霍桂利

摘 ?要： 針對傳統(tǒng)自動駕駛系統(tǒng)的目標檢測與識別模塊易受到周圍環(huán)境的影響而使得系統(tǒng)在準確性、實時性存在不足等問題，文中在分析傳統(tǒng)算法的基礎上，利用智能化控制算法中的SVM方法對現(xiàn)有的車輛自動化駕駛系統(tǒng)進行優(yōu)化。該優(yōu)化算法通過對輸入圖像特征的提取與訓練得到相應的分類器模型，然后利用該模型進行目標的檢測與識別。測試結果表明，該優(yōu)化系統(tǒng)對于車道線、車輛及行人等目標的檢測效率與準確率等方面均優(yōu)于基于特征的傳統(tǒng)算法，驗證了該方法的可行性。

關鍵詞： 系統(tǒng)優(yōu)化; 智能控制算法; 自動駕駛系統(tǒng); 目標識別; 邊緣檢測; 系統(tǒng)測試

中圖分類號： TN876?34; TP391.99 ? ? ? ? ? ? ? ? ? 文獻標識碼： A ? ? ? ? ? ? ? ? ?文章編號： 1004?373X（2019）20?0177?04

Optimization of automatic driving system based on intelligent control algorithm

HUO Guili1， 2

（1. Shanxi University， Taiyuan 030006， China; 2. Shanxi Architectural College， Jinzhong 030060， China）

Abstract： Since the target detection and recognition module of traditional automatic driving system is vulnerable to the influence of the surrounding environment， which makes the system have some shortages such as insufficient accuracy and poor real?time performance， on the basis of the analysis of the traditional algorithm， the SVM method of intelligent control algorithm is used to optimize the existing vehicle automatic driving system. The optimization algorithm can obtain the corresponding classifier model by extracting and training the features of the input image， and then the model can be used to detect and recognize the targets. The feasibility of this method was verified in the system testing. The test results show that the optimized system is superior to the traditional feature?based algorithm in the aspects of detection efficiency and accuracy of lane lines， vehicles， pedestrians， etc.

Keywords： system optimization; intelligent control algorithm; automatic driving system; target recognition; edge detection; system testing

0 ?引 ?言

近年來，人工智能技術不斷發(fā)展，傳統(tǒng)汽車工業(yè)與智能化技術相結合的自動駕駛汽車應運而生。國內(nèi)外眾多機構也早已開始對自動駕駛領域展開研究，如谷歌、特斯拉、豐田、百度、比亞迪、大眾等均已推出自動駕駛汽車[1]。對于自動駕駛系統(tǒng)中的目標檢測模塊，目前使用較多的是基于特征的檢測識別算法，其算法利用目標的陰影、輪廓、顏色及方向梯度直方圖等特征值來實現(xiàn)場景中的目標識別[2]。但這種方法在復雜路況或惡劣天氣時，適用性大幅度降低，嚴重影響自動駕駛汽車的正常工作。因此，本文在傳統(tǒng)系統(tǒng)的基礎上利用SVM技術進行優(yōu)化，得到基于智能控制算法的自動駕駛系統(tǒng)。系統(tǒng)測試結果表明，優(yōu)化后的自動駕駛目標檢測模塊，對于目標的識別速度、準確度等方面相較于傳統(tǒng)系統(tǒng)均有較大提升。

1 ?傳統(tǒng)自動駕駛算法

在傳統(tǒng)的自動駕駛系統(tǒng)與算法當中，主要是利用人工提取的特征，如HOG（方向梯度直方圖）、SIFT（尺度不變特征變換）及CSS（顏色自相似）等，與計算機視覺、視頻分析等技術相結合來實現(xiàn)車輛的自動駕駛[3]。在車輛行進的過程中，所捕捉到的實時場景視頻序列中，通常包含各種影響車輛自動駕駛的目標，如行人、車輛、車道、障礙物及場景中的其他物體。自動駕駛系統(tǒng)需要在獲取的視頻中快速、準確地標識出場景中感興趣的目標對象，從而為車輛控制系統(tǒng)提供重要的判斷依據(jù)。在傳統(tǒng)方法中，特征的檢測與表示是自動駕駛算法中的核心部分，這涉及到如何對目標圖像信息進行合理編碼的問題[4]。選擇合適特征并進行優(yōu)化，能夠使自動駕駛系統(tǒng)具有較強的抗干擾能力。如在存在遮擋或復雜背景的條件下，實現(xiàn)車輛的自動駕駛。

在基于傳統(tǒng)特征的自動駕駛系統(tǒng)中，目標檢測是其中最重要的模塊，主要包括：道路車道線識別、車輛檢測、行人識別及其他障礙物檢測等。以下將詳細介紹傳統(tǒng)自動駕駛系統(tǒng)中目標檢測的具體方法并進行分析，進而對其進行合理優(yōu)化。

1.1 ?道路車道線識別

道路車道線的檢測與識別，是車輛自動駕駛系統(tǒng)中的基本內(nèi)容。在傳統(tǒng)方法中，對車道線的檢測大體可分為兩種：基于特征的識別與基于模板的識別[5]。下面將對使用廣泛基于特征的檢測識別方法進行詳細介紹。

在基于特征的檢測方法中，需從實時獲取到的視頻圖像中提取感興趣的特征，比如：顏色、輪廓（邊緣）、對稱性及陰影等。在這些特征中，輪廓是最為重要也是最常使用的特征之一。一般車道線與周圍的車道存在較明顯的邊緣，其之間會產(chǎn)生明顯的亮度變化梯度。在該方法中，通常使用Canny邊緣檢測算子對輸入的視頻圖像進行處理，得到圖像場景的邊緣。再利用Hough變換，在處理得到的邊緣圖像中尋找可能的車道線。

Hough變換的基本思想是[6]：利用點與線的對偶性，將原始圖像空間中的特定曲線通過曲線表達形式變?yōu)閰?shù)空間的一個點。因此，把原始圖像中給定曲線的檢測問題轉化為尋找參數(shù)空間中的峰值問題。一般采用的轉換方程形式為：

圖1 ?Hough變換算法流程

這種基于邊緣提取與Hough變換的車道線識別方法相較于其他傳統(tǒng)檢測方法具有一定的優(yōu)越性，但同時也存在部分問題。比如，利用該方法對車道線進行擬合時，不能確定所求得的參數(shù)值是實際參數(shù)值。尤其是存在陰影或遮擋的條件下，經(jīng)常出現(xiàn)擬合結果偏差較大的情況。同時，該方法對于曲率較大的車道線檢測準確度較低。

1.2 ?車輛檢測

車輛檢測是保障自動駕駛汽車安全行進中的關鍵部分，傳統(tǒng)方法對于車輛的檢測一般利用車輛的陰影特征來進行檢測識別。通常車輛在正常行駛中，其對底部產(chǎn)生明顯的陰影區(qū)域，可認為是一種魯棒性的特征[7]?；陉幱疤卣鞯能囕v檢測算法流程如圖2所示。

圖2 ?傳統(tǒng)車輛檢測算法流程

基于陰影特征的車輛檢測算法在閾值的選擇上較容易受到周圍環(huán)境光照的影響，常采用大小閾值的處理方法。大閾值由周圍環(huán)境確定，小閾值則以陰影特征來確定。但在復雜環(huán)境下，該方法的準確性仍會受到較大的影響。

1.3 ?行人識別與防碰撞

行人識別與防碰撞模塊是自動駕駛系統(tǒng)中的研究熱點、關鍵內(nèi)容。傳統(tǒng)技術主要利用統(tǒng)計學習中，特征提取與分類的檢測識別算法。在特征的選擇上，通常選用方向梯度直方圖HOG。HOG是圖像的一個基本特征，在行人檢測與識別上具有較強的魯棒性，可將視頻圖像中的行人準確識別與定位。HOG特征提取需先將視頻圖像按照一定的規(guī)則劃分為多個單元塊（Block），再將各Block單元細化分為若干細胞單元（Cell），并分別計算、提取其相應的直方圖向量。隨后將各單元的直方圖向量進行合成，得到該單元塊的梯度直方圖向量。最后，與單元塊對應的向量進行合成得到視頻當前幀的梯度直方圖向量[8]。其提取過程如圖3所示。

HOG算法雖然能實現(xiàn)道路上行人的識別與檢測，但仍存在兩點不足：

1） 由于HOG特征提取計算量大需要消耗大量內(nèi)存，導致實時性欠佳;

2） 當車輛行進到復雜背景路況時，該算法對于行人的識別度較低，抗干擾能力弱。

2 ?自動駕駛系統(tǒng)優(yōu)化

通過分析基于特征的傳統(tǒng)車輛自動駕駛系統(tǒng)在車道線、車輛及行人等目標檢測識別過程中所存在的問題，可發(fā)現(xiàn)傳統(tǒng)自動駕駛算法有較多需要優(yōu)化與改進之處。本文利用智能控制算法中的SVM（支持向量機）技術，對傳統(tǒng)自動駕駛的目標檢測模塊進行優(yōu)化。其優(yōu)化算法流程如圖4所示。

圖3 ?HOG特征提取流程

圖4 ?傳統(tǒng)特征與SVM結合的檢測算法

SVM訓練過程[9]主要可分為3步：

1） 提取訓練圖像中目標檢測所需要的特征，并保存在文本文件中方便調用。這里不需要特殊的格式，只保存每幀圖像相應的特征向量即可。

2） 將提取的特征按照SVM給定的模板進行格式化。

3） 格式化后，設定SVM的訓練參數(shù)并進行訓練。訓練參數(shù)包括：訓練所需內(nèi)存大小、訓練停止標準、懲罰因子、權重以及是否做概率估計等。

此外，SVM在訓練過程中，需要利用核函數(shù)進行特征轉換，常用的核函數(shù)包括多項式核函數(shù)、高斯核函數(shù)[10]，其對應的形式如下：

本文在選擇核函數(shù)時，利用車輛車載攝像頭拍攝的1 000幀圖像作為樣本進行訓練，并用300張相應圖像作為檢測圖像，其檢測結果如表1所示。

由測試結果可看出，高斯核函數(shù)在檢測率與誤報率上均優(yōu)于多項式核函數(shù)。因此，本文選用高斯核函數(shù)作為SVM訓練核函數(shù)。

3 ?系統(tǒng)測試

利用優(yōu)化后的自動駕駛系統(tǒng)目標檢測識別算法，對車載攝像頭拍攝的某段實時視頻圖像進行測試，分別進行道路車道線識別、車輛檢測及行人識別3個主要內(nèi)容。測試的部分樣本圖像如圖5所示。

圖5 ?部分樣本圖像

測試結果包括檢測速度、檢測準確率及誤報率，并與傳統(tǒng)目標檢測算法進行對比，其結果如表2～表4所示。

通過3組實驗結果可發(fā)現(xiàn)，本文優(yōu)化后的算法相較于傳統(tǒng)基于特征的自動駕駛系統(tǒng)目標檢測算法，在檢測速度與準確率上均有較大提升。同時檢測的誤報率也有所下降，充分驗證該優(yōu)化方法的可行性。

4 ?結 ?語

本文首先介紹基于特征的傳統(tǒng)車輛自動駕駛系統(tǒng)，并利用輪廓特征與Hough變換的方法分析傳統(tǒng)系統(tǒng)對車道線的識別過程;基于陰影特征研究傳統(tǒng)的車輛識別算法;利用HOG特征分析行人識別與檢測技術。同時，分析傳統(tǒng)算法所存在的一些問題。針對存在的問題，本文將傳統(tǒng)算法與SVM技術相結合，設計出基于智能化控制的自動駕駛系統(tǒng)。最后，對優(yōu)化的系統(tǒng)進行測試。測試結果表明，該優(yōu)化算法在準確率等方面均優(yōu)于傳統(tǒng)系統(tǒng)，具有較高的可靠性。

參考文獻

[1] 于文濤，李海斌，劉陽.基于深度學習法的無人駕駛車中自動變速器換擋模型[J].天津職業(yè)大學學報，2018，27（6）：93?96.

YU Wentao， LI Haibin， LIU Yang. Automatic transmission shift model in driverless vehicle based on deep learning method [J]. Journal of Tianjin Vocational University， 2018， 27（6）： 93?96.

[2] 白辰甲.基于計算機視覺和深度學習的自動駕駛方法研究[D].哈爾濱：哈爾濱工業(yè)大學，2017.

BAI Chenjia. Research on autopilot method based on computer vision and deep learning [D]. Harbin： Harbin University of Technology， 2017.

[3] 晏欣煒，朱政澤，周奎，等.人工智能在汽車自動駕駛系統(tǒng)中的應用分析[J].湖北汽車工業(yè)學院學報，2018，32（1）：40?46.

YAN Xinwei， ZHU Zhengze， ZHOU Kui， et al. Application analysis of artificial intelligence in autopilot system [J]. Journal of Hubei Automotive Industrial Institute， 2018， 32（1）： 40?46.

[4] 袁蘇哲，張祥.基于模糊控制的車輛自動駕駛前車跟隨控制方法研究[J].裝備制造技術，2017（11）：168?169.

YUAN Suzhe， ZHANG Xiang. Research on the control method of auto?driving front car following based on fuzzy control [J]. Equipment manufacturing technology， 2017（11）： 168?169.

[5] 紀明君，陳新.基于人工智能的汽車車速和方向控制分析[J].時代汽車，2018（9）：29?31.

JI Mingjun， CHEN Xin. Vehicle speed and direction control analysis based on artificial intelligence [J]. Times automobile， 2018（9）： 29?31.

[6] 張貴英，向函，趙勇.基于計算機視覺的自動駕駛算法研究綜述[J].貴州師范學院學報，2016，32（6）：14?19.

ZHANG Guiying， XIANG Han， ZHAO Yong. Review of auto?driving algorithms based on computer vision [J]. Journal of Guizhou Normal University， 2016， 32（6）： 14?19.

[7] 夏偉.基于深度強化學習的自動駕駛決策仿真[D].北京：中國科學院大學，2017.

XIA Wei. Autopilot decision simulation based on deep reinforcement learning [D]. Beijing： University of Chinese Academy of Sciences， 2017.

[8] 吳琦，于海靖，謝勇，等.人工智能在自動駕駛領域的應用及啟示[J].無人系統(tǒng)技術，2019（1）：23?28.

WU Qi， YU Haijing， XIE Yong， et al. Application and enlightenment of artificial intelligence in the field of automatic driving [J]. Unmanned system technology， 2019（1）： 23?28.

[9] 張斌，何明，陳希亮，等.改進DDPG算法在自動駕駛中的應用[J].計算機工程與應用，2019，55（10）：264?270.

ZHANG Bin， HE Ming， CHEN Xiliang， et al. Application of improved DDPG algorithm in automatic driving [J]. Computer engineering and application， 2019， 55（10）： 264?270.

[10] 劉新磊，趙星洋，王琪琛.卷積神經(jīng)網(wǎng)絡在無人駕駛感知技術上的應用[J].機械研究與應用，2019，32（1）：156?159.

LIU Xinlei， ZHAO Xingyang， WANG Qichen. Application of convolutional neural network in driverless perception technology [J]. Mechanical research and application， 2019， 32（1）： 156?159.