先别急，慢慢听这个故事。事情从维多利亚警察局说起。这是澳大利亚维多利亚州的主要执法机构。去年维多利亚州有超过16,000辆汽车被盗，价值约1.7亿美元。警察部门正在试验各种技术解决方案，以打击汽车盗窃行为。他们称这个系统为BlueNet。为了防止被盗车辆的翻新出售，已经有一项称为VicRoads的网络服务，用于检查车辆的登记状态。
警察局还投资了一个固定式车牌扫描仪——一个固定三脚架相机，扫描过往车辆，自动识别是否被盗。不要问我为什么，但是突然有一天下午，我想搞个车载车牌扫描仪，如果车辆被盗或者没注册，它会自动发通知给你。扫描仪元件市面上都有，但我想知道将它们连接在一起是多么困难。在网上搜了下之后，我发现维多利亚警方最近搞过类似设备的试验，预期费用大约在8600万美元左右。
一个刁钻的评论者指出，在220辆汽车上装扫描仪的成本为8600万美元，相当于每辆汽车390,909美元。但是我们可以做得更好。产品设计的一些关键要求：图像处理必须在本地执行，将实时视频传给处理器处理应该是解决这个问题最没用的方法。除了高昂的数据流量费用之外，你还会将网络延迟引入到可能已经很慢的处理流程中。虽然机器学习算法会随着时间的推移变得更加准确，但我想了解在本地设备上的实现是否“足够好”。
必须使用低质量图像，由于我没有树莓派摄像头或USB网络摄像头，所以我将使用dashcam摄像头——它使用要求低，是样本数据的理想来源，它能代表了你对车载摄像头所期望的整体质量。需要使用开源技术构建，使用专用软件意味着您每次请求更改或增强时都会遇上些问题——并且此后每次请求都会继续产生问题，但使用开源技术就不用费脑子。
我的解决方案概括来说，我的解决方案是从dashcam视频中获取图像，通过本地设备安装的开源车牌识别系统，查询车牌是否有问题，然后返回结果进行显示。返回的数据包括车辆的品牌和型号（仅用于验证车牌是否被盗），登记状态以及被盗车辆信息。这事儿听起来很简单，那是因为它确实就这么简单，例如图像处理都可以由openalpr库处理。
这真的是识别车牌上的内容所涉及的所有信息：VicRoads的API不能被公开访问，所以我们通过网络爬虫对进行车牌检查。虽然这样做不太好，但这就是一个概念证明，我也不会攻击任何人的服务器。下面是我的代码：我得说结果出乎我的意料。我原本预计开源牌照识别系统会非常垃圾。此外，图像识别算法可能未针对澳大利亚车牌进行优化。但结果表明它能够识别的视野范围特别广。
为了最终效果添加些注释，尽管有反射和镜头失真，但仍能识别车牌。但是算法遇上特定字母也会出错。将M误认为是H。多训练几次之后也能辨识清楚。几帧之后，M被正确识别，置信度更高。如上图所示，图像处理几帧后，从87％的置信度评分跳到91％以上。我很有信心，只要通过提高采样率，然后按最高置信度排序就能提高准确性。或者可以设置阈值，只有置信度超过90%才能进行检验。
这些问题从代码层面上就能直接改，并且不妨碍数据集的训练。8600万美元的问题老实说，我完全不知道8600万美元到底包括什么，我也不能将我的开源软件的准确性和试点的BlueNet系统相提并论。我只希望预算的一部分包括更换几个祖传数据库和软件，来支持每辆车高频率、低延迟地查询车牌。
另一方面，每辆车约39.1万美元的成本似乎相当宽裕——前提是BlueNet不是特别准确，并且没有大规模的IT系统的更换与升级。未来的应用情况虽然很容易陷入奥威尔式的“老大哥在看着你”车牌检测网络，但这种技术有许多积极的应用。想象一下，这个系统发现哪家人的车被撬了，就能自动通知警察和主人车的当前位置。
特斯拉汽车就已经装上了能够无线更新的摄像头和传感器，Ubers和Lyft司机也可以配备这些设备，以大幅增加覆盖范围。再加之使用开源技术和现有组件，似乎可以提供一种回报率更高的解决方案——投资远低于8600万美元。好了，今天的故事说到这里。后续究竟如何，我们等着看。