演算法不是通用的，基於深度學習的應用系統不但做不到通用，即使對於同一類業務場景，還需要為每個場景做定製、特殊處理，這樣才能有可能到達實用標準。這種侷限性在計算機視覺領域的應用中表現得尤其突出，本文介紹基於深度學習的交通行業影片結構化類應用在實際使用場景中遇到的一些問題。計算機視覺處理的目標是圖片，因此圖片直接影響最終演算法的效果，實際場景中碰到的問題基本都是由於各種原因導致影片圖片發生變化最後影響系統的使用效果。
露天天氣環境影響
由於天氣變化、光照季節性變化等各種原因，影片畫面經常出現干擾性噪聲，直接影響到最終目標檢測演算法的準確性。大致分為以下幾類：
（1）光照陰影。道路兩旁樹木、路牌等投影在路面上的陰影造成的誤檢。這種情況不是時刻都發生，受太陽光照射角度、強度影響。
（2）路面反光。路面不平偶爾出現反光偏暗的情況，被誤檢成拋灑物、車輛。這種情況不是時刻都發生，受太陽光照射角度影響。
（3）鏡頭光暈。受太陽逆光照射，鏡頭上產生光暈，最終會影響影片畫面，產生各種誤檢。
（4）鏡頭雨點。下雨天氣攝像機鏡頭沾雨水，最終會影響影片畫面，產生各種誤檢。
（5）大雨大霧。碰到大雨大霧時，直接遮擋路面上的目標，影響檢測效果，造成漏檢。
（6）風吹導致鏡頭偏移。交通類影片結構化應用要求攝像機視角不能異常移動（程式控制除外），原因有兩個，一是交通類應用需要測速、計數，這兩個功能要求事先在影片畫面中做一些描點配置，視角偏移會影響該項功能；二是交通類應用只需要檢測路面上的目標（其他場景其實也只需要檢測特定區域中的目標），如果攝像機偏移，非路面目標容易進入事先配置的檢測區域，容易造成誤報，比如路牌進入檢測區域，容易誤檢成車輛。
受外在環境影響，演算法的檢出率大大降低，誤報率上升，同時還會影響目標跟蹤效果，因為目標的跟蹤效果嚴重依賴於目標檢測效果，如果目標鎖定不穩定，跟蹤就會很差，目標行為分析結果就很差。
——紅色箭頭處光影和地面箭頭一起造成的誤檢——
外場缺少亮度照明
外場道路夜間沒有燈光照明時，人眼分辨目標就比較困難，再加上車輛遠光燈照射鏡頭，系統基本無法工作：
（1）夜間完全無燈光照明時，行駛車輛即使開啟近光燈，演算法檢出率也不高，尤其當攝像機正對車頭位置時（正對車尾效果還好）。
（2）夜間完全無燈光照明時，行駛車輛開啟遠光燈，當攝像機角度偏平（平視姿態），遠光燈會直射鏡頭，畫面完全無法分辨。
部分道路夜間有燈光照明時，系統工作效果非常好，幾乎跟白天效果接近。目標檢測的前提是目標輪廓清晰，如果由於燈光等原因，目標輪廓無法與環境有明顯區分，那麼系統效果非常差。
——夜間無燈光照明——
三維場景到二維畫面的資訊丟失
現實世界是三維的，影片畫面是二維的，三維到二維的對映會造成一些場景資訊的丟失，比如由於透視造成的座標對映刻度不可知或者需要相當複雜的配置過程，這就導致在進行目標行為分析時會碰到非常多的困難：
（1）停車誤檢。道路盡頭的大卡車由於行駛速度比較慢，車型體積又比較大，從二維畫面中觀察，人眼很難判斷目標是否靜止不動，行為分析演算法邏輯同樣會出現這種情況。
（2）車輛測速配置過程複雜。汽車在平面上勻速行駛，但是透過攝像機畫面看到的目標並非如此，畫面中觀察到的結果是“遠慢近快”，目標在畫面中的“畫素速度”與“實際物理速度”不能簡單一一對映，需要複雜的配置過程。
檢測區域配置複雜
如果需要進行目標行為分析，系統使用之前需要對每個場景（攝像機視角）進行單獨的區域配置、引數標定，這個過程非常複雜，如果場景數目多，這個工作量非常大：
（1）人工標定檢測區域。只有在檢測區域內部的目標才會被處理，忽略其餘檢測目標。這樣做的好處是可以避免一些誤檢，因為我們只對道路範圍內的目標感興趣。可以自動識別感興趣區域，但是這個增加了複雜度，並且識別結果準確性不高。
（2）人工標定計數線和測速參照物。交通類應用需要測速和計數，由於二維畫面透視成像的原因，需要事先標定各種參照物，這個工作量不僅大還不太好做，因為現實中可能沒有合適的參照物給你去標。
這些事先的配置引數跟場景關聯密切，一旦場景變化（比如攝像機轉動導致畫面變化）這些引數統統失效。
前端影片採集裝置不可掌控
在演算法、模型固定的前提下，系統準確性嚴重依賴於影片畫面中目標的分佈情況，如果前端攝像機安裝位置不理想，太低或太高、拍攝距離太遠、角度太偏橫對道路行車方向等等，都不利於目標的檢出率：
（1）攝像機安裝太高、拍攝距離太遠。就算在高畫質畫面中（1920*1080），道路上的目標依然非常小，只有近處的車輛才能被演算法準確檢測到，遠處的車輛要麼不能被穩定鎖定、要麼不能識別出正確的車型或者其他屬性。
（2）攝像機安裝太低。車輛經過影片畫面中的時間非常短，大車甚至完全將畫面遮擋，導致其他目標無法被即使檢測到。
（3）攝像機安裝角度太偏。由於安裝條件有限，大部分攝像機只能安裝在道路兩側，車輛車身遮擋、綠化帶遮擋，導致對向車道車輛經過時無法準確檢測。
現實場景中大部分前端裝置都已提前安裝完畢，客戶無法根據影片結構化的需求去調整前端影片採集裝置，成本太高。
——攝像機角度太偏，對向車道被大車遮擋、綠化帶遮擋——
攝像機人為干擾
前面提到過，攝像機角度偏移會造成各種問題，比如配置失效，誤檢增多、計數測速不準。監控類攝像機大部分都可以人為切換視角，焦距變化、雲臺變化等等：
（1）出現剮蹭等交通事件時監控員人為變焦。當出現交通事故導致車輛停止，行車道出現行人時，監控員通常會拉近鏡頭檢視具體交通事件詳細。
（2）出現擁堵等路況時監控員人為切換預置位。當出現擁堵等路況時，監控員移動雲臺攝像機360度移動檢視擁堵程度。
現實場景中，出於各種原因，攝像機會被人為移動，導致事先配置引數失效、誤檢增加等問題，這時候需要及時透過影片畫面發現場景變化、及時停止檢測，等場景恢復之後再恢復檢測，但是這種“偏移停檢”的演算法也做不到100%準確。
——監控員人為操控攝像機，場景變化——