灰度图像识别算法 基于计算机视觉的自动驾驶算法研究综述(3)

CNN 思路近年来经过不断改进，其精确度和计算效率得到极大提升。2014 年 Girshick 等人提出了 R-CNNL ，其思想为将每个图片分为约 2000 个区域输入 CNN 训练，从预选框中通过 CNN 提取出固定长度的特征，最后通过特定类别的支持向量机（SVM）来分类。由于需将每一个候选区域分别送人到 Alexnet 中进行检测，导致检测速度很慢，因此何觊名等人提出SPPnet 。SPPnet 改变以往使用剪裁一幅图片使其尺寸满足 Alexnet 输入要求，而是使用任意尺寸图片作为输入。

Fast-RCNN在 SPPnet 的基础上，使用显著性检测方法在原始图像上提取出预选区域，并将每一个区域坐标映射到特定图上，在进行目标检测时，使用 ROI 池化层选取映射的坐标区域，部分卷积图像送人分类器，无需对每一个预选区进行卷积运算，大大提高了检测速度。

2015 年 Ren 等提出 Faster-RCNN ，在之前的基础上使用一个 RPN 网络，使用卷积运算一次得到卷积特征图像，Faster-RCNN 是对 Fast-RCNN 的进一步加速。在 2015 年 12 月的 ICCV 国际会议上，邹文斌博士在 R-CNN 的基础上，提出了基于 RCNN 的多层次结构显著性目标检测方法 ，在 MSRA-B ，PASCAL-1500 和 SOD 三个数据集上的实验表明，其检测率达到当时业界最高水平。在该会议上，Kontschieder 旧引等提出了在 CNN 各层输出的特征基础上，采用随机森林，在公开的数据集 MNIST 和Imagenet上，获得了较高的检测率。

CNN 和多通道处理结合的方法在图像识别上也有不错的效果：

2011 年 Pierre Sermanet等人提出多尺度 CNN 算法，将原始图像和其子取样的卷积结果通过线性分类器分类，其 GTSRB 数据集上精确度达到 98.97％。

2012 年 Dan Ciresan等人提出使用多通道深度神经网络的方法识别交通信号。该方法将训练图片同时输入 N 个深度神经网同时训练，进行预测时，计算输入图像的 N 个深度神经网预测结果的平均值作为最终结果，其预测结果准确率达到 99.46％，超过了人工识别精度。

2014 年 Karen Simonyan钊等人将连续视频分为空间流和时间流，使用不同的 CNN 处理同一段视频的物体特征和行为特征，并将二者结合进行行为判别，也极大地提升了识别的精确度。

在辅助驾驶和自动驾驶中，需要识别和估计的目标繁多，包括前方、非、行人、道路标识、道路本身、车道线等等，导致基于目标监测与识别的学习算法变得十分复杂。在自动驾驶与机器人导航中，另一种方法直接从视频图像中学习前进方向的角度来寻找路径和绕开障碍物，以及Yann Lecun 的工作 ，即通过端到端学习，以实现非道路上的障碍物避让，使用 6 层的 CNN 学习人的驾驶行为，可以在穿越视野内区域的同时学习低层和高层特征，消除人工的校准、矫正、参数调整等等，该系统主要的优点是对各种不同环境下的非道路环境有非常好的鲁棒性。

图 1 深度驾驶算法架构

以上工作均为通过深度学习直接将图像映射到行驶的角度下进行的。在这一思想的影响下，在 ICCV 2015 上，普林斯顿大学提出了深度驾驶算法，其算法架构如图 1 所示，通过深度神经网络直接感知驾驶操控（driving affordance），不仅大大简化了算法的复杂度，而且大大提高了自动驾驶的鲁棒性和智能化水平，是自动驾驶技术上的一个重大突破。

深度驾驶的技术，通过采用 CNN 来直接学习和感知一段时间正确驾驶过程以后，就能学习和感知到实际道路情况下的相关驾驶智能，无需通过感知具体的路况和各种目标，大幅度提升了辅助驾驶算法的性能。

4 总结与展望

自动驾驶技术是未来汽车智能化的研究热点之一。从综述的文章中可以得出，基于传统目标检测最有效 HOG 特征、SIFT 特征、CSS 等特征的自动驾驶技术已经取得了不错成绩。

由于实际路况极度复杂，基于传统目标检测的辅助驾驶技术性能难以得到大幅度提升，现有的自动驾驶技术，一般依赖于先进的雷达系统，显著增加了系统实施的成本。深度驾驶技术能同时感知道路和道路上的各类目标，为自动驾驶系统提供驾驶逻辑支持，是未来自动驾驶技术研究的方向之一。

在具体的辅助驾驶算法中，如果对路况和目标缺乏整体感知，则很难达到实用化和商用化水平。吸取传统自动驾驶技术中的精华，借鉴深度学习研究的最新成果，整合传统特征和深度学习特征，以提供更多信息，不失为一个较好的解决方法。设计自动驾驶技术的新算法，进一步提升深度驾驶的拟人化和实用化水平，是一条值得去继续探索的道路。

本文来自电脑杂谈，转载请注明本文网址：
http://www.pc-fly.com/a/jisuanjixue/article-69013-3.html