視覺是人類認知世界最重要的功能手段，生物學研究表明，人類獲取外界信息75%依靠視覺系統，而在駕駛環境中這一比例甚至高達90%。如果能夠將人類視覺系統應用到自動駕駛領域，無疑將會大幅度提高自動駕駛的準確性，而這正是當前計算機科學和自動駕駛領域最熱門的研究方向之一，它就是機器視覺技術。
機器視覺技術發展至今已有幾十年的歷史，而真正發生革命性進步的則是莫爾視覺計算理論的提出，通過實現神經網絡相關算法使機器擁有同人類視覺系統同樣的功能提供了可能。
一般來說，機器視覺系統包含有鏡頭、攝像系統和圖像處理系統。其核心則是專用高速圖像處理單元，也就是把存入的大量數字化信息與模板庫信息進行比較處理，並快速得出結論，其運算速度和準確率是關鍵指標。
目前，自動駕駛系統主要通過高效合理的算法和處理能力強大的芯片來實現。隨著計算機技術的進步，更先進的算法被相繼發明，如採用網格分佈式處理系統能夠有效的提高運算的效率。
機器視覺的核心問題將是對圖像的深入理解，自動駕駛中的視覺應用主要有以下方面：
1、障礙物檢測
障礙物檢測的準確率是車輛自動駕駛過程中安全性的重要保證。在行駛過程中，障礙物的出現是不可預知的, 也就無法根據現有的電子地圖避開障礙物，只能在車輛行駛過程中及時發現, 並加以處理。
由於自動駕駛環境的不成熟，關於障礙物的定義尚沒有統一的標準。因此, 可以認為一切可能妨礙車輛正常行駛的物體和影響車輛通行的異常地形都是車輛行駛過程中的障礙物。
目前，障礙物檢測算法主要有以下三種：
① 基於特徵的障礙物檢測。
② 基於光流場的障礙物檢測。
③ 基於立體視覺的障礙物檢測。
在上述算法中，基於立體視覺的障礙物檢測因為不需要障礙物的先驗知識, 對障礙物是否運動也無限制, 還能直接得到障礙物的實際位置，所以是目前主流研究方向。但此算法對攝像機標定要求較高, 需要對攝像機進行動態標定。
2、道路檢測
自動導航是自動駕駛的必要條件，自動駕駛過程中，道路檢測主要是為了確定車輛在道路中的位置和方向，以便控制車輛按照正確的路線行駛。同時，還為後續的障礙物檢測確定搜索範圍，以及縮小障礙物檢測的搜索空間，降低算法複雜度和誤識率。
由於現實中的道路多種多樣，再加上光照、氣候等各種環境因素的影響，道路檢測是一個十分複雜的問題。至今仍無一個通用的算法，現有算法基本上都對道路做了一定的假設。
通常採用的假設方法：
① 特定興趣區域假設；
② 道路等寬假設；
③ 道路平坦假設。
目前，機器視覺技術在自動駕駛中並沒有進行大規模的應用，，最終難點在於模擬神經網絡的視覺算法。但是攝像頭技術在汽車的應用已十分成熟，如行車記錄儀，倒車影像等功能。且芯片技術也已能夠高效完成圖像的壓縮處理
分享到:
閱讀更多 車聯網終端 的文章
