計算機視覺在自動駕駛中的應用探討

陳文博

摘 要：在自動駕駛的感知系統(tǒng)中，圖像傳感器能夠獲取物體的類型、顏色等信息，相比其它傳感器，信息更加豐富，但信息提取的難度較大。計算機視覺技術的出現為從圖像數據里提取關鍵信息提供了基礎。本文介紹了計算機視覺的概念和原理，闡述了其在自動駕駛中的應用現狀，討論了其當前面臨的技術、傳感器以及安全挑戰(zhàn)，并給出針對性建議。

關鍵詞：計算機視覺;自動駕駛;感知

中圖分類號：TP391.41 文獻標識碼：A 文章編號：1671-2064（2019）03-0049-02

0 引言

自動駕駛汽車是汽車電子、智能控制以及互聯(lián)網等技術發(fā)展融合的產物，汽車被發(fā)明不久，人們就有了設計自動駕駛汽車的想法，最早的自動駕駛汽車出現在上世紀20年代，采用無線電控制汽車的行進，與遙控汽車類似。隨著信息技術的發(fā)展，自動駕駛汽車也逐漸走向成熟，與早期的無線電控制不同，汽車有了自主控制的功能。現如今，自動駕駛汽車是指能夠利用其自身的感知系統(tǒng)獲取車輛自身以及外界環(huán)境信息，經過計算系統(tǒng)分析信息、作出決策，控制執(zhí)行系統(tǒng)實現車輛加速、減速或轉向等操作，從而實現在無需駕駛員介入的情況下自主行駛的汽車[1]。為促進自動駕駛汽車與現有交通系統(tǒng)的融合，并鼓勵自動駕駛技術的發(fā)展，聯(lián)合國、美國、歐洲多國、亞洲多國均針對自動駕駛制定了多項相關政策，涉及道路測試、技術研發(fā)、配套交通等多個方面。

自動駕駛汽車中感知系統(tǒng)是其核心組成，感知系統(tǒng)利用傳感器對環(huán)境中的人、車、物等進行檢測、識別，為車輛決策提供數據支持。感知系統(tǒng)的輸入設備包括光學攝像頭、光學雷達（LiDAR）、微波雷達、導航系統(tǒng)等，其中光學攝像頭由于其成本低、獲取信息豐富等特點在自動駕駛系統(tǒng)中的應用越來越廣泛[2]。對光學攝像頭獲取的圖像數據進行分析往往需要借助計算機視覺技術。現在的人力駕駛汽車，視覺是決定汽車安全駕駛的關鍵，對于自動駕駛汽車來說，計算機視覺通過模擬人的眼睛和大腦的處理去識別道路上所有跟駕駛相關的物體（車、人、車道線、紅綠燈、路的邊緣等）來保證車輛的正常行駛。

1 計算機視覺概述

計算機視覺是利用各種成像系統(tǒng)作為信息輸入的方式，從而盡可能地替代人類的視覺器官，之后利用計算機系統(tǒng)對輸入的信息（圖像）進行處理、分析，理解圖像的內容，最終使得該系統(tǒng)具有能夠從二維圖像理解三維環(huán)境的能力，在自動駕駛領域，計算機視覺的應用可以使系統(tǒng)自主適應各種復雜的環(huán)境[3]。基本的計算機視覺系統(tǒng)結構如圖1所示。

首先是攝像頭等成像系統(tǒng)獲取相關的圖像數據作為輸入，之后進入視覺系統(tǒng)使用視覺相關算法進行處理，提取圖像中的特征，之后對這些信息進行描述、存儲、識別與理解，進而獲得有用的視覺信息，包括形狀、位置、姿態(tài)、運動等。單一的圖像傳感器獲取周圍信息時，安全性、整體性都相對較差，為此一些汽車廠商已開始研究雷達傳感器和光學傳感器（普通光學攝像頭、紅外攝像頭）的融合技術以提高系統(tǒng)的可靠性以及面對不同環(huán)境的適應性。

2 計算機視覺在自動駕駛中的應用

計算機視覺通過攝像頭可以感知的對象或信息包括人、車、周圍障礙物、交通標志和行駛環(huán)境等。

2.1 路況信息檢測

路況信息主要包括影響行駛的行人、車輛以及障礙物等，對這些信息進行檢測是自動駕駛系統(tǒng)采取相應的規(guī)避或制動措施的基礎，其檢測的準確性將直接影響駕駛安全。在車輛行駛過程中，各種路況信息（行人、車輛、障礙物等）是隨機出現的，難以提前預測，也就無法提前采取預防措施，駕駛系統(tǒng)只能在行駛過程中進行實時檢測、識別，對檢測算法的實時性要求較高。

基于計算機視覺的路況信息檢測算法能夠滿足上述檢測要求，可以在行駛過程中進行實時檢測，因而不需要獲取檢測對象的先驗信息，已經成為路況信息檢測的主流研究方向。以車輛檢測為例，計算機視覺算法利用車輛自身的圖像特征（如陰影、對稱性、邊緣等），能夠快速確定車輛在圖像中的區(qū)域，之后就可以對檢測的車輛進行跟蹤。Tesla將前置攝像頭安裝在反光鏡的前面，通過計算機視覺技術處理攝像頭提取的信息，并以此來計算距離，識別人、車輛和障礙物。

2.2 交通標志檢測

交通標志是道路基礎設施的重要組成部分，它們?yōu)樗緳C提供關于路況的相關信息，同時也能促使司機調整駕駛行為，以確保他們遵守現行的任何道路法規(guī)。交通標志檢測包含許多內容，如車道、交通信號燈、限速標志、道路標線等內容，以車道檢測為例，車道檢測主要是為了確定道路的位置和方向，從而對車輛進行控制使其按照規(guī)劃的線路行進。此外，確定車道后還能為前述的行人、車輛和障礙物檢測提供幫助，縮小其檢索范圍，提高算法的運行速度，降低誤識率。為提高交通標志檢測的準確性，研究者在傳統(tǒng)計算機視覺技術的基礎上，將深度學習技術應用到該問題上，進一步提高了算法的可靠性[4]。要建立這樣的模型，需要采集大量的圖像數據并進行標注，將其作為訓練數據，之后利用這些數據訓練深度學習模型，使之可以自主識別交通標志。Tesla Model利用汽車在道路上采集的種路況數據不斷改善其識別算法的性能，進而提升用戶的駕駛體驗。

2.3 駕駛員疲勞檢測

近年來，隨著車輛數量的不斷增加，交通事故的發(fā)生率也不斷增長。據統(tǒng)計，駕駛員疲勞是導致交通事故的重要因素。雖然完全無人的自動駕駛不會出現駕駛疲勞的問題，但距離無人駕駛還有很長的距離，可以預見，在今后很長一段時間內，自動駕駛還會處在輔助駕駛階段即需要駕駛員的參與，因而解決駕駛員疲勞問題仍然十分重要。為此，基于計算機視覺技術的駕駛員疲勞檢測技術被開發(fā)出來。利用圖像傳感器采集駕駛員的面部圖像，之后利用計算機視覺技術進行處理，得到駕駛員的眨眼頻率信息，據此就能識別駕駛員的疲勞狀態(tài)。這種方法對駕駛員來說是無感采集的，不會影響其正常的駕駛行為，是目前檢測駕駛員疲勞狀態(tài)一種比較有效的方法[5]。

3 計算機視覺面臨的挑戰(zhàn)

在自動駕駛領域，相比于激光感知與微波感知，視覺感知獲取的信息量更加豐富、實時性好，體積小，成本較低，但計算機視覺也面臨技術、傳感器以及安全等問題。

3.1 技術問題

雖然計算機視覺技術在自動駕駛領域有了許多應用，但目前的應用水平總體來說還比較低端和原始，如何使計算機視覺的感知能力接近甚至達到人類的視覺能力仍然十分困難。現有的算法易受光照環(huán)境和運動等因素的影響，同時三維信息測量精度相對較低。現階段廣泛使用的深度學習模型是一個黑箱模型，其信息檢測的原理不能直觀地解釋，因而對其可靠性不能進行全面的評估。

為此，在進一步的研發(fā)過程中，應加大對算法可解釋性方面的研究，提升算法的智能型，最終達到與人類視覺系統(tǒng)相對的水平。

3.2 傳感器問題

目前，自動駕駛的感知系統(tǒng)的傳感器除了攝像頭還有激光雷達、毫米波雷等，這是因為沒有攝像頭獲取的信息還不能完全滿足自動駕駛的所有需求。攝像頭采集圖像時容易受風霜雨露以及光線等一系列復雜的環(huán)境因素的影響。在進行物體識別時三維信息的測量精度較低，且為獲取這些信息對系統(tǒng)的算力要求較高。

盡管攝像頭存在這些問題，但目前而言，攝像頭仍然是適用領域最廣的傳感器，已經被廣泛應用在自動駕駛領域。相比于其他傳感系統(tǒng)，對物體類型和顏色的準確識別是視覺系統(tǒng)無法比擬的優(yōu)勢，加上攝像頭硬件成本相對低廉，未來的發(fā)展?jié)摿^大。因此，未來可以研發(fā)穩(wěn)定、可靠的圖像采集裝置，能夠適應不同環(huán)境條件，從而方便后續(xù)利用計算機視覺進行圖像處理，提取相關信息。

3.3 安全問題

雖然計算機視覺在自動駕駛領域的應用十分廣泛，但也存在安全方面的問題。現階段，采用計算機視覺檢測相關信息雖然準確率較高，但遠沒有達到100%，也就是存在檢測錯誤的情況，盡管出現的可能性較低，但一旦出現后果不堪設想。為了保證自動駕駛的安全，一種可行的辦法是通過多傳感器實現信息融合，也就是說當視覺傳感器檢測出現問題時，其它的傳感器也能彌補這些失誤，利用多種傳感器共同檢測實現一定的信息冗余來確保安全。相比于視覺感知，激光感知與微波感知數據精度高，實時性好，能夠直接獲取物體三維距離信息，因此其也被作為自動駕駛的傳感器使用。

4 總結與展望

自動駕駛是未來汽車智能化的研究熱點之一，而計算機視覺技術是其中的關鍵技術。本文介紹了計算機視覺的概念及原理。論述了其在自動駕駛領域中的具體應用，分析了其面臨的主要挑戰(zhàn)并提出針對性的建議。視覺感知能夠及時、快速掌握車輛周圍的行人、障礙物、交通標志等信息，為系統(tǒng)進行有效應對突發(fā)事件提供支持，但圖像采集過程中易受光照環(huán)境、運動等因素的影響。為保證駕駛安全，現階段需要將多種傳感器融合，以保證信息檢測的準確與可靠。相信隨著計算機視覺技術的發(fā)展，其面臨的問題將會逐一解決，從而設進一步提升自動駕駛的發(fā)展水平。

參考文獻

[1] 張貴英，向函，趙勇.基于計算機視覺的自動駕駛算法研究綜述[J].貴州師范學院學報，2016，32（06）：14-19.

[2] 郝俊.自動駕駛環(huán)境感知系統(tǒng)研究[J].時代汽車，2018（09）：15-16.

[3] 徐鑫.探究計算機視覺發(fā)展前景及趨勢[J].電腦迷，2018（12）：26.

[4] 王科俊，趙彥東，邢向磊.深度學習在無人駕駛汽車領域應用的研究進展[J].智能系統(tǒng)學報，2018，13（01）：55-69.

[5] 牛亞尊，張翠青.駕駛疲勞識別方法研究綜述[J].內蒙古科技與經濟，2012（13）：17-19.