6、自动驾驶与微型飞行器的计算机视觉应用

自动驾驶与微型飞行器的计算机视觉应用

1. 自动驾驶中的物体识别

在自动驾驶领域，物体识别的质量在很大程度上依赖于所使用的特征集。近年来，特征使用出现了从非自适应特征（如 Haar 小波或 HoG）向可适应数据的学习特征转变的趋势。这种转变不仅在大多数情况下能带来更好的识别性能，而且对于推导通用模型是必要的，这些通用模型无需针对特定对象类进行手动调整，而是可以用单一共享特征集表示多个对象类。深度卷积神经网络（CNNs）在这方面是一个非常有前景的研究方向，它与包含数千个不同对象类的大型数据集以及强大的计算能力相结合，已经展现出出色的多类识别性能。

然而，大多数物体识别方法存在一个问题，即从几何角度来看具有很大的局限性。物体通常用具有恒定宽高比的轴对齐边界框来描述，在滑动窗口检测器中，场景内容被简洁地表示为一组单独检测到的对象。但对于部分遮挡情况、对象组或几何定义不明确的类（如路面或建筑物），这种方法的泛化能力较差。要从孤立检测对象转向对整个场景的全面理解，泛化是至关重要的一步，可能的解决方案通常包括放宽几何约束和采用更少以对象为中心的表示方法。

2. 自动驾驶面临的挑战

2.1 提高鲁棒性

现有的视觉系统在充足光照和良好天气条件下的户外场景中能取得不错的效果，但在恶劣天气和低光照情况下性能会下降。提高鲁棒性可以通过在优化过程中纳入更多信息来实现。
- 利用时间立体信息 ：以视差估计任务为例，当挡风玻璃雨刮器挡住视线时，立体视觉算法无法正确测量视差。但如果考虑整个图像序列，而不仅仅是当前的立体图像对，可以利用先前的立体重建和自身运动信息作为当前立体图像对的先验信息。这种时间立体方法能得到更