×
下次自动登录 忘记密码?
您好,欢迎光临武汉大千信息技术有限公司官方网站!
大千视界——最专业的视频侦查装备与解决方案提供商
武汉大千信息技术有限公司是由公安信息化行业知名专家、国内顶尖投资人、经理人共同创立的高科技企业,具有深厚的视频分析技术积累和侦查装备研制经验。

3

顶尖的实战单位、国家级研究机构、专业装备研制商三家联合

83

开发团队83%拥有安防、视频方向博士硕士学位

37

产品内含37项国家专利,核心技术遥遥领先

0

视频采集、视频转码、视频检索零等待,视频检索零漏检
  • GIS在信息可视化与视频结构化中的纽带作用

    在视频监控领域,视频结构化技术在近年取得了较大的突破,并且在传输与后端存储上,市场上也出现了相应的技术和产品与之相匹配。可以这么说,在视频结构化方面,伴随着其巨大的应用需求,技术本身正在加速成熟,成为当前视频分析行业最为重要的应用热点。相伴随着视频结构化技术的发展,信息可视化也正在成为视频分析行业的重要的内容,依靠将监控区域的地表物体信息化,让监控大平台指挥中心更清楚监控区域的空间与地理信息,为立体安防监控建设做基础。在整合信息可视化与视频结构化中,GIS技术成为关键的纽带作用。那么如何理解GIS在其中扮演的重要角色呢?目标地理信息化与地图数据管理地理信息化是指将视频分析里涉及的与时空有关的目标按照地理信息的基本形式,结合形成包含图形对象和属性的GIS地图要素,并以数据图层的形式纳入空间数据库进行统一管理。系统底图中可能包含一个或多个领域专用业务图层,而图层包含一系列要素,一个要素表示一个目标,由图形对象和一条属性记录共同构成,图形对象通常由基本的点(如摄像机)、线(如车辆运行轨迹)、面(如某监控小区)构成,属性表存储了该目标的附属信息(如摄像机的编号、名称、类型以及其它属性等),图形对象和属性表记录行通过唯一标识号关联,以此实现空间信息和属性表的互查。随着GIS应用的深入和扩展,为了更好地促进行业应用与发展,行业应用标准化将成为一种必然。应急决策指挥与地理数学模型应急决策指挥一般指当发生突发事件时,事件的相关责任部门需要迅速地进行信息汇总、综合评估决策,用以指导一系列的反应动作,最终以最优方案解决事件。GIS以其得天独厚的时空可视化优势,结合对各种复杂地理数学模型的完美支持,能够实现各种复杂场合下的辅助决策应用。并通过引入更科学和可靠的决策模型,以实现更有效、智能的决策支持。视频查询与虚拟现实视频查询是监控平台的基本功能之一,同时也是最重要的功能之一。在这里把它分为实时视频查询和录像查询。查询的目的是为了尽可能准确的定位,大多数时候我们查看实时视频是为了查看某个地方是否正常(如一个角落),而目前绝大多数的视频监控平台实时视频的查看没有查询功能,或者只有简单的按照设备名称等属性的查询,没有实现真正的以空间位置为导向的精确查询。运用虚拟现实技术构建监控目标区域的3D模型,将用户选区纳入3D模型进行查询运算,即可查找到相关设备,同理可用于录像查询,只是加上时间条件即可。显然,这种查找模式更直观,更精确。虚拟现实的引入,将会给用户带来更加直观、更易操作的应用体验。移动监控与移动GIS移动目标监控,是指利用集中监控平台,对一组带有定位设备终端的移动目标进行管理和监控。有两个要点,一是被监控目标需要携带定位设备终端,二是需要有监控中心,被监控目标通过无线网络向监控中心报告定位信息和状态。如果在被监控的移动目标上同时配置移动GIS平台,让移动目标具有GIS的数据采集、存储、展示能力,能彻底改变监控中心单边监控、移动目标被动监控的模式,这在某些场景下是很重要的。如在网络环境不稳定时,移动目标传送的定位信息可能丢失,导致监控中心存储的位置数据不全,这时,可以用移动目标携带的移动GIS存储的数据来补齐。移动GIS同时也可以用于地图可视化展示监控中心下达给移动目标的某些指令。随着移动互联时代的发展,移动化、网络化的趋势已经显而易见。云视频监控服务与云GIS随着云计算技术的兴起,人们已经初步感受到了它的魅力。对于相当一部分应用场景来说,云服务有诸多优势。首先,规模化的运营商,提供基础设施,让应用方可以省去大批的物理建设成本和维护成本。其次,比起相对于单独的桌面应用程序而言,使用云服务的成本很低,或者说前期投资更少和较固定的月度业务费用。另外,云服务部署的应用在升级和维护方面,更加便捷。目前已有云视频服务在运营当中,利用云服务的规模化硬件资源和集中统一的软件技术支持,将前端视频采集设备、后端存储设备统一规模化、集成化管理,以云服务的方式部署,以实现云视频监控服务。云GIS将GIS的数据、工具以云服务的方式部署,提供给用户。新时期的安防监控应用需要GIS的支撑,因此,安防监控走向“云端”需要云GIS。综上所述,伴随各种安防技术的兴起与发展,GIS作为一种基础支撑技术通过不断和新技术的融合,其应用面和应用深度也将不断拓展,带来更好的应用成效,在未来的安防领域和图像侦查领域中将继续扮演重要纽带作用。

  • 人工智能在视频监控市场的应用

    在视频分析领域,以车辆特征识别和人像比对为代表,人工智能已经在视频分析市场快速普及应用,智能化已然成为当前前后端设备及系统的核心亮点和重要趋势。那么,在市场需求极其旺盛的情况下,人工智能在视频侦查领域能够解决哪些实战化的业务需求呢?人工智能的背景分析在自然灾害的防救、生产事故的防控、社会治安事件防范及公共卫生事件的防治上,视频监控起着极其重要的作用。然而随着政策实施的推进,视频监控点位覆盖率逐步上升,业务的应用也更加复杂,仅依靠传统的人工方式已无法高效利用已建的视频监控资源。同时,几何式增长的视频图像数据驱动了安防大数据时代的来临,数据已经成为宝贵的资源,深度学习的出现大力推动了人工智能的实际应用,尤其是在视频智能分析方面。在LFW(非受控网络图片数据库)国际人脸识别比赛上,机器识别的准确率首次超越了人眼识别准确率,2015年达到99.55%,而且准确率还在持续提升,这使得深度学习为视频智能分析在视频监控领域中的应用提供了更多可能。人工智能应用能解决什么问题首先,人工智能技术可以获取人、车、物的结构化文本描述信息,打破了传统图像搜索的壁垒,使得基于图像内容的快速检索、查询成为可能。其次,人工智能技术可协助人工及时发现画面中容易忽略的细节内容,如人员的滞留、物品的丢失、区域的入侵等,方便对于事件动态的及时预知。最后,人工智能还可以对不同种类的数据进行分析、碰撞、发现潜在联系,抽取其中有价值的信息,并形成可视化结果呈现,下面就一些典型的人工智能应用进行举例。1)、随着交通工具的发展,一些犯案人员的流动性大大地增强,比如犯案人员在A地犯案后,可能会迅速乘坐交通工具逃往B地。在这种快速频繁的人员流动情况下,对于刑事侦查人员来讲,抓捕犯案人员的难度会骤然上升。那么人工智能的方式提供了一种很好的方法,依托人工智能系统将部署在城市中各个角落里的摄像机中出现的人员进行动态比对,同时利用动态的人员特征识别服务输出的结果,进行数据分析,从而实现犯案人员身份的识别、人员布防、轨迹的分析等功能,提高刑侦人员关于在逃人员的破案率。同时以人脸识别为核心的人工智能应用,还可对嫌疑人员进行比对,快速确认目标身份,提供智能、精准、快速的人脸比对和完善的视频图像大数据分析挖掘应用,综合解决人像实时追踪监控预警、人员身份快速比对检索核准、人员历史轨迹追踪倒查等查人、找人、预警、追踪等人员管理监控应用。2)、随着车辆的普及,大量的不安全驾驶行为导致了逐年上升的交通事故的发生,造成大量的人员及财产损失,如何减少不安全驾驶行为的发生是摆在交通管理者面前的问题,那么对于交通管理者而言,一个是通过在政策法规方面提供制度建设;另一方面需要通过技术手段来发现和降低不安全驾驶行为的发生。人工智能系统可以有效地通过机器分析,实现对驾驶人员超速行驶、开车打手机、不系安全带等行为的智能分析,使得交通管理人员之前需要在路口进行人工纠正违法行为的方式转变成通过人工智能分析的方式,来发现和处理这些不安全的驾驶行为,从而达到教育和处罚的目的。并以此提升交通管理水平和降低事故的发生率,减少人员和财产的损失。同时以车辆分析为核心的人工智能应用,还可以对卡口图片车辆数据进行二次识别,包括车牌号码、车辆品牌、车辆子品牌、车辆年款、车辆颜色、车牌颜色、车辆类型、车牌类型、年检标、遮阳板、安全带等车辆细节信息,将车辆的运行轨迹,活动规律等进行数据碰撞比对,从而挖掘隐藏的案/事件线索实现可视化的应用,功能包括:轨迹分析、跟车分析、碰撞分析、频次分析、套 牌 分析、隐匿车辆挖掘等。3)、对于一些重大的警卫活动,常常需要派驻大量的警力,对于公安指挥中心而言,会造成人员紧张的局面。因此可以以技术手段为依托,来实现减少安保人员的目的,人工智能的方式可以提供以主动防控为核心的应用,视图内容预警、自动告警联动应用,可以对视频的内容进行自动预警,当触发预先设置的预案后,联动的摄像机将会同时打开监控图像,形成对案发地的监控封锁,同时实时报警。布控智能规则分析功能包括:区域入侵、绊线检测、非法停车、徘徊检测、打架检测、物品遗留、物品丢失、非法尾随、人群聚集、车流统计、车牌特征识别和烟火检测等。结语在视频监控领域,随着采集手段的不断丰富,数据内容的不断增长,以及人工技术的不断成熟,人工智能辅助人工进行工作已经成为必然趋势,相信随着技术的发展,会有越来越多的智能化应用在更多的领域落地,使人工智能不仅在安防领域发挥重要作用,同时借助人工智能在更多领域发挥作用,从平安城市上升到真正的智慧型城市。

  • 这不是一个只看【脸】的世界

    前几天小千看了一则新闻《男子偷遍武汉地铁:不偷实在对不起我的手艺》看到标题时我深感此人的敬业程度要是换个职业估计已经走上人生巅峰了文中写到:8月16日,武汉轨道警方轻轨派出所到余姓女子报警:在崇仁路站被盗窃手机一部。接警后,轻轨派出所全体人员兵分三路,通过巡逻走访和视频追踪,发现该男子身体略有残疾,体态特征较为明显。进一步摸排,便锁定了其身份信息:系住在硚口的惯犯李某,曾因扒窃被武汉警方多次打击处理过,刚刑满释放不久。其实李某已经56岁本该颐养天年的年纪却还是不甘寂寞,重拾旧业本以为自己的祖传手艺可以做到毫无破绽却还是逃不过监控探头的画面监控中是一个背影看不见人脸茫茫人海警察蜀黍是怎么找到这个人的呢?这个生活中的实际案例提醒了我们在视频侦查的过程中往往很多时候不能只看“脸”目前的人脸的细节特征可以做到精确识别,支持识别的信息可实现人脸的性别、年龄、肤色等基本信息,甚至戴墨镜等伪装都可以识别出来。但是在实际的视频侦查过程中,因为受视频布控局限性的影响,无法全面的捕捉到嫌疑人整体活动轨迹,继而开展嫌疑目标轨迹追踪的。故多维度嫌疑目标轨迹锁定的出现弥补了人脸识别的不足。系统在进行实时布控时,可进行人脸抓拍和多维度嫌疑目标轨迹锁定同步解析,将人脸信息和语义结构化信息进行关联。多维度嫌疑目标轨迹锁定为人像识别补充了识别信息的深度和全面性,人像识别比对为多维度嫌疑目标轨迹锁定带来了精确身份信息的相关性。通过多维度嫌疑目标轨迹锁定,能够过对行人的各个部件进行检测、分割、识别,对每个部件进行特征描述,从而可以从整体上对行人进行比传统算法模块更加精细的结构化信息描述。利用体貌体征关联信息为基础,通过基于交互的智能搜索技术在视频画面中找到目标相关的独立人像、体态特征,从而达到“以点带面”的效果,丰富对目标的描述,挖掘出目标完整的时空脉络信息,连你的同伙都不会放过哦~这就是所谓的360°的无死角“天网”呀!多维度嫌疑目标轨迹锁定应用可以在城市许多地方进行部署火车站地铁站飞机场海关出入口等等所以小千也在这里奉劝大家要做一个合格的社会主义接班人哦~

  • 技术分享 | 人脸超分辨率

    人脸超分辨率实战技术分享简介在案件视频侦查的过程中,如果能够从视频文件中提取到一张具有辨认价值的人脸图片,对于案情的推进将起到决定性的作用;但在实际工作中,由于光照、天气的影响,再加之监控探头自身像素、焦内区域的限制,在视频中直接得到一个清晰的人脸快照,几乎是“不可能的任务”。下图是发生在中部某城市的一个实际案例,在监控录像中我们发现:嫌疑人使用非常专业的手法,在数分钟内就成功窃取了一辆机动车,并且案发当地公安机关在一个月内接到数起类似报案,基本可以确定是同一伙人作案,这一系列案件在当地引起了不小的社会关注。在这一系列案件中,嫌疑人具有较强的反侦察意识,每次都选择离监控探头较远的车辆实施犯罪,在视频中我们很难看清嫌疑人的长相,给侦查带来了很大困难。在这类案件中,传统的图像处理方法无法对画面产生实质性改善,而如何在低像素图像中通过科学预测的方法绘制出高像素人脸图像,一直是学界的前沿研究方向。技术路线传统的图像处理技术,无论有多少种算法,其核心都是在已有的信息(像素点)上进行数学变换,不同的算法仅仅是变换方式不同,当实际画面信息不足(像素点不够)时,传统的方法做不到“无中生有”;人脸超分辨率重建技术核心是利用图像成份分析将输入的低分辨率人脸图像投影到低分辨率训练样本所张成的特征子空间中,基于高低分辨率流形一致性的假设,直接把投影系数映射到高分辨率图像上,加权得到高分辨率图像。简单来说,就是利用计算机存储的庞大人脸库,对低分辨率目标人脸进行科学预测,通过高分辨率人脸素材进行融合重建,做成“计算机版的人脸画像”。技术难点:人脸样本库扩充表达能力实际中无论高分辨率人脸库规模有多大,相较于全国乃至全世界数十亿实际人脸来说,都仅仅是一个小样本库,有限样本点只能构成高维人脸流形空间的一个稀疏空间,如何用一个稀疏空间解决全空间的问题,是目前学界的研究难点之一。在我们的方法中,通过算法的优化,在小样本库中仍然可以获得很好的性能;与前沿流形学习人脸超分辨率算法相比,在CAS-PEAL-R1大规模中国人脸数据库上的PSNR提升1个dB以上,SSIM值提升0.080左右。技术难点:图像块噪声鲁棒表示能力大案、要案多发夜间,嫌疑目标人脸图像受噪声干扰严重。现有人脸图像块表示方法受强噪声干扰严重,导致图像块的表示不稳定。在突破第一个技术难点时,我们解决了小样本库表示全样本的问题,但同时我们知道,纯学术研究中并未考虑到实际环境中噪声对样本稀疏表示的干扰,所以我们第二步要解决的就是克服实际视频中噪声带来的干扰。在我们的算法中,我们通过引入基于视觉先验知识的图像块鲁棒表示模型,通过建模的方式进行基于人脸图像位置块的高分辨率人脸预测合成,最终我们的算法在重建效果上较国内外同类算法有了很大 提升。上图是一张星光摄像机拍摄的低照度、低分辨率人脸,使用国内同类算法和我们的算法进行增强后,增强效果对比十分明显国内外同类算法我们的算法总结在解决了小样本库预测问题和低分辨率样本偏移问题之后,我们的“计算机人脸画像”取得了实质性突破,并基于此研制专业的人脸重建产品,并在实际工作中发挥了较好的效果,通过各地的试用,在一系列案件中都发挥了良好的效果,下图是在几个实际案件中的处理效果前文中所提到的实际案例,通过我们的人脸重建产品,侦查员通过鼠标几次点击,在几分钟之内就绘制出了一个具有较强参考价值的清晰人脸图像,此案依靠这张图像取得了突破性进展,并最终告破。

  • 技术分享 | 阿法狗接管平安城市究竟是怎样一种体验?

    人脸篇围棋“人机世纪大战”终于落下帷幕,叱咤棋坛十余载的宇宙国李世石选手最终以1:4不敌灯塔国阿法狗选手,这个结果可以说是让所有人大跌眼镜,人类的希望宇宙的良心李世石选手也经历了人生的大起大落,下面小千就带着大家一起回顾一下李世石选手的心路历程:请输入标题round 1PKround 2PKround 3〈终于赢回了一局〉PKFinal roundPK等等······小千好像发现了什么不得了的东西……阿法狗选手全程表情没有任何变化!难道这就是吴清源老师说过的跳出围棋之外才能真正不败么!!这就是超越石佛的存在——无敌的石狗么!!!小千了解到,在此次比赛之前,世界上有固定规则的两万多种游戏中,人类唯一占优的就是围棋。而此次阿法狗大显神通,成功攻破了“人类最后一个数学堡垒”。小千曾经以为人工智能是这样或者这样怎么一夜之间变成了这样?这样?甚至这样?························本着打破砂锅问到底的精神,小千经过一番搜索和学习,终于找到了近几年人工智能突飞猛进的根本原因——卷积神经网络的应用。在没有神经网络前,我们的人工智能是这样的:用了神经网络之后,我们的人工智能变成了这样在应用神经网络之前,人工智能所有的逻辑、计算和分支结果都必须是人工预设好的,这种人工智能是不具备学习能力的。而神经网络(深度学习)是机器学习研究中的一个新的领域,其动机在于建立、模拟人脑进行分析学习的神经网络,它模仿人脑的机制来解释数据,例如图像,声音和文本。深度学习的概念源于人工神经网络的研究,其通过组合底层特征形成更加抽象的高层表示属性类别或特征,以发现数据的分布式特征表示,简单来说,应用了神经网络即深度学习算法之后,人工智能第一次具备了自我成长的可能性。深度学习的显著优势是人类再也不用设计算法中每一个逻辑关系,深度学习提出了一种让计算机自动学习出模式特征的方法,并将特征学习融入到了建立模型的过程中,从而减少了人为设计特征造成的不完备性。从前以深度学习为核心的某些机器学习应用,在满足特定条件的应用场景下,已经达到了超越现有算法的识别或分类性能,阿法狗正是凭借这样的能力才做到了几年前还是天方夜谭的事情。但是神经网络的应用也有显著的缺点:它虽然能够自动的学习模式的特征,并可以达到很好的识别精度,但这种算法工作的前提是,使用者能够提供“相当大”量级的数据。也就是说在只能提供有限数据量的应用场景下,深度学习算法便不能够对数据的规律进行无偏差的估计了,因此在识别效果上可能不如一些已有的简单算法。信息量有点大……让小千来给大家总结一下:神经网络让我们第一次拥有了可自主学习自主成长的人工智能,可以为我们处理很复杂的模式识别和特征提取的问题,但缺点是必须基于海量数据才能有很好的性能。嗯?特征提取+模式识别+海量数据?这不正是平安城市应用最典型的特征么!作为一个负责文宣的小白,小千感觉自己窥到了天机!今年公司的金点子大奖是我的啦!小千此时的心情是这样的:当我正high时,突然背后传来了程序员大哥弱弱的声音:神经网络啊,我们早就在用了啊,你说阿法狗啊,我们的产品和那个是一个思路啊。What!!随后我们的程序员大哥说给我举几个栗子,然后我就受到了成吨的伤害!恶意卖萌的研发总监敢说效果不好就弄屎你的墨镜产品经理本官侧脸也来试试的总经理挡住眼睛也可以哟~看完这个小千整个人都不好了还我奖金ㄒoㄒ用了这个感觉是想找神马就找神马的节奏啊,以后躲在楼道煲电话粥会不会被公司监控抓住上黑名单啊!!“等等!”“嗯?”“这个也可以做车辆识别吧!这个你们总没做吧!”(奖金回来了)“哦,也有啊。”“……”“……”且听下回分解。

  • 透过现象,看本质——深度学习中的车型识别

    还记得上期的小千我嘛~满心欢喜的以为发现了深度学习应用的新大陆,结果只是想太多~多么痛的领悟~通过和程序员哥哥的亲切交谈,小千才发现自己还是too young too simple啊。原来神经网络(深度学习)已经应用到我们生活中的方方面面了,小千我还处在一个后知后觉的阶段。接下来是我们的程序员哥哥的科普阶段:自2006 年以来,深度学习在学术界持续升温,美国,加拿大,欧洲相继成为此领域的科研重镇。2010年,美国国防部先进研究项目局首次资助深度学习,参与方包括斯坦福大学、纽约大学和NEC 美国研究院等机构。2011年,微软语音识别采用深度学习技术降低语音识别错误率20-30%,是该领域十多年来最大的突破性进展。2012年,是深度学习研究和应用爆发的一年,深度学习被应用于著名生物制药公司黙克的分子药性预测问题,从各类分子中学习发现那些可能成为药物的分子获得世界最好效果;百度引入深度学习以后,语音识别效果的提升超过了以往业界在过去15 年里所取得的成绩。12月,微软亚洲研究院展示了中英即时口译系统,错误率仅为7%,而且发音十分顺畅。2013年,欧洲委员会发起模仿人脑的超级计算机项目,计划历时10 年投入16亿美元,由全球80 个机构的超过200 名研究人员共同参与,希望在理解人类大脑工作方式上取得重大进展,并推动更多能力强大的新型计算机的研发。深度学习在图像和视频方面的应用Google一直都是深度学习应用的佼佼者,谷歌变成Alphabet后,回归到以技术核心,使用人工智能来改进自己的产品,现在YouTube的视频缩略图也得到了改进。当人们上传视频时,谷歌会使用深度学习来自动创建最好的缩略图。对于应用在YouTube上的深度神经网络,谷歌从视频帧中抽样、打分、并得出最高分数的缩略图。谷歌 Photos 能够识别花、食品、动物,以及本地地标等对象,谷歌表示通过算法经过了训练,能识别“数千种”不同对象。当前和以前的系统生成的图片比较深度学习在自然语义理解和信息检索方面的应用随着公安行业的视频图像监控建设的迅速发展,图像不仅成为了一种重要的信息资源,也带来了海量数据。出现了对图像的内容语义如目标的颜色、纹理、布局等进行分析和检索的图像检索技术。然而在实际应用中,有很多无法用语义来准确描述检索内容的图片信息,比如在车辆套牌分析时,检索目标都是车辆,内容仅仅是车牌号的区别,显然语义描述很难达到用户期望的检索效果。于是,传统的检索方式在视侦、图侦应用时面临无法回避的困境,必须有其他新的手段来解决用户的难题。哒哒~至此我们的车型识别系统也就在深度学习的大潮中诞生啦!车辆的智能识别一直就是我们在研究的技术核心,车辆识别在车辆管理、车辆违规逃逸、车辆巡查布控等诸多问题上都起着关键作用。程序员小千我们不是有成熟的车牌识别和图像清晰化处理技术了嘛,在追击车辆犯罪这块已经取得了突出的成果呀!但是车牌信息只是车辆信息很少的一部分,单纯依赖车牌的系统是不稳定的,比如无牌车、套牌车等情况导致车牌信息不可用的时候,这类系统就无法提供可靠而有用的车辆信息了。程序员小千哦~是这样呀,那深度学习的算法是怎么样应用在我们的车型识别软件中的呢?用小明、小红和隔壁老王们都可以听懂的语言来解释,神经网络算法的核心就是:计算、连接、评估、纠错、疯狂训练。我们的车型识别系统就是采用这种卷积神经网络(CNN)的算法,利用大量的车型样本进行训练,提高准确度,这种方法相对于传统算法在识别率上有着本质上的区别,正是基于这种算法才能对各种场景下的车辆有一个高质量的识别率。程序员小千哦~我明白了,我的理解就是采用这种卷积神经网络的算法,是通过产生大量的计算量来提高识别率的,那我们的系统可以跟得上吗?我们的车型识别系统采用高性能GPU服务平台,在具备高性能CPU的同时搭载了4块高性能GPU加速卡,具备先进的GPU辅助计算能力,能够利用GPU海量的并行计算资源极大提高车型识别的速度,每台服务器具备300万张/天的识别能力。我们的车型识别系统不但速度快,车型库也是数据惊人哦~目前已经支持120种厂家品牌、1700多种车辆子型号的识别,且数据库还在不断增加中··· ···程序员小千我的天呐!下面就带你领略下我们的车型识别系统的风采吧!程序员车辆特征分析:通过识别引擎,检测到了车辆的车脸特征,识别结果包括了车身颜色、车型、品牌、型号、车牌号等。车辆标志物分析:系统可有效的识别车辆的细微标志物特征,再在相关车辆中查找同类特征,实现准确的”以图搜图“。识别的特征包括年检标、遮阳板、挂件、纸巾盒、转经筒等。全面的特征提取分析:全方位实现车辆的信息识别,真正实现以图搜车、全城追踪!

欢迎光临武汉大千信息技术有限公司官方网站!

湖北省武汉市洪山区佳园路2号 高科大厦1228室

TEL: +86 027 87883503

FAX: +86 027 87883503

E-MAIL: daqian@videtek.cn