有机器视觉技术加载的智能汽车,通过机器视觉系统对路面信息和行车环境的信息收集及反馈,能进一步提升车辆行驶过程中的安全性以及行车效率。但在智能驾驶运用当中,机器视觉是否能出色完成安全助力这一重要任务?
作为计算机科学的一个分支,计算机视觉最早开始于上世纪70年代的人工智能研究。在传统实际驾驶过程中,驾驶员对90% 的环境信息的获取来自于视觉。而机器视觉系统是智能车辆感知局部环节的重要“器官”,其核心作用主要有两个:识别行驶道路路面环境(白色路标、边缘、路面颜色、坑洼、障碍物等)与行驶环境中的其他车辆(主要是指前方车辆)或者他障碍物。
机器视觉进行车辆环境识别的方法主要是基于学习的方法。利用神经网络,对大量的车辆图像进行训练,然后通过分类器进行分类。这种方法需要不断采集大量数据,并且持续更新及学习,是目前应用最广泛的一种方式,也是效果较为不错的一种。但这种基于数据收集的方法同样也会受到数据收集的制约,所以在实际运用在仍存在一定的局限性。
传统的视觉识别常见的应用场景主要是基于静止环境下的信息收集及识别,而智能驾驶是一个动态的过程,决定智能车辆视觉系统探测效果的三个关键因素是:视觉系统应用算法的实时性、鲁棒性、精确性。其中实时性必须满足车辆在高速行驶过程中的同步进行;鲁棒性是指能适应各类路面情况以及各种气候(光照、天气)及环境变化,精准性则是不断减少错判、漏判现象。安全驾驶无小事,未来,智能驾驶行业需以产业升级为目标,以确保安全驾驶的前提下实现交通体系的高效运行。