智领云端——基于云计算的智能算法架构

智能交通行业的智能算法的主要核心技术是对道路交通对象进行分析，主要包括：车牌识别技术，视频检测技术和交通行为分析技术。

通过车牌识别技术，可以实时获取车辆的牌照号码，车辆颜色，车辆品牌等信息；通过视频检测技术可以准确的获取车辆位置、速度、大小等信息，并可以区分交通对象类别和自动拍照；通过交通行为分析技术，可以准确的获取交通灯状态、交通对象行为状态等动态信息。近年来在上述基础上发展的车内人脸识别技术，交通流量检测技术，人群聚集检测等专用技术也得到了广泛应用。

在目前的智能交通应用中，这些智能分析算法主要都安装在独立的终端上，区域性和全局性联系较弱。这种方式虽然有一定的便利性，和布置简单快速的优点，但同时其弊端也已经显露出来：

● 算法更新无法自动及时应用至终端：智能分析算法更新后，迫于终端硬件水平的限制和交通对象实时性的要求，很多效果不错但运算复杂的算法无法得到广泛的应用。
● 算法无法自动根据使用环境定制优化：无论是多么优秀的算法，都无法保证对所有的环境和场景通吃。而现实中由于场景变化、光照、安装位置、角度、不同的交通对象等变化产生的算法鲁棒性问题一直广泛存在，导致研发企业投入大量成本用于场景定制或者算法升级。
● 算法累计的学习数据无法自动共享：大量的设备无法进行数据共享，导致海量的交通数据没有被充分利用就被抛弃，不仅造成资源浪费，而且限制了交通主管部门对城市整体交通的掌控水平。

最新算法进展：
● 基础图像处理算法已无法满足多场景的变化，当前车辆捕获已引入机器学习算法，并针对不同场景训练自己的网络模型，可适应不同安装角度，光照的变化，在各个国家均可通用，对面向海外市场提供了强有力的支撑。即使当前场景无法满足测试要求，也可以在短时间内对该场景的特征进行学习并快速适应。
● 当前越来越多的功能实现都在往深度学习方向发展，深度学习对于智能交通领域的影响愈加深远，通过深度学习已实现对不同国家车牌的快速学习并做出高准确率的识别，不用再根据每个国家不同标准的车牌作特殊定制，加快了算法的迭代过程。

云计算

云计算是一种基于互联网的计算方式，通过这种方式，共享的软硬件资源和信息可以按需提供给计算机和其他设备。这些资源来自一个共享的、可配置的资源池，并能够快速获取和释放。云计算的核心思想，是将大量用网络连接的计算资源统一管理和调度，构成一个计算资源池向用户提供按需服务。通过使计算分布在大量的分布式计算机上，而非本地计算机或远程服务器中，云计算应用的思想是将资源整合。

“云端上”的智能分析技术：云学习

当前的智能分析算法加上云计算的产物是云学习。其核心是整合各类计算算法、设备等资源，突破智能分析计算瓶颈，应对智能算法等大量消耗运算资源的技术需求，并将前端、后端等各类运算资源虚拟化，实现统一管理；实现运算资源服务化、动态分配运算任务，统一调度，提升运算效率。

云学习的优势

超大规模，超强计算能力和可扩展能力

首先，从智能交通整体方案的角度来看，云学习通过强大的分布式计算能力可对庞大、复杂而又无序的交通数据进行有效的分析和处理，自我认知数据的发展规律。从而有效的支持交通数据建模、时空索引、交通数据的挖掘、交通数据的分布式处理及交通流动态预测等。

其次，从智能分析算法的角度来看，云学习同样拥有明显的优势。有了云学习，所有的算法都可以统一布置到云服务器中完成，而终端只需完成简单的采集、数据反馈即可，这不仅可以突破单机硬件运算能力的瓶颈，加入大量有利于智能分析的算法，大大提升智能分析的准确率，而且对未来的算法改进留下了无限空间。

创新的大数据机器学习算法

通过海量数据的共享，可以在云端获取大数据模板和样本进行分析和训练，并且得益于实时更新的样本和深度学习算法，智能分析的准确性、鲁棒性和适应性将产生质的飞跃。可以说，云计算的出现开启了“数据为王”的大数据时代的序幕。

数据的高可靠性

通用性和可扩展性

云计算不针对特定的应用，在“云”的支撑下可以构造出千变万化的应用，同一个“云”可以同时支撑不同的应用运行。

首先，“云”的规模可以动态伸缩，满足应用和用户规模增长的需要。因此，同一个云架构，不仅可以布置在北上广这类一线城市，同样可以应用于小县城，甚至一个小区，一个学校等小范围领域。

其次，由于云端对外的接口统一，因此可以很容易的实现跨平台的设备接入。无论是运行在嵌入式系统，还是OS系统，只需联接Internet，都可以轻松调用云端的服务。

廉价和易维护

由于算法可以集中在云端，因此后续的算法升级、改动只需在云端进行操作，而无需面对大量的终端设备。