卷積神經網絡（CNN）在汽車無人駕駛中的應用與分析

陳友宣

摘? 要：汽車無人駕駛技術在實際應用過程中會通過高精度的感應器監測交通環境，應用科學算法準確規劃合理的行車路徑，其中卷積神經網絡在無人汽車駕駛技術應用當中有明顯的研究價值。文章對卷積神經網絡在汽車無人駕駛中的應用進行研究，綜合概述卷積神經網絡的發展情況，研究分析無人駕駛雙目3D感知模型，無人駕駛物體檢測模型，并綜合說明3D感知與物體檢測之間的關系，以期對卷積神經網絡能夠在汽車無人駕駛中得到有效應用。

關鍵詞：卷積神經網絡;汽車無人駕駛;3D感知模型;檢測模型

中圖分類號：U463 文獻標志碼：A 文章編號：2095-2945（2019）05-0013-02

引言

2010年以來，汽車無人駕駛技術得到了飛速發展，在汽車無人駕駛中重點研究項目就是對駕駛中交通環境的檢測，其中包含道路識別，汽車運行檢測，行人檢測識別，以及對交通信號的檢測，整個研究項目的內容比較多，并且難度比較高。作為重要的視覺領域感知技術，卷積神經網絡在汽車無人駕駛中發揮著重要作用，文章著重研究卷積神經網絡在無人駕駛中的3D感知與物體檢測。

1 卷積神經網絡概述

卷積神經網絡（Convolutional Neural Network，CNN）是人工神經網絡中的一個分支研究，組成卷積神經網絡的結構網絡模型比較多，因此也被稱之為深度卷積神經網絡。在實際應用中卷積神經網絡能夠實現信號的不間斷輸入，能對不同環境中的聲音，圖像以及視頻信息進行高速傳輸。卷積神經網絡是基于多層感知器上的改進與發展，通過有效的空間處理技術，能夠降低學習參數的實際數量進而提升其算法的實際性能。與傳統人工神經網絡向比較，卷積神經網絡能夠實現局部的連接和系統的權值共享。

在卷積神經網絡中，通過底層信息感知能夠實現對區域進行深度感知，實現對信息數據特征的有效獲取。其中的神經元可以通過局部感知迅速捕獲到視覺影像以及圖像信息的主要特征情況，這也使得其具有明顯的強魯棒性，這種特性的存在讓卷積神經網絡具備了比較強大的詩句表象能力。

2 無人駕駛雙目3D感知模型

在汽車無人駕駛中需要對駕駛環境進行信息收集完成3D建模，這是保證無人駕駛技術得以應用的關鍵性技術。3D建模需要應用激光雷達技術，實現高精度的3D云點分布，攝像頭能夠感知到3D云點的存在，能夠達到人眼的3D感受效果，以此實現3D建模工作。在模型建立中，將攝像頭之間的距離確定為B，選取建模空間中的一點確定為P，P到兩個攝像頭影像的位移距離為d。使用的攝像頭的焦距為f，以此可以計算得出P到攝像頭的距離為：

雙目攝像頭中的單個像素值并不穩定，因此需要使用附近像素以及應用平滑性假設，建設中α以及β的數值都比較小，確定假設為d（x，y）≈d（x+α，y+β），因此就可以對前面設定的d進行最小化求解分析。

在研究中假設使用的算法與研究圖像對其中使用的光流算法比較相似，問題差異性較小，在此只是將（Il，Ir）變成了（It，It+1）。根據無人駕駛雙目感知3D建模需要，下面一種基于匹配價格的卷積神經網絡算法，也就是Matching-Cost CNN，也稱為MC-CNN。有關MC-CNN算法的結構如圖1所示。

在此算法結構中，網絡的信息收集是兩個不同影響中的一部分，實際輸出是關于這兩個影響的不匹配概率，整個計算分析過程就是一個cost函數，在函數中，如果兩個影像能夠有效匹配，那么函數的數值為0，如果無法實現匹配函數的數值為1。在信息輸入中可以根據影像信息圖片確定位置對偏移位置d進行確實，分析d的取值范圍大小，并分析得出最終的CNN最小值，在求得最小值后也就完成了對影像的偏移距離的估算。在此過程完成后需要使用MC-CNN算法進行以下處理工作：第一，應用MC-CNN算法中的Cross-based cost aggregation。MC-CNN算法中的成本聚合是對雙目攝像頭收集到的影像進行像素點的偏移值計算，并求得最終的平均值，通過此項工作能夠提高計算值的精度，提高數據的準確性。第二，應用MC-CNN算法中的Semi-global matching。MC-CNN算法中的半全局匹配算法，這種算法比較常用于雙目中對disparity 的計算，也就是對d的計算。通過此算法能夠實現對影像中臨近點的平移相似程度，加入平滑約束對偏移最優值進行確定。

進行插值與圖片邊界修正，以此提高算法計算的精度，做好空白補充工作。

3 汽車無人駕駛物體檢測模型

無人駕駛物體檢測技術是駕駛感知中不可或缺的重要組成部分。相關物體檢測技術的算法的學術研究比較多，以下選擇具有較強代表性的Faster R-CNN算法進行分析說明：CNN算法將汽車無人駕駛的物體進行了有機分類：一類為物體可能所在區域的選擇，在系統結構中輸入影像圖片時，無法對物體的位置大小進行準確定位，為了提高分辨物體位置大小的效率需要對區域內的所有物體進行收集信息，以此進行逐步確定，其中召回率是比較關鍵的一個指標。另一類是對候選區域的識別判定，在圖片信息確定區域內，需要對物體的大小比例進行確定。此項工作中關鍵指標是精度確定。

RPN是Faster R-CNN算法的一個最新發展形勢，這種算法結構可以有效的選擇確定一個候選單位。在RPN中需要應用卷積神經網絡，對網絡中的卷積層進行逐層提取，在卷積層中輸出信息影響的結構特征圖，并將其進行再次分配，分流到兩個不同的全連接層中，分別對檢測物體的類別以及檢測物體的大小進行確定。通過卷積神經網絡進行計算可以有效地節省運算時間。詳細的RPN算法運行結構過程見圖2。

4 3D感知與物體檢測的關系

無人駕駛的雙目感知是對汽車駕駛環境信息確定的關鍵技術，在3D感知模型中為了實現端到端模型的建立需要對CNN的主要特征進行提取，實現模型的有機匹配和優化處理等主要功能。3D感知中的FlowNet通過運用卷積神經網絡實現了3D感知的兩項構建工作，主要為收縮與擴張兩個部分。

汽車無人駕駛中的物體檢測需要對物體的變化情況進行及時確定，做好判別工作，在卷積神經網絡中的層級結構因為與pooling存在著關于物體尺度的對應關系，作為物體檢測中關于解決物體范圍變化的主要算法技術。

二者都是通過神經卷積網絡算法分析技術的應用為汽車無人駕駛提供專業的技術支持，是無人駕駛技術應用的核心與關鍵。

5 結束語

在研究汽車無人駕駛中的場景識別以及物體檢測的關鍵技術當中，卷積神經網絡體現了比較明顯的算法優勢，實現了3D感知與物體感知技術的快速應用與迭代。未來將在MC-CNN與RPN算法應用與技術研究中，提高物體識別能力，提高技術的精度，促進汽車無人駕駛技術的發展。

參考文獻：

[1]張俊元.無人駕駛系統中的關鍵技術淺論[J].時代汽車，2018（11）：31-32.

[2]金凡.基于時空遞歸神經網絡的智能車端到端決策研究[D].電子科技大學，2018.

[3]宋靈杰.基于卷積神經網絡的交通標志分類與識別研究[D].湖南大學，2018.

[4]蔡詩威，郭太良，姚劍敏.一種基于卷積神經網絡的性別識別方法[J].電視技術，2014（19）：188-191.

[5]端木慶玲，阮界望，馬鈞.無人駕駛汽車的先進技術與發展[J].農業裝備與車輛工程，2014（03）：30-33.