车牌识别

点击 上方“ 3D视觉工坊 ”，选择“星标” 干货第一时间送达 大家好，本公众号现已开启线上视频公开课，主讲人通过B站直播间（ bilibili号：3D视觉工坊 ），对3D视觉领域相关知识点进行讲解，欢迎大家的关注。 往期精彩： 第一期：东北大学李奇 《 基于深度学习的物体抓取位置估计 》 第二期：上海交通大学沈毅君 《相机标定的基本原理与经验分享》 第三期：西安交通大学潘浩洋 《 基于点云的三维物体表示与生成模型 》 第四期：北京科技大学李阳阳《 求职经验分享 》 第五期：ChaucerG《 聊聊目标检测和秋招那些事 》 第六期：镭神智能创始人雷祖芳《 基于激光雷达的感知、定位导航应用 》 第七期：东北大学龚益群《 图像对齐算法 》 第八期：武汉大学李迎松《 立体视觉之立体匹配与实战 》 本期由北京中科慧眼CTO崔峰分享，主题为《深度相机与应用》，下面我们来一起回顾一下吧。 视频观看地址： 视频还在上传审核中，请关注工坊君官方bilibili账号：3D视觉工坊：https://space.bilibili.com/483478083，上传成功后便可观看哦~ PPT回顾： PDF获取方式 关注公众号【3D视觉工坊】，并在后台回复“深度相机”获取百度云链接。 本文仅做学术分享，如有侵权，请联系删文。 下载1 在「 3D视觉工坊 」公众号后台回复： 3D视觉 ， 即可下载

点击上方“ 3D视觉工坊 ”，选择“星标” 干货第一时间送达 一、全景拍照中的投影变换 在32. 镜头、曝光，以及对焦（下）中，我给你介绍了各种各样的相机镜头，也介绍了视场角（FOV）这个概念。现在咱 图像特征点、投影变换与图像拼接 们手机上的主摄像头一般FOV是七、八十度左右，有的更小一些。但人类的视觉系统FOV可以达到 。 广角镜头、鱼眼镜头能够让你拍摄出非常大FOV的图像。但它们非常昂贵，而且具有强烈的畸变。 全景拼接这个功能也能够让你拍摄出很大FOV的图像，你很可能已经使用过这个功能了，它甚至可以拍摄出水平FOV达到360o的图像。我们可以比较下。这样拍摄出来的图像比起鱼眼镜头的畸变小很多。 人类的视角范围200 x 135° 全景拼接图像视角范围360x180° 全景拼接是通过先拍摄不同视角的多张图像，然后将它们拼接而成的： 那么，像下面这样几个视角拍摄的图像，我们是不是直接拼接平移这些图像然后拼接就可以了呢？ 多个视角拍摄的图像 很显然，不管我们是把左边的图像摆在上面，还是把右边的图像摆在上面，都会观察到“对不齐”的现象（看看中间栏杆的断裂缝）： 仅仅平移图像拼接时会对不齐 那应该怎么办呢？这时候就要用到我在28. 图像扭曲中介绍的图像的Warping技术。适当的Warp图像然后再做拼接，能够使得我们得到完美的全景图像： Warping是一种改变图像像素位置的技术

点击上方“ 3D视觉工坊 ”，选择“星标” 干货第一时间送达 作者：robot L | 来源： 知乎 https://zhuanlan.zhihu.com/p/148855755 本文仅做学术分享，如有侵权，请联系删除。 主要内容 基于点云分割和CNN的LiDAR点云回环检测方法。 改进的点云配准失效检测方法，效率更高。 基于运动惯性里程计，AICP，回环的因子图LiDAR-SLAM系统，可以在腿式机器人上运行。 不足 处理频率只有1Hz，远低于激光频率10Hz。 没有和SOTA LiDAR-SLAM算法对比。 M. Ramezani, G. Tinchev, E. Iuganov, M. Fallon. Online LiDAR-SLAM for Legged Robots with Robust Registration and Deep-Learned Loop Closure. IEEE International Conference on Robotics and Automation , 2020. 摘要 在本文中，我们提出了一种基于因子图的3D LiDAR SLAM系统，组合了SOTA深度学习的基于特征的回环检测子，使得腿式机器人能够在工业环境中定位和建图。点云先通过惯性运动学状态估计器对齐，然后再使用ICP配准对齐。为了闭环，我们使用使用一种回环策略

点击上方“ 3D视觉工坊 ”，选择“星标” 干货第一时间送达 目前三维点云数据的获取方法相对快捷，同时三维点云数据的采集不受光照影响，也规避了二维图像遇到的光照、姿态等问题，因此基于点云数据的三维物体识别也引起了人们的重视。 三维点云物体识别方法多是通过提取物体的特征点几何属性、形状属性、结构属性或者多种属性的组合等特征进行比对、学习，从而完成物体的识别与分类。可以分为以下四类方法： 1.基于局部特征的目标识别 基于局部特征的物体识别方法主要是通过局部来识别整体。该方法无需对处理数据进行分割，往往通过提取物体的关键点、边缘或者面片等局部特征并进行比对来完成物体的识别。其中，特征提取是物体识别中非常关键的一步，它将直接影响到物体识别系统的性能。基于局部特征的方式对噪声和遮挡有更好的鲁棒性，同时不受颜色和纹理信息缺乏的限制。由于局部特征描述子仅使用参考点邻域信息，所以不对场景进行分割即可处理复杂场景。但是局部特征描述子维度较高，需要消耗更多的内存，同时存在计算复杂度高，实时性差等问题。 点特征直方图(PFH)和快速点特征直方图(FPFH)是Rusu R B等人提出的相对早期的局部特征描述子。采用统计临近点对夹角的方式构造特征描述子，这也是局部特征描述子构造的典型方式，在此基础上形成了基于局部特征匹配的目标识别和位姿估计的经典框架，如下图所示。表１对典型的局部三维描述符进行了总结

北京发布《关于一次性增发新能源小客车指标配置方案（征求意见稿）》。根据意见稿，拟在今年8月，一次性增发2万个新能源小客车指标，全部向“无车家庭”配置，同时摇号政策也会迎来一次较大的改变。 随着汽车拥有者的不断增多，各大车主在享受汽车带来的方便的同时，购买无人值守洗车机的用户持续上涨，引得众多资本家纷至沓来，想要赶上这波科技经济新浪潮。如今大多数落后的人力劳动都被高效的机械化所取代，很多地方开始使用全自动洗车设备来代替落后的人力洗车。 车牌识别技术智能洗车应用 相比传统的人工洗车，智能洗车具有以下优势： a、智能排队、预约系统可以及时查询、反馈排队情况，为车主提供更自由灵活的选择，从而节约了不必要的等待时间，提升了车主体验。 b、位置信息的获取，可以为车主提供周边多个门店选择，车主可以就近，也可以根据排队情况选择。 c、公众号即可完成服务，车主免去了下载APP的过程，一来用户操作更轻便，二来运营获客门槛降低。 d、微信支付/支付宝支付，便捷的支付提升了车主体验，免去了找零找现金等繁琐步骤。 e、车牌识别技术，自动开闸，自动开机洗车，减少了人工操作，提升了效率，提升了用户体验。 f、智能洗车系统，快速完成喷水，泡沫，擦拭车身，清晰泡沫，风干车身等步骤；提升了效率，减少了车主等待时间。 g、智能洗车系统提升了洗车效率，最终提升了单店洗车量，提升了时效。原来人工洗车1小时可以洗2~3辆车

前几日李想评论特斯拉“销量碾压”的核心原因在于充电体系的带动，引发了汽车圈内众多反驳，说特斯拉赢在品牌力、驾驶体验、续航等各种观点的人都有。其实从李想的话语意思来看，并非意指充电就是单一胜出因素，但大部分同行还是严重低估了特斯拉自建超级充电站对销量的促进作用。巧的是，8月7日特斯拉宣布V3超级充电桩落成，并详细透露了充电布局进展。特斯拉热销究竟是不是靠充电体系？从中可略窥一二。 核心是消灭里程焦虑 每一份关于新能源车用户需求的调研分析都会指向两个最大难题：续航和充电。“开路者”特斯拉在2014年刚进入中国市场时，同期电动车的续航徘徊在200km左右，Model S直接跨到500km。随后几年里，中国及其他跨国品牌电动车一步步追到500km甚至更高的水平，特斯拉依然凭借先发优势稳住了长续航的品牌人设。 对充电网络的布局要比产品推广更超前一些，特斯拉从2012年开始在全球铺建充电站。目前国内已经建成超过2500个超级充电桩、2400个目的地充电桩，覆盖90%的人口密集城市，并且能支持从北京到上海，哈尔滨到三亚，兰州到深圳这样横跨东西、纵横南北的长途出行充电。 最新在北京落成的V3超级充电桩，是特斯拉下半年建设充电网络的重点。V3使用全新电力电子元器件，具备比V2超级充电桩更快的充电速度，可实现250kW最大充电功率。以Model 3为例，充电15分钟约可以补充200km以上的续航里程

车牌识别流程图 车牌识别核心五大特点： 　　1. 整牌识别率高，尤其汉字识别摇摇领先同类产品； 　　2. 识别速度快，极致优化的车牌定位和识别算法; 　　3. 支持蓝牌、黄牌、新军牌、新武警牌、警牌、农用车牌、教练车牌、大使馆等各种规格牌照； 　　4. 车牌宽度要求低，车牌宽度≧60个像素，都不影响识别； 　　5. 纯C代码编写，可以跨平台应用。 PC端车牌识别demo 　　DSP平台车牌识别，嵌入式车牌识别SDK规格 　　支持识别类型：高清图片识别、卡口视频检测识别； 　　产品形态：采用静态链接库（lib）的方式，嵌入到用户应用程序中； 　　授权模式：加密芯片、授权文件、芯片序列号； 　　支持芯片类型：DM8127、DM8148、DM8168、DM6437、DM648、DM6446、DM6467、DM3730、海思平台等； 　　识别速度：100万像素，识别时间50ms左右 200万像素，识别时间80ms左右 500万像素，识别时间320ms左右 　　识别率：整体识别率大于99%； 　　车牌像素宽度：60——400像素宽度之间； 　　识别车牌类型：普通蓝牌、黄牌(双层)、新军牌（双）、新武警牌（双）、警牌、农用车牌、教练车牌、大使馆车牌、领事馆车牌、新能源车牌等各种规格汽车号牌； 　　运行环境：DSP核，ARM核（A8以上），DSP+ARM核； 　　应用场合：智能相机、视频服务器；

随着汽车科技的进步以及日益严苛的排放法规，传统的燃油汽车正在逐步面临转型，新能源汽车逐渐进入我们的生活，然而，随着新能源汽车产业的发展，汽车的充电问题也随之产生，充电基础设施建设布局是影响我国新能源汽车推广的关键性因素之一。在发改委公布的《电动汽车充电基础设施发展指南（2015-2020年）》中指出，我国充电基础设施建设的阶段性发展目标是 “截止2020年，建成集中充换电站1.2万座，分散充电桩480万个”。本文将对近几年充电桩站推广遇到的最为普遍的充电站占位问题做主要探讨。 对充电桩企业来说，目前仍处于投资阶段，当前的充电桩市场正在快速的演化，有很多不确定性，随着国家相关政策及管理体系的逐渐完善，充电桩行业的洗牌速度将会加快，同时对于充电桩站的管理方案也逐渐成熟。 充电站的建设主要基于停车场的基础上，传统的停车场景本身就有着多种类型，充电这一行为的加入让这些场景的服务逻辑变的更加复杂，我们可以按照各类场景下现有的配置将各个公共充电场所大致分为两种：封闭式的专用充电站和开放式的充电站。 封闭式的专用充电站 主要是指电桩运营商利用出入口车牌识别道闸单独圈出一定区域、站内只有充电车位、只允许充电车辆进出的场所，这类电站较多出现的占位情况在于完成充电的电动汽车占位，此外也会有一些误闯或强制进站停车的油车造成的占位。 这应该是占位问题最好解决的一类了

对象存储概念及特性 在介绍 QingStor®️对象存储内部的的架构和设计原理之前，我们首先来了解一下对象存储的概念，也就是从外部视角看，对象存储有什么特性，我们应该如何使用。 对象存储本质上是一款存储产品，与其他的存储，如文件存储、块存储，功能是类似的，主要的功能都是数据的读和写。最大的不同在于对象存储是把数据作为对象进行管理，这是它最主要的特征，所有的数据在这里面都当做一个对象处理。 对象存储有一些非常鲜明的特点： 它的结构是扁平的，不像文件存储那样有目录层级，在读写数据时不需要对目录进行层层查找和打开。 对象存储具备海量数据存储的能力，这里的海量指的是不仅仅是几百 GB 的量，而是说几百 T 甚至上 PB 的级别。 对象存储适用于非结构化数据的存储，非结构化具体指的是不对数据的类型和格式做任何假设，不管是简单的文本，还是图片、视频、音频都可以存在对象存储里，当做对象来处理。 对象存储通过 Restful 接口对外提供服务，也就是 HTTP 协议，这使得对象存储的访问非常方便，随时随地可以进行数据的上传和下载。 QingStor®️对象存储核心优势 ![0_1591683403636_1.png]( https://community.qingcloud.com/assets/uploads/files/1591683404995-1-resized.png

含光800云服务器，配备阿里平头哥自研神经网络加速芯片含光800，提供全球最高单芯片AI推理性能，有着同类处理器的数十倍性能；并针对业务场景做了深度优化，广泛适用于图像搜索、场景识别、视频内容识别、自然语言处理等业务，为客户提供超高性价比的推理解决方案。 阿里云城市大脑交通信号机系统使用含光800服务器处理车辆检测、品牌识别、车牌识别等算法模型，单张含光800全链路能够支持100路实时视频的分析和特征结构化数据的提取，相比GPU性能提升超过5倍。 阿里电商平台合规经营也在含光800云服务器上建立了多维度全方位的风险识别机制。在同样的算法精度下，性价比是GPU的4倍。 据悉，含光云服务器还基于阿里云自研的神龙云服务器架构，为用户提供弹性裸金属加速实例，兼顾了物理服务器的功能性能优势，以及云计算的高可用优势。开发工具采用阿里平头哥HGAI自动化开发工具，支持主流深度学习框架TensorFlow、Caffe、MXNet和ONNX。 今年3月，阿里云飞天AI加速引擎AIACC与含光800的组合，打败了Google，拿下了斯坦福大学DAWNBench ImageNet推理成本的世界第一，能效比达500IPS/W，是第二名的3.3倍。 AIACC是业界首次统一加速Tensorflow、PyTorch、MXNET、Caffe等主流开源框架的性能加速引擎，AIACC