然而，传统的人工监管方式存在如下问题：
- 人工监管无法实时记录出入车辆的综合信息，并将信息格式化输出，例如车牌、出入状态、车辆颜色、车辆类别等；
- 人工监管无法实时抓拍车辆图片，作为备份存储，更加客观地呈现车辆外观；
- 人工监管可能存在由于门卫疲劳导致疏漏或者记录错误；
- 人工监管无法24小时全天监控车辆，不方便门卫进行其他工作。
传统的人工监管方式弊端日益突出，需要采用新方式对车辆进行监管。智慧家庭运营中心自研场景化AI智能分析能力，建设面向社区和乡村的“车辆车牌多能力摄像头”。主要针对社区门口和道路场景，对经过的车辆进行结构化信息提取，并将车辆图片抓拍上报给平台，提示工作人员做出相应处理回应。实现“预防为主、防微杜渐、全程监管、社会共治”的创新性监管模式。
Part 01、 车辆车牌检测
目标检测是比图像分类更进一步的AI技术，目标检测除了需要识别分类图片中的目标类别，还需要将目标用边界框标出。于是目标检测任务流程可以分为两个类别，包括One-stage和Two-stage方法。最初的目标检测任务都是Two-stage算法，该算法主要分为两个步骤，包括检测框的确定和目标分类。首先通过特定的网络结构生成目标的检测框，确定目标边界，然后对边界框中的内容进行图像分类，确定其属于何种类别。Two-stage算法中最著名的算法是Faster R-CNN，它的检测精度高，然而算法运行速度慢，不适用于摄像头端侧处理。相比之下，One-stage算法直接通过网络同时确定目标的边界框和类别。其中，YOLO系列是应用最广泛也是端侧最成熟的One-stage目标检测算法，经过5个版本的迭代，YOLOv5同时保证了运行速度和算法精度，于是在端侧我们使用YOLOv5作为车辆车牌检测算法，图1(a)是YOLOv5主要算法框架[1]。为了进一步提高检测速度，我们使用模型剪枝和量化方法轻量化算法框架。图1(b)是道路场景检测示意图。
图1(a) YOLOv5主要算法框架
图1(b) 道路场景检测示意图
Part 02、 车牌字符识别
在车牌字符识别步骤中使用了文字识别技术。我们基于车牌检测的结果，识别车牌区域上的文字内容。在文字识别算法中，通常使用基于CTC的字符识别算法，其中典型的算法模型是CRNN[2]，图2是CRNN算法结构图，CRNN网络主要分为CNN和RNN网络。首先使用CNN网络如VGG、ResNet、MobileNet等主干网络提取文字区域的深度特征，然后使用双向LSTM结构处理深度特征获得输入图片的上下文信息的序列特征，最终将序列特征输入到CTC损失函数，解码序列结果。
在实际应用中，由于摄像头抓拍角度问题，车牌图片往往存在一定的形变，不规则的文本不利于识别。为了提高该场景下的识别精度，我们在车牌检测之后，文本识别之前加入文本矫正模块，将不规则文本矫正为规则文本。利用空间变换网络STN[3]，通过空间变换矫正不规则的文字图片，使其成为水平方向的规整图片，再将其送入到CRNN算法获得车牌字符识别的结果。
(a)
(b)
图2 CRNN算法结构以及矫正网络结构
Part 03、 车辆属性识别
车辆属性主要包括车辆类型和颜色信息。在实际的抓拍过程中，抓拍到的往往是车辆局部信息，如图3所示，视角的局限性和环境的影响，会降低车辆属性识别的准确率。为了尽量多且连续地抓拍车辆的综合信息，我们采用3D卷积分类，提取整个时间序列上的车辆信息，对于某段时间在不同视角的车辆进行属性识别。
图3 抓拍的单帧图片视角局限
二维卷积是对单帧图片进行卷积操作，二维卷积的输入是H*W的二维矩阵。而三维卷积[4]是对多帧图片进行卷积操作，三维卷积的输入是H*W*C的三维矩阵，相比之下多了深度C。三维卷积在图片的三个方向分别滑动，每个位置都会通过卷积运算输出一个数值。相比于二维卷积，三维卷积可以将时序上的多帧图片同时卷积，获得图片的时序特征。图4是三维卷积分析车辆属性示意图。
图4 采用3D卷积获得车辆属性识别结果
Part 04、 结束语
智慧家庭运营中心的“车辆车牌多能力摄像头”利用CV技术解决出入口传统车辆监控方式存在的诸多问题，围绕社区、乡村车辆的监管需求，实现“预防为主、防微杜渐、全程监管、社会共治”的创新监管模式。
目前已经落地甘肃31个小区，并以此为锚点，拓展场景化业务，助力安防业务升级转型，落实智能防疫和数字乡村建设。
👉参考文献
[1] https://zhuanlan.zhihu.com/p/172121380
[2] Baoguang Shi, Xiang Bai, and Cong Yao. An end-to-end trainable neural network for image-based sequence recognition and its application to scene text recognition. In TPAMI, volume 39, pages 2298–2304.
[3] Max Jaderberg, Karen Simonyan, Andrew Zisserman, et al. Spatial transformer networks. In NIPS, pages 2017–2025.
[4] Ji S, Xu W, Yang M, et al. 3D convolutional neural networks for human action recognition[J]. IEEE transactions on pattern analysis and machine intelligence, 2013, 35(1): 221-231.
