【自动驾驶感知领域目前研究热点】

1.1感知领域目前研究热点：

动作识别、行人手势识别、人体姿态估计（骨架提取）

复杂道路场景语义理解与场景识别（模式识别）（城市道路路口、郊区直行路段……）

动态场景理解和多目标跟踪（MOT）：目标外观模型、目标运动估计、目标检测、数据关联

高精度语义分割（人、车、广告牌与标志牌、车尾灯与红绿灯、可行驶区域、树木、天空……）

可行驶区域检测方法类别：

基于直接特征的可行驶区域检测

基于直接特征的可行驶区域检测：基于颜色、基于纹理、基于边缘

基于间接特征的可行驶区域检测：消失点（灭点）法，在透视变换中，视场中的平行线都会都会相交于一点，即灭点，是平行透视变换的一个交点

基于深度学习的可行驶区域检测：

语义分割（像素级分类任务）

基于FCN（全卷积网络）的可行驶区域分割（编码器-解码器架构来完成可行驶区域的模型-kittiseg）。

FCN（全卷积网络）：全卷积网络采用端到端训练方法建立深度模型，完成语义分割任务。

FCN与CNN差异：传统的CNN是将传统的特征提取过程和分类器合并在一起，一般在卷积层最后有全连接层，最后一个全连接层充当分类器，输出一堆向量，对应可能的输出。而在 FCN中，用1✖️1的卷积代替卷积神经网络中的全连接层。FCN中上采样是采用反卷积的方式实现的，为了保证上采样的优化效果，用双线性插值对其初始化。

场景流（scene flow）、光流与事件相机

场景流：空间中每一点的位置信息和其相对于摄像头的运动，采用光流估计与深度估计的结合，只关注深度变化量，不关注深度绝对值

场景流应用方向：补充和改进视觉测距和SLAM算法，用于人机交互、虚拟现实和增强现实

光流估计：一种二维运动场，是空间中每一点沿摄像头平面的运动状态

光流估计方法：LK（Lucus-Kanade）算法（一种稀疏光流算法）、Flownet方法（一种基于深度学习的光流计算方法࿰