石崢嶸

（吉利學(xué)院汽車工程學(xué)院，四川成都 641423）

0 引言

隨著交通運(yùn)輸業(yè)的快速發(fā)展，交通安全問題也愈發(fā)嚴(yán)重，各國因交通事故頻發(fā)也是造成了巨大的生命財(cái)產(chǎn)損失。與此同時(shí)，諸如安全氣囊、安全車身的應(yīng)用等被動安全技術(shù)的研發(fā)雖起到了一定的緩解作用，但面對重大交通事故，這些被動安全應(yīng)用就顯得收效甚微，因而也有研究人員提出了汽車主動安全技術(shù)，旨在從根本上減少交通事故的發(fā)生。

1 基于智能車輛視覺的汽車主動安全技術(shù)概述

1.1 基于視覺的車道線檢測

基于視覺的車道線識別是目前智能車輛輔助駕駛系統(tǒng)研究的主要方向。具體而言，通過對車道線標(biāo)識的有效識別，可以幫助駕駛員始終將車輛保持在車道線范圍內(nèi)進(jìn)行運(yùn)行，一旦因某些因素導(dǎo)致汽車偏離車道，系統(tǒng)將迅速發(fā)出預(yù)警，以此實(shí)現(xiàn)智能駕駛。

1.2 基于視覺的前方車輛識別

基于視覺的前方車輛識別技術(shù)主要是為了減少車輛碰撞事故的發(fā)生，因而該技術(shù)也逐漸成為輔助智能駕駛的重要內(nèi)容，就目前而言，車輛識別技術(shù)可以分為兩方面內(nèi)容，分別是基于特征的識別方法以及基于機(jī)器學(xué)習(xí)的識別方法。其中基于特征的車輛檢測主要是借助已有的知識經(jīng)驗(yàn)，利用車輛的一般特征進(jìn)行識別，諸如車輛顏色、輪廓等基本信息，該識別算法較為簡易，容易實(shí)施應(yīng)用，但缺點(diǎn)也較為明顯，即環(huán)境變化適應(yīng)性差，無法在復(fù)雜路況下準(zhǔn)確進(jìn)行車輛識別。

2 基于光流法的車道識別算法研究

2.1 基于光流法的車道識別算法簡述

對于本文所介紹的基于光流算法的車道線識別方法而言，其整個(gè)過程可以分為如下幾步操作：第一，借助光流法對車道線范圍進(jìn)行動態(tài)評估，以加快車道線識別的速度；第二，檢測道路邊緣基本特征；第三，采用多項(xiàng)式擬合等方法進(jìn)行車道線識別；第四，檢測車道線種類并將之標(biāo)注于車道原始圖像之中。對于該車道線識別算法而言，其較以往的車道線算法在檢測范圍及檢測實(shí)時(shí)性能方面有著突出優(yōu)勢。

2.2 圖像多重二值化算法

圖像多重二值化算法算子處理包含如下內(nèi)容：分別是Sobel 算子水平方向灰度化、幅值灰度化、梯度方向灰度化以及HSL 空間中的S 通道灰度化。HSL 易于理解，屬于一種色彩評估方面的標(biāo)準(zhǔn)，其包含色相（H）、飽和度（S）、亮度（L）三個(gè)層面的色彩信息，因而簡稱為HSL 色彩空間。經(jīng)過上述灰度化處理之后，也可以通過加權(quán)方法以獲取相應(yīng)的灰度圖，在此基礎(chǔ)上借助多重二值化算法便可以處理得到相應(yīng)的圖像。

2.3 應(yīng)用光流法動態(tài)確定感興趣區(qū)域

結(jié)合上述分析可知，本文所研究的車道線識別算法應(yīng)用了多種算子，因而在應(yīng)用中實(shí)時(shí)性較差，這就導(dǎo)致車輛駕駛模擬場景下車道線識別速度較慢，因而下述主要借助光流法對車道范圍線進(jìn)行預(yù)估分析，在此過程中則要確定并調(diào)控感興趣區(qū)域，整體上都是為了有效增強(qiáng)車道線的識別性能。

在了解了光流法基本原理的基礎(chǔ)上，可以進(jìn)行深入分析使用光流法動態(tài)的選擇感興趣區(qū)域的具體操作。簡言之便是借助如下的計(jì)算過程進(jìn)行分析，對應(yīng)的計(jì)算公式見式（1）：

利用上述計(jì)算式所求解的背景圖像位置矢量對車道線進(jìn)行計(jì)算，在感興趣區(qū)域上進(jìn)行相應(yīng)的處理操作，包括車道線像素點(diǎn)查找、二值化計(jì)算處理等，經(jīng)處理過后便可獲取預(yù)估效果圖。

2.4 車道線種類識別

對于車道線種類識別而言，最為主要的是對圖像中像素信息的處理分析，具體而言，需要分別計(jì)算車道兩側(cè)像素點(diǎn)直方圖，在此基礎(chǔ)上借助統(tǒng)計(jì)方差便可初步區(qū)分車道線中的虛實(shí)線。此外，也可以通過BRG 通道來求解圖像像素點(diǎn)的均值，據(jù)此則可以進(jìn)一步區(qū)分車道線，即黃色、白色車道線的劃分。

3 基于深度神經(jīng)網(wǎng)絡(luò)的車輛識別方法研究

3.1 深度神經(jīng)網(wǎng)絡(luò)法及卷積神經(jīng)網(wǎng)絡(luò)模型分析

就早期的神經(jīng)網(wǎng)絡(luò)模型而言，主要是模擬人類神經(jīng)元結(jié)構(gòu)，旨在模仿大腦運(yùn)行基本機(jī)制。神經(jīng)網(wǎng)絡(luò)的興起源自于上世紀(jì)80 年代末，主要是因分布式只是表達(dá)及神經(jīng)網(wǎng)絡(luò)反向傳播算法的提出而備受關(guān)注。隨著計(jì)算機(jī)技術(shù)的快速發(fā)展，神經(jīng)網(wǎng)絡(luò)也迎來了發(fā)展高潮，當(dāng)前其也是在圖像識別、語言處理等多個(gè)領(lǐng)域都得到了廣泛應(yīng)用。

3.2 車輛識別及網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化

此處提出一種自動設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)方法以優(yōu)化車輛識別網(wǎng)絡(luò)結(jié)構(gòu)，該方法的應(yīng)用使得機(jī)器學(xué)習(xí)更容易應(yīng)用，無需進(jìn)行大量的知識儲備就可以得到良好的神經(jīng)網(wǎng)絡(luò)框架，且涵蓋了大量的數(shù)據(jù)處理及分析算法，因而各方面優(yōu)勢都較為顯著。

3.3 基于深度神經(jīng)網(wǎng)絡(luò)的車輛識別算法效果分析

對于車輛識別算法的實(shí)際效果而言，主要是借助TensorFlow深度學(xué)習(xí)框架進(jìn)行計(jì)算，并在測試過程中使用KITTI 數(shù)據(jù)進(jìn)行了集中訓(xùn)練。具體是在訓(xùn)練過程使用14 層神經(jīng)網(wǎng)絡(luò)作為初始網(wǎng)絡(luò)，訓(xùn)練后則得到了54 層卷積神經(jīng)網(wǎng)絡(luò)，算法的準(zhǔn)確率為83.80%，計(jì)算用時(shí)為50.36ms。相較于其他算法，基于深度神經(jīng)網(wǎng)絡(luò)的車輛識別算法在準(zhǔn)確率方面較高，但由于該算法結(jié)構(gòu)復(fù)雜，雖然識別效果較好，但同樣也在一定程度上增加了計(jì)算時(shí)耗。在由該算法所生成的神經(jīng)網(wǎng)絡(luò)在數(shù)據(jù)集上的車輛識別效果可知，其在模擬測試中的車輛識別效果良好，能夠較為準(zhǔn)確的顯示與前方車輛的距離。

4 結(jié)束語

本文就智能車輛視覺系統(tǒng)中車道線及車輛識別技術(shù)展開深入的研究探討，在簡述車道線及車輛識別技術(shù)的基礎(chǔ)上，分別對車道線識別方法及車輛識別算法展開具體的研究，并提出基于光流法確定動態(tài)感興趣區(qū)域以加快車道線識別，基于卷積神經(jīng)網(wǎng)絡(luò)的車輛識別算法。通過具體的應(yīng)用分析，可知兩種算法均有著較好的應(yīng)用測試效果，能夠幫助駕駛員較好的避免交通事故。后續(xù)有關(guān)該方面的研究仍將不斷深入，諸如曲線擬合車道線的研究、更為復(fù)雜路況下車道線及車輛識別算法的改進(jìn)等，都是未來研究的主要方向。