车载视觉是自动驾驶的难已突破的屏障.doc

《车载视觉是自动驾驶的难已突破的屏障.doc》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、车载视觉是自动驾驶的难已突破的屏障　　今天，大家对自动驾驶都充满了期待，任何一场科技大秀上，总少不了自动驾驶的身影。不过与之伴生的，还有与自动驾驶相关的事故数量的增加，特斯拉、Uber前后脚都发生了在（准）自动驾驶状态下的致死事故。　　可能你会觉得自动驾驶商用进程有些慢，现在的方案还不靠谱儿，但考虑到其应用场景的特殊性，以及开发上的难度，你就不会有太多抱怨了。比如就车载视觉处理，这个自动驾驶的核心要素来说，其对开发者提出的挑战就不一般。　　　　姑且不提自动驾驶，今天想做好一款像样的ADAS就不简单。一方面，A

2、DAS视觉处理需要应对越来越复杂的应用环境，暗光、恶劣天气下也要确保可靠的表现；另一方面，为了提升视觉系统识别判断的准确性，甚至让其具有自我学习提升的能力，引入机器学习、神经网络等AI算法也势在必行。　　这些需求必然会增加视觉处理工作的复杂性和负荷，耗费更多的计算资源和时间，而这又恰恰和车载应用这个资源受限的嵌入式环境，以及“硬”实时性的要求构成矛盾……这就是车载视觉应用开发者每天面对的困局。　　　　图1，车载视频处理典型流程　　要想“破局”，我们首先来看看车载视觉处理典型的流程。这个流程包括四个步骤：　　1

3、　　第一步　　预处理：包括成帧、颜色调整、白平衡、对比度均衡、图像扭正等工作，这种像素级的处理特点是数据量非常大，而且每像素之间相互独立，彼此没有很强的依赖关系，要求高带宽的并行数据处理能力。　　2　　第二步　　特征提取：是在预处理的基础上，提取出图像中的特征点，特别是关键的边缘角点。　　3　　第三步　　目标识别：基于特征数据的输出，对图像中的物体进行识别分类——人、车、交通标志等，这其中就会运用到一些机器学习、神经网络的算法。　　4　　第四步　　目标跟踪：对上述单帧图像进行记录，并累计多帧后做出判定，实现稳

4、定的识别和判断。　　　　通常前三步被认为是底层和中层的处理，运算的并行度较高，第四步由于有前后的逻辑判断关系，所以属于顺序执行，需要串行处理。可见，车载视觉处理流程中的这些任务，需求各不相同，单一架构的硬件平台很难满足所有要求，所以就需要有更加复杂、综合的异构硬件平台，以不同的硬件资源去应对不同的计算处理任务，这样才能胜任。　　以恩智浦半导体的S32V车载视觉处理器为例，它对应车载视觉处理的不同步骤配置了不同的针对性的计算单元。　　　　图2，恩智浦半导体S32V车载视觉处理器框图（图片