陈文博

摘 要：在自动驾驶的感知系统中，图像传感器能够获取物体的类型、颜色等信息，相比其它传感器，信息更加丰富，但信息提取的难度较大。计算机视觉技术的出现为从图像数据里提取关键信息提供了基础。本文介绍了计算机视觉的概念和原理，阐述了其在自动驾驶中的应用现状，讨论了其当前面临的技术、传感器以及安全挑战，并给出针对性建议。

关键词：计算机视觉;自动驾驶;感知

中图分类号：TP391.41 文献标识码：A 文章编号：1671-2064(2019)03-0049-02

0 引言

自动驾驶汽车是汽车电子、智能控制以及互联网等技术发展融合的产物，汽车被发明不久，人们就有了设计自动驾驶汽车的想法，最早的自动驾驶汽车出现在上世纪20年代，采用无线电控制汽车的行进，与遥控汽车类似。随着信息技术的发展，自动驾驶汽车也逐渐走向成熟，与早期的无线电控制不同，汽车有了自主控制的功能。现如今，自动驾驶汽车是指能够利用其自身的感知系统获取车辆自身以及外界环境信息，经过计算系统分析信息、作出决策，控制执行系统实现车辆加速、减速或转向等操作，从而实现在无需驾驶员介入的情况下自主行驶的汽车[1]。为促进自动驾驶汽车与现有交通系统的融合，并鼓励自动驾驶技术的发展，联合国、美国、欧洲多国、亚洲多国均针对自动驾驶制定了多项相关政策，涉及道路测试、技术研发、配套交通等多个方面。

自动驾驶汽车中感知系统是其核心组成，感知系统利用传感器对环境中的人、车、物等进行检测、识别，为车辆决策提供数据支持。感知系统的输入设备包括光学摄像头、光学雷达(LiDAR)、微波雷达、导航系统等，其中光学摄像头由于其成本低、获取信息丰富等特点在自动驾驶系统中的应用越来越广泛[2]。对光学摄像头获取的图像数据进行分析往往需要借助计算机视觉技术。现在的人力驾驶汽车，视觉是决定汽车安全驾驶的关键，对于自动驾驶汽车来说，计算机视觉通过模拟人的眼睛和大脑的处理去识别道路上所有跟驾驶相关的物体(车、人、车道线、红绿灯、路的边缘等)来保证车辆的正常行驶。

1 计算机视觉概述

计算机视觉是利用各种成像系统作为信息输入的方式，从而尽可能地替代人类的视觉器官，之后利用计算机系统对输入的信息(图像)进行处理、分析，理解图像的内容，最终使得该系统具有能够从二维图像理解三维环境的能力，在自动驾驶领域，计算机视觉的应用可以使系统自主适应各種复杂的环境[3]。基本的计算机视觉系统结构如图1所示。

首先是摄像头等成像系统获取相关的图像数据作为输入，之后进入视觉系统使用视觉相关算法进行处理，提取图像中的特征，之后对这些信息进行描述、存储、识别与理解，进而获得有用的视觉信息，包括形状、位置、姿态、运动等。单一的图像传感器获取周围信息时，安全性、整体性都相对较差，为此一些汽车厂商已开始研究雷达传感器和光学传感器(普通光学摄像头、红外摄像头)的融合技术以提高系统的可靠性以及面对不同环境的适应性。

2 计算机视觉在自动驾驶中的应用

计算机视觉通过摄像头可以感知的对象或信息包括人、车、周围障碍物、交通标志和行驶环境等。

2.1 路况信息检测

路况信息主要包括影响行驶的行人、车辆以及障碍物等，对这些信息进行检测是自动驾驶系统采取相应的规避或制动措施的基础，其检测的准确性将直接影响驾驶安全。在车辆行驶过程中，各种路况信息(行人、车辆、障碍物等)是随机出现的，难以提前预测，也就无法提前采取预防措施，驾驶系统只能在行驶过程中进行实时检测、识别，对检测算法的实时性要求较高。

基于计算机视觉的路况信息检测算法能够满足上述检测要求，可以在行驶过程中进行实时检测，因而不需要获取检测对象的先验信息，已经成为路况信息检测的主流研究方向。以车辆检测为例，计算机视觉算法利用车辆自身的图像特征(如阴影、对称性、边缘等)，能够快速确定车辆在图像中的区域，之后就可以对检测的车辆进行跟踪。Tesla将前置摄像头安装在反光镜的前面，通过计算机视觉技术处理摄像头提取的信息，并以此来计算距离，识别人、车辆和障碍物。

2.2 交通标志检测

交通标志是道路基础设施的重要组成部分，它们为司机提供关于路况的相关信息，同时也能促使司机调整驾驶行为，以确保他们遵守现行的任何道路法规。交通标志检测包含许多内容，如车道、交通信号灯、限速标志、道路标线等内容，以车道检测为例，车道检测主要是为了确定道路的位置和方向，从而对车辆进行控制使其按照规划的线路行进。此外，确定车道后还能为前述的行人、车辆和障碍物检测提供帮助，缩小其检索范围，提高算法的运行速度，降低误识率。为提高交通标志检测的准确性，研究者在传统计算机视觉技术的基础上，将深度学习技术应用到该问题上，进一步提高了算法的可靠性[4]。要建立这样的模型，需要采集大量的图像数据并进行标注，将其作为训练数据，之后利用这些数据训练深度学习模型，使之可以自主识别交通标志。Tesla Model利用汽车在道路上采集的种路况数据不断改善其识别算法的性能，进而提升用户的驾驶体验。

2.3 驾驶员疲劳检测

近年来，随着车辆数量的不断增加，交通事故的发生率也不断增长。据统计，驾驶员疲劳是导致交通事故的重要因素。虽然完全无人的自动驾驶不会出现驾驶疲劳的问题，但距离无人驾驶还有很长的距离，可以预见，在今后很长一段时间内，自动驾驶还会处在辅助驾驶阶段即需要驾驶员的参与，因而解决驾驶员疲劳问题仍然十分重要。为此，基于计算机视觉技术的驾驶员疲劳检测技术被开发出来。利用图像传感器采集驾驶员的面部图像，之后利用计算机视觉技术进行处理，得到驾驶员的眨眼频率信息，据此就能识别驾驶员的疲劳状态。这种方法对驾驶员来说是无感采集的，不会影响其正常的驾驶行为，是目前检测驾驶员疲劳状态一种比较有效的方法[5]。

3 计算机视觉面临的挑战

在自动驾驶领域，相比于激光感知与微波感知，视觉感知获取的信息量更加丰富、实时性好，体积小，成本较低，但计算机视觉也面临技术、传感器以及安全等问题。

3.1 技术问题

虽然计算机视觉技术在自动驾驶领域有了许多应用，但目前的应用水平总体来说还比较低端和原始，如何使计算机视觉的感知能力接近甚至达到人类的视觉能力仍然十分困难。现有的算法易受光照环境和运动等因素的影响，同时三维信息测量精度相对较低。现阶段广泛使用的深度学习模型是一个黑箱模型，其信息检测的原理不能直观地解释，因而对其可靠性不能进行全面的评估。

为此，在进一步的研发过程中，应加大对算法可解释性方面的研究，提升算法的智能型，最终达到与人类视觉系统相对的水平。

3.2 传感器问题

目前，自动驾驶的感知系统的传感器除了摄像头还有激光雷达、毫米波雷等，这是因为没有摄像头获取的信息还不能完全满足自动驾驶的所有需求。摄像头采集图像时容易受风霜雨露以及光线等一系列复杂的环境因素的影响。在进行物体识别时三维信息的测量精度较低，且为获取这些信息对系统的算力要求较高。

尽管摄像头存在这些问题，但目前而言，摄像头仍然是适用领域最广的传感器，已经被广泛应用在自动驾驶领域。相比于其他传感系统，对物体类型和颜色的准确识别是视觉系统无法比拟的优势，加上摄像头硬件成本相对低廉，未来的发展潜力较大。因此，未来可以研发稳定、可靠的图像采集装置，能够适应不同环境条件，从而方便后续利用计算机视觉进行图像处理，提取相关信息。

3.3 安全问题

虽然计算机视觉在自动驾驶领域的应用十分广泛，但也存在安全方面的问题。现阶段，采用计算机视觉检测相关信息虽然准确率较高，但远没有达到100%，也就是存在检测错误的情况，尽管出现的可能性较低，但一旦出现后果不堪设想。为了保证自动驾驶的安全，一种可行的办法是通过多传感器实现信息融合，也就是说当视觉传感器检测出现问题时，其它的传感器也能弥补这些失误，利用多种传感器共同检测实现一定的信息冗余来确保安全。相比于视觉感知，激光感知与微波感知数据精度高，实时性好，能够直接获取物体三维距离信息，因此其也被作為自动驾驶的传感器使用。

4 总结与展望

自动驾驶是未来汽车智能化的研究热点之一，而计算机视觉技术是其中的关键技术。本文介绍了计算机视觉的概念及原理。论述了其在自动驾驶领域中的具体应用，分析了其面临的主要挑战并提出针对性的建议。视觉感知能够及时、快速掌握车辆周围的行人、障碍物、交通标志等信息，为系统进行有效应对突发事件提供支持，但图像采集过程中易受光照环境、运动等因素的影响。为保证驾驶安全，现阶段需要将多种传感器融合，以保证信息检测的准确与可靠。相信随着计算机视觉技术的发展，其面临的问题将会逐一解决，从而设进一步提升自动驾驶的发展水平。

参考文献

[1] 张贵英，向函，赵勇.基于计算机视觉的自动驾驶算法研究综述[J].贵州师范学院学报，2016，32(06)：14-19.

[2] 郝俊.自动驾驶环境感知系统研究[J].时代汽车，2018(09)：15-16.

[3] 徐鑫.探究计算机视觉发展前景及趋势[J].电脑迷，2018(12)：26.

[4] 王科俊，赵彦东，邢向磊.深度学习在无人驾驶汽车领域应用的研究进展[J].智能系统学报，2018，13(01)：55-69.

[5] 牛亚尊，张翠青.驾驶疲劳识别方法研究综述[J].内蒙古科技与经济，2012(13)：17-19.