基于视觉的汽车安全系统在应用中仍然难以实现,一方面,通过计算机视觉算法能快速检测路上的行人,但是在区分行人和类似物体等复杂情况下,依然不够成熟。另一方面,机器学习算法(又称深度神经网络)仿照人脑行为,研究人员能够训练出比之前方法更富辨别力,处理复杂的模式识别,但是在实时的行人检测上处理的效率太慢。
加州大学圣地亚哥分校电气工程教授Nuno Vasconcelos和他的团队研究的新算法,可以通过每秒 2 至 4 帧的速度,检测行人的变化,有效避免行人突然停止移动而出现的紧急刹车或造成意外事故。
这套系统的关键在于——可以识别更加复杂的路况。与其他类似的系统相比,该算法的系统出错率只有前者的一半,而且计算能力更加突出,能在远处对行人的移动进行预判。研究小组计划未来让系统变得更加实用:不仅应用于车辆,还能应用于机器人、安全摄像头等设备。
「在此之前,没有算法能够在行人检测的准确性和速度上做到优化和平衡,我们通过新算法能得到更好的实时、准确的行人检测结果。」Vasconcelos 说道。
在早期的分析中,新算法从相对简单的算法开始,过滤掉比如天空等非行人部分的图像,然后进行更为成熟的深度学习和神经网络分析,最后通过该算法来检测物体的精度性和复杂性。
目前谷歌的无人驾驶汽车依靠的是雷达、激光雷达等传感器来探测路上的行人。如果去掉成本高昂的设备如激光雷达(成本 7 万美元,约合人民币 40 万 ),可使无人驾驶汽车成本下降,更早投入商用。
谷歌在去年便开始研发基于视频的行人监测系统,其采用的便是深度学习算法,能在 0.25 秒内准确识别路上的行人。在谷歌负责计算机视觉和机器学习的研究科学家 Anelia Angelova表示,「视觉信息相比雷达数据,可以给车描摹一个更广阔的视域,但是整个处理过程要慢一些。」因此传统深度神经网络技术在行人检测场景的应用,一直比较缓慢。
陈茂告诉雷锋网,行人识别的实现方式有很多种,当前最流行的是深度学习。国外也有基于模式识别的算法,识别率在 85% 左右,而深度学习的识别率能做到 90% 以上,这也是当前各公司追捧它的原因。对于在使用过程中存在少量的误报或漏报等检测失效的情况,则是因为路况比如逆光刺眼、路面积水反光、车道标线模糊等原因造成的。
所以汽车厂商对于汽车安全特别谨慎和保守:任何技术都有其软肋,没有绝对完美的技术。「自行驾驶融合了很多互补的技术,当一种技术失灵时会启用另外一种技术来检测。汽车在技术上是有冗余和备份的。这是因为一旦出现任何事故,车主只会找汽车厂商,而不会找供应商。」