作為無人駕駛汽車的眼睛，視覺識別的進步正越來越快

可以說如果沒有視覺識別技術，無人駕駛技術根本不可能實現，因為它就是無人駕駛汽車的眼睛。

無人駕駛一般包括五個等級，但是不管哪個等級都會包含環境感知、規劃決策和執行控制等三個方面，其中環境感知方式主要有視覺識別、毫米波雷達感知和鐳射雷達感知。毫米波雷達感知和鐳射雷達鎂客君在《簡析無人駕駛雷達技術，毫米波雷達和鐳射雷達應相輔相成》一文中有過分析，今天我們就來說一下視覺識別。

特斯拉曾經因視覺識別的缺陷而被人口誅筆伐

今年分別發生在美國和中國的兩起特斯拉自動駕駛狀態下的車禍致死事件，本質上就是因為視覺識別技術的缺陷導致。具體分析如下：

美國的車禍中，由於特斯拉車上的毫米波雷達裝位置較低，無法檢測卡車高的車廂，而攝像頭當時應該已經能檢測到卡車了。不過車輛的行駛過程中，兩個探測裝置在最後融合起來的時候可能出現了問題，未能識別卡車所處位置，最終導致車禍發生。

國內的車禍中，特斯拉在跟車過程中，前車突然變道，前方工程車輛速度較慢，與特斯拉之間距離迅速縮短，毫米波雷達無法掃描到近距離的側向車。加之攝像頭當時僅收錄了部分工程車車體，進而視覺識別無法及時反應，最終導致車毀人亡。

上述兩起事故，雖然只是所有有關特斯拉自動駕駛車禍中最典型的兩起，但卻足以說明在視覺識別技術尚未完善的情況下，使用自動駕駛模式是非常危險的。同樣，視覺識別技術對於自動駕駛、無人駕駛技術的重要性也不言而喻。

目標由靜至動的轉變，是汽車領域的視覺識別最大挑戰之一

傳統的視覺識別常見的應用場景有文字轉錄、人臉識別、指紋識別等等，不過這些視覺識別技術都有一個共同的特點，都是靜止狀態下的識別。而在汽車領域，視覺識別在識別內容和要求兩個方面就與傳統視覺識別有所不同。

識別內容方面，汽車領域的視覺識別最大難點在於，攝像頭和識別目標兩者都是相對運動的。比方說需要識別的機動車、非機動車、人，這些物體是參與交通的一部分且是處於主動運動狀態。而障礙物，以及交通牌、紅綠燈等交通標識則是相對運動狀態。

而識別要求方面，則是追求低成本的同時還強調效能。一個足夠強大的視覺識別系統，其實是可以替代鐳射雷達的作用，從而降低自動駕駛成本。但是由於技術特性的不同，也會帶來一定的可靠性問題。對於汽車而言，即使出現短暫性的問題都可能會嚴重威脅人身財產安全，比方說特斯拉的那兩起事故。

正是由於汽車領域的視覺識別既要求成本又要求效能，而識別內容又更加繁複，因此視覺識別在汽車領域的應用難點尤其突出。

深度學習讓視覺識別更上一層樓

深度學習可以算是近些年來人工智慧領域的最大突破之一，如果在演算法和樣本量足夠的情況下，其準確率可以達到99.9%以上，而傳統的視覺演算法檢測精度的極限在93%左右。這樣一來，將深度學習融入視覺識別系統，可以使得無人駕駛技術更加完善。

無人駕駛的環境感知部分包括車道線、車輛、行人、交通標誌等目標的自動檢測，這就要用機器學習的方法去完成自動識別工作，而深度學習是目前為止最好的機器學習方法。深度學習利用其深層的神經網路，通過一定的演算法能訓練出一個識別率非常高的分類器，從而能夠使環境感知部分高精度的完成，為駕駛決策模組提供正確的環境資訊，保證無人駕駛正常的完成。

所以說，相比於傳統模式識別演算法，深度學習演算法所具備的精確度更高、環境適應性更強等特點，讓無人駕駛技術中的視覺識別更上一層樓，也讓整個無人駕駛技術更完善。

汽車想要完成自動或者無人駕駛動作，能夠感知和識別周圍的物體是最基本的前提條件。看完上面的內容，相信各位看官也可以對視覺識別有一定的瞭解，鎂客君後面也會給大家帶來一篇有關視覺識別行業的深度文章，敬請期待。

原文釋出時間：2016-11-25 17:41

本文作者：JOKER

本文來自雲棲社群合作伙伴鎂客網，瞭解相關資訊可以關注鎂客網。