影像偵測算法瓶頸突破　汽車ADAS效能再進化

近年來，世界各國的交通主管單位皆大力倡導(dǎo)「防御駕駛」，所謂防御駕駛是一種預(yù)測危機并協(xié)助遠離危機的機制，意指除了駕駛本身遵守交通規(guī)則外，也要防范其他駕駛因為自身的疏忽或是故意違規(guī)，而發(fā)生交通意外。因此，防御駕駛的目的是透過目視與耳聽的察覺，來認知并預(yù)測可能發(fā)生意外之情境，并且盡快采取必要的防御措施，以避免意外發(fā)生。

根據(jù)交通部的長期統(tǒng)計與特性分析報告指出，全國主要交通事故原因中，以「未保持行車安全距離」為最多。以2014年上半年國道高速公路為例，A1類(造成人員當(dāng)場或24小時內(nèi)死亡)的交通事故總計三十件，而未保持安全距離(車前狀態(tài))占最大宗，總共有十件，并造成十一人死亡、十三人重傷。其次為變換車道不當(dāng)，總計為六件，并造成八人死亡、八人重傷。然事實上，交通部在2012年國道事故檢討報告指出，在這些造成不幸的交通事故當(dāng)中，有高達79.1%的意外是有機會事先預(yù)防的。

有鑒于此，各大車廠與駕駛?cè)思娂娫谲囕v上安裝各種駕駛輔助系統(tǒng)，以降低肇事率(圖1)。在各種系統(tǒng)中，以影像為基礎(chǔ)的輔助駕駛系統(tǒng)市占率最高;其主要原因為成本低廉，且可與行車記錄器結(jié)合使用，并能將偵測的結(jié)果以視覺影音的方式呈現(xiàn)給駕駛?cè)?，雖然其偵測距離不及紅外線與雷達，但仍廣受歡迎。

圖1　各種不同形式之ADAS傳感器

開發(fā)成本低廉　影像式ADAS受青睞

為有效降低因駕駛者不專心所導(dǎo)致的事故發(fā)生，車道偏移警示系統(tǒng)(Lane Departure Warning System, LDWS)與前方碰撞警示系統(tǒng)(Forward Collision Warning System, FCWS)為世界各國重視，是業(yè)界爭相投入開發(fā)的兩大首要先進駕駛輔助系統(tǒng)(Advanced Driver Assistance System, ADAS)功能。

.LDWS

LDWS主要功能運作是透過攝影機拍攝車輛前方的場景，然后經(jīng)圖像處理與計算，產(chǎn)生車道偵測的結(jié)果;一旦車輛在沒有打方向燈的情形下開始偏移車道時，系統(tǒng)則會自動發(fā)出各種警示訊號，提醒駕駛者立即做出反應(yīng)以避免意外發(fā)生。

.FCWS

FCWS的主要功能亦是透過攝影機拍攝車輛前方的場景，經(jīng)過圖像處理算法的計算后，將前方的車輛偵測出來，并且推估兩車之間的距離;當(dāng)兩車未保持適當(dāng)?shù)男熊嚲嚯x時，系統(tǒng)亦自動對駕駛?cè)税l(fā)出警告，甚至近年來已有車廠開始評估是否由行車計算機系統(tǒng)接管煞車功能。

上述兩種ADAS的主要功能，其共同點就是拍攝車輛前方的場景信息。一般而言，F(xiàn)CWS與LDWS都會使用同一個攝影機所取得的影像信息，且該攝影機亦可將影像信息儲存起來，做為行車記錄器之用。因此，F(xiàn)CWS與LDWS除了現(xiàn)有汽車制造商進行開發(fā)研究之外，制作行車記錄器的廠商亦積極投入研發(fā)。

PC-based為早期慣用平臺

數(shù)字圖像處理平臺主要可分為兩大類，分別為軟件導(dǎo)向的PC-based與硬件導(dǎo)向的獨立型(Stand Alone)平臺;這兩類各有其優(yōu)缺點。早期，由于獨立型的系統(tǒng)運算資源非常局限，中央處理器(CPU)指令周期較慢、內(nèi)存空間不足、可支持的接口設(shè)備亦短缺，加上缺乏有效的影像程序開發(fā)接口，導(dǎo)致圖像處理算法的開發(fā)人員習(xí)慣采用PC-based做為硬件平臺。現(xiàn)在，由于超大規(guī)模集成電路(VLSI)與系統(tǒng)單芯片(SoC)的進步，數(shù)字系統(tǒng)的芯片有大幅進步同時縮小化的進展，使得目前嵌入式系統(tǒng)可以在低價位的情形下，提供高速CPU、海量存儲器、更多的周邊控制，甚至可以有多核心的處理器(Processor)。

獨立型平臺符合輕薄短小設(shè)計需求

如此進步下，嵌入式系統(tǒng)已經(jīng)開始朝多媒體邁進，增加影像與視訊等二維(2D)/三維(3D)訊號的運算，以擴大應(yīng)用范圍;再加上隨著智能化與云端化的趨勢，多媒體應(yīng)用與安全監(jiān)控平臺，已漸由PC-based走向獨立型嵌入式系統(tǒng)，以便滿足車載應(yīng)用對省電與輕薄短小的需求。

有鑒于此，工研院便以獨立型嵌入式系統(tǒng)方式來進行ADAS的開發(fā)與驗證。 首先，算法開發(fā)人員為取得影像來開發(fā)算法，在開發(fā)初期必須自行駕駛配有行車記錄器的車輛，于道路上拍攝各種不同場景、天候等行車影片，過程中還必須兼顧「正確率」與「效能」，因為對任何算法而言，良好的正確率只是最基本的條件。

攸關(guān)警告提示速度　ADAS算法驗證至為重要

ADAS對于算法的效能必然斤斤計較，因為當(dāng)危險狀況發(fā)生時，系統(tǒng)必須實時(Real-time)發(fā)出警告。以FCWS為例，當(dāng)某車輛于國道高速公路以時速100公里行駛時，亦即其每秒前進27.7公尺;系統(tǒng)若延遲0.1秒發(fā)出警告，則車輛將繼續(xù)前進2.77公尺;因此設(shè)計人員習(xí)慣以訊框速(Frame Per Second, FPS)來驗證ADAS中的算法之效能，當(dāng)FPS值越大時，代表該算法的效能越佳。

當(dāng)然，算法的效能必定與嵌入式平臺的處理器速度、資源相關(guān)，所以在開發(fā)初期就必須考慮算法的計算量是符合何種嵌入式平臺，否則將出現(xiàn)算法無適當(dāng)平臺可用的困境。

結(jié)合快速影像分割結(jié)果　車道線偵測算法效能穩(wěn)健

LDWS為ADAS中較早被開發(fā)的功能，車道偏移警示系統(tǒng)的研發(fā)，主要包含「車道線偵測」以及「車道偏移偵測」兩個項目。雖然這個研究已經(jīng)有十幾年的歷史，同時也有許多知名學(xué)者投入此領(lǐng)域的研究，但是其研究成果還有許多須要改進之處;如在車道線偵測方面，因為無法預(yù)測車道線與道路的顏色差距(梯度(Gradient))程度。因此，算法中默認的參數(shù)便無法偵測出所有類型的車道線。此外，為強化車道線的特性，往往須要重迭多張連續(xù)的畫面，以加長車道線的長度。

最后，由于使用的直線偵測算法，無法提供直線是否屬于車道線或是非車道線等信息，因此傳統(tǒng)的車道偏移系統(tǒng)，需要一個手動設(shè)定的畫面，標(biāo)示出可能的車道線區(qū)域，藉此過濾掉非車道路線。

在車道偏移偵測方面，須要分析連續(xù)畫面的變化，才能判斷車子是否偏移，如此一來，系統(tǒng)便無法實時通知駕駛有關(guān)車道偏移的信息。有鑒于此，工研院已經(jīng)自行開發(fā)出一種快速且強健的車道偏移警示系統(tǒng);藉由結(jié)合「快速影像分割」的結(jié)果，所開發(fā)的車道線偵測算法，可以偵測出各種類型的車道線，不須要分析連續(xù)畫面的變化，可以僅由一張畫面，便判斷出車輛是否偏移。

該算法的執(zhí)行流程(圖2)主要有五個步驟。

圖2　LDWS算法流程圖

.影像分割(Image Segmentation)

首先，對原始影像進行「區(qū)域化」的步驟，將影像分成若干區(qū)域。

.車道線區(qū)域偵測(Road Line Region Detection)

然后結(jié)合「影像分割后的結(jié)果」以及「梯度分析」，以完成車道線區(qū)域偵測。

.車道線候選區(qū)域(Road Candidate Determination)

使用區(qū)域標(biāo)記(Connected Component Labeling)的方式，標(biāo)記每個連通區(qū)域(Connected Component)，進而分析各區(qū)域的特性，去除「非車道線區(qū)域」，以完成工作。

.車道線判定(Road Line Determination)

接著進行車道線判定步驟。

.車道偏移警示(Lane Departure Warning)

最后，藉由判斷左右車道線的角度，以完成警示的功能。

該算法的執(zhí)行結(jié)果可參考圖4。

圖3　FCWS算法流程圖

以純水平線為依據(jù)　前車偵測算法更精確

保持安全車距是駕車的基本守則，尤其是在高速公路上，當(dāng)前方車輛有任何狀況發(fā)生時，保持安全車距才有足夠的時間進行防御駕駛。所以，工研院開發(fā)FCWS的目標(biāo)為，當(dāng)前方車輛與本身車輛距離30公尺時，則實時發(fā)出警示訊號。

前方碰撞警示系統(tǒng)的研發(fā)，主要包含「前方車輛偵測」以及「車距計算」兩大項目。目前的前方車輛偵測研究中，有許多方法是使用「車底陰影」來當(dāng)作特征值。但是，陰影容易受到外在光線的影響，造成偵測正確率不穩(wěn)定的困擾。此外，為克服夜間、陰雨等天候問題，有許多方法是以「后車燈」為偵測的特征值。這種做法雖然可在夜間獲得良好的成果，但是僅適用于夜間。

有鑒于此，工研院自行研發(fā)適用于嵌入式系統(tǒng)，快速且穩(wěn)定之前方車輛偵測算法;藉由Sobel濾波器取得前方車輛的水平、垂直邊緣，并且透過梯度方向(Gradient Orientation)將「純水平邊緣」擷取出來。

「純水平邊緣」是很重要的特征，因為從很多測試影片中可以觀察到，前方車輛必定有「純水平邊緣」，例如保險桿、后擋風(fēng)玻璃、行李箱等，然而有時候場景中亦可能出現(xiàn)一些非車輛的純水平邊緣。為避免誤判，可以使用標(biāo)記(Labeling)、角點偵測(Corner Detection)、區(qū)域二元圖(Local Binary Pattern, LBP)紋理分析(Texture Analysis)將前方車輛準(zhǔn)確的偵測出來。如同LDWS算法一樣，該算法的前方車輛偵測系統(tǒng)，亦不須要分析連續(xù)畫面的變化，可以僅由一張畫面便判斷出前方車輛。本算法的執(zhí)行流程如圖3所示，而執(zhí)行結(jié)果如圖4所示。

圖4　FCWS與LDWS之執(zhí)行結(jié)果

在車距計算方面，由于僅有單一攝影機，所以無法使用雙攝影機的算法來計算距離;但透過固定攝影機的方式，于靜止?fàn)顟B(tài)預(yù)先量測距離，建立對應(yīng)表格(Table)方式進行計算(圖5)。將攝影機固定架設(shè)完畢后，透過實際量測可知，5公尺線對應(yīng)至該影像的第162列(Row)、10公尺對應(yīng)至第137列、15公尺對應(yīng)至第126列、20公尺為第123列。

圖5　單一攝影機之前方距離量測

藉由實際距離與影像坐標(biāo)的對應(yīng)產(chǎn)生對應(yīng)表，當(dāng)行進間前方車輛被偵測時，再利用查表的方式換算出前車距離。利用影像坐標(biāo)對應(yīng)的方法，其誤差值將會隨著距離增加而增加，不過在控制攝影機鏡頭條件下，在實際距離小于30公尺時，其誤差值仍在公尺級的接受范圍內(nèi)。

最后，將ADAS于嵌入式平臺進行驗證且程序優(yōu)化之后，即可安裝于車輛上做實車測試。在此使用的嵌入式平臺為Cortex-A15的雙核心處理器與其他相關(guān)的周邊配備;測試場景為新竹68號快速道路，并且于上午、中午、傍晚進行數(shù)次的實車測試;天候狀況已包含晴天、陰天、大雨。FCWS與LDWS的正確率至少皆有90%以上，且執(zhí)行速度可達25FPS。

輔助駕駛技術(shù)迭有進展　主動式ADAS前景可期

隨著車用電子與車用影像技術(shù)的進步，各種輔助駕駛的系統(tǒng)成為各大車廠的發(fā)展目標(biāo)，且不停的推陳出新，因此車廠投入研發(fā)各式主動式ADAS的力道與能量越來越強。然而，早期的ADAS大多是停留在警示功能，用以提醒駕駛?cè)隧氁M快進行防御駕駛，不過于近年，已經(jīng)有些車廠推出半自動式的輔助系統(tǒng)，可協(xié)助駕駛者進行煞車或車道維持等。

發(fā)展這些功能的最終目的就是要朝向全自動駕駛，在行車途中遇到危機時，系統(tǒng)會主動介入接管駕駛，并且快速判斷應(yīng)如何閃避危險，且保持車體不受碰撞，無人的自動駕駛已然成為未來發(fā)展的關(guān)鍵;然而，在這段過渡期間，各廠依舊致力發(fā)展相關(guān)技術(shù)，各種單一功能警示輔助系統(tǒng)正于產(chǎn)業(yè)界蓬勃發(fā)展。未來，當(dāng)技術(shù)成熟且成本能被市場接受時，相信各大車廠就將會整合多個單一警示系統(tǒng)，逐漸邁向無人駕駛。

目前，Google在自動駕駛車方面已有長足的進展，2014年中公布的無人駕駛車已沒有方向盤與油門，且以40公里/小時的速度，在美國加州地區(qū)進行測試。其實，無人駕駛車輛最大的挑戰(zhàn)仍是在一般道路，誠如Google自動駕駛計劃負責(zé)人Chris Umson所言，以無人駕駛系統(tǒng)在高速公路開上1公里，和在市區(qū)開上1公里，這是完全不一樣的兩件事情;在高速公路上開車的變因僅有數(shù)種，但若在一般道路上恐怕會激增到上百種。所以，Google無人駕駛車除了安裝傳統(tǒng)的攝影機之外，更搭載光達系統(tǒng)(LiDAR)進行光學(xué)定向測距，用以提高安全性與可靠性。由于技術(shù)、法令等因素尚未成熟，無人駕駛汽車無法在幾年內(nèi)就上市，但透過自動駕駛技術(shù)的不斷進步，相關(guān)的配備必定下放至一般車款上，對消費者來說亦是一大福音。