基于计算机视觉的自动驾驶算法研究综述.PDFVIP

基于计算机视觉的自动驾驶算法研究综述 近年来，随着人工智能技术的迅速发展，传统汽车行业与信息技术结合，在汽 车自动驾驶技术方面的研究取得了长足进步，业内很多大公司都在此领域投入 巨资进行研发，如国外的谷歌、丰田，国内的百度、比亚迪等公司都推出了自 动驾驶汽车，且实验结果令人满意： • 谷歌的自动驾驶汽车已经安全行驶超过 14 万英里； • 丰田则宣布旗下自动驾驶系统将于 2020 正式量产； • 百度在 2015 年底宣布，其自动驾驶汽车计划三年商用五年量产，比亚迪 已与百度深化合作，共同研发无人驾驶汽车。 可以预见，在不远的将来，随着技术不断发展完善，自动驾驶技术将进入实用 阶段，普及到千家万户，人们可以自由出行而无需担心人为驾驶事故，如无证 驾驶、超速、疲劳驾驶、酒驾等人为引起的交通事故。因此，自动驾驶技术有 着广阔的应用前景。 1 自动驾驶技术 自动驾驶技术分为基于传统特征和基于深度学习驾驶技术。 在现有的基于传统特征的自动驾驶中，目标识别是核心任务之一，其包括道路 及道路边沿识别、车道线检测、车辆识别、车辆类型识别、非机动车识别、行 人识别、交通标志识别、障碍物识别与避让等等。目标识别系统利用计算机视 觉观测交通环境，从实时视频信号中自动识别出目标，为实时自动驾驶，如启 动、停止、转向、加速和减速等操作提供判别依据。 由于实际路况极度复杂，基于传统目标检测的辅助驾驶技术性能难以得到大幅 提升，现有的自动驾驶技术，一般依赖于先进的雷达系统来弥补，显著增加了 系统实施的成本。随着技术的发展，采用卷积神经网（Convolutional Neural Networks，CNN ）可以直接学习和感知路面和道路上的车辆，经过一段时间正 确驾驶过程，便能学习和感知实际道路情况下的相关驾驶知能，无需再通过感 知具体的路况和各种目标，大幅度提升了辅助驾驶算法的性能。 2 基于传统特征的自动驾驶技术 自动驾驶技术中传统的特征指的是人工提取的特征，如 HOG （梯度直方图） 特征、SIFF （尺度不变特征变换）特征和CSS （颜色自相似）等特征。 目前，主流自动驾驶技术都基于视频分析。交通场景下捕捉到的视频序列中包 含各种不同视频目标，如行人、汽车、路面、障碍物、背景中的各种物体等， 需要在测试图像中标识出感兴趣类别的目标对象，用来提供给车辆控制系统作 为决策依据。 特征的检测与表示是关键步骤，涉及到如何编码描述目标图像信息的问题，比 较理想的特征表示方法要能适应各种干扰因素的影响，比如尺度、外观、遮 挡、复杂背景等情况。 2.1 道路与车道识别 道路与车道识别是自动驾驶技术的基础内容，如 Caltech lane detector 中论 述。常见的道路的识别算法基于图像特征进行计算，其分析图像中表示车道线 或道路边界等的灰度，颜色，纹理等特征，通过神经网络、支持向量机、聚类 分析和区域生长等方法便可以分割出路面区域。这类方法对道路曲率的变化有 很好的鲁棒性。 最近基于条件随机场的道路检测方法取得了重要的进展。由于道路及边沿的种 类繁多，纷杂的车辆以及路边杂物的遮挡，树木以及建筑物的阴影干扰等，使 得最基本的道路检测存在需要进一步提升的空间。 2.2 车辆检测技术 车辆检测技术为自动驾驶领域研究的热点之一。前向车辆碰撞预警系统是一种 有效降低主动事故发生率的技术，其广泛采用车辆定位的方法实现，可以利用 车辆自身的图像特征，如阴影、对称性、边缘等，例如常用的底部阴影以及车 辆的两个纵向边缘构成的 U 型特征等，快速定位车辆感兴趣的区域，再利用 多目标跟踪算法对检测的车辆进行跟踪。 2.3 行人检测及防碰撞系统 以「行人保护」为目的的行人检测及防碰撞系统也成为自动驾驶领域的研究热 点。目前统计学习方法在行人检测中应用最为广泛，特征提取和分类定位是基 于统计学习方法的两个关键问题。 基于统计学习的行人检测主要包含基于生成式模型（局部）的检测方法和基于 特征分类（整体）的检测算法： • 基于生成式模型的检测方法通常采用局部特征或者肢体模型来描述局部属 性，结合局部特征的空间结构特性或分布模型进行分类。 • 基于特征分类的检测方法目的是找到一种能够很好地描述行人特征的方 法。通过提取行人的灰度、边缘、纹理、颜色等信息，根据大量的样本构 建行人检测分类器，从样本集中学习人体的不同变化，把视频图像中的行 人目标从背景中分割出来并精确定位。 2005 年 Dalal 提出梯度直方图（Histogram of Oriented