文/王浩炎

1 前言

近年來，自動(dòng)駕駛及輔助駕駛系統(tǒng)的熱度逐漸增長，諸如車道偏離警告、自動(dòng)剎車及泊車輔助等系統(tǒng)廣泛應(yīng)用，如何高效高質(zhì)量的對道路的實(shí)況進(jìn)行分析，對道路圖片的特征進(jìn)行分割提取成為人們研究的焦點(diǎn)。作為并行處理器中的一種，細(xì)胞神經(jīng)網(wǎng)絡(luò)(CNN)在各種圖像處理領(lǐng)域發(fā)展前景廣大。本文通過實(shí)現(xiàn)道路邊緣提取系統(tǒng)證實(shí)了細(xì)胞神經(jīng)網(wǎng)絡(luò)在自動(dòng)駕駛及輔助駕駛系統(tǒng)領(lǐng)域具有廣闊的前景。

CNN是一類非線性模擬動(dòng)力系統(tǒng)，它具有規(guī)律的結(jié)構(gòu)、可擴(kuò)展的維數(shù)等特性，具有連續(xù)實(shí)時(shí)、能高速并行計(jì)算等特點(diǎn)。CNN因結(jié)構(gòu)接近于生物細(xì)胞組織，所以得名，CNN屬于人工神經(jīng)網(wǎng)絡(luò)。CNN是很多的簡單處理單元通過并聯(lián)形成，一個(gè)神經(jīng)元只有簡單的功能，但是許許多多神經(jīng)元組合起來就擁有強(qiáng)大的并行計(jì)算力。CNN和生物大腦組織結(jié)構(gòu)差不多，也就是并行的結(jié)構(gòu)，它在處理數(shù)據(jù)的順序上也是并行的。普通計(jì)算機(jī)僅有一個(gè)處理單元和串行的計(jì)算處理順序，但是對于CNN來說，擁有多個(gè)處理單元并在其上同時(shí)運(yùn)算。因此CNN在對圖像處理上具有傳統(tǒng)計(jì)算機(jī)方法所無法具有的優(yōu)勢。

2 背景

1988年10月，CNN首次發(fā)表在CAS雜志上，然后引起全球范圍研究者的矚目，此后無數(shù)關(guān)于CNN的論文爭相在各種雜志、期刊以及會(huì)議上發(fā)表，促使CNN迅速發(fā)展。CNN也因?yàn)樽陨淼乃哂械膹V闊的應(yīng)用前景成為當(dāng)下研究熱點(diǎn)問題。

CNN可實(shí)現(xiàn)性強(qiáng)，所以一發(fā)表就廣泛應(yīng)用于圖像處理等許多研究領(lǐng)域。CNN主要是在以下幾個(gè)方面應(yīng)用：圖像處理、聯(lián)想記憶、模式識(shí)別、信號(hào)處理和解偏微分方程等方面。尤其是最近幾年，CNN的發(fā)展突飛猛進(jìn)，特別是在模式識(shí)別和圖像處理這些方面，爆炸式發(fā)展。

但是我們可以看到，盡管CNN理論已經(jīng)應(yīng)用成熟，但是其在自動(dòng)駕駛及輔助駕駛系統(tǒng)等領(lǐng)域卻沒有得到很好的應(yīng)用，目前，市面上的自動(dòng)駕駛系統(tǒng)使用的算法多為決策矩陣算法、聚類算法、模式識(shí)別算法和回歸算法這四類，在圖像識(shí)別上使用聚類算法用于識(shí)別模糊圖片，使用模式識(shí)別算法用于提取圖片特征，但是其運(yùn)算模式都不如并行計(jì)算的細(xì)胞神經(jīng)網(wǎng)絡(luò)，因此對于傳統(tǒng)圖片識(shí)別算法，CNN在圖片識(shí)別和特征提取上具有高效率和高魯棒性。

3 細(xì)胞神經(jīng)網(wǎng)絡(luò)理論基礎(chǔ)

3.1 CNN模型結(jié)構(gòu)

CNN的結(jié)構(gòu)是一種空間陣列，并且其細(xì)胞連接是局域性的。如圖1所示，CNN結(jié)構(gòu)顯示為M×N的空間陣列，是M×N數(shù)量的細(xì)胞局域連接而成，可以看到細(xì)胞Cij連接Nij(r)陣列中的鄰域細(xì)胞，那些不能相連的細(xì)胞，就需要以傳播效應(yīng)的方式互相影響。

3.2 CNN的狀態(tài)方程

以陣列是M×N的CNN為例，在陣列里每個(gè)細(xì)胞Cij(1≤ i ≤M,1≤ j ≤N)具有一下幾個(gè)參數(shù)：閾值Ιij、外界輸入uij、輸出yij、狀態(tài)變量xij，圖2所示，為CNN中細(xì)胞的等效電路，由電壓定律（KVL）和基爾霍夫電流定律（KCL），得出下列描述細(xì)胞Cij動(dòng)態(tài)過程的一階非線性微分方程。

狀態(tài)方程：

輸出方程：

輸入方程：

約束條件：

電路參數(shù)條件：

其中，

x：是細(xì)胞Cij的起始態(tài)；1≤i，k≤M；1≤j，l≤N；

Eij：是電壓源，單獨(dú)獨(dú)立；Rx表示線性電阻；C表示線性電容；

Akl：稱為反饋模板，代表在鄰域細(xì)胞Ckl中，輸出ykl和細(xì)胞Cij兩者連接的權(quán)值；

圖1：M*N的CNN結(jié)構(gòu)

圖2：CNN每個(gè)細(xì)胞的等效電路圖

Bkl：稱為控制模板，代表在鄰域細(xì)胞Ckl內(nèi)，輸入ukl和細(xì)胞Cij兩者連接的權(quán)值。

模板A和B所代表的含義：Aij（或Bij）是細(xì)胞Cij的自反饋權(quán)重（或自控制權(quán)重），同時(shí)還是A（或B）的中心元素；Akl（或Bkl）是細(xì)胞鄰域Nij(r)內(nèi)的細(xì)胞Ckl的反饋權(quán)重（或控制權(quán)重），同樣還是A（或B）中除中心元素以外的其它元素，鄰域Nij(r)的定義決定k和l的取值范圍。這里舉了具有3×3結(jié)構(gòu)的A和B的例子，如下所示：

其 中(i-1,j-1),(i-1,j) ,(i-1,j+1),(i,j-1),(i+1,j-1),(i,j+1),(i+1,j),(i+1,j+1)為(i,j)的鄰域，通稱為(k,l)。

3.3 CNN的特點(diǎn)

CNN的具有規(guī)則的陣列，每個(gè)細(xì)胞都有一樣的電路結(jié)構(gòu)，都有相同數(shù)量的領(lǐng)域細(xì)胞，數(shù)量為(2r+1)2，前面提到了非線性微分方程式（1）～（6），可以表示一個(gè)CNN陣列，證明這種特點(diǎn)。

CNN單個(gè)細(xì)胞最多存在三個(gè)節(jié)點(diǎn)，并且每個(gè)細(xì)胞節(jié)點(diǎn)數(shù)目一樣，因此其具有局域性的互聯(lián)細(xì)胞這樣一個(gè)特點(diǎn)，適用于并行計(jì)算。

前面通過分析A和B可知CNN具有動(dòng)力學(xué)的機(jī)制，分別是輸入控制和輸出反饋，控制模板B對輸入控制起決定影響，反饋模板A又反過來決定輸出反饋。非線性微分方程式（3）也表現(xiàn)細(xì)胞輸入輸出關(guān)系是單調(diào)遞增的，方便在硬件上實(shí)現(xiàn)。

同時(shí)CNN還具有參數(shù)的非唯一性等特點(diǎn)。

4 系統(tǒng)實(shí)現(xiàn)

在本系統(tǒng)中，“A”模板是反饋矩陣，“B”模板是控制矩陣，另外，“i”是偏差值。在本系統(tǒng)中主要功能是提取給定圖中道路的主要邊緣特征，并去掉不重要的細(xì)節(jié)，從而產(chǎn)生一個(gè)相對干凈的邊緣映射。本系統(tǒng)可以在車道偏離警告、自動(dòng)剎車及泊車輔助等系統(tǒng)廣泛應(yīng)用。

從圖3原圖和圖4結(jié)果圖對比可以看到，去除不必要的數(shù)據(jù)，成功提取出道路邊緣，從而達(dá)到我們的要求。

如圖5所示，顯示為程序界面，我們將要處理的照片輸入，調(diào)整3×3的反饋矩陣和控制矩陣，調(diào)整偏差值為0.1。

如圖6所示，顯示為輸出結(jié)果，我們可以看到利用CNN完美的檢測出圖片的邊緣，邊緣檢測的完整并且噪聲小，產(chǎn)生了最清晰的映射。并且我們可以看到檢測時(shí)間只有0.9s，并行化的處理將對圖像處理的運(yùn)算能力和效率大大提高。

通過實(shí)驗(yàn)我們可以看到，CNN在對圖像進(jìn)行處理上，提取的結(jié)果比較細(xì)膩，信息量大，且對邊緣提取連續(xù)性好，在各個(gè)朝向的邊緣提取上具有很好的效果，并且在處理時(shí)間上，我們也可以看出CNN相對于傳統(tǒng)算法，并行計(jì)算的模式大大加快了CNN在處理數(shù)據(jù)上的速度，并且通過實(shí)驗(yàn)發(fā)現(xiàn)，處理速度的快慢與所需要處理圖像的大小沒有什么關(guān)系。從而驗(yàn)證CNN在自動(dòng)駕駛領(lǐng)域具有廣泛的應(yīng)用前景。

5 結(jié)論

本文對CNN進(jìn)行了深入學(xué)習(xí)與探究，并實(shí)現(xiàn)了道路邊緣提取系統(tǒng)，對圖像進(jìn)行了處理，并對圖像處理結(jié)果進(jìn)行分析，證實(shí)CNN在圖像處理方面所具有的可行性和高效性等特點(diǎn)，以及在自動(dòng)駕駛領(lǐng)域中的廣泛應(yīng)用價(jià)值。

圖3：處理原圖

圖4：處理結(jié)果

圖5：輸入界面

圖6：圖像輸出結(jié)果