Amb la innovació i el desenvolupament de la tecnologia de pagaments mòbils, el pagament intel·ligent de reconeixement facial ha acudit al públic després del pagament del codi QR cada cop més madur i popularitzat, especialment el ràpid desenvolupament de la tecnologia de reconeixement facial en els darrers dos anys. La millora efectiva de la precisió i la velocitat del reconeixement ha proporcionat una base per a l’aplicació del reconeixement facial en molts camps.
L’aplicació del reconeixement facial va començar a augmentar gradualment. Amb el llançament oficial del projecte de pagament de Jinhua Bus Face el gener del 2019, es va convertir en la primera ciutat de la Xina a utilitzar el sistema de “reconeixement facial”, iniciant una nova era de pagament facial a la indústria d’autobusos.
Què passa amb la pràctica i l’aplicació de la tecnologia de reconeixement de rostres intel·ligents en l’àmbit del transport públic? El 2019, més de 20 ciutats de la indústria d’autobusos han realitzat proves de reconeixement facial o han utilitzat sistemes de reconeixement facial. El reconeixement facial s’ha popularitzat en la indústria d’autobusos. Tot i això, hi ha algunes rutes d'autobús que poden suportar el reconeixement de la cara a les ciutats secundàries. La majoria es troben a l’etapa d’operació de prova. Per tant, es pot veure que cal millorar l’acceptació del reconeixement de la cara pels passatgers. Hi ha certes limitacions.
Problemes amb el reconeixement facial en el transport públic
Els principals processos de la tecnologia de reconeixement facial inclouen l’adquisició d’imatges facials, la detecció de la cara, el preprocessament, l’extracció de funcions facials, la concordança/reconeixement de la cara, etc.
Hi ha alguns problemes en la pràctica i l’aplicació de la tecnologia de reconeixement facial en el camp del transport públic, de la següent manera:
1. Precisió del reconeixement
El pagament d’autobús pertany a la indústria de pagaments. La indústria de pagaments requereix una alta precisió del reconeixement. Els errors d’identificació provocaran un gran nombre de queixes, cosa que suposa un gran repte per a l’experiència dels usuaris i l’operació d’autobús. Poden afectar greument l’acceptació dels usuaris del reconeixement de la cara.
2. Basa d'usuaris d'abastament
Té una gran base d’usuaris. En comparació amb la indústria financera i la indústria ferroviària, la indústria d'autobusos té una base d'usuaris relativament més gran. El sistema d'autobusos d'una ciutat cobreix gairebé tota la gent de la ciutat. Les ciutats secundàries solen tenir milions d’usuaris.
3. Alta eficiència del trànsit
A causa del gran nombre de passatgers, cal aconseguir un pas ràpid per tal d’evitar la congestió i els embussos de trànsit, especialment durant les hores punta.
4. entorn operatiu diferenciat
Cada ciutat té autobusos. No només hi ha edificis alts, viaductes i túnels, sinó també suburbis remots. Per tant, l’entorn operatiu és relativament complex. Al mateix temps, diferents ubicacions i temps de parada d'autobús també tindran llums diferents. Hi ha diferents entorns d’il·luminació com ara la llum de fons, la llum baixa i la llum forta. També hi ha diferents entorns de xarxa 4G en diferents àrees i diferents ubicacions de la mateixa àrea. La identificació en línia de llocs amb senyals de xarxa febles és molt limitada.
5. costos de construcció
El transport públic urbà és un benestar social. La majoria de les empreses d’autobusos s’enfronten a restriccions financeres. Actualment, els terminals de reconeixement facial del mercat són principalment terminals de reconeixement de cara. No hi ha cap pagament i pagament del codi QR, de manera que els autobusos han d’instal·lar diversos terminals. D’una banda, augmenta els costos de construcció i provoca una pèrdua de recursos socials. D'altra banda, diversos conjunts d'equips solen correspondre a diversos conjunts de sistemes de gestió, cosa que augmenta els costos de funcionament i de gestió i també aporta problemes en la integració de dades.
Solucions de reconeixement facial del transport públic
La tecnologia Hangzhou Golong proporciona un conjunt complet de solucions en el camp del transport públic basat en la tecnologia de reconeixement facial. S’adopta la tecnologia avançada per assegurar la precisió i la velocitat de reconeixement del reconeixement facial, cosa que ajudarà al desenvolupament de la tecnologia de reconeixement facial en el camp del transport públic.
1. Improveu la precisió del reconeixement
Els productes de reconeixement facial de Hangzhou Golong Technology utilitzen tecnologia de reconeixement de la cara 3D. La tecnologia de reconeixement de la cara 3D té una adaptabilitat més alta a diverses situacions.
Pot aconseguir una precisió de reconeixement més elevada i resoldre eficaçment els problemes de reconeixement facial.
En termes d’eficiència de reconeixement, Golong Technology adopta el mètode de reconeixement en línia i en línia dels equips de capçalera i dels servidors de backend, que poden aconseguir un reconeixement fora de línia mil·lisegona. A més, pot solucionar la majoria del reconeixement dels usuaris durant l'hora punta. És a dir, pot accelerar la velocitat de reconeixement, augmentar la precisió, reduir les dades de comunicació i disminuir la pressió de reconeixement dels servidors de backend.
L’entorn operatiu d’autobús és complex i variat, i l’entorn de la llum és diferent. La tecnologia Hangzhou Golong capta les dades de la cara mitjançant una combinació de càmeres òptiques i infrarojos, que asseguren de manera més eficaç la velocitat i la precisió del reconeixement facial en la llum forta, la llum feble i el retroiluminació. Pot proporcionar als usuaris una millor experiència en viatjar.
2. Solució gran base d'usuaris
En primer lloc, amb el desenvolupament de la capacitat informàtica, els ordinadors existents han pogut identificar bases de dades a escala - a escala i comparar informació de desenes de milions de persones. En segon lloc, l’àmplia aplicació de serveis al núvol també proporciona un model de desplegament més eficaç i una taxa d’utilització de recursos més raonable. En tercer lloc, amb la promoció generalitzada de microservicis i altres arquitectures, les bases de dades i les operacions multi -nodes s’han convertit en una realitat per proporcionar millors solucions. En quart lloc, també es poden fer comparacions de capa múltiples. Els passatgers es poden dividir en diferents biblioteques segons les regles de viatge, etc. Les petites bases de dades es projecten per grans bases de dades. Aleshores, es pot realitzar un reconeixement precís. La tecnologia anterior es pot utilitzar per resoldre una gran base d’usuaris.
3. Improveu l'eficiència del flux de trànsit
Hi ha diverses solucions al problema de l'eficiència del trànsit:
En primer lloc, es pot aconseguir una identificació fora de línia per resoldre el problema d’eficiència causat per la latència de xarxa. La identificació fora de línia està ara limitada principalment per la potència informàtica dels dispositius de capçalera i la mida de la base de dades local de les cares emmagatzemades. Per tant, es necessita un conjunt d’algoritmes per seleccionar els passatgers comuns de cada autobús. Es pot analitzar la informació de viatges de cada persona mitjançant Big Data.
En segon lloc, amb el desenvolupament i l’ús gradual de la tecnologia 5G, les xarxes de transmissió d’alta velocitat també es convertiran en una solució excel·lent. Finalment, les càmeres de captura es despleguen per identificar els passatgers en alguns llocs en alguns llocs, com ara plataformes BRT, portes de metro, etc. Després de la identificació amb èxit, la informació del passatger es sincronitza al terminal de càrrega per aconseguir una identificació ràpida.
4. Resoleu el problema de les grans diferències en els entorns operatius
En el funcionament real del transport públic, el medi ambient és complex. Per a diferents problemes de llum, el reconeixement en 3D esmentat a la precisió del reconeixement pot solucionar aquest problema. Tant si es tracta de llum baixa, de llum o llum forta, es poden reconèixer les cares. En segon lloc, el reconeixement facial es pot combinar amb els codis QR. Diferents mètodes de pagament corresponen al mateix compte, que no només poden millorar l'experiència de l'usuari, sinó que també solucionar els problemes causats pel medi ambient en el pagament facial.
5. Aprofiteu els costos
En termes d’estalvi de costos, Golong utilitza un mètode d’integració del sistema en lloc de substituir els mètodes de pagament existents. Actualment, les targetes IC, els codis QR, el pagament facial i altres mètodes de pagament s’integren al terminal de pagament complet, en lloc d’un terminal de pagament únic. La tecnologia Hangzhou Golong integra la tecnologia actual del codi QR amb tecnologia de reconeixement facial sobre la base de millorar l'eficiència i la precisió del reconeixement facial. Una aplicació i un compte poden donar suport a diversos mètodes de pagament. Els usuaris només necessiten registrar -se a l’aplicació una vegada. Poden obrir selectivament dos mètodes d’aplicació, cosa que millora de manera més eficaç l’experiència de l’usuari i accelera l’acceptació dels usuaris.
6. Aplicació a tot el reconeixement facial
Tot i que es poden solucionar els problemes anteriors, la tecnologia Hangzhou Golong també ha ampliat el pagament facial a diverses aplicacions.
El primer és l’aplicació de seguretat, que pot permetre que els dispositius de pagament facials exerceixin una altra capa de valor.
En segon lloc, el reconeixement facial també pot solucionar les pèrdues causades pel préstec de les targetes d’autobús de grups especials (persones grans, personal militar, estudiants, etc.) i adonar -se al control anual en línia de les targetes preferents alhora.
En tercer lloc, també combina la programació d’autobusos i la seguretat de la conducció per aconseguir múltiples aplicacions com ara registrar l’assistència a través de les cares dels conductors, l’anàlisi del comportament de conducció i les estadístiques de flux de passatgers.
En quart lloc, durant l’epidèmia, l’aplicació del reconeixement facial pot proporcionar millors estadístiques de dades per a la prevenció i control de l’epidèmia i reduir la càrrega de treball d’estadístiques manuals.