3 月
介紹
在過去的二十年里，越來越多的攝像頭應用於汽車系統，而如今輔助駕駛系統已經成為現代汽車中不可或缺的一部分。
在自動駕駛汽車時，車輛中的傳感器系統必須穩定可靠地運行，確保不受天氣條件、照明和路況等影響。
本篇文章說明瞭自動駕駛汽車中，攝像頭對製造商提出的一些巨大的挑戰，在下篇將著眼於為應對這些挑戰所做的嘗試。
汽車系統中的攝像頭
攝像頭是如何在汽車中應用的？目前，在輔助駕駛系統中發現 30 多個用於不同用途的攝像頭並不罕見。這些包括：
● 後視攝像頭
● 全方位視野的相機
● 取代後視鏡的攝像頭
● 駕駛分析（用於車輛控制和注意力監控）
● 車道檢測
● 交通標誌識別
● 距離警告系統
● 照明調整系統（例如，遠光燈）
● 夜間視力
● 汽車攝像頭系統
可能的汽車攝像頭系統概覽
目前汽車攝像頭系統面臨的挑戰
根據應用的不同，相機面臨著各種挑戰。主要挑戰包括：
● 照明條件差（夜晚、野外、隧道、停車場）
● 極端對比（陽光直射，夜間明亮的區域）
● 極端的天氣條件（雨、霧、雪）
● 攝像頭鏡片髒污
● 場景的複雜性
– 用於照明系統的相機需要高動態範圍，並且必須能夠識別各種顏色。
– 用於車道檢測的相機需要高動態範圍、高靈敏度，並且必須能夠識別各種顏色。
– 用於交通標誌識別的相機需要高靈敏度、短曝光時間、高分辨率，並且必須識別各種顏色。
– 用於物體識別的相機必須具有高靈敏度和高分辨率，並且它們必須識別三維立體。
相機挑戰示例
攝像頭鏡片髒污
攝像頭鏡片的髒污是一個持續的挑戰，例如製造商一般通過僅在必要時打開的相機蓋子，或將攝像頭放置在擋風玻璃刮水器後面來解決這一挑戰。
髒污的後視攝像頭
車道檢測
車輛周圍的許多特殊結構通常看起來像車道標記。識別正確的車道標記是自動駕駛汽車面臨的最大挑戰之一。
此外，地區差異、不同顏色和天氣條件也使識別變得困難。
行車軌道被遮擋，或者中間的牆壁看起來像一個車道標記
跟隨黃色或白色軌道？
燈光輔助
燈光輔助系統面臨著將迎面而來的車輛和前方車輛與環境中的其他物體區分開來的艱巨挑戰。
移動物體必須與靜態物體（街道照明、反射器等）區分開來。帶有兩個平行信號燈的汽車很容易識別。但是，如果一盞燈有缺陷或燈是否有脈衝，也必須被檢測到，此外還必須識別到摩托車。
無數的發光點，其中哪一個是車輛？
高動態範圍
當太陽下山時，我們直接朝它逆光行駛時，我們會放下遮陽板，但即便如此，也會出現我們無法用眼睛看到物體的情況。
這種情況會一次又一次地導致事故，而相機也面臨同樣的挑戰，這在隧道盡頭和許多其他日常案例中也很明顯。
動態範圍的挑戰
Flicker
車輛在道路交通中遇到的路燈、交通標誌、交通燈等人造光源有很多。幾乎所有現代光源都是基於LED 的，所以會產生Flicekr，這意味著光源是脈衝的，並且以未知和不同的頻率進行「閃爍」。
Flicekr 對於車載攝像頭來說是一個挑戰，因為它會不斷地生成用於分析的圖像（基本上是視頻）。在一張照片中，交通標誌亮起；在接下來瞬間，它消失了。
在「常亮」的限速標誌下，相機拍攝捕捉的每一瞬間可能並不同：
在這張圖片中，看不到數字 80 限速標誌
在這張圖片中，可以看到數字 80 速限制標誌
由於攝像頭的分辨率，交通標誌只能在短距離內清晰可見
分辨率
在移動的車輛中，連續快速地拍攝圖像以捕捉環境的變化。這個過程限制了系統處理數據量的能力。
如果攝像頭髒了，沒有正確對焦，或者由於溫度的影響焦點發生了偏移，很快就會出現問題，例如識別交通標誌。
雜散光
不僅在高對比度或低對比度會導致問題，而且相機系統的特定特性也會導致問題。
特別是高對比度會遇到雜散光的問題，即鏡頭或相機外殼中不希望的反射和光散射。由於霧、霾或煙霧，相機前可能會出現其他問題。
在此圖像中識別車輛具有挑戰性
當雜散光消失時，汽車清晰可見
天氣和照明條件
攝像機必須在所有溫度（-40 到 100° C）和所有天氣條件下晝夜運行，這些條件自然會帶來重大挑戰。
我們都曾在弱光照條件下使用手機相機對比過圖像噪點。這種圖像噪聲平均會隨著環境溫度升高 7°C 而增加一倍，即使在良好的照明條件下也會很快引起噪聲升高。
較少的光線會導致圖像噪點增多
在極端天氣下，物體變得更難識別
地區差異
對於許多路況對象，還需要識別和區分區域差異。
例如，高速公路標誌在法國和德國使用藍色標誌，而鄉村道路在法國則標記為綠色。在瑞士，情況正好相反，高速公路是綠色的，鄉村道路是藍色的。
例如，美國的道路標記根據類型混合在白色和黃色之間。在德國，通常的道路標記是白色的，而建築工地的標記是黃色的。然而在奧地利，建築工地標記是橙色的。
藍色的指示牌（法國）
綠色的指示牌（瑞士）
真實世界中無限數量的對象
無論您多麼努力地嘗試分類和分配對象，由於具有無限形狀和大小的不同事物的絕對數量，同時物體也會從它們的觀察角度發生變化，在實驗室中還原包含所有測試可能的場景難度較大。
以上是在輔助駕駛場景中面臨的一些挑戰，在過去的幾年里，工程師們開發了新的算法來提高物體的識別能力。將這些算法與人工智能和神經網絡訓練相結合，可以得到更好、更可靠的結果。
在下篇我們將討論目前我們車載攝像頭的一些應對和解決方法。