随着大数据时代的来临，各行各业都被裹挟在庞大而冗杂的数据碎片当中，对于正在蓬勃发展的安防行业也是如此。平安城市、智慧城市大刀阔斧的建设，农村安防的布局，视频监控全覆盖的实施，其中的每一个监控摄像头、每一个治安卡口、每一个电子警察，都是巨型信息资料的来源。车辆，作为现代文明的重要标志之一，必定是信息的重要来源之一。如何在庞大的数据库中以最快的速度获取到有效信息已经成为目前车牌识别技术的重要研究课题之一，人工智能和深度学习就是解决这一问题的最佳方案。

　　生在大数据时代是幸运的，因为有庞大的资源可以调用，茫茫信息流中总有想要的答案；但也许也是不那么幸运的，毕竟“百里挑一”较于“大海捞针”而言，还是轻易的多。据公安部交管局统计：截至2016年底，全国汽车保有量达1.94亿辆，保有量最大的城市是北京，约16412万平方千米的土地上有548万辆车，可想而知，即使在限行的状况下，每个路口的车流量已然很可观，每个拥有车牌识别技术的监控摄像机的识别量和存储量都是很庞大的的数字。假如有紧急案件，需要在车海茫茫中找到涉案车辆，如果用人力通过二次识别来寻找的话，无异于水中捞月，这就需要智能分析系统来帮忙完成了。

　　智能视频分析技术利用一些图像处理、模式识别或机器学习等领域的算法来分析视频序列中的信息，以达到理解视频内容的目的，也有人称为视频内容分析。有了智能视频分析技术，我们就可以及时地发现视频中的异常情况，第一时间做出反应，减少损失。但很多智能视频分析技术受限于应用场景，为了得到较好的准确率，往往需要“天时”、“地利”和“人和”。好不容易凑齐了三个要素，提供了非常标准的场景，我们仍可能遇到智能分析“罢工”的情况。其实，问题就出在算法本身上。特征选择的好坏直接决定着算法准确率的上限，而且由于其数据量太大，模型不够复杂，所以覆盖不了所有数据，算法模型无法解析大数据，直接制约了其应用的广度和深度，也限制了其进一步发展的空间。但深度学习的出现完全解决了这些问题。

　　近年来，深度学习在语音识别、图像识别、自然语言处理等应用中取得了显着的成效。但是在安防行业，深度学习刚刚起步。当然，已经有很多安防企业开始投入资源开发基于深度学习技术的算法、产品。可见，深度学习正影响着安防企业，影响着智能视频分析技术。

　　目前，深度学习也与车牌识别技术结合，运用在车辆特征识别上。在前面《要想更上层楼车牌识别技术需解决这些问题》一文中，笔者提出了一些目前车牌识别技术存在的问题，比如在车辆“身份证”出现问题：车牌受损、被遮挡、被调牌的情况下如何判别车辆信息，在此情况下如果车牌识别技术还只是当初的车牌识别技术，可能也就只能以人力来完成工作了，但在深度学习出现后，已经在很大程度解决了这个问题。

　　作为智能交通的一个典型应用，车辆特征识别一直是安防厂商重点关注的技术领域。早期的车辆特征通常为车牌号码和车身颜色等。前几年各大厂商推出的产品都能对车牌号码和车身颜色进行准确识别，但对于车辆品牌和车型系列这些更加复杂的信息特征，并没有很好的识别手段。近两年，深度学习技术兴起，很多厂商利用大规模的数据集训练取得了实质性进展，目前行业水平已经可以达到上千种车系和上百种车标的识别。识别的准确率也已达到实用程度，当然也超过了人眼识别的准确率。今后的智能交通设备所能提取的车辆特征将更加丰富，将有助于提升业务部门的工作效率，推动智能交通行业的发展。这一技术突破不仅给处理警务提供了很大便利，也解决了停车场无牌车收费的问题。

　　而且在人工智能的帮助下，除了提高准确率、工作效率之外，还能节省带宽，节省存储空间。每天海量的存储需要很多硬盘，而且随着4k、8k的到来，传输带宽也是一个非常大的负担，都需要很大的投资，如果没有人工智能这个问题很难解决。人工智能除了在后端、在云端，去做事后的检索，同时在前端或者尽量靠近前端的地方，比如在派出所里有一个人工智能的机器，所有一、二百路摄像头进来都可以同时进行检索，如果这个路口一晚上没有一辆车过，那这个录像根本不需要存储，直接删除就好了，节约了带宽，节约了存储。还有一个优势在于，以前在安装一个前端的摄像头的时候需要去现场根据背景调软件，需要大量的高级算法工程师，但是在人工智能时代，工程师的作用正在下降。对人工智能来说，比如用深度神经网络去做目标检测，只要给它足够的训练就能很容易地从背景里把这个人或者这个车抠出来，安装的成本就会急剧降低。

　　基于人工智能、基于深度学习是目前车牌识别技术的发展现状，在提高车牌识别的技术水平的同时，也为车牌识别技术的广泛应用增加了砝码。