面也比较成熟。
在车辆颜色识别方面，基本上克服了由于光照条件变化、相机硬件误差所带来的颜色不稳定、过曝光等一系列问题，因此解决了图像颜色变化导致的识别错误问题，卡口车辆颜色识别率从80%提升到85%，电警车辆主颜色识别率到从75%提升到80%以上。
在车辆厂商标志识别方面，使用传统的HOG、LBP、SIFT、SURF等特征，采用SVM机器学习技术训练一个多级联的分类器来识别厂商标志很容易出现误判，采用大数据加深度学习技术后，车辆车标的过曝光或者车标被人为去掉等引起的局部特征会随之消失，其识别率可以从89%提升到93%以上。
在车辆检索方面，车辆的图片在不同场景下会出现曝光过度或者曝光不足，或者车辆的尺度发生很大变化，导致传统方法提取的特征会发生变化，因此检索率很不稳定。深度学习能够很好地获取较为较稳定的特征，搜索的相似目标更精确，Top5的搜索率在95%以上。在人脸识别项目中，由于光线、姿态和表情等因素引起人脸变化，目前很多应用都是固定场景、固定姿态，采用深度学习算法后，不仅固定场景的人脸识别率从89%提升到99%，而且对姿态和光线也有了一定的放松。
