汽車智能雨刮系統(tǒng)雨滴檢測(cè)方法研究進(jìn)展

陳錦華， 張廣冬， 宋樹權(quán)

（鹽城工學(xué)院 機(jī)械工程學(xué)院，江蘇，鹽城 224051）

雨刮器是汽車安全系統(tǒng)的重要組成部分之一，在雨雪天氣能夠?yàn)轳{駛員提供清晰的視野，保障行車安全。現(xiàn)有的雨刮器大多數(shù)需要手動(dòng)操縱或分級(jí)控制，駕駛員需要在行駛過程中時(shí)刻注意降雨量大小以調(diào)節(jié)雨刮的工作模式，這勢(shì)必加大駕駛難度，容易引起交通事故。根據(jù)統(tǒng)計(jì)報(bào)告，在全世界范圍內(nèi)，由于雨天行車手動(dòng)操作雨刮器造成的交通事故約占7%［1］。汽車智能雨刮系統(tǒng)能夠避免因手動(dòng)操作雨刮開關(guān)分散駕駛員注意力而造成的交通隱患，從而幫助駕駛員減少雨天的駕駛風(fēng)險(xiǎn)。

當(dāng)前，汽車智能雨刮系統(tǒng)的雨滴檢測(cè)方法主要基于雨量傳感器和視覺傳感器來(lái)實(shí)現(xiàn)。基于雨量傳感器的雨刮系統(tǒng)，通過采集雨量信號(hào)來(lái)判別雨量大小從而驅(qū)動(dòng)雨刮工作，目前市面上已有多家汽車公司的基于雨量傳感器的智能雨刮系統(tǒng)投入量產(chǎn)［2］。基于視覺傳感器的智能雨刮控制系統(tǒng)，是通過攝像機(jī)獲取駕駛員前方視野來(lái)檢測(cè)雨量信息，由于其處理過程較為復(fù)雜，目前僅應(yīng)用在特斯拉Model X車型和小鵬G3車型上。本文分別探討了基于雨量傳感器和視覺傳感器的智能雨刮系統(tǒng)的雨滴檢測(cè)方法的優(yōu)、缺點(diǎn)和研究現(xiàn)狀，并展望了基于視覺傳感器的智能雨刮系統(tǒng)的發(fā)展趨勢(shì)。

1 基于雨量傳感器的雨滴檢測(cè)方法

目前使用的汽車雨量傳感器也稱雨滴傳感器，其檢測(cè)雨滴的方法［3-4］主要包括紅外光線檢測(cè)式、電容式、電阻式、壓電振子式。

1.1 雨量傳感器檢測(cè)原理介紹

1.1.1 紅外光線檢測(cè)式雨量傳感器

紅外光線檢測(cè)式雨量傳感器安裝于汽車前擋風(fēng)玻璃內(nèi)側(cè)，不容易受到外部環(huán)境因素干擾且技術(shù)較成熟，應(yīng)用廣泛。紅外光線檢測(cè)式雨量傳感器［5］基于光反射理論，通過比較LED發(fā)射的紅外線數(shù)量，以及通過擋風(fēng)玻璃反射后接收到的紅外線數(shù)量來(lái)間接判斷雨量大小，如圖1所示。

圖1 紅外光線檢測(cè)式雨量傳感器的原理

當(dāng)沒有降雨時(shí)，傳感器向擋風(fēng)玻璃發(fā)射紅外線，此時(shí)接收到反射回來(lái)的紅外線最多。當(dāng)降雨發(fā)生時(shí)，擋風(fēng)玻璃上出現(xiàn)了雨滴，由于反射條件被破壞，此時(shí)傳感器再向擋風(fēng)玻璃發(fā)射紅外線，能夠接收到反射回來(lái)的紅外線大大減少。通過接收反射的紅外線數(shù)量間接判斷雨量大小，并將其轉(zhuǎn)換為相應(yīng)的電信號(hào)傳輸給雨刮控制器來(lái)自動(dòng)控制雨刮工作。

近年來(lái)，市場(chǎng)主流的自動(dòng)感應(yīng)雨刮系統(tǒng)［6］均采用紅外光線檢測(cè)式雨量傳感器。紅外光線檢測(cè)式雨量傳感器主要有兩種實(shí)現(xiàn)方法：分別基于微控制單元（Microcontroller Unit，MCU）［7］、模擬和數(shù)字電路［8］。2011年，WANG Yanyan等［9］提出一種基于MCU的智能紅外雨刮控制系統(tǒng)，采用高亮度紅外二極管作為光源照射汽車擋風(fēng)玻璃。紅外接收器接收到光信號(hào)，并將其轉(zhuǎn)換為電壓，經(jīng)過整形和濾波后，MCU對(duì)電壓進(jìn)行采樣和處理。然后進(jìn)行模擬降雨試驗(yàn)，以此檢測(cè)擋風(fēng)玻璃上的雨滴，并自動(dòng)啟動(dòng)雨刮器。2011年，CHOI［10］利用雨水在擋風(fēng)玻璃上反射的散射光進(jìn)行檢測(cè)，擋風(fēng)玻璃上的雨滴起到散射介質(zhì)的作用，它將光源發(fā)出的光信號(hào)傳遞到燈罩上的光電二極管上，這種傳感機(jī)制利用了與光學(xué)傳感器類似的方法，將輸入光源向多個(gè)方向散射以檢測(cè)更大的擋風(fēng)玻璃表面積，并利用模擬降雨裝置進(jìn)行試驗(yàn)驗(yàn)證，表明該裝置可作為汽車雨量傳感器。2021年，DAS等［11］提出了一個(gè)自動(dòng)汽車雨刷系統(tǒng)的模型，該系統(tǒng)通過感應(yīng)汽車擋風(fēng)玻璃上的雨和雪來(lái)工作，通過伺服電機(jī)、雨滴傳感器與AT89C51微控制器來(lái)實(shí)現(xiàn)，設(shè)計(jì)緊湊，易于與車輛集成。該系統(tǒng)可以根據(jù)雨水的強(qiáng)度來(lái)調(diào)節(jié)雨刮器的速度，但是有一定的滯后性，仍需進(jìn)一步完善。上述研究方法均利用了光的反射理論，存在易受背景光干擾、光電轉(zhuǎn)換信號(hào)較弱等問題。

1.1.2 電容式雨量傳感器

電容式雨量傳感器的原理［12］是利用電介質(zhì)的改變來(lái)使電容發(fā)生變化，從而間接判斷雨量大小，如圖2所示。當(dāng)沒有降雨時(shí)，檢測(cè)點(diǎn)之間的電介質(zhì)為擋風(fēng)玻璃和空氣，此時(shí)介電常數(shù)［13］較小。當(dāng)降雨發(fā)生時(shí)，檢測(cè)點(diǎn)之間的電介質(zhì)為擋風(fēng)玻璃和雨水，此時(shí)存在的雨滴介電常數(shù)要比空氣大得多。借助介電常數(shù)這一物理特性，通過電容值大小的變化引起震蕩電路的震蕩頻率改變，間接反映了雨量大小，從而驅(qū)動(dòng)雨刮器工作。

圖2 電容式雨量傳感器的原理

2004年，JARAJREH等［14］結(jié)合等效電容電路的方法，設(shè)計(jì)出一種基于模糊邏輯控制器與電容電路相結(jié)合的新型雨量傳感器，利用等效電容兩個(gè)極板之間的電容隨著雨量的變化，改變輸出電壓的大小，然后模糊邏輯將獲取的電容和輸出電壓的關(guān)系作為邏輯函數(shù)的輸入，輸出雨量大小。2012年，OTTE等［15］研究了一種基于電容傳感技術(shù)的雨量傳感器。將電容傳感器薄膜嵌入在前擋風(fēng)玻璃中，根據(jù)電容信號(hào)的波動(dòng)來(lái)檢測(cè)雨量強(qiáng)度。電容式雨量傳感器電極需要電氣連接，增加了開發(fā)成本和難度，此外，一旦傳感電極被弄濕，雨滴檢測(cè)的敏感度就會(huì)降低。

1.1.3 電阻式雨量傳感器

電阻式雨量傳感器的原理［16］是利用電阻值的改變，從而間接判斷雨量大小，如圖3所示。當(dāng)沒有降雨時(shí)，傳感器處于干燥狀態(tài)，檢測(cè)點(diǎn)之間的電阻值極高。當(dāng)下雨時(shí)，檢測(cè)點(diǎn)之間的雨水將絕緣導(dǎo)電線連接起來(lái)，此時(shí)的電阻值就會(huì)比先前沒有降雨時(shí)的電阻值小很多。電阻的這種差異使電路能夠區(qū)分干燥和潮濕狀態(tài)，使傳感器能夠檢測(cè)雨水。

圖3 電阻式雨量傳感器的原理

2013年，JOSHI等［17］提出了一種基于電阻式雨量傳感器的自動(dòng)雨刮控制器。建立了傳感器的等效電路和數(shù)學(xué)模型，并進(jìn)行了仿真和試驗(yàn)驗(yàn)證，表明該方法能較有效地適應(yīng)低降雨量和極端暴雨的情況，并且雨水中的異物、擋風(fēng)板上的污垢和煙霧等外部環(huán)境因素對(duì)系統(tǒng)的性能影響較小。

1.1.4 壓電振子式雨量傳感器

壓電振子式雨量傳感器的原理［18］是利用壓電效應(yīng)引起振子形變，從而間接判斷雨量大小，如圖4所示。當(dāng)下雨時(shí)，雨滴引起壓電振子的形變。雨量越大，雨滴引起的壓電振子形變就越大，由振子形變產(chǎn)生的電壓也就越大。通過輸出電壓信號(hào)的大小可以間接判斷雨量大小來(lái)驅(qū)動(dòng)雨刮器工作。

圖4 壓電振子式雨量傳感器原理

2015年，ALAZZAWI等［19］采用壓電振子式雨量傳感器開發(fā)了一款雨刮器控制系統(tǒng)。通過產(chǎn)生的電壓范圍模擬雨滴產(chǎn)生的壓力差，然后Arduino Uno將電壓范圍轉(zhuǎn)換為數(shù)字信號(hào)，傳感器在印刷的銅軌道上有小孔，被測(cè)雨滴可以向下移動(dòng)來(lái)收集雨滴產(chǎn)生的壓力。該系統(tǒng)的硬件價(jià)格比較低，節(jié)約了開發(fā)成本，系統(tǒng)對(duì)車型的適配性較好。應(yīng)注意的是，傳感器安裝位置的選擇較為苛刻，需要借助流體力學(xué)和空氣動(dòng)力學(xué)進(jìn)行分析，增加了系統(tǒng)開發(fā)難度。

1.2 雨量傳感器的優(yōu)缺點(diǎn)

目前，基于雨量傳感器的智能雨刮控制系統(tǒng)是較為主流的產(chǎn)品，常被應(yīng)用于中高檔轎車中，需要手動(dòng)操縱的傳統(tǒng)雨刮器也逐漸被取代［20］。盡管如此，基于雨量傳感器的雨滴檢測(cè)方法仍存在一定不足，見表1。

表1 雨量傳感器優(yōu)缺點(diǎn)對(duì)比

（1）安裝位置及接觸方式：智能雨刮系統(tǒng)需要考慮傳感器的安裝、布線和位置等問題。通常紅外光線檢測(cè)式雨量傳感器安裝于汽車前擋風(fēng)玻璃內(nèi)側(cè)，不易受到外部環(huán)境因素干擾；電容式雨量傳感器、電阻式雨量傳感器和壓電振子式雨量傳感器通常安裝在汽車擋風(fēng)玻璃外側(cè)，直接與雨水接觸，對(duì)殼體的密封性有一定的要求，易受外部環(huán)境的干擾，存在測(cè)量困難，不能較好地適配各種車型等缺點(diǎn)。

（2）外部環(huán)境干擾：使用紅外光線檢測(cè)式雨量傳感器的自動(dòng)雨刮系統(tǒng)穩(wěn)定性好，但信號(hào)容易被背景光干擾。CHOI［10］的方法中也利用了與光學(xué)傳感器類似的方法，雖然能夠檢測(cè)更大的擋風(fēng)玻璃表面積，一定程度上消除了基于雨量傳感器的智能雨刮系統(tǒng)存在的不可靠性和檢測(cè)范圍小等缺點(diǎn)，但傳感器對(duì)外界光線比較敏感，而且當(dāng)灰塵、樹葉等物體落在擋風(fēng)玻璃上時(shí)，也會(huì)破壞光的反射路徑。

（3）靈敏度：JARAJREH等［14］的方法采用了模糊邏輯控制器和電容式雨量傳感器，其中電容式傳感器需要通過雨滴連接傳感器電極而引起的電容信號(hào)和電阻的波動(dòng)來(lái)檢測(cè)雨的強(qiáng)度。傳感器電極需要電氣連接，一旦感應(yīng)電極被弄濕，它們對(duì)雨水感應(yīng)的靈敏度就會(huì)降低。OTTE等［15］的方法也存在同樣的不足之處。

（4）響應(yīng)一致性：對(duì)于相同的降雨量，不同的雨滴大小及其頻率［21］，很可能會(huì)導(dǎo)致系統(tǒng)響應(yīng)不一致。雨量傳感器的研究需要滿足響應(yīng)一致性，實(shí)現(xiàn)雨刮系統(tǒng)能夠通過雨滴大小及其頻率做出合理的響應(yīng)。

（5）檢測(cè)范圍問題：通常紅外光線檢測(cè)式雨量傳感器（圖5）安裝于擋風(fēng)玻璃的局部區(qū)域上來(lái)探測(cè)雨水［22］，可能會(huì)導(dǎo)致檢測(cè)失敗。主要原因是局部區(qū)域不能很好地代表整個(gè)汽車擋風(fēng)玻璃的范圍。如未下雨時(shí)或者雨后，其他車輛將道路上的積水飛濺到汽車擋風(fēng)玻璃上，但是未飛濺到雨量傳感器上，這時(shí)已經(jīng)影響了行車視野，但是雨刮器卻沒有開啟。

圖5 紅外光線檢測(cè)式雨量傳感器安裝位置［23］

（6）配置性：雨量傳感器的設(shè)計(jì)需要考慮到其結(jié)構(gòu)是否簡(jiǎn)單、穩(wěn)定、可靠，系統(tǒng)對(duì)各種車型的適配性。由于不同車輛的高度、擋風(fēng)玻璃面積和擋風(fēng)玻璃角度的各不相同［24］，自動(dòng)雨刮控制系統(tǒng)應(yīng)僅需略微改動(dòng)就能有效地適配各種車輛。

綜合分析雨量傳感器存在的缺點(diǎn)在于：安裝位置受限、易受外部環(huán)境干擾、靈敏度不穩(wěn)定、響應(yīng)一致性差、檢測(cè)范圍較小、信號(hào)非線性、存在一定的滯后性等。

1.3 雨量傳感器檢測(cè)方法的改進(jìn)

針對(duì)基于雨量傳感器的雨滴檢測(cè)方法的不足之處，國(guó)內(nèi)外學(xué)者提出了各種改進(jìn)的方法。

1.3.1 多傳感器聯(lián)合檢測(cè)方法

1996年，CHEOK等［25］采用多傳感器檢測(cè)雨情的方法，包括紅外、音頻和電容傳感器。紅外式雨量傳感器監(jiān)測(cè)擋風(fēng)玻璃反射率的變化，音頻式雨量傳感器監(jiān)聽雨滴落在金屬板上的聲音，模糊控制傳感器處理多傳感器的雨量信息來(lái)控制雨刮器系統(tǒng)。模糊邏輯用于補(bǔ)償傳感器中的非線性，并為雨刮器的自動(dòng)操作提供直觀推理。其缺點(diǎn)在于增加傳感系統(tǒng)的復(fù)雜性和開發(fā)成本。

1.3.2 語(yǔ)音控制方法

2020年，HASSAN等［26］提出一種可以識(shí)別語(yǔ)音的智能雨刮系統(tǒng)。通過訓(xùn)練語(yǔ)音識(shí)別模塊，實(shí)現(xiàn)駕駛員可以通過語(yǔ)音來(lái)控制雨量傳感器的工作，實(shí)現(xiàn)雨刮器自動(dòng)開啟和關(guān)閉。但考慮到如遇到突然的大雨等復(fù)雜雨情時(shí)，駕駛員本身處于比較緊張的駕駛狀態(tài)，可能出現(xiàn)無(wú)法通過語(yǔ)音操縱雨刮系統(tǒng)的情況。此外，該方法需要通過模型訓(xùn)練來(lái)識(shí)別不同用戶的語(yǔ)音，導(dǎo)致開發(fā)成本增加。

1.3.3 物聯(lián)網(wǎng)和云計(jì)算技術(shù)的應(yīng)用

2021年，SUPRIYA等［27］研究了基于物聯(lián)網(wǎng)和云計(jì)算的擋風(fēng)玻璃雨刮控制系統(tǒng)，采用了一款成本較低的YL-63雨量傳感器并開發(fā)了一個(gè)汽車實(shí)時(shí)雨量傳感和擋風(fēng)玻璃雨刮控制系統(tǒng)。2017年，張廣冬等［28］提出一種基于圖像識(shí)別和云計(jì)算的智能雨刮控制裝置及控制方法，可以實(shí)現(xiàn)對(duì)圖像進(jìn)行實(shí)時(shí)處理和云計(jì)算，并能夠與車載行車記錄儀集成，不受車型以及雨刮器類別限制。該方法還使用地理標(biāo)記來(lái)跟蹤汽車的位置，并能查看降雨強(qiáng)度，可以根據(jù)雨情向用戶手機(jī)發(fā)送警報(bào)。通過物聯(lián)網(wǎng)［29］、云計(jì)算［30］、物聯(lián)網(wǎng)與云計(jì)算等技術(shù)的應(yīng)用［31］，可以為自動(dòng)雨刮系統(tǒng)提供實(shí)時(shí)算力支持和在線升級(jí)服務(wù)，但是其可靠性仍有待驗(yàn)證。

2 基于視覺傳感器的雨滴檢測(cè)方法

智能駕駛的一個(gè)主要關(guān)注點(diǎn)是提高駕駛安全性，這也是未來(lái)自動(dòng)駕駛和智能交通的一個(gè)基本問題［32］。高級(jí)駕駛輔助系統(tǒng)（Advanced Driving Assistance System，ADAS）［33］不僅為駕駛員提供更好的駕駛體驗(yàn)，還提高了交通安全性。基于視覺的智能雨刮系統(tǒng)，采用車載攝像頭進(jìn)行視覺感知和環(huán)境感知，其目的是協(xié)助駕駛員進(jìn)行安全的駕駛操作而避免潛在的交通事故。在計(jì)算機(jī)與圖像處理技術(shù)不斷發(fā)展的背景下，借助車載攝像頭運(yùn)用圖像處理技術(shù)來(lái)檢測(cè)雨滴成為一種新思路。以下對(duì)基于視覺傳感器的智能雨刮系統(tǒng)在設(shè)計(jì)開發(fā)時(shí)面臨的主要問題、雨滴成像特點(diǎn)和研究方法進(jìn)行了更深入地闡述與客觀分析，重點(diǎn)介紹了各類方法的優(yōu)勢(shì)、局限性與適用場(chǎng)景。

2.1 雨滴成像特點(diǎn)分析

對(duì)于視覺雨刮的雨滴檢測(cè)方法，重點(diǎn)之一是對(duì)雨滴特征的識(shí)別，主要原因是附著在擋風(fēng)玻璃上的雨滴伴隨著車輛的運(yùn)動(dòng)會(huì)改變其大小、形狀和運(yùn)動(dòng)狀態(tài)等基本特征。這些基本特征對(duì)于傳感器算法的設(shè)計(jì)具有重要意義。附著于汽車擋風(fēng)玻璃上的雨滴示意圖，如圖6所示。

圖6 附著于汽車擋風(fēng)玻璃上的雨滴示意圖［50］

理解雨滴的特性和形狀特征［34］，有利于視覺雨刮的雨滴檢測(cè)工作。董書莉等［35］根據(jù)雨滴運(yùn)動(dòng)特點(diǎn)，使用基于邊緣信息引導(dǎo)法對(duì)圖像二值化，獲得雨滴的特征參數(shù)，依據(jù)二值圖像中聯(lián)通區(qū)域的面積、方向角和寬度的統(tǒng)計(jì)特征對(duì)圖像中的雨滴進(jìn)行檢測(cè)與識(shí)別。該方法在不同雨量情況下與動(dòng)靜態(tài)場(chǎng)景中均適用，為雨滴目標(biāo)檢測(cè)提供了一定的研究基礎(chǔ)。在檢測(cè)雨滴的工作中，根據(jù)研究分析可知雨滴通常具有以下特性［36］：

（1）雨滴的類圓性質(zhì)，雨滴的形狀接近圓球形，如圖7a所示。

（2）雨滴的光度特性，在光照情況下，雨滴通常呈現(xiàn)頂部暗、底部亮的特點(diǎn)，如圖7b所示。

（3）雨滴的條紋形狀，雨水在擋風(fēng)玻璃上滑過時(shí)呈現(xiàn)長(zhǎng)條紋狀，如圖7c所示。

（4）雨滴的不規(guī)則變形，當(dāng)雨量較大時(shí)，雨水覆蓋了整個(gè)擋風(fēng)玻璃，處于不規(guī)則狀態(tài)，如圖7d所示。

圖7 雨滴特性［37］

當(dāng)雨滴落在汽車擋風(fēng)玻璃上，會(huì)呈現(xiàn)出各種幾何形狀，主要取決于雨、風(fēng)、汽車的速度以及擋風(fēng)玻璃的性質(zhì)［38］，研究雨滴的幾何特性有助于檢測(cè)圖像中雨滴的存在。擋風(fēng)玻璃前的雨滴狀態(tài)可分為兩大類（圖8）：靜態(tài)的，如穩(wěn)定的小水珠／小水滴形成的薄霧；動(dòng)態(tài)的，如動(dòng)態(tài)的雨滴與雨水滑過擋風(fēng)玻璃形成的條紋狀雨滴。雨滴的運(yùn)動(dòng)狀態(tài)還受重力、慣性力、表面張力和黏性耗散作用力的影響［39］。

圖8 雨滴分類［37］

2.2 視覺類別分析與對(duì)比

基于視覺傳感器的智能雨刮系統(tǒng)能夠快速、準(zhǔn)確識(shí)別雨水是確保駕駛員行車安全的關(guān)鍵。汽車中引入視覺系統(tǒng)［40］，汽車就如同擁有了自己的“眼睛”，汽車可以模擬人類的視覺來(lái)獲取信息，使基于視覺傳感器的智能雨刮控制系統(tǒng)在視覺領(lǐng)域具有研究?jī)r(jià)值。視覺圖像處理通常需要經(jīng)過以下步驟，如圖9所示。

圖9 視覺圖像處理步驟

目前，機(jī)器視覺主要分為單目視覺、雙目視覺和多目視覺［41］。根據(jù)視覺的成像條件，研究者也進(jìn)行了不同的研究。2003年，YAMASHITA等［42］研究了多攝像機(jī)系統(tǒng)來(lái)拍攝同一場(chǎng)景以實(shí)現(xiàn)圖像雨滴去除的方法，使用多個(gè)攝像機(jī)從不同角度同時(shí)獲取一個(gè)場(chǎng)景的2個(gè)或3個(gè)圖像。通過對(duì)比不同圖像來(lái)估計(jì)雨滴所在的位置，對(duì)雨滴區(qū)域進(jìn)行提取、判斷和去除。2004年，YAMASHITA等［43］進(jìn)一步研究了單攝像機(jī)系統(tǒng)，該系統(tǒng)通過將攝像機(jī)調(diào)整到不同角度以生成附加圖像，從而模擬多攝像機(jī)系統(tǒng)。該方法通過對(duì)可改變視線方向的云臺(tái)相機(jī)系統(tǒng)拍攝的圖像進(jìn)行處理。首先拍攝遠(yuǎn)處景物的圖像，然后改變視線方向后再拍攝另一幅圖像，并與第1幅圖像進(jìn)行比較，檢測(cè)出可能存在水滴的區(qū)域。以上方法可以處理圖像噪聲，并且適用于背景是運(yùn)動(dòng)或靜止的圖像。在基于視覺傳感器的智能雨刮中，采用不同視覺類別對(duì)自動(dòng)雨刮的實(shí)現(xiàn)難度、成本以及獲取的信息量也不同，見表2。單目視覺采用1個(gè)攝像頭采集圖像信息，包含的信息較少［44］；雙目視覺采用兩臺(tái)攝像機(jī)，更像人類的兩個(gè)眼睛，可以從不同的角度獲取圖像信息，定位精度也比單目視覺更好［45］；多目視覺采用多臺(tái)攝像機(jī)從多個(gè)角度對(duì)目標(biāo)物體圖像進(jìn)行采集，定位精度更好，對(duì)目標(biāo)物體的圖像遮擋等問題影響較小，但是會(huì)增加運(yùn)算量，增加使用成本［46］。。

表2 不同視覺傳感器特點(diǎn)分析

攝像頭獲取圖像的方式主要有兩種［47］，一種是攝像頭聚焦于汽車擋風(fēng)玻璃上，另一種是不聚焦于汽車擋風(fēng)玻璃上。根據(jù)攝像頭獲取圖像的方式，2010年，NASHASHIBI等［48］提出了一種不聚焦于汽車擋風(fēng)玻璃的雨天圖像處理算法。由于雨滴不處于聚焦平面內(nèi)，視頻幀中的雨滴會(huì)變成模糊霧狀。當(dāng)下雨時(shí)，雨滴落在原先無(wú)雨區(qū)域，該區(qū)域的模糊霧狀會(huì)使得圖像亮度提高。該算法在高速或高度動(dòng)態(tài)的環(huán)境中運(yùn)行，圖像背景中的每一幀都發(fā)生著變化，極易產(chǎn)生錯(cuò)誤。為了克服和改進(jìn)不足，他們提出了時(shí)空分析的替代方法［49］，嘗試在相鄰兩幀中找到最近似的區(qū)域，該區(qū)域具有與之前計(jì)算相同的視覺特征，但在進(jìn)行上述算法時(shí)需要先平移，運(yùn)算量大，因此，它在最終的系統(tǒng)驗(yàn)證階段使用。

2.3 視覺雨刮的雨滴檢測(cè)方法

如今，基于視覺的檢測(cè)系統(tǒng)被用于許多不同的交通任務(wù)中［50］，依托車載相機(jī)運(yùn)用圖像處理技術(shù)進(jìn)行雨滴檢測(cè)也成為一個(gè)新的思路。根據(jù)成像方式、基本原理、處理速度與檢測(cè)結(jié)果的不同，雨滴檢測(cè)的方法多樣化，下面按照發(fā)展過程分析了基于視覺的雨滴檢測(cè)方法。

2.3.1 模板匹配方法

（1）基于雨滴光度特性和雨滴特征建立雨滴模型

關(guān)于視覺圖像的雨滴檢測(cè)工作通常遵循兩個(gè)主題：雨滴的光度特性［37］和基于雨滴特征的檢測(cè)與去除［51］。研究人員通過理解雨滴的光度特性開發(fā)理想的雨滴模型。2004年，GARG等［52］提出一種檢測(cè)和去除視頻中雨滴的方法，利用雨滴的空間分布、形狀、大小和速度特性，開發(fā)了1個(gè)相關(guān)模型來(lái)捕捉雨水動(dòng)態(tài)和1個(gè)基于雨滴的物理特性模型來(lái)識(shí)別雨水光度。通過這兩個(gè)綜合模型來(lái)捕捉降雨的動(dòng)態(tài)和光度，然后利用這些模型來(lái)進(jìn)一步開發(fā)能夠有效檢測(cè)和去除雨滴的算法。雖然全面分析了降雨對(duì)成像系統(tǒng)的視覺影響，但是這兩個(gè)模型沒有明確考慮到應(yīng)用的運(yùn)動(dòng)背景，當(dāng)存在目標(biāo)運(yùn)動(dòng)的情況，誤報(bào)率較高。2009年，HALIMEH等［53］提出一種基于幾何光度模型的算法，該模型能夠充分描述雨滴在汽車擋風(fēng)玻璃上的折射特性。算法通過跟蹤從環(huán)境中穿過雨滴的光線進(jìn)入相機(jī)，并確定被雨滴折射的場(chǎng)景部分。然后使用反射率系數(shù)在雨滴和它折射的環(huán)境（場(chǎng)景）部分之間執(zhí)行基于光強(qiáng)的相關(guān)分析，以驗(yàn)證它是雨滴。該算法的檢測(cè)精度較高，魯棒性強(qiáng)，但對(duì)攝像機(jī)安裝位置有要求，因?yàn)榘惭b位置與擋風(fēng)玻璃的傾斜度與遠(yuǎn)近程度會(huì)對(duì)雨滴檢測(cè)產(chǎn)生影響。

（2）基于主成分分析法創(chuàng)建雨滴匹配模板

2005年，KURIHATA等［54］提出了一種從車內(nèi)攝像頭圖像中識(shí)別天氣的方法，他們利用車內(nèi)攝像頭獲取擋風(fēng)玻璃上的圖像。主要分為學(xué)習(xí)、檢測(cè)和判斷3個(gè)階段。學(xué)習(xí)階段先從多幅圖像中利用主成分分析法（Principal Component Analysis，PCA）［55］來(lái)提取訓(xùn)練樣本的特征，然后通過模板匹配的方法檢測(cè)雨滴。在檢測(cè)階段，從測(cè)試集上切下1個(gè)矩形區(qū)域，并將其與特征滴進(jìn)行比較，最后，在判斷階段，根據(jù)檢測(cè)結(jié)果判斷天氣是晴天還是多雨。但是該方法對(duì)圖像中的背景信息較為敏感，誤報(bào)率高。

2006年，KURIHATA等［56］為了改進(jìn)先前方法［54］的不足之處，優(yōu)化了算法，改進(jìn)的雨滴檢測(cè)方法不受雨滴檢測(cè)區(qū)域的限制。在檢測(cè)階段通過對(duì)輸入圖像進(jìn)行平均值計(jì)算，并對(duì)雨滴檢測(cè)結(jié)果進(jìn)行幀匹配。如果雨滴在擋風(fēng)玻璃上的位置穩(wěn)定，則應(yīng)在下一幀的相同位置檢測(cè)到雨滴。但是由于復(fù)雜背景模式下雨滴的位置不穩(wěn)定，如雨天車輛高速行駛時(shí)，雨滴的形狀多變，所以與所定義的雨滴特征較難匹配。這些研究通過將視頻圖像的潛在雨滴區(qū)域與雨滴模型進(jìn)行比較，來(lái)判斷雨滴的存在，結(jié)果表明并非所有此類實(shí)例都符合任何此類模型，會(huì)影響檢測(cè)的準(zhǔn)確性。

2.3.2 傳統(tǒng)雨滴目標(biāo)檢測(cè)方法

目標(biāo)檢測(cè)主要分為傳統(tǒng)目標(biāo)檢測(cè)算法和深度學(xué)習(xí)目標(biāo)檢測(cè)算法［57］，傳統(tǒng)目標(biāo)檢測(cè)算法主要包括可變形部件模型（Deformable Parts Model，DPM）［58］、選擇性搜索（Selective Search）［59］、Oxford-MKL［60］和NLPR-HOGLBP［61］等，其大致流程主要包括以下3個(gè)部分：

（1）候選區(qū)域提取：通常采用滑動(dòng)窗口法［62］，設(shè)置一定比例的滑動(dòng)窗口遍歷整個(gè)圖像，然后選出候選區(qū)域。

（2）特征提取：采用傳統(tǒng)的圖像特征方法，如基于顏色、紋理和形狀特征等方法，以及運(yùn)用方向梯度直方圖（Histogram of Oriented Gradient，HOG）［63］特征用于構(gòu)建雨滴訓(xùn)練集以提高分類性能等。

（3）分類器分類：分類器是預(yù)先訓(xùn)練好的，建立分類器后對(duì)篩選的特征進(jìn)行類別識(shí)別，常用的分類器有支持向量機(jī)（Support Vector Machine，SVM）［64］等，利用訓(xùn)練數(shù)據(jù)以建立雨滴分類模型。

傳統(tǒng)目標(biāo)檢測(cè)算法在雨滴目標(biāo)識(shí)別方面也獲得了一定成果，國(guó)內(nèi)外專家學(xué)者也進(jìn)行了相應(yīng)的研究。2012年，WU等［65］通過分析雨滴在圖像中的顏色、紋理和形狀特征，建立了一種基于機(jī)器學(xué)習(xí)的雨滴檢測(cè)方法，并利用圖像修復(fù)技術(shù)去除檢測(cè)到的雨滴。試驗(yàn)表明，該方法能有效地檢測(cè)和去除雨滴。不過，這是假設(shè)在小雨和中雨條件下，每個(gè)圖像幀中的雨滴都是圓形的。但如果雨量足夠大，擋風(fēng)玻璃完全被雨水覆蓋，并且沒有形成“雨滴”，所提出的方法將無(wú)法處理這種情況。2015年，WEBSTER等［66］使用特征描述符來(lái)處理彩色視頻圖像中的雨滴檢測(cè)問題，該特征描述符包含了從整個(gè)背景中分離出來(lái)的局部形狀、顯著性和紋理信息。這種使用特征描述符來(lái)處理圖像中雨滴的方法對(duì)非雨滴區(qū)域識(shí)別效果良好，但對(duì)雨滴目標(biāo)檢測(cè)還是不夠理想。

2019年，MACHOT等［67］提出了一種基于細(xì)胞神經(jīng)網(wǎng)絡(luò)（Cellular Neural Network，CNN）和SVM的實(shí)時(shí)雨滴檢測(cè)方法，并在SVM上使用HOG。該方法總體包括兩個(gè)階段：（1）離線階段，即訓(xùn)練SVM建立雨滴分類模型；（2）實(shí)時(shí)雨滴檢測(cè)的在線階段。在線和離線階段都需要預(yù)處理步驟。它由圖像增強(qiáng)和圖像濾波兩部分組成，為了提高對(duì)比度，需要對(duì)圖像進(jìn)行增強(qiáng)，圖像濾波用于去除圖像噪聲。最后，將得到的SVM從離線階段轉(zhuǎn)換為CNN模板后，使用改進(jìn)的神經(jīng)網(wǎng)絡(luò)對(duì)雨滴進(jìn)行實(shí)時(shí)分類。結(jié)果表明，在擋風(fēng)玻璃運(yùn)行雨刮器的情況下，即使雨滴開始拉長(zhǎng)并出現(xiàn)條紋，該方法也展現(xiàn)出較高的性能。

2.3.3 深度學(xué)習(xí)雨滴目標(biāo)檢測(cè)方法

隨著深度學(xué)習(xí)的發(fā)展，機(jī)器視覺也隨之獲得突破性進(jìn)展，有效克服了先前雨滴檢測(cè)工作帶來(lái)的困難之處，為視覺雨刮系統(tǒng)的研究提供了幫助。

在傳統(tǒng)目標(biāo)檢測(cè)算法的提取特征階段，當(dāng)采用深度卷積神經(jīng)網(wǎng)絡(luò)（Deep Convolution Neural Network，DCNN）［68］對(duì)特征進(jìn)行提取時(shí)，就形成了以R-CNN［69］為代表的一系列深度學(xué)習(xí)目標(biāo)檢測(cè)算法。2016年，GUO等［70］討論了3種不同的區(qū)域提議法對(duì)卷積神經(jīng)網(wǎng)絡(luò)雨滴檢測(cè)與分類的影響。第1種是基于滑動(dòng)窗口法，采用滑窗按照一定的步長(zhǎng)在圖像中滑動(dòng)。這會(huì)產(chǎn)生大量的候選區(qū)域，滑動(dòng)窗口需要對(duì)圖像進(jìn)行全局搜索，使這種方法效率低、耗時(shí)長(zhǎng)。第2種是基于超像素法［71］，超像素是由一系列顏色、紋理和形狀相似的像素點(diǎn)組成的小區(qū)域，每個(gè)超級(jí)像素邊界內(nèi)的像素可以被認(rèn)為是局部一致的，保留了進(jìn)一步圖像分割的有效信息。其優(yōu)點(diǎn)是可以利用這些少量的超像素代替大量的像素來(lái)表達(dá)圖像特征，并且剔除掉一些異常的像素。第3種是基于選擇性搜索法，該方法首先對(duì)圖像進(jìn)行分割，然后使用相似度計(jì)算方法合并一些小的區(qū)域，然后進(jìn)行不斷迭代。由于采用了子區(qū)域合并的策略，合并區(qū)域相似指標(biāo)的多樣性得到提升，進(jìn)一步提高了圖像檢測(cè)的精度，在計(jì)算效率方面也優(yōu)于滑動(dòng)窗口法。此后，每個(gè)候選區(qū)域使用DCNN架構(gòu)模型進(jìn)行分類，雨滴的檢測(cè)結(jié)果良好，但是無(wú)法滿足實(shí)時(shí)性的要求，需進(jìn)一步改進(jìn)才能應(yīng)用于智能雨刮系統(tǒng)的開發(fā)設(shè)計(jì)。

2020年，MARIN等［72］提出一種基于多幅圖像訓(xùn)練深度學(xué)習(xí)模型的實(shí)時(shí)雨滴檢測(cè)方法。雨滴目標(biāo)檢測(cè)是基于多幅圖像來(lái)訓(xùn)練模型，深度學(xué)習(xí)網(wǎng)絡(luò)可以從訓(xùn)練數(shù)據(jù)樣本中自動(dòng)學(xué)習(xí)。試驗(yàn)過程是在特定硬件平臺(tái)上實(shí)現(xiàn)的，該方法在全天候環(huán)境下運(yùn)行良好，對(duì)系統(tǒng)檢測(cè)雨滴以運(yùn)行擋風(fēng)玻璃雨刮器具有重要意義。雖然該方法在白天圖像雨滴檢測(cè)方面具有良好的表現(xiàn)，但使用的是網(wǎng)絡(luò)攝像機(jī)而不是夜間攝像機(jī)，所以該方法僅限于日間的雨滴檢測(cè)，需要進(jìn)一步發(fā)展才能在夜間檢測(cè)雨滴。2021年，WANG等［73］用深度學(xué)習(xí)方法設(shè)計(jì)了實(shí)時(shí)雨量檢測(cè)系統(tǒng)，通過采集行車過程中前擋風(fēng)玻璃的圖像建立數(shù)據(jù)集以訓(xùn)練分類模型。系統(tǒng)可識(shí)別無(wú)雨、小雨和大雨等情況，消除了復(fù)雜背景下對(duì)雨滴檢測(cè)的干擾。這些方法解決了先前雨滴檢測(cè)困難的問題。

隨著深度學(xué)習(xí)不斷深入以及卷積神經(jīng)網(wǎng)絡(luò)在圖像檢測(cè)方面展示的良好表現(xiàn)，實(shí)現(xiàn)了檢測(cè)精度的不斷提高。此外，近年來(lái)在計(jì)算機(jī)硬件和GPU發(fā)展和完善的背景下，圖像檢測(cè)速度相比過去已大幅提高，一定程度上解決了智能雨刮系統(tǒng)實(shí)時(shí)性的問題，也被越來(lái)越多的研究者應(yīng)用于交通場(chǎng)景車輛檢測(cè)識(shí)別任務(wù)中［67］。

許多研究已經(jīng)表明，基于視覺傳感器的智能雨刮系統(tǒng)能夠克服雨量傳感器所存在的檢測(cè)范圍小、適應(yīng)性差、安裝位置不佳及成本高等問題。雖然目前基于視覺傳感器的智能雨刮系統(tǒng)在技術(shù)上仍存在一些挑戰(zhàn)，但是視覺雨刮隨著智能化的發(fā)展也將成為一種趨勢(shì)，從而朝著更深層次發(fā)展。如圖10所示，按時(shí)間順序展示了上述基于視覺的雨滴檢測(cè)方法發(fā)展過程。

圖10 基于視覺的雨滴檢測(cè)方法發(fā)展過程

3 總結(jié)與展望

本文詳細(xì)介紹了智能雨刮系統(tǒng)兩類實(shí)現(xiàn)方法，一方面分析了基于雨量傳感器的智能雨刮系統(tǒng)研究中常用的汽車雨量傳感器檢測(cè)原理，闡述了不同雨量傳感器的工作方式與特點(diǎn)，并對(duì)基于雨量傳感器的智能雨刮系統(tǒng)研究工作進(jìn)行分析與總結(jié)，指出其存在檢測(cè)范圍較小、信號(hào)非線性、易受環(huán)境因素干擾等不足之處。另一方面，目前對(duì)于基于視覺的智能雨刮控制系統(tǒng)的研究還比較少，國(guó)內(nèi)也仍處于研究的起步階段。基于視覺傳感器的汽車智能雨刮系統(tǒng)可以和ADAS的其他組件共用視覺傳感器和硬件設(shè)備，極大地降低了智能雨刮系統(tǒng)的應(yīng)用成本，但是在準(zhǔn)確性、實(shí)時(shí)性和適應(yīng)性等方面仍存在較多亟待解決的問題。

（1）準(zhǔn)確性問題：基于視覺傳感器的智能雨刮系統(tǒng)在日間行車時(shí)的檢測(cè)精度大約為90%［73］，雨夜行車時(shí)檢測(cè)精度大約為85%［73］。在轉(zhuǎn)彎、路燈干擾和強(qiáng)光直射等復(fù)雜背景下，由于背景亮度變化導(dǎo)致檢測(cè)算法失效，檢測(cè)精度相對(duì)較低。上述問題，可以通過改進(jìn)深度學(xué)習(xí)算法，增大訓(xùn)練集圖片數(shù)量，采用雙目或多目視覺傳感器，增加適合夜間行車的紅外線視覺傳感器等方法，從而提高雨滴檢測(cè)的準(zhǔn)確性。

（2）實(shí)時(shí)性問題：汽車在行駛過程中通常處于高速運(yùn)動(dòng)狀態(tài)，下雨時(shí)，基于視覺傳感器的智能雨刮系統(tǒng)需要實(shí)時(shí)做出響應(yīng)，進(jìn)行圖像識(shí)別并判斷是否開啟雨刮器。目前，基于視覺傳感器的智能雨刮系統(tǒng)的響應(yīng)時(shí)間介于50～100 ms［73］，滿足了絕大多數(shù)的行車需求，但是對(duì)于極端天氣和汽車濺水，該響應(yīng)時(shí)間仍然偏長(zhǎng)。未來(lái)，隨著目標(biāo)檢測(cè)算法的改進(jìn)，硬件性能的進(jìn)一步提升，云計(jì)算技術(shù)和5G通訊技術(shù)的日益成熟和應(yīng)用，智能雨刮系統(tǒng)的響應(yīng)速度有望得到進(jìn)一步提升。

（3）適應(yīng)性問題：目前基于視覺傳感器的智能雨刮系統(tǒng)尚未考慮對(duì)駕駛員的適應(yīng)性，以滿足駕駛員的個(gè)性化需求。后期可以根據(jù)駕駛員的需求自主調(diào)整雨刮的啟動(dòng)閾值，避免對(duì)駕駛員的視線產(chǎn)生干擾。

隨著汽車行業(yè)“電動(dòng)化、智能化、無(wú)人化、網(wǎng)聯(lián)化”的變革，以及5G技術(shù)、物聯(lián)網(wǎng)技術(shù)、ADAS和無(wú)人駕駛技術(shù)的日益成熟，基于視覺傳感器的智能雨刮系統(tǒng)將迎來(lái)新的發(fā)展契機(jī)。