智能网联汽车技术与应用课件：高级驾驶辅助系统(ADAS)关键技术.pptx

高级驾驶辅助系统(ADAS)关键技术

高级驾驶辅助系统(ADAS)关键技术任务引入

近两年，国家出台了许多鼓励ADAS产品的行标和政策，对一些大型货运车辆、特殊行业车辆进行了明确的要求，需加装含有ADAS功能的产品才可上路运营，当然也对诸如此类的ADAS功能产品的各项指标进行了明确的要求。2021年中国发布的《道路交通安全法（修订草案）》里明确规定营运客车须包含的ADAS功能主要有两个，第一个是前碰预警（ForwardCollisionWarning，简FCW），另一个是道路线偏移预警（LaneDepartureWarning）。该类ADAS产品功能是通过在车前窗适当高度位置加装一个前视摄像头进行环境感知分析计算实现的。那么，ADAS中摄像头是如何完成环境感知的呢？

任务目标

11能够熟悉高级驾驶辅助系统关键技术的概念

能够熟悉高级驾驶辅助系统关键技术的概念2能够熟悉多传感器融合控制过程

3能够理解多传感器融合算法

知识链接无人驾驶汽车主要包括数据采集、数据处理、路径规划、决策控制四部分，如下图所示。

图6-2-1ADAS系统示意图

无人驾驶是高级驾驶辅助系统(ADAS)的发展终极目标，高级驾驶辅助系统(ADAS)的关键技术主要有：

算法算法（Algorithm）是指解题方案的准确而完整的描述，是一系列解决问题的清晰指令，算法代表着用系统的方法描述解决问题的策略机制。也就是说，能够对一定规范的输入，在有限时间内获得所要求的输出。不同类型的传感器,由于收集的信息类型差异比较大,所以对信息的处理和认知方式也有所不同，激光雷达、毫米波雷达等主动式传感器对算法依赖程度较低，算法较为简单。摄像头等被动式传感器对算法依赖程度较高，一般由第三方企业提供。在传感器算法方面，视觉识别技术领域发展最为成熟，下面以视觉算法为例来做讲解。

视觉算法拥有识别行人，拥有辨别颜色、识别图案等优点，在ADAS技术路线中必不可少。视觉算法分为三个阶段，依次对应智能驾驶的辅助驾驶、高度自动驾驶、完全自动驾驶。

算法第一阶段是简单识别，包括车道线识别、车尾识别；第二阶段是边界识别，加入各角度、被遮挡行人检测、被遮挡车辆检测、自行车检测等；第三阶段是街景识别，能够全部识别建筑物、街道、马路边缘。12行人检测（PedestrianDetection）一直是计算机视觉研究中的热点和难点。行人检测要解决的问题是：找出图像或视频帧中所有的行人，包括位置和大小，一般用矩形框表示，和人脸检测类似，这也是典型的目标检测问题。3视觉处理系统巨头Mobileye成立于1999年，2007产品进入前装市场，截至2015年底全球超过1000万辆车搭载Mobileye产品，市占率高达90%，目前EyeQ3系统可以通过单目摄像头实现行人和前车防碰撞预警。

算法图6-2-2ADAS行人检测示意图

在行人检测中的难道主要有是人的外观差异大、遮挡、背景复杂、检测速度，具体如下图所示。

算法logo图6-2-3行人检测的难题

行人检测的算法按照实现原理，我们可以将算法可以分为基于运动检测的算法和基于机器学习的算法两大类，接下来分别进行介绍。

12基于运动检测的算法

基于运动检测的算法如果摄像机静止不动，则可以利用背景建模算法提取出运动的前景目标，然后利用分类器对运动目标进行分类，判断是否包含行人。常用的背景建模算法有高斯混合模型、ViBe算法、帧差分算法、样本一致性建模算法、PBAS算法，具体如下图所示。

图6-2-4背景建模算法的运动目标检测

13基于机器学习的方法

基于机器学习的方法基于机器学习的方法HOG+SVM，它是2005年NavneetDalal提出的检测算法。下图为用HOG特征进行行人检测的流程，输入图像、规范伽马和颜色、计算梯度、空间和方向单元加权股票、对重叠空间块进行对比归一化、收集HOG的过度检测窗口、线性支持向量机、人/非人判断分类，如下图所示。

图6-2-5HOG+SVM算法检测的流程

基于机器学习的方法得到候选区域的HOG特征后，需要利用分类器对该区域进行分类，确定是行人还是背景区域，在实现时，使用了线性支持向量机，这是因为采用非线性的支持向量机在预测时的计算量太大，与支持向量的个数成正比。

采用经典机器学习的算法虽然取得了不错的成绩，但依然存在下面的问题：

①对于外观，视角，姿态各异的行人检测精度还是不高

②提取的特征在特征空间中的分布不够紧凑

③分类器的性能受训练样本的影响较大

④离线训练时的负样本无法涵盖所有真实应用场景的情况

14基于深度学习的算法

基于深度学习的算法基于背景建模和机器学习的方法在特定条件下可能取得较好的行人检测效率或精确度，但还不能满足实际应用中的要求。自从2012年深度学习技术被应用到大规模图像分