全景/魚眼相機(jī)低速自動(dòng)駕駛的近距離感知

Camera是自動(dòng)駕駛系統(tǒng)中的主要傳感器，它們提供高信息密度，最適合檢測(cè)為人類視覺而設(shè)置的道路基礎(chǔ)設(shè)施。全景相機(jī)系統(tǒng)通常包括四個(gè)魚眼攝像頭，190°+視野覆蓋車輛周圍的整個(gè)360°，聚焦于近場(chǎng)感知。它們是低速、高精度和近距離傳感應(yīng)用的主要傳感器，如自動(dòng)泊車、交通堵塞輔助和低速緊急制動(dòng)。

在這項(xiàng)工作中，論文對(duì)此類視覺系統(tǒng)進(jìn)行了詳細(xì)的調(diào)查，并在可分解為四個(gè)模塊組件（即識(shí)別、重建、重新定位和重組）的架構(gòu)背景下進(jìn)行了調(diào)查，共同稱之為4R架構(gòu)。論文討論了每個(gè)組件如何完成一個(gè)特定方面，并提供了一個(gè)位置論證（即它們可以協(xié)同作用），形成一個(gè)完整的低速自動(dòng)化感知系統(tǒng)。

本文的工作部分受到了Malik等人在[5]中的工作的啟發(fā)。這項(xiàng)工作的作者提出，計(jì)算機(jī)視覺的核心問題是重建、識(shí)別和重組，他們稱之為計(jì)算機(jī)視覺的3R。在此，論文建議將計(jì)算機(jī)視覺的3R擴(kuò)展并專門化為自動(dòng)駕駛計(jì)算機(jī)視覺的4R：重建、識(shí)別、重組和重新定位。

重建意味著從視頻序列推斷場(chǎng)景幾何體，包括車輛在場(chǎng)景中的位置。這一點(diǎn)的重要性應(yīng)該是顯而易見的，因?yàn)樗鼘?duì)于場(chǎng)景繪制、障礙物避免、機(jī)動(dòng)和車輛控制等問題至關(guān)重要。Malik等人將此擴(kuò)展到幾何推斷之外，以包括反射和照明等特性。然而，這些附加屬性（至少目前）在自動(dòng)駕駛計(jì)算機(jī)視覺環(huán)境中并不重要，因此論文將重建定義為更傳統(tǒng)意義上的三維幾何恢復(fù)。

識(shí)別是一個(gè)術(shù)語，用于將語義標(biāo)簽附加到視頻圖像或場(chǎng)景的各個(gè)方面，識(shí)別中包括層次結(jié)構(gòu)。例如，自行車手有一個(gè)空間層次結(jié)構(gòu)，因?yàn)樗梢苑譃樽孕熊嚭万T手的子集，而車輛類別可以有汽車、卡車、自行車等分類子類別。只要對(duì)自動(dòng)駕駛系統(tǒng)有用，這種情況就可以繼續(xù)下去。燈可以按類型（車燈、路燈、剎車燈等）、顏色（紅、黃、綠）以及它們對(duì)自動(dòng)駕駛車輛的重要性（需要響應(yīng)，可以忽略）進(jìn)行分類，從而完成系統(tǒng)的高級(jí)推理。

重新定位是指車輛相對(duì)于其周圍環(huán)境的位置識(shí)別和度量定位。可以針對(duì)宿主車輛中預(yù)先記錄的軌跡進(jìn)行，例如，經(jīng)過訓(xùn)練的停車場(chǎng)，也可以針對(duì)從基礎(chǔ)設(shè)施傳輸?shù)牡貓D進(jìn)行，例如HD Maps。它與SLAM中的環(huán)路閉合高度相關(guān)，盡管不只是考慮環(huán)路閉合問題，而是考慮根據(jù)一個(gè)或多個(gè)預(yù)定義地圖定位車輛的更廣泛?jiǎn)栴}。

重組是將計(jì)算機(jī)視覺前三個(gè)組成部分的信息組合成統(tǒng)一表示的方法。在本文中，使用這個(gè)術(shù)語來等同于“后期融合”，這是自動(dòng)駕駛的重要步驟，因?yàn)檐囕v控制需要傳感器輸出的統(tǒng)一表示，這也允許在后期融合多個(gè)攝像頭的輸出。

近域感知系統(tǒng)介紹

自動(dòng)停車系統(tǒng)

自動(dòng)停車系統(tǒng)是短距離傳感的主要用例之一，圖4描述了一些典型的停車用例。早期商業(yè)半自動(dòng)泊車系統(tǒng)采用超聲波傳感器或radar，然而，最近，全景攝像頭正成為自動(dòng)停車的主要傳感器之一。超聲波和毫米波雷達(dá)傳感器用于自動(dòng)停車的一個(gè)主要限制是，只能根據(jù)存在的其他障礙物來識(shí)別停車位（圖5）。此外，環(huán)視相機(jī)系統(tǒng)允許在存在可視停車標(biāo)記（如涂漆線標(biāo)記）的情況下停車，同時(shí)也被視為實(shí)現(xiàn)代客泊車系統(tǒng)的關(guān)鍵技術(shù)。

交通擁堵輔助系統(tǒng)

由于大部分事故都是低速追尾碰撞，交通擁堵情況被認(rèn)為是短期內(nèi)可以帶來好處的駕駛領(lǐng)域之一，盡管目前的系統(tǒng)可能缺乏魯棒性。在自動(dòng)交通擁堵輔助系統(tǒng)中，車輛在交通擁堵情況下控制縱向和橫向位置（圖6）。此功能通常用于低速環(huán)境，最高速度為～60kph，但建議更低的最高速度為40kph。

雖然交通擁堵援助通?？紤]高速公路場(chǎng)景，但已經(jīng)對(duì)城市交通擁堵救援系統(tǒng)進(jìn)行了調(diào)查。鑒于此應(yīng)用的低速特性，全景攝像頭是理想的傳感器，尤其是在城市環(huán)境中，例如，行人可以嘗試從傳統(tǒng)前向攝像頭或radar系統(tǒng)視野之外的區(qū)域穿過。圖7顯示了使用全景相機(jī)進(jìn)行交通堵塞輔助的示例。除了檢測(cè)其他道路使用者和標(biāo)記外，深度估計(jì)和SLAM等特征對(duì)于推斷到物體的距離和控制車輛位置也很重要。

低速制動(dòng)

一項(xiàng)研究表明，自動(dòng)后向制動(dòng)顯著降低了碰撞索賠率，配備后攝像頭、駐車輔助和自動(dòng)制動(dòng)的車輛報(bào)告碰撞減少了78%。全景相機(jī)系統(tǒng)對(duì)于低速制動(dòng)非常有用，因?yàn)樯疃裙烙?jì)和目標(biāo)檢測(cè)的組合是實(shí)現(xiàn)此功能的基礎(chǔ)。

魚眼相機(jī)

魚眼相機(jī)為自動(dòng)駕駛應(yīng)用提供了明顯的優(yōu)勢(shì)，由于視野極廣，可以用最少的傳感器觀察車輛的整個(gè)周圍。通常，360°范圍只需要四個(gè)攝像頭覆蓋。然而，考慮到更為復(fù)雜的投影幾何體，這一優(yōu)勢(shì)帶來了成本。過去的幾篇論文綜述了如何建模魚眼幾何形狀，例如[34]。論文不打算在此重復(fù)這一點(diǎn)，而是關(guān)注魚眼相機(jī)技術(shù)的使用給自動(dòng)駕駛視覺帶來的問題。

在標(biāo)準(zhǔn)視場(chǎng)相機(jī)中，直線投影和透視的原理非常接近，具有常見的透視特性，即現(xiàn)實(shí)世界中的直線在圖像平面上投影為直線。平行的直線組被投影為一組直線，這些直線在圖像平面上的一個(gè)消失點(diǎn)上會(huì)聚。通過光學(xué)畸變的偏離很容易糾正。許多汽車數(shù)據(jù)集提供的圖像數(shù)據(jù)消除了光學(xué)畸變，具有簡(jiǎn)單的校正方法，或幾乎不可察覺的光學(xué)畸變。

因此，大多數(shù)汽車視覺研究都隱含了直線投影的假設(shè)，魚眼透視圖與直線透視圖有很大不同。相機(jī)場(chǎng)景中的一條直線被投影為魚眼圖像平面上的一條曲線，平行線集被投影為一組在兩個(gè)消失點(diǎn)處會(huì)聚的曲線[38]。然而，失真并不是唯一的影響，圖8顯示了環(huán)視系統(tǒng)中安裝在鏡子上的典型攝像頭的圖像。在

魚眼相機(jī)中，物體圖像中的方向取決于它們?cè)趫D像中的位置。在本例中，左側(cè)的車輛旋轉(zhuǎn)了近90? 與右側(cè)車輛相比，這對(duì)目標(biāo)檢測(cè)卷積方法中假定的平移不變性有影響。在標(biāo)準(zhǔn)相機(jī)中，平移不變性是可以接受的假設(shè)。然而，如圖8所示，魚眼圖像并非如此，在任何計(jì)算機(jī)視覺算法設(shè)計(jì)中，必須仔細(xì)考慮如何處理這一點(diǎn)。

解決這些問題的自然方法是以某種方式糾正圖像。可以立即放棄對(duì)單個(gè)平面圖像的校正，因?yàn)槭紫?，過多的視野必然會(huì)丟失，從而抵消魚眼圖像的優(yōu)勢(shì)，其次，插值和透視偽影將很快占據(jù)校正輸出的主導(dǎo)地位。一種常見的方法是使用多平面校正，即魚眼圖像的不同部分被扭曲成不同的平面圖像。例如可以定義一個(gè)立方體，并將圖像扭曲到立方體的曲面上。圖9顯示了兩個(gè)此類表面上的翹曲。即使在這里，插值和透視效果也是可見的，必須處理曲面過渡的復(fù)雜性。

另一種校正方法是考慮圓柱表面的warping ，如圖10所示，在這種warping 中，圓柱軸線的配置使其垂直于地面。觀察結(jié)果表明，汽車場(chǎng)景中的大多數(shù)感興趣對(duì)象都位于近似水平的平面上，即路面上。因此希望保留水平視野，同時(shí)允許犧牲一些垂直視野，這帶來了有趣的幾何組合。

垂直是通過線性透視投影，因此場(chǎng)景中的垂直線在圖像中投影為垂直線。圖像中較遠(yuǎn)或較小的對(duì)象在視覺上類似于透視相機(jī)，甚至有人建議，通過這種變形，可以使用標(biāo)準(zhǔn)透視相機(jī)訓(xùn)練網(wǎng)絡(luò)，并在魚眼圖像上直接使用它們，而無需訓(xùn)練[39]。然而，在水平方向上，新圖像中存在失真，大型近景物體表現(xiàn)出強(qiáng)烈的失真，有時(shí)甚至比原始魚眼圖像中的失真還要大。

如圖11所示，當(dāng)我們處理透視相機(jī)時(shí)，當(dāng)物體與相機(jī)以恒定的Z距離移動(dòng)時(shí)，就會(huì)產(chǎn)生平移，也就是說，在與圖像平面平行的平面上。然而，在圓柱形圖像中，水平面上的距離必須保持不變，才能進(jìn)行圖像平移（對(duì)象必須繞圓柱體軸旋轉(zhuǎn)）。相比之下，在原始魚眼圖像中，不清楚什么對(duì)象運(yùn)動(dòng)會(huì)導(dǎo)致圖像平移。

WoodScape dataset

WoodScape全景數(shù)據(jù)集在兩個(gè)不同的地理位置采集的：美國(guó)和歐洲。雖然大多數(shù)數(shù)據(jù)是從轎車中獲得的，但運(yùn)動(dòng)型多用途車中有很大一部分?jǐn)?shù)據(jù)可確保傳感器機(jī)械配置的強(qiáng)大組合，駕駛場(chǎng)景分為高速公路、城市駕駛和停車用例。數(shù)據(jù)集中為所有傳感器以及時(shí)間戳文件提供內(nèi)部和外部校準(zhǔn)，以實(shí)現(xiàn)數(shù)據(jù)同步，包括相關(guān)車輛的機(jī)械數(shù)據(jù)（例如，車輪周長(zhǎng)、軸距）。為該數(shù)據(jù)集記錄的傳感器如下所示：

1）4x 1MPx RGB魚眼攝像頭（190? 水平視野）

2）1x激光雷達(dá)，20Hz旋轉(zhuǎn)（Velodyne HDL-64E）

3）1x全球?qū)Ш叫l(wèi)星系統(tǒng)/慣性測(cè)量裝置（NovAtel Propak6和SPAN-IGM-A1）

4）1x帶SPS的GNSS定位（Garmin 18x）

5）來自車輛總線的里程表信號(hào)

系統(tǒng)架構(gòu)注意事項(xiàng)

在自動(dòng)駕駛計(jì)算機(jī)視覺設(shè)計(jì)中，尤其是pipelines設(shè)計(jì)中，一個(gè)重要的考慮因素是嵌入式系統(tǒng)的約束，其中多個(gè)攝像頭和多個(gè)計(jì)算機(jī)視覺算法必須并行運(yùn)行。由于計(jì)算機(jī)視覺算法是計(jì)算密集型的，汽車SoC有許多專用硬件加速器用于圖像信號(hào)處理、鏡頭畸變校正、密集光流、立體視差等。在計(jì)算機(jī)視覺中，深度學(xué)習(xí)在各種識(shí)別任務(wù)中發(fā)揮著主導(dǎo)作用，并逐漸用于幾何任務(wù)，如深度和運(yùn)動(dòng)估計(jì)。

為了最大限度地提高處理硬件的性能，最好從處理階段的角度考慮嵌入式視覺，并在每個(gè)處理階段考慮共享處理，pipelines如圖12所示。

1） 預(yù)處理：pipelines的預(yù)處理階段可以看作是為計(jì)算機(jī)視覺準(zhǔn)備數(shù)據(jù)的處理。這包括圖像信號(hào)處理（ISP）步驟，如白平衡、去噪、顏色校正和顏色空間轉(zhuǎn)換。關(guān)于ISP和ISP在汽車環(huán)境中用于計(jì)算機(jī)視覺任務(wù)的調(diào)整的詳細(xì)討論，請(qǐng)參考[52]。ISP通常由硬件引擎完成，例如作為主要SoC的一部分。很少在軟件中完成，因?yàn)樾枰瓿纱罅肯袼丶?jí)處理。正在提出一些方法來自動(dòng)將ISP管道的超參數(shù)調(diào)整為優(yōu)化計(jì)算機(jī)視覺算法的性能[52]、[53]。值得注意的是，目前正在提出簡(jiǎn)化ISP視覺感知pipelines的方法，可以參考[54]。

2） 像素處理階段：像素處理可以被視為計(jì)算機(jī)視覺體系結(jié)構(gòu)中直接接觸圖像的部分。在經(jīng)典的計(jì)算機(jī)視覺中，這些算法包括邊緣檢測(cè)、特征檢測(cè)、描述符、形態(tài)運(yùn)算、圖像配準(zhǔn)、立體視差等。在神經(jīng)網(wǎng)絡(luò)中，這等同于CNN編碼器的早期層。這一階段的處理主要由相對(duì)簡(jiǎn)單的算法控制，這些算法必須每秒多次在數(shù)百萬像素上運(yùn)行。也就是說，計(jì)算成本與這些算法每秒可能運(yùn)行數(shù)百萬次的事實(shí)有關(guān)，而不是與算法本身的復(fù)雜性有關(guān)。這一階段的處理硬件通常由硬件加速器和GPU主導(dǎo)，盡管有些元素可能適合DSP。

3） 中間處理階段：顧名思義，中間處理階段是從像素到對(duì)象檢測(cè)階段之間的橋梁。在這里，要處理的數(shù)據(jù)量仍然很高，但大大低于像素處理階段。這可能包括通過視覺里程表估計(jì)車輛運(yùn)動(dòng)、視差圖的立體三角測(cè)量和場(chǎng)景的一般特征重建等步驟，在pipelines的這個(gè)階段包括CNN解碼器。這個(gè)階段的處理硬件通常是數(shù)字信號(hào)處理器。

4） 目標(biāo)處理階段：對(duì)象處理階段是整合更高層次推理的階段，在這里可以聚類點(diǎn)云來創(chuàng)建目標(biāo)，對(duì)對(duì)象進(jìn)行分類，并且通過上述推理，可以應(yīng)用算法來抑制移動(dòng)目標(biāo)的重縮放。此階段的處理主要由更復(fù)雜的算法控制，但操作的數(shù)據(jù)點(diǎn)較少。就硬件而言，通常適合在ARM等通用處理單元上運(yùn)行這些處理器，盡管通常也會(huì)使用數(shù)字信號(hào)處理器。

5） 后處理：最后后處理階段，也可以稱為全局處理階段。在時(shí)間和空間上持久化數(shù)據(jù)。由于可以擁有長(zhǎng)時(shí)間持久性和大空間地圖，因此前幾個(gè)階段的總體目標(biāo)是最小化到達(dá)此階段的數(shù)據(jù)量，同時(shí)維護(hù)最終用于車輛控制的所有相關(guān)信息。在此階段，將包括 bundle adjustment、地圖構(gòu)建、高級(jí)目標(biāo)跟蹤和預(yù)測(cè)以及各種計(jì)算機(jī)視覺輸入的融合等步驟。由于處理的是系統(tǒng)中最高級(jí)別的推理，并且理想情況下處理的是最少的數(shù)據(jù)點(diǎn)，因此這里通常需要通用處理單元。

4R部件介紹

識(shí)別

識(shí)別任務(wù)通過模式識(shí)別識(shí)別場(chǎng)景的語義。在汽車領(lǐng)域，第一個(gè)成功的應(yīng)用是行人檢測(cè)，它結(jié)合了手工設(shè)計(jì)的特征，如定向梯度直方圖和機(jī)器學(xué)習(xí)分類器，如支持向量機(jī)。最近CNN在目標(biāo)識(shí)別應(yīng)用程序中的各種計(jì)算機(jī)視覺任務(wù)中表現(xiàn)出顯著的性能飛躍，然而，這是有代價(jià)的。

首先，汽車場(chǎng)景非常多樣化，預(yù)計(jì)該系統(tǒng)將在不同國(guó)家以及不同的天氣和照明條件下工作，因此，主要挑戰(zhàn)之一是建立一個(gè)涵蓋不同方面的有效數(shù)據(jù)集。其次，CNN是計(jì)算密集型的，通常需要專用硬件加速器或GPU（與在通用計(jì)算核心上可行的經(jīng)典機(jī)器學(xué)習(xí)方法相比）。因此，有效的設(shè)計(jì)技術(shù)對(duì)于任何設(shè)計(jì)都至關(guān)重要，最后，雖然對(duì)正常圖像的CNN進(jìn)行了很好的研究，但如前所述，魚眼圖像的平移不變性假設(shè)被打破，這帶來了額外的挑戰(zhàn)。

本文的識(shí)別pipelines中，提出了一種基于外觀模式識(shí)別對(duì)象的多任務(wù)深度學(xué)習(xí)網(wǎng)絡(luò)。它包括三個(gè)任務(wù)，即目標(biāo)檢測(cè)（行人、車輛和騎車人）、語義分割（道路、路緣和道路標(biāo)記）和透鏡污染檢測(cè)（不透明、半透明、透明、透明）。目標(biāo)檢測(cè)和語義分割是標(biāo)準(zhǔn)任務(wù)，有關(guān)更多實(shí)現(xiàn)細(xì)節(jié)，請(qǐng)參閱FisheyeMultiNet論文。其中一個(gè)挑戰(zhàn)是在訓(xùn)練階段平衡三個(gè)任務(wù)的權(quán)重，因?yàn)橐粋€(gè)任務(wù)可能比其他任務(wù)收斂得更快。

魚眼攝像頭安裝在車輛上相對(duì)較低的位置(～地面以上0.5至1.2米），容易因其它車輛的道路噴霧或道路水而導(dǎo)致透鏡臟污。因此，檢測(cè)攝像頭上的污物至關(guān)重要 鏡頭提醒駕駛員清潔攝像頭或觸發(fā)清潔系統(tǒng)。SoilingNet中詳細(xì)討論了污垢檢測(cè)任務(wù)及其在清潔和算法降級(jí)中的使用，與此密切相關(guān)的一項(xiàng)任務(wù)是通過修補(bǔ)修復(fù)受污染區(qū)域的去污，但這些去污技術(shù)目前仍屬于可視化改進(jìn)領(lǐng)域，而不是用于感知。

這是一個(gè)定義不清的問題，因?yàn)椴豢赡茴A(yù)測(cè)遮擋的背后（盡管這可以通過利用時(shí)間信息來改善）。由于低功耗汽車ECU的CNN處理能力有限，本文使用多任務(wù)架構(gòu)，其中大部分計(jì)算在編碼器中共享，如圖13所示。

重建

如前所述，重建意味著從視頻序列推斷場(chǎng)景幾何體。例如，這通常意味著估算場(chǎng)景的點(diǎn)云或體素化表示。靜態(tài)對(duì)象的重建，傳統(tǒng)上是使用諸如運(yùn)動(dòng)立體[56]或多視圖幾何中的三角剖分[73]等方法來完成的。在設(shè)計(jì)深度估計(jì)算法的背景下，[74]中簡(jiǎn)要概述了人類如何推斷深度，并提供了有用的進(jìn)一步參考。推斷深度有四種基本方法：?jiǎn)文恳曈X線索、運(yùn)動(dòng)視差、立體視覺和focus深度。

每種方法在計(jì)算機(jī)視覺方面都有其等效性，根據(jù)Marr&Poggio早期的理論工作[75]，Grimson在20世紀(jì)80年代早期提供了立體視覺的計(jì)算實(shí)現(xiàn)[76]，自那時(shí)以來立體視覺方面的工作一直在繼續(xù)。然而，立體視覺系統(tǒng)并沒有普遍在車輛上實(shí)現(xiàn)部署，因此，單目運(yùn)動(dòng)視差方法在汽車研究中仍然很流行。從計(jì)算上看，運(yùn)動(dòng)視差的深度傳統(tǒng)上是通過特征三角剖分完成的[78]，但運(yùn)動(dòng)立體也被證明很流行[79]。

考慮魚眼圖像會(huì)增加重建任務(wù)的復(fù)雜性，多視圖幾何、立體視覺和深度估計(jì)中的大多數(shù)工作通常假設(shè)場(chǎng)景的平面透視圖像。傳統(tǒng)的立體方法進(jìn)一步限制了圖像中的極線必須是水平的，然而，真實(shí)相機(jī)很少出現(xiàn)這種情況，因?yàn)榇嬖阽R頭畸變，從而破壞了平面投影模型。它通常通過圖像的校準(zhǔn)和校正來解決。然而，對(duì)于鏡頭畸變非常嚴(yán)重的魚眼圖像，在校正過程中保持寬視場(chǎng)是不可行的。領(lǐng)域已經(jīng)提出了幾種魚眼立體深度估計(jì)方法，常見的方法是多平面校正，其中魚眼圖像映射到多個(gè)透視平面[82]。

然而，如前所述，任何平面校正（即使有多個(gè)平面）都會(huì)遭受嚴(yán)重的重采樣失真。要最小化此重采樣提出了對(duì)非平面圖像進(jìn)行畸變、校正的方法，有些方法會(huì)扭曲不同的圖像幾何形狀，以保持極線筆直和水平的立體要求[83]。還有一些方法繞過了極線水平的要求，例如，最近將平面掃描法[84]、[85]應(yīng)用于魚眼[86]。魚眼圖像重采樣的一個(gè)相關(guān)問題是，噪聲函數(shù)被重采樣過程扭曲，這對(duì)于任何試圖最小化重投影誤差的方法來說都是一個(gè)問題。Kukelova等人[73]使用標(biāo)準(zhǔn)視場(chǎng)相機(jī)的迭代技術(shù)解決了這一問題，該技術(shù)在避免失真的同時(shí)最小化了重投影誤差。然而，這種方法取決于特定的相機(jī)型號(hào)，因此不直接適用于魚眼相機(jī)。

重建的第二個(gè)方面是從視頻序列中提取運(yùn)動(dòng)對(duì)象（運(yùn)動(dòng)分割）。由于三角剖分假設(shè)被打破，動(dòng)態(tài)對(duì)象的三維重建會(huì)導(dǎo)致全局意義上的位置不精確。重建運(yùn)動(dòng)物體幾何結(jié)構(gòu)的典型嘗試需要圖像運(yùn)動(dòng)分割、相對(duì)基本矩陣估計(jì)和重建（具有比例/投影模糊性）。例如，使用Multi-X[88]，前兩步基本上可以結(jié)合起來，因?yàn)榉指羁梢曰诨揪仃嚬烙?jì)進(jìn)行。然而，對(duì)于嵌入式自動(dòng)駕駛應(yīng)用來說，這種方法要么計(jì)算成本太高，要么不夠健壯。此外，這種重建必須解決比例問題，可變形物體（如行人）可以針對(duì)身體的不同部位使用不同的基本矩陣。因此，動(dòng)態(tài)目標(biāo)檢測(cè)的任務(wù)通常只是簡(jiǎn)單的運(yùn)動(dòng)分割。

Klappstein等人[89]描述了汽車背景下運(yùn)動(dòng)分割的幾何方法，Mariotti和Hughes[90]將這項(xiàng)工作擴(kuò)展到了環(huán)視攝像頭外殼。然而，在這兩種情況下，幾何圖形都無法完全區(qū)分所有類型的移動(dòng)特征。也就是說，有一類對(duì)象運(yùn)動(dòng)使關(guān)聯(lián)特征與靜態(tài)特征無法區(qū)分，因此，必須采取全局或半全局辦法。在傳統(tǒng)方法中，這是通過將具有與被歸類為運(yùn)動(dòng)中的光流矢量相似特性的光流向量分組來實(shí)現(xiàn)的。

通常，運(yùn)動(dòng)分割的關(guān)鍵輸入是攝像機(jī)運(yùn)動(dòng)的知識(shí)。也就是說，必須知道相機(jī)的基本矩陣（或未校準(zhǔn)情況下的基本矩陣）。[89]和[90]中假設(shè)了這一點(diǎn)，可以通過兩種方式實(shí)現(xiàn)。首先，可以直接使用車輛網(wǎng)絡(luò)上的信號(hào)，例如轉(zhuǎn)向角和車輪速度，來估計(jì)車輛的運(yùn)動(dòng)，從而估計(jì)攝像機(jī)的運(yùn)動(dòng)?；蛘撸梢允褂靡曈X方法直接從圖像序列估計(jì)運(yùn)動(dòng)。除了明確估計(jì)相機(jī)的運(yùn)動(dòng)外，另一種方法是在圖像中建模背景運(yùn)動(dòng)。有人建議使用背景運(yùn)動(dòng)的仿射模型，然而，這假設(shè)背景是遙遠(yuǎn)或近似的平面，徑向變形不存在或可忽略不計(jì)。圖14顯示了不同重建階段的示例，包括密集運(yùn)動(dòng)立體、3D點(diǎn)云和靜態(tài)障礙物集群，以及基于密集光流的運(yùn)動(dòng)分割。雖然魚眼圖像的使用肯定會(huì)影響設(shè)計(jì)決策，從理論角度來看，這是一個(gè)尚未完全解決的問題。

重定位

視覺同步定位與映射（VSLAM）是機(jī)器人技術(shù)和自動(dòng)駕駛領(lǐng)域的一個(gè)研究熱點(diǎn)。主要有三種方法，即（1）基于特征的方法，（2）直接SLAM方法和（3）CNN方法。基于特征的方法利用描述性圖像特征進(jìn)行跟蹤和深度估計(jì)，從而生成稀疏的地圖。MonoSLAM、Parallel Tracking and Mapping（PTAM）和ORBSLAM是這類算法中的開創(chuàng)性算法。直接SLAM方法適用于整個(gè)圖像，而不是稀疏特征，以幫助構(gòu)建密集的地圖。密集跟蹤和映射（DTAM）和大規(guī)模半密集SLAM（LSD-SLAM）是基于光度誤差最小化的常用直接方法。對(duì)于Visual SLAM問題，基于CNN的方法相對(duì)不太成熟，在[101]中對(duì)此進(jìn)行了詳細(xì)討論。

mapping是自動(dòng)駕駛的關(guān)鍵支柱之一，許多首次成功的自動(dòng)駕駛演示（如谷歌）主要依賴于對(duì)預(yù)先繪制區(qū)域的定位。TomTom RoadDNA等高清地圖為大多數(shù)歐洲城市提供了高度密集的語義3D點(diǎn)云地圖和定位服務(wù)，典型的定位精度為10 cm。當(dāng)有準(zhǔn)確的定位時(shí)，高清地圖可以被視為主要線索，因?yàn)橐呀?jīng)有了強(qiáng)大的先驗(yàn)語義分割，并且可以通過在線分割算法進(jìn)行細(xì)化。然而，這項(xiàng)服務(wù)很昂貴，因?yàn)樗枰澜绺鞯氐亩ㄆ诰S護(hù)和升級(jí)。

在自動(dòng)駕駛視覺環(huán)境中，視覺SLAM（VSLAM）包括繪制車輛周圍環(huán)境的地圖，同時(shí)在地圖中估計(jì)車輛的當(dāng)前姿態(tài)。VSLAM的關(guān)鍵任務(wù)之一是根據(jù)之前記錄的車輛定位軌跡。圖15顯示了一個(gè)經(jīng)典的基于特征的重定位pipelines。在基于特征的SLAM中，第一步是提取顯著特征。圖像中的一個(gè)顯著特征可能是像素區(qū)域，其中強(qiáng)度以特定方式變化，例如邊緣、角落或斑點(diǎn)。

要估計(jì)世界上的地標(biāo)，需要執(zhí)行跟蹤，其中可以匹配相同特征的兩個(gè)或多個(gè)視圖。一旦車輛移動(dòng)足夠遠(yuǎn)，VSLAM會(huì)拍攝另一張圖像并提取特征。重建相應(yīng)的特征，以獲得它們?cè)谡鎸?shí)世界中的坐標(biāo)和姿態(tài)。然后，這些檢測(cè)到的、描述的和定位的地標(biāo)被存儲(chǔ)在永久存儲(chǔ)器中，以描述車輛軌跡的相對(duì)位置。如果車輛返回相同的一般位置，實(shí)時(shí)特征檢測(cè)將與存儲(chǔ)的地標(biāo)匹配，以恢復(fù)車輛相對(duì)于存儲(chǔ)軌跡的姿態(tài)。

重組

重組執(zhí)行三個(gè)功能：1）融合識(shí)別和重建，2）通過相機(jī)在世界坐標(biāo)系統(tǒng)中繪制目標(biāo)地圖，3）時(shí)空物體跟蹤。雖然識(shí)別和重組模塊可以直接輸入到環(huán)境圖中，但我們認(rèn)為在視覺層實(shí)現(xiàn)某些融合有明顯的優(yōu)勢(shì)。先用一個(gè)例子來考慮這一點(diǎn)，如圖16所示，假設(shè)有一個(gè)具有單目深度估計(jì)、運(yùn)動(dòng)分割和車輛檢測(cè)的系統(tǒng)。融合這些信息的經(jīng)典方法是將所有數(shù)據(jù)轉(zhuǎn)換為世界坐標(biāo)系，然后關(guān)聯(lián)和融合數(shù)據(jù)，這種方法具有優(yōu)勢(shì)。

一些汽車傳感器，如激光雷達(dá)，提供本地歐幾里德數(shù)據(jù)，基于這種歐幾里得地圖的融合系統(tǒng)使得包含這些附加傳感器變得容易。然而，在轉(zhuǎn)換為歐氏圖時(shí)，基于相機(jī)的檢測(cè)精度將始終受到影響。眾所周知，從圖像域到世界域的投影容易出錯(cuò)，因?yàn)樗鼈儠?huì)受到校準(zhǔn)不良、平地假設(shè)、檢測(cè)變化、像素密度和不完美相機(jī)模型的影響。如果目標(biāo)在感興趣的點(diǎn)上沒有實(shí)際接觸地面，那么對(duì)于投影到世界坐標(biāo)系的平地假設(shè)將存在重大錯(cuò)誤。

然而，在向世界投影之前，圖像域中的檢測(cè)不受此類錯(cuò)誤的影響，因此，圖像域不同視覺算法的檢測(cè)關(guān)聯(lián)更為穩(wěn)健，事實(shí)上，簡(jiǎn)單的檢測(cè)重疊措施通常證明是穩(wěn)健的。圖18顯示了基于CNN的車輛檢測(cè)和基于光流的運(yùn)動(dòng)分割的基于圖像的融合的實(shí)現(xiàn)，盡管運(yùn)動(dòng)分割存在顯著誤差，但融合成功地將檢測(cè)到的目標(biāo)分為車輛和動(dòng)態(tài)兩類。除此之外，還必須考慮失真校正如何影響測(cè)量噪聲，許多常用的融合和跟蹤算法，如卡爾曼濾波或粒子濾波，都是從平均零假設(shè)開始的（高斯噪聲）。

對(duì)于計(jì)算機(jī)視覺中的感興趣點(diǎn)測(cè)量（例如，圖像特征或邊界框足跡估計(jì)），通常認(rèn)為這是一個(gè)有效的假設(shè)。然而，魚眼畸變和地平面投影過程扭曲了該噪聲模型（圖19）。此外，由于測(cè)量噪聲的失真取決于圖像中感興趣點(diǎn)的位置以及相機(jī)相對(duì)于路面的位置，因此解決這一問題變得更加復(fù)雜。

系統(tǒng)同步協(xié)同

本節(jié)將討論系統(tǒng)協(xié)同效應(yīng)，主要研究重定位、重建和識(shí)別任務(wù)如何相互支持，并描述雙檢測(cè)源在安全關(guān)鍵應(yīng)用中提供冗余的重要性。

識(shí)別和重建

如前所述，深度估計(jì)在幾何感知應(yīng)用中非常重要。除了前面已經(jīng)討論過的內(nèi)容外，目前最先進(jìn)的是基于神經(jīng)網(wǎng)絡(luò)的方法[115]、[116]，可以通過重投影損失以自我監(jiān)督的方式學(xué)習(xí)[117]。研究表明，單目深度估計(jì)的最新單幀嘗試通常會(huì)引發(fā)識(shí)別任務(wù)，然后使用圖像中的垂直位置等線索推斷深度，運(yùn)動(dòng)目標(biāo)檢測(cè)似乎也嚴(yán)重依賴于識(shí)別。事實(shí)證明，[48]和[58]都對(duì)通常移動(dòng)的靜態(tài)物體（例如行人，見圖20）顯示出誤報(bào)，但這并沒有降低這種嘗試的重要性。相反，它指出了識(shí)別和重建之間的一種非常深刻的聯(lián)系，從一種聯(lián)系中，可以推斷出另一種。

當(dāng)行人檢測(cè)處于最先進(jìn)水平時(shí)，在語義和實(shí)例分割之前，大多數(shù)汽車行人檢測(cè)研究人員都會(huì)考慮根據(jù)邊界框的高度或行人在圖像中的垂直位置編碼深度。[81]對(duì)此進(jìn)行了詳細(xì)討論。然而，基于深度神經(jīng)網(wǎng)絡(luò)的識(shí)別可以產(chǎn)生物體深度，這是有點(diǎn)直觀的，特別是當(dāng)神經(jīng)網(wǎng)絡(luò)的精度提高時(shí)。最近的工作證明了聯(lián)合學(xué)習(xí)語義標(biāo)簽和深度的有效性[119]。例如，在[120]中顯示，對(duì)于單目深度估計(jì)，在每個(gè)距離解碼器層中添加語義指導(dǎo)（如圖21所示）可以提高對(duì)象邊緣的性能，甚至可以為動(dòng)態(tài)目標(biāo)返回合理的距離估計(jì)。

重定位和識(shí)別

重定位是車輛識(shí)別先前學(xué)習(xí)的位置或路徑的過程，如前所述。然而，在現(xiàn)實(shí)的自動(dòng)駕駛視覺中，很多事情都會(huì)干擾這一點(diǎn)。例如，場(chǎng)景可能會(huì)因可移動(dòng)對(duì)象而改變，例如，停放的車輛可能會(huì)在場(chǎng)景學(xué)習(xí)時(shí)間和請(qǐng)求重定位時(shí)間之間移動(dòng)。在這種情況下，語義分割方法可用于識(shí)別可能移動(dòng)的對(duì)象（車輛、自行車、行人），并刪除與此類對(duì)象相關(guān)的映射特征。如[101]中詳細(xì)描述的，利用深度學(xué)習(xí)技術(shù)支持傳統(tǒng)的Visual SLAM pipelines還有更多的機(jī)會(huì)（圖22）。

Visual SLAM中的地點(diǎn)識(shí)別有幾個(gè)應(yīng)用程序。首先，它允許循環(huán)閉合以糾正累積漂移，其次，它允許從同一場(chǎng)景的多個(gè)過程中創(chuàng)建和維護(hù)地圖。使用單詞袋的經(jīng)典方法（如[128]）被證明是相當(dāng)成功的，盡管可能缺乏穩(wěn)健性?；贑NN的方法被證明更為穩(wěn)健，外觀不變的方法顯示出有希望的初步結(jié)果[129]。當(dāng)重要的時(shí)間過去時(shí)，對(duì)地點(diǎn)的識(shí)別是一個(gè)重要的話題。表III顯示了Visual SLAM pipelines的一小組結(jié)果，并表明隨著訓(xùn)練和重定位之間的六個(gè)月時(shí)間差的增加，錯(cuò)誤顯著增加。最后，可以考慮視圖不變的定位。當(dāng)重定位的camera視點(diǎn)與訓(xùn)練時(shí)的camera視角顯著不同時(shí)，這一點(diǎn)很重要，例如，由于以大角度接近訓(xùn)練軌跡而導(dǎo)致車輛旋轉(zhuǎn)，基于特征描述符的傳統(tǒng)Visual SLAM方法失敗了。研究表明，將語義標(biāo)簽附加到場(chǎng)景地標(biāo)（通過bounding box分類）可以顯著提高視點(diǎn)不變性的性能。

重定位和重建

重定位和視覺SLAM通?？梢员灰暈閳?chǎng)景重建（即構(gòu)建地圖）的存儲(chǔ)，以及通過bundle adjustment調(diào)整對(duì)所述地圖的迭代細(xì)化（見圖15）。這樣，重建和視覺里程表就成為傳統(tǒng)Visual SLAM方法的種子。有一些直接的方法可以繞過這種seed方法，例如LSD-SLAM（及其全向相機(jī)擴(kuò)展[100]），其中光度誤差相對(duì)于重投影誤差被最小化。然而，如果考慮bundle adjustment調(diào)整地圖的時(shí)間切片，也可以看出，Visual SLAM可用于優(yōu)化重建（場(chǎng)景結(jié)構(gòu)和視覺里程計(jì)）。此外，移動(dòng)目標(biāo)會(huì)導(dǎo)致任何Visual SLAM管道的性能顯著下降。因此，動(dòng)態(tài)對(duì)象檢測(cè)（例如[90]、[48]、[58]）可以用作Visual SLAM pipelines的輸入，以抑制所述移動(dòng)目標(biāo)引起的異常值。

討論下冗余

還有另一個(gè)首要的協(xié)同考慮：冗余。在自動(dòng)化車輛中，冗余對(duì)應(yīng)用程序的安全性起著重要作用。當(dāng)系統(tǒng)部件發(fā)生故障時(shí)，必須提供另一個(gè)部件，以確保車輛保持安全狀態(tài)。例如，F(xiàn)useModNet展示了提供密集信息的相機(jī)與在弱光下表現(xiàn)良好的激光雷達(dá)的協(xié)同融合。在傳感方面，這通常是通過使用多種傳感器類型來實(shí)現(xiàn)的，例如計(jì)算機(jī)視覺系統(tǒng)、radar和激光雷達(dá)。對(duì)于近場(chǎng)傳感，超聲波傳感器陣列是一種成熟的低成本傳感器，可在車輛周圍提供強(qiáng)大的安全性。

論文認(rèn)為，通過并行使用不同的計(jì)算機(jī)視覺算法類型，可以實(shí)現(xiàn)更高的安全性。也就是說，可以配置計(jì)算機(jī)視覺系統(tǒng)架構(gòu)以最大限度地提高冗余度。這一點(diǎn)尤其正確，因?yàn)閿?shù)據(jù)源是完全不同的處理類型。例如，識(shí)別pipelines的統(tǒng)計(jì)處理和重建管道的幾何pipelines。此外，這種處理通常會(huì)在SoC內(nèi)的不同硅組件上運(yùn)行。然而，必須意識(shí)到，如果你最大限度地發(fā)揮其他協(xié)同作用，冗余的可能性就會(huì)降低。例如，如果使用基于CNN的深度作為Visual SLAM算法的種子，則不能將CNN聲明為Visual SLAM的冗余，因?yàn)閂isual SLAM現(xiàn)在依賴于CNN處理。還必須注意，這兩個(gè)處理元件可能使用相同的視頻饋送，因此相機(jī)本身和相關(guān)硬件/軟件的安全性也可能是一個(gè)限制因素。

審核編輯：劉清