影像算法瓶颈突破 汽车ADAS再进化
影像算法瓶頸突破 汽車ADAS再進化
2015-01-31 18:58:00???來源:工研院資通所 ??關鍵字:?影像??算法??瓶頸??突破
??? 近年來,世界各國的交通主管單位皆大力倡導「防御駕駛」,所謂防御駕駛是一種預測危機并協助遠離危機的機制,意指除了駕駛本身遵守交通規則外,也要防范其他駕駛因為自身的疏忽或是故意違規,而發生交通意外。因此,防御駕駛的目的是透過目視與耳聽的察覺,來認知并預測可能發生意外之情境,并且盡快采取必要的防御措施,以避免意外發生。
??? 根據交通部的長期統計與特性分析報告指出,全國主要交通事故原因中,以「未保持行車安全距離」為最多。以2014年上半年國道高速公路為例,A1類(造成人員當場或24小時內死亡)的交通事故總計三十件,而未保持安全距離(車前狀態)占最大宗,總共有十件,并造成十一人死亡、十三人重傷。其次為變換車道不當,總計為六件,并造成八人死亡、八人重傷。然事實上,交通部在2012年國道事故檢討報告指出,在這些造成不幸的交通事故當中,有高達79.1%的意外是有機會事先預防的。
??? 有鑒于此,各大車廠與駕駛人紛紛在車輛上安裝各種駕駛輔助系統,以降低肇事率(圖1)。在各種系統中,以影像為基礎的輔助駕駛系統市占率最高;其主要原因為成本低廉,且可與行車記錄器結合使用,并能將偵測的結果以視覺影音的方式呈現給駕駛人,雖然其偵測距離不及紅外線與雷達,但仍廣受歡迎。
圖1各種不同形式之ADAS傳感器
開發成本低廉影像式ADAS受青睞
??? 為有效降低因駕駛者不專心所導致的事故發生,車道偏移警示系統(Lane Departure Warning System, LDWS)與前方碰撞警示系統(Forward Collision Warning System, FCWS)為世界各國重視,是業界爭相投入開發的兩大首要先進駕駛輔助系統(Advanced Driver Assistance System, ADAS)功能。 .LDWS
??? LDWS主要功能運作是透過攝影機拍攝車輛前方的場景,然后經圖像處理與計算,產生車道偵測的結果;一旦車輛在沒有打方向燈的情形下開始偏移車道時,系統則會自動發出各種警示訊號,提醒駕駛者立即做出反應以避免意外發生。
.FCWS
??? FCWS的主要功能亦是透過攝影機拍攝車輛前方的場景,經過圖像處理算法的計算后,將前方的車輛偵測出來,并且推估兩車之間的距離;當兩車未保持適當的行車距離時,系統亦自動對駕駛人發出警告,甚至近年來已有車廠開始評估是否由行車計算機系統接管煞車功能。
??? 上述兩種ADAS的主要功能,其共同點就是拍攝車輛前方的場景信息。一般而言,FCWS與LDWS都會使用同一個攝影機所取得的影像信息,且該攝影機亦可將影像信息儲存起來,做為行車記錄器之用。因此,FCWS與LDWS除了現有汽車制造商進行開發研究之外,制作行車記錄器的廠商亦積極投入研發。
PC-based為早期慣用平臺
??? 數字圖像處理平臺主要可分為兩大類,分別為軟件導向的PC-based與硬件導向的獨立型(Stand Alone)平臺;這兩類各有其優缺點。早期,由于獨立型的系統運算資源非常局限,中央處理器(CPU)指令周期較慢、內存空間不足、可支持的接口設備亦短缺,加上缺乏有效的影像程序開發接口,導致圖像處理算法的開發人員習慣采用PC-based做為硬件平臺。現在,由于超大規模集成電路(VLSI)與系統單芯片(SoC)的進步,數字系統的芯片有大幅進步同時縮小化的進展,使得目前嵌入式系統可以在低價位的情形下,提供高速CPU、海量存儲器、更多的周邊控制,甚至可以有多核心的處理器(Processor)。
??? 獨立型平臺符合輕薄短小設計需求 如此進步下,嵌入式系統已經開始朝多媒體邁進,增加影像與視訊等二維(2D)/三維(3D)訊號的運算,以擴大應用范圍;再加上隨著智能化與云端化的趨勢,多媒體應用與安全監控平臺,已漸由PC-based走向獨立型嵌入式系統,以便滿足車載應用對省電與輕薄短小的需求。 有鑒于此,工研院便以獨立型嵌入式系統方式來進行ADAS的開發與驗證。 首先,算法開發人員為取得影像來開發算法,在開發初期必須自行駕駛配有行車記錄器的車輛,于道路上拍攝各種不同場景、天候等行車影片,過程中還必須兼顧「正確率」與「效能」,因為對任何算法而言,良好的正確率只是最基本的條件。 攸關警告提示速度ADAS算法驗證至為重要
??? ADAS對于算法的效能必然斤斤計較,因為當危險狀況發生時,系統必須實時(Real-time)發出警告。以FCWS為例,當某車輛于國道高速公路以時速100公里行駛時,亦即其每秒前進27.7公尺;系統若延遲0.1秒發出警告,則車輛將繼續前進2.77公尺;因此設計人員習慣以訊框速(Frame Per Second, FPS)來驗證ADAS中的算法之效能,當FPS值越大時,代表該算法的效能越佳。
??? 當然,算法的效能必定與嵌入式平臺的處理器速度、資源相關,所以在開發初期就必須考慮算法的計算量是符合何種嵌入式平臺,否則將出現算法無適當平臺可用的困境。
結合快速影像分割結果車道線偵測算法效能穩健
??? LDWS為ADAS中較早被開發的功能,車道偏移警示系統的研發,主要包含「車道線偵測」以及「車道偏移偵測」兩個項目。雖然這個研究已經有十幾年的歷史,同時也有許多知名學者投入此領域的研究,但是其研究成果還有許多須要改進之處;如在車道線偵測方面,因為無法預測車道線與道路的顏色差距(梯度(Gradient))程度。因此,算法中默認的參數便無法偵測出所有類型的車道線。此外,為強化車道線的特性,往往須要重迭多張連續的畫面,以加長車道線的長度。
??? 最后,由于使用的直線偵測算法,無法提供直線是否屬于車道線或是非車道線等信息,因此傳統的車道偏移系統,需要一個手動設定的畫面,標示出可能的車道線區域,藉此過濾掉非車道路線。
??? 在車道偏移偵測方面,須要分析連續畫面的變化,才能判斷車子是否偏移,如此一來,系統便無法實時通知駕駛有關車道偏移的信息。有鑒于此,工研院已經自行開發出一種快速且強健的車道偏移警示系統;藉由結合「快速影像分割」的結果,所開發的車道線偵測算法,可以偵測出各種類型的車道線,不須要分析連續畫面的變化,可以僅由一張畫面,便判斷出車輛是否偏移。
??? 該算法的執行流程(圖2)主要有五個步驟。
圖2LDWS算法流程圖
.影像分割(Image Segmentation)
??? 首先,對原始影像進行「區域化」的步驟,將影像分成若干區域。
.車道線區域偵測(Road Line Region Detection)
??? 然后結合「影像分割后的結果」以及「梯度分析」,以完成車道線區域偵測。
.車道線候選區域(Road Candidate Determination)
??? 使用區域標記(Connected Component Labeling)的方式,標記每個連通區域(Connected Component),進而分析各區域的特性,去除「非車道線區域」,以完成工作。
.車道線判定(Road Line Determination)
??? 接著進行車道線判定步驟。
.車道偏移警示(Lane Departure Warning)
??? 最后,藉由判斷左右車道線的角度,以完成警示的功能。
??? 該算法的執行結果可參考圖4。
圖3FCWS算法流程圖
以純水平線為依據前車偵測算法更精確
??? 保持安全車距是駕車的基本守則,尤其是在高速公路上,當前方車輛有任何狀況發生時,保持安全車距才有足夠的時間進行防御駕駛。所以,工研院開發FCWS的目標為,當前方車輛與本身車輛距離30公尺時,則實時發出警示訊號。
??? 前方碰撞警示系統的研發,主要包含「前方車輛偵測」以及「車距計算」兩大項目。目前的前方車輛偵測研究中,有許多方法是使用「車底陰影」來當作特征值。但是,陰影容易受到外在光線的影響,造成偵測正確率不穩定的困擾。此外,為克服夜間、陰雨等天候問題,有許多方法是以「后車燈」為偵測的特征值。這種做法雖然可在夜間獲得良好的成果,但是僅適用于夜間。
??? 有鑒于此,工研院自行研發適用于嵌入式系統,快速且穩定之前方車輛偵測算法;藉由Sobel濾波器取得前方車輛的水平、垂直邊緣,并且透過梯度方向(Gradient Orientation)將「純水平邊緣」擷取出來。
??? 「純水平邊緣」是很重要的特征,因為從很多測試影片中可以觀察到,前方車輛必定有「純水平邊緣」,例如保險桿、后擋風玻璃、行李箱等,然而有時候場景中亦可能出現一些非車輛的純水平邊緣。為避免誤判,可以使用標記(Labeling)、角點偵測(Corner Detection)、區域二元圖(Local Binary Pattern, LBP)紋理分析(Texture Analysis)將前方車輛準確的偵測出來。如同LDWS算法一樣,該算法的前方車輛偵測系統,亦不須要分析連續畫面的變化,可以僅由一張畫面便判斷出前方車輛。本算法的執行流程如圖3所示,而執行結果如圖4所示。
圖4FCWS與LDWS之執行結果
??? 在車距計算方面,由于僅有單一攝影機,所以無法使用雙攝影機的算法來計算距離;但透過固定攝影機的方式,于靜止狀態預先量測距離,建立對應表格(Table)方式進行計算(圖5)。將攝影機固定架設完畢后,透過實際量測可知,5公尺線對應至該影像的第162列(Row)、10公尺對應至第137列、15公尺對應至第126列、20公尺為第123列。
圖5單一攝影機之前方距離量測
??? 藉由實際距離與影像坐標的對應產生對應表,當行進間前方車輛被偵測時,再利用查表的方式換算出前車距離。利用影像坐標對應的方法,其誤差值將會隨著距離增加而增加,不過在控制攝影機鏡頭條件下,在實際距離小于30公尺時,其誤差值仍在公尺級的接受范圍內。
??? 最后,將ADAS于嵌入式平臺進行驗證且程序優化之后,即可安裝于車輛上做實車測試。在此使用的嵌入式平臺為Cortex-A15的雙核心處理器與其他相關的周邊配備;測試場景為新竹68號快速道路,并且于上午、中午、傍晚進行數次的實車測試;天候狀況已包含晴天、陰天、大雨。FCWS與LDWS的正確率至少皆有90%以上,且執行速度可達25FPS。
輔助駕駛技術迭有進展主動式ADAS前景可期
??? 隨著車用電子與車用影像技術的進步,各種輔助駕駛的系統成為各大車廠的發展目標,且不停的推陳出新,因此車廠投入研發各式主動式ADAS的力道與能量越來越強。然而,早期的ADAS大多是停留在警示功能,用以提醒駕駛人須要盡快進行防御駕駛,不過于近年,已經有些車廠推出半自動式的輔助系統,可協助駕駛者進行煞車或車道維持等。
??? 發展這些功能的最終目的就是要朝向全自動駕駛,在行車途中遇到危機時,系統會主動介入接管駕駛,并且快速判斷應如何閃避危險,且保持車體不受碰撞,無人的自動駕駛已然成為未來發展的關鍵;然而,在這段過渡期間,各廠依舊致力發展相關技術,各種單一功能警示輔助系統正于產業界蓬勃發展。未來,當技術成熟且成本能被市場接受時,相信各大車廠就將會整合多個單一警示系統,逐漸邁向無人駕駛。
??? 目前,Google在自動駕駛車方面已有長足的進展,2014年中公布的無人駕駛車已沒有方向盤與油門,且以40公里/小時的速度,在美國加州地區進行測試。其實,無人駕駛車輛最大的挑戰仍是在一般道路,誠如Google自動駕駛計劃負責人Chris Umson所言,以無人駕駛系統在高速公路開上1公里,和在市區開上1公里,這是完全不一樣的兩件事情;在高速公路上開車的變因僅有數種,但若在一般道路上恐怕會激增到上百種。所以,Google無人駕駛車除了安裝傳統的攝影機之外,更搭載光達系統(LiDAR)進行光學定向測距,用以提高安全性與可靠性。由于技術、法令等因素尚未成熟,無人駕駛汽車無法在幾年內就上市,但透過自動駕駛技術的不斷進步,相關的配備必定下放至一般車款上,對消費者來說亦是一大福音。
總結
以上是生活随笔為你收集整理的影像算法瓶颈突破 汽车ADAS再进化的全部內容,希望文章能夠幫你解決所遇到的問題。
- 上一篇: 全球30篇最热门的计算机视觉和深度学习论
- 下一篇: 自动驾驶进入第3阶段 ADAS黑科技守护