深度學習在輔助駕駛系統中的應用

吳珺泓

（成都理工大學計算機與網絡安全學院（牛津布魯克斯學院），成都 610000）

0 引言

我國是一個交通大國，汽車保有量持續增長，道路交通事故率高。如何有效降低道路上各類交通事故的數量是當今社會和產業界共同關注的重點問題之一。為了提高駕駛的安全性，減小交通事故的發生頻率，輔助駕駛系統將有效幫助駕駛者了解在駕駛過程中車輛周圍的環境信息，減少一些由于人為因素導致或者可以避免的交通事故。輔助駕駛及自動駕駛技術已成為智慧汽車中發展的主流。

1 汽車輔助駕駛系統

輔助駕駛系統通常是通過安裝在汽車上的多種傳感器，在用戶在駕駛汽車過程中即時感知汽車周圍的行人、車輛、道路標志線等交通環境。其中，對靜態或動態的物體進行識別，并收集相關動態數據交給中心系統進行運算和分析是輔助駕駛員進行駕駛操作和決策的常規流程。基于一系列協同操作能夠有效增強汽車駕駛過程中的安全性、穩定性及舒適性。目前出現了許多功能和目標的汽車輔助駕駛系統，常見的有側面碰撞修正系統（BSI）、前碰撞預警系統（FCWS）、車道偏離預警系統（LDWS）、車道保持輔助系統（LKAS）、自動緊急制動系統（AEB）等［1］。

機器學習是無人駕駛技術取得優秀效果的基礎，其中深度學習是源于人工神經網絡的一種高效的機器學習方法。良好的深度學習模型可以提高汽車識別道路、行人、障礙物等的時間效率并保障識別的準確率。通過大量數據的訓練之后，汽車可以將收集到的圖形、電磁波等信息轉換為可用的數據利用深度學習算法實現無人駕駛［2］。

傳統的目標識別技術主要依賴對外觀特征存在相似性，使用傳統識別技術雖然可以區分，但容易造成誤檢的情況。當出現極端天氣環境、人為遮擋的影響時，傳統目標檢測準確度無法滿足實際要求。

2 深度學習在輔助駕駛技術中的應用

隨著計算機科學與技術的發展和與產業的逐漸深度融合，汽車輔助駕駛系統的成熟度和綜合度已經初步達到一定高度。

深度學習在目標識別、檢測追蹤等方面取得了突破性成果，更是為輔助駕駛技術的發展和成熟提供了基礎和活力，利用計算機高效的圖像處理性能，實現了實時圖像處理。輔助駕駛技術的國內外研究已經取得了諸多的進展。

2.1 深度學習算法概述

深度學習（Deep Learning）是源于人工神經網絡的一種機器學習方法，是對人類神經系統識別過程的模擬。通過搭建用于學習分析的神經元網絡，對底層選取特征形成抽象的數字化屬性，以大規模數據為輸入基礎，將復雜的信息提取并精簡表示。

與傳統的淺層學習不同，深度學習采用更多神經網絡層的模型結構。例如常見的深度信念網絡（DBN）、生成對抗網絡（GAN）、循環神經網絡（RNN）、長短期記憶網絡（LSTM）、卷積神經網絡（CNN），都是往往有5—6 層，甚至10 多層隱含層。

深度學習算法采用了由輸入層、隱含層、輸出層組成的多層網絡結構。相鄰網絡層的節點間采用某種連接方式。這種大量彼此相連的節點被稱為“神經元”。每個神經元通過某種特定的激勵函數，計算來自上一層神經元的加權輸入值。所謂加權值，就是用來定義神經元之間信息傳遞的強度，深度學習算法會不斷訓練以調整每個節點的權重來改變網絡中的信息傳遞和輸出結果。

同時，還需要損失函數用于定量計模型算法的效果，用以自學糾錯、優化神經網絡結構。圖1是一個多隱藏層的深度學習模型結構圖。

圖1 多隱藏層深度神經網絡

以深度學習在圖像處理領域中的目標檢測為例，利用計算機視覺對待檢測的數字圖像或視頻進行訓練、提取目標信息并加以識別，通常分為預處理、特征提取、分類三步。常見的預處理手段包括去噪、復原、歸一化處理。特征提取是圖像識別中重要的一個環節。原始輸入圖像是大量的像素級別的數據，分類器無法通過這些0，1信號做出判斷。因此需要從大量的訓練數據中提取有用的部分，形成更高層的信號，這個過程即稱為特征提取。特征提取的好壞將直接影響到分類效果。目標識別即為分類過程，通過訓練一定的數據集后形成一個分類標準，將待測試數據進行歸類。

2.2 深度學習在輔助駕駛中的應用

輔助駕駛技術最大的作用就是提高汽車在駕駛過程中的安全性，是減少交通事故的一種有效手段。目前主要的研究前沿都是如何保證輔助駕駛技術的久穩定、高性能、最安全。針對傳感器技術、大數據分析、深度學習等方面進行改進優化，使得硬件設備可以更快的感知到目標信息，核心處理器算法能夠更快地計算控制。盡可能地提高整個輔助駕駛系統地性能和穩定，以滿足實際中復雜多變的場景和駕駛人員的需求，讓駕駛者盡快察覺可能發生的危險。在這個過程中，對于大量動態數據的積累和自主處理就顯得十分重要，這也剛好是深度學習所擅長的地方。

現有的目標檢測技術大致分為三類：傳統圖像處理方法、經典機器學習算法、深度學習算法［3］。

（1）以車道檢測為例，在傳統方法中，選取的車道線先驗特征一般設置顏色、灰色、邊緣寬度、邊緣梯度等。但存在的問題有：顏色特征易受陰影影響、噪聲較多計算耗時、對攝像頭角度焦距等參數要求嚴苛。

（2）經典機器學習算法中，增加了算法的魯棒性，但人工構造的特征有著局限性和經驗性，不具備普適性。

（3）深度學習算法，特別是使用卷積神經網絡的深度學習算法在計算機視覺領域表現了強大的能力，可以自動提取強大的特征用于分類檢測的任務。

2.3 深度學習算法在行人檢測中的應用

行人檢測是車輛輔助駕駛系統中不可或缺的一部分。行人檢測取藥及時檢測出車輛前方的行人并由系統或者駕駛員針對實際狀況采取相應的措施。目前行人檢測方法主要分為兩類：傳統行人識別主要通過人工設計特征和結合分類器來實現。比較經典的方法有HOG+SVM、HOG+LBP等。這種方法可以避免行人遮擋的影響，但泛化能力和精度較低，難以滿足實際需求。

另一種基于深度學習方法。通過多層卷積神經網絡（CNN）對行人進行分類定位。與傳統的特征算子相比，CNN 可以基于輸入圖像獨立學習特征，提取的特征更加豐富［4］?；谏疃葘W習的目標檢測框架有很多，如R- CNN（region convolu?tional neural network）系 列 和YOLO（you look at once）系列。R-CNN 系列算法也稱為兩階段算法。這類算法通過網絡找出待檢測目標的可能位置，即可疑區域，然后利用特征圖中的特征信息對目標進行分類。其優點是檢測精度更高，但實時性能較差［5］。YOLO 系列算法也被稱為單階段算法。該算法的所有工作過程都在網絡中實現。將目標檢測問題轉化為端到端回歸問題，從而更好地提高了網絡的實時性。但準確率不如Faster R-CNN（faster region convolutional neural network，a faster regional convolutional neural network）。

2.4 深度學習算法在車道檢測中的應用

車道線是汽車行駛過程中道路上一種重要的交通標志，用于約束車輛的基本行駛行為。對車道線的檢測和識別是影響輔助駕駛系統的基礎和關鍵。目前的車道檢測算法大致可以分為三類?；谔卣鞯能嚨罊z測方法利用車道線與周圍路面的灰度值、顏色梯度、邊緣輪廓等特征的差異，通過邊緣檢測、閾值分割等方式將車道線區域從圖片中提取出來［6］。這種類型的算法對噪聲比較敏感，需要人工手動去調濾波算子，根據實際場景特點說動調節參數。工作量大且易受到車道線遮擋及破損的影響，魯棒性較差［7］。

基于模型的方法將檢測問題簡化為根據路面特征將車道線轉化為幾何模型，再通過霍夫變換、隨機抽樣一致、最小二乘法等擬合對應的車道模型。這種方法建立在固定的幾何模型上，通過分析實時道路視頻圖像來檢測到目標信息，實時性好并且對于車道線被遮擋等干擾信息具有魯棒性。同時存在單一固定的車道模型參數無法適用于實際中復雜的地形和路況。

基于深度學習算法的基本思路是通過已有或改進的深度學習框架來實現檢測。通過使用大規模標記數據訓練神經網絡，使其對于提取車道線特征具有良好特性，實現對車道線的檢測。

主流深度學習方式主要分為以下四類：基于語義分割的方法、行分類方法、基于anchor 的方法、其他方法［8-11］。以這些算法為代表的深度學習方法使車道線檢測中保持檢測效率的同時實現高性能。

3 結語

隨著市場對汽車自動駕駛領域中的主動安全技術、智能化等技術的需求不斷增加，越來越多的企業和高校投入研究，共同推動智能駕駛汽車的發展，都尋求核心技術的突破，應盡快將其更好地融入到汽車輔助駕駛系統中，不斷更新與優化。當下，復雜的駕駛環境正是深度學習的機會。這個時代提供了深度學習關鍵的兩個助力：大數據和高性能處理器。深度學習非常適合利用大數據性能，通過大量數據的學習確定參數。無論是現行的輔助駕駛系統，還是未來可能實現的無人駕駛，深度學習的應用潛力無窮，而這種技術的不斷迭代創新也將帶領汽車產業進入一個全新的時代。

通過深度學習算法的應用實踐來積累經驗，并積極培養相關專業的人才，結合汽車智能駕駛的需求構建更行之有效的應用方案。當人力、物力以及財力資源積累之后，便能夠實現汽車安全輔助駕駛系統的技術更新，促使智能駕駛的水平進一步提升。