这个小伙用57行代码开发了一个防偷车系统，节省了8600万美元
事情是这样的。
维多利亚警察局，是澳大利亚维多利亚州的主要执法机构。过去一年，维多利亚州共有超过1.6万辆车被盗，预计损失约为1.7亿美元，警方正在试验各种技术驱动的解决方案，打击汽车盗窃。
为了防止盗用车辆的欺诈性销售，维州公路局已经建立了一个，基于网络的注册识别系统，来检查车辆注册状况。然而，情况并没有好多少。
维多利亚警察局打算投资8600万美元左右，研发一套基于计算机视觉识别的系统。一位业内评论员指出，这个系统要配置到220辆车上，相当于每辆车要花费成本390909美元。
一位叫 Tait Brown 的小伙坐不住了，觉得维多利亚警局简直是在浪费金钱。他突发奇想，利用开源技术，仅仅写了57行代码，就完爆了维州警局。
UC Santa Barbara计算机科学系助理教授王威廉，也为这个小伙点赞。
△现有固定车牌识别系统
▍开发准备
在开始之前，他简要介绍了产品设计的几个关键点。
图像处理必须在本地执行
将直播视频直接传输到中央处理仓库，似乎是解决此问题的效率最差的方法。除了数据流量庞大的帐单之外，还会产生网络延迟。
虽然，集中式机器学习算法，只会随着时间的推移而变得更加准确，但他想了解本地的设备实现是否“足够好”。
必须能够识别低质量的图像
由于 Tait Brown 没有Raspberry Pi（树莓派，微型电脑）摄像头或USB网络摄像头，所以他使用了dashcam摄像头 - 它是随时可用的、一个理想的样本数据源。
附加的好处是，dashcam的成像效果，比车载摄像机预期的镜头质量大致相当。
需要使用开源技术构建
依赖专有软件意味着，您每次请求更改或更新时都会被攻击。傻瓜都知道开源技术可以省钱。
▍解决方案
高级的解决方案是，从Dashcam视频中获取图像，通过本地安装在设备上的开源车牌识别系统来传输数据，来查询注册检查服务，然后返回结果进行显示。
传输到执法车辆安装设备的数据包括：车辆出场型号，注册状态和车辆被盗时的通知报告。
听起来是不是特简单。举个例子，图像处理都可以由openalpr库处理。这真的涉及到识别车牌上的字符：
openalpr.IdentifyLicense(imagePath, function (error, output) {
// handle result
});
注意：
维州公路局公开的API是不可用的，因此需要通过从官方网络网络下载数据，来进行车牌识别。
如下所示：
// Open form and submit enquire for `rego`
function getInfo(rego) {
horseman
.userAgent('Mozilla/5.0 (Windows NT 6.1; WOW64; rv:27.0) Gecko/20100101 Firefox/27.0')
.open(url)
.type('#registration-number-ctrl input[type=text]', rego)
.click('.btn-holder input')
.waitForSelector('.ctrl-holder.ctrl-readonly')
.html()
.then(function(body) {
console.log(processInfo(body, rego));
return horseman.close();
});
}
// Scrape the results for key info
function processInfo(html, rego) {
var $ = cheerio.load(html);
var vehicle = $('label.label').filter(function() {
return $(this).text().trim() === 'Vehicle:';
}).next().text().trim();
var stolen = $('label.label').filter(function() {
return $(this).text().trim() === 'Stolen status:';
}).next().text().trim();
var registration = $('label.label').filter(function() {
return $(this).text().trim() === 'Registration status & expiry date:';
}).next().text().trim();
return {
rego,
vehicle,
stolen,
registration
};
}
▍结果
Tait Brown 对结果感到惊讶。
他预计开源系统，来识别车牌不会很好。此外，图像识别算法可能未针对澳大利亚车牌进行优化。
但，最终的解决方案，却能够在宽泛的视野中识别车牌。
△在摄像头失真情况下的识别效果
虽然解决方案，偶尔会在识别特殊车牌时会出问题。
△读数不正确
但是...解决方案最终会纠正错误，给出正确反馈。
△几帧后被正确识别
正如你在上述两幅图像中看到的那样，几秒钟后的图像处理，从87％的置信度评分，上升到超过91％。
Tait Brown确信，准确性可以通过提高采样率来提高，然后按最高置信度排序。或者，可以设置，仅在接受验证注册车牌之前，接受大于90％的置信度的阈值。
可以直接code-first修复，并且不排除使用本地数据集，来训练车牌识别软件。
▍8600万美元？！
公平地说，Tait Brown想不明白为什么要花费 8600万美元，他也没觉得，经过本地训练的开源系统比BlueNet系统（第三方技术服务商）差。
他预计，这笔预算的一部分包括：更换几个数据库和软件应用程序，以支持每辆车每秒多次高速、低延迟的车牌查询次数。
另一方面，每辆车的成本约为391万美元，相当土豪。另外，如果BlueNet在没有大规模的IT项目停产或升级相关系统的情况下，根本用不了这么多钱。
未来这种技术有很多积极的应用场景。想象一下，如果这个识别系统，可以自动扫描偷车贼的车牌，并自动报警以及告知家属位置和方向，那该有多酷。
特斯拉已经掌握了相机和传感器技术，能够接收OTA更新，造福人类啊。Ubers和Lyft司机也可以配备这样的系统，来增加安全性。
使用开源技术和现有组件，似乎有可能提供一个更省钱的解决方案，投资远低于8600万美元哟。
★推荐阅读★
Bengio主办 ‖ 2017蒙特利尔大学DL+ML暑期班课程
长期招聘志愿者
加入「AI从业者社群」请备注个人信息
添加小鸡微信 liulailiuwang
相关内容
微信扫码咨询专知VIP会员