1.车端感知
车端感知是指汽车通过安装在车辆上的传感器、摄像头和雷达等设备,来感知周围环境和其他车辆、行人等障碍物。其主要感知对象有静动态目标(路、房屋、树木等建筑设施)和动态目标(汽车、 行人等交通参与者)。
对交通标识线的识别算法可以分为以下几个模块:
- 图像处理
- 取标识线特征
- 拟合标识线模型
- 跟踪时序
图像处理是消除可能由光照条件、投影和相机本身形成的图片噪声;取标识线特征是获得标识线上的像素位置;拟合标识线模型是依据一定的标识线模型来建立标识线;跟踪时序是依据结果,对标识线行跟踪测量,可以使标识线的识别结果更加平滑。
对行人的识别算法可以分为以下几个模块:
- 特征提取
- 特征处理
- 遮挡处理
- 分类算法
特征提取是指从行人的输入图像中提取不同的特征;特征处理则包括对行人的各个身体部位分别进行处理;遮挡处理是指对行人受到其他物体(如车辆、树木等)遮挡的情况进行有效处理;分类算法是根据一定的分类模型对是否是行人进行判断。
2.路端感知
路端感知是指应用路端的智能传感器(如路边激光雷达、路边监控摄像头和路边超声波模块等),完成对城市标准路上交参与者的感知。
相对于车端感知需求而言,路端感知需求更加简化,因为车端传感器是附着在车辆上,随着车辆不断运动,而路端传感器是固定于路端的。所以仅在安装路端传感器时做一次全局坐标位置的标定与测即可,无需像车端传感器一样实时定位。
路端对车辆的识别算法,从算法机理来分类,可以分为基于运动的算法,基于手动提取特征的算法和基于深度学习的算法。
2.1基于运动的算法
基于运动的算法是指通过分析图像序列中的运动信息来进行目标检测、跟踪和行为分析等任务的一类算法。
基于运动的算法通常包括光流估计和运动分析两个主要步骤。光流估计是指从连续的图像帧中计算出每个像素的运动速度和方向;运动分析是指通过分析光流信息或其他运动特征来推断目标物体的位置、速度、运动状态等信息。常见的基于运动的算法包括光流法(Optical Flow)、Lucas-Kanade算法、基于卡尔曼滤波的跟踪算法等。
基于运动的算法对图像的干扰和噪声具有一定的鲁棒性,能够在一定程度上抵御图像质量的变化,同时适用范围也较广。但是,由于其算法性能对光照、阴影、反射、遮挡等环境和场景变化比较敏感,因此受限于环境和场景。同时,基于运动的算法需要多个视角和多个相机来进行运动分析与特征提取,成本较高。
2.2基于手动提取特征的算法
基于手动提取特征的算法是指使用人为设计的特征提取器来提取图像的特征,并将这些特征用于模型训练和推理。这类算法通常需要手动设计和选择特征提取器,例如SIFT(Scale-Invariant Feature Transform)和HOG(Histogram of Oriented Gradients)等。这些特征提取器可以提取图像的局部纹理、颜色、形状等特征,并将其表示为向量或矩阵形式,以供后续的分类器或回归器使用。
然而,基于手动提取特征的算法通常需要大量的人力和时间来进行特征设计和调整,也容易受到数据质量和数据变化的影响。因此,在深度学习的兴起和发展中,越来越多的特征提取转向了基于深度神经网络的自动特征学习方法,以提高算法的性能和泛化能力。其中,深度卷积神经网络的应用最为成熟。
2.3基于深度学习的算法
基于深度学习的算法可分为单阶段(one-stage)与双阶段(two-stage)算法。
2.3.1双阶段
常见的双阶段算法包括Faster R-CNN、R-FCN(Region-based Fully Convolutional Networks)和Mask R-CNN等,其通常包含两个阶段,分别是候选区域生成和目标分类定位。
在候选区域生成阶段中,双阶段算法通常使用区域建议网络(Region Proposal Network,RPN)或类似的方法生成一组候选框(bounding boxes),这些候选框可能包含目标物体,也可能包含背景或噪声。
在目标分类定位中,通过对这些候选框进行分类和位置回归,确定哪些候选框包含目标物体,并输出目标物体的位置和类别信息。
2.3.2单阶段
单阶段类型的目标检测算法是直接用深度卷积神经网络直接回归物体的类别概率和位置坐标值,以完成目标分类和目标定位,而不再像双阶段分成两个步来进行。
在单阶段算法中,通常使用卷积神经网络(CNN)来提取特征,然后通过回归器和分类器预测每个像素上是否存在目标物体以及该物体的位置和类别信息。常见的One-Stage算法包括YOLO(You Only Look Once)和SSD(Single Shot MultiBox Detector)等。
双阶段 | 单阶段 | |
精度 | 高 | 低 |
粗定位步骤 | 有 | 无 |
小物体检测效果 | 好 | 差 |
速度 | 慢 | 快 |
训练时间 | 长 | 短 |
误报概率 | 高 | 低 |