李光磊
摘 要：近年来，随着汽车保有量的逐渐增加和道路交通设施的完善，汽车智能化的趋势越来越明显，自动驾驶技术也愈发的成熟。在未来的汽车应用中将会发挥巨大的作用。本文通过对相关论文的研究，针对目前自动驾驶技术的发展现状，在图像分析和自动驾驶方面做了简单的分析和介绍。
关键词：图像处理；自动驾驶；汽车智能化
DOI：10.16640/j.cnki.37-1222/t.2017.22.102
0 引言
随着汽车技术的快速发展，以及国民经济的逐步提高，公路上络绎不绝的汽车成为人们主要的交通工具。然而，随着汽车保有量和道路交通流量的不断增加，一系列的交通事故的发生引起了我们的注意。在这些交通事故中，带给我们的是巨大的经济损失和人身伤害。因此道路交通事故已经成为全球性的安全问题之一。提高汽车驾驶的安全性、避免交通事故发生以及减轻事故所带来的人身伤害和财产损失已经成为全球各国政府和社会重点关注的问题之一。
因此，各国都在研发与应用车辆的安全驾驶技术，而自动驾驶技术是其中一种典型的高新技术的综合体，主要包括计算机技术、现代传感器技术、通讯网络、信息技术融合、人工智能、自动控制原理等。随着对自动驾驶车辆控制系统的研究不断深入与完善，从一定角度来说，驾驶员的控制、视觉和感官功能都得到了延伸，这就弥补了人为因素造成的缺陷，大大提高交通中的安全因素。
1 自动驾驶技术研究现状
自动驾驶技术在国外起步较早，一些发达国家比如美国、德国、法国等在自动驾驶汽车的研究方面走在了世界的前列。
谷歌公司是最早参与研发自动驾驶技术的[1]，早在2009年谷歌公司提出了关于自动驾驶的构想和方案，如今谷歌公司让其自动驾驶系统运行里程超过了200万英里。丰田汽车作为行业的大佬，在实车试验上，推出了最新2.0版本的自动驾驶汽车，在时间上，丰田预计在2025年会有量产的自动驾驶汽车上市。百年车企宝马目前已与处理器领导者Intel以及掌握着自动驾驶关键技术的以色列科技公司Mobileye合力推进自动驾驶技术[2]。并且英特尔以153亿美元收购以色列ADAS公司Mobileye，并宣布2021 年联合批量生产自动驾驶汽车。而且已经通过测试的自动驾驶7系列也将在欧洲和美国面市。
与国外发达国家相比，我国自动驾驶技术研究起步较晚，开始比较集中在离校及科研院所。现如今，在国家一系列政策的支持下，我国的自动驾驶技术及其相关技术在最近几年的发展非常迅速，但是在自动驾驶方面，比如视频分析下的环境感知和车辆精确控制等关键技术方面都存在明显的不足，与美国等这些发达国家的水平还存在较大的差距，离最终实现自动驾驶汽车的目标还有许多研究难题需要攻克，还有许多路要走。
2 图像处理技术
2.1 图像的形成
计算机图像是一个像素矩阵。每个像素值与场景中对应点的图像的亮度成正比；通常，这个像素值是根据模数转换器的输出来计算的[3]。一帧图像可以描述成N×N的m位像素，其中N是点的数目，m表示亮度值的级数。m位（bit）给出2m个值，范围从0到2m-1。如果m值取8，那么亮度范围在0—255之间，这两个数值通常分别显示黑色和白色，他们之间的亮度值显灰色，正如图2.1的灰度图像所示。m值越小，则有效亮度级也越少，从而减少图像中的有效对比度。
從图像中可以看出，位平面1所带来的信息最少，随着位的级数增加，所带的信息也有所增加。位平面8所带的信息最多。可以看出，原图像的内容在高级数图像比其他级数的图像更容易识别。
彩色图像利用类似的存储方法来确定像素的亮度。但是不是利用一个图像平面，而是利用三个亮度分量来表示，这样占得存储空间也非常大。由于灰度图像中有足够的信息来进行特征提取和图像处理分析，而且车载自动驾驶系统的内存有限。因此，在自动驾驶中只进行对灰度图像在的处理。
对于灰度图像的处理，N值的选择非常复杂。N应该足够大以分辨图像的空间细节程度。如果N值太小，那么图像看起来呈现锯齿状，而且会丢失很多细节。N值越大，细节越多，但是需要的存储空间越大，而且随着像素的增大，图像处理所需要的时间也会越多。如图2.2所示为不同分辨率的图像效果。图2.2（a）是一个64×64的图像，它只显示了粗略的结构，不能观察其他的一些细节，（b）图是一个128×128的图像，从这幅图可以看出更多的细节，（c）图是所示是256×256的图像，它显示了更多的层次细节。这组图片都被调整到相同的大小，因此（a）图比（c）图的像素大很多，（a）图突出了图像的锯齿形的结构。在图像处理中我们最常用的是256×256或512×512大小的图像。
2.2 图像处理运算方法
在图像处理中，首先，利用直方图描述图像的亮度变化。经过一系列的点运算，比如通过不同的方式使图像变亮或变暗，把灰度图像转化为二值图像的处理方法。然后再进行群运算，指的是计算新图像点作为原图像同一位置点的近邻点的函数。这些运算是为了图像的特征提取进行预处理或者提高显示亮度。
图像处理中最基本的运算是点运算，处理过的图像得到的像素值都是在原像素值的基础上得到的新值，如果要增加亮度以拉伸对比度，我们只需要将所有的像素值与一个标量相乘。因而我们可以用一个公式来表示新图像N中所有点的亮度值与原图像O中点的亮度值之间的关系：
Nx，y=k×Ox，y+l x，y∈1，N
式中l代表图像总体的亮度，亮度级范围由增益k表示。从这个公式中可以看出，亮度级控制图像的总体的亮度，是输出图像的最小值。增益控制对比度或者范围，如果增益大于1，那么输出的区间范围将会增加，图像将会变得更亮。
随着技术的不断成熟，人们对图像清晰度的要求也越来越高，如果得到高精度的图像，就需要对图像的像素增加，而图像的大小也随之增加，这对于图像处理速度来说是一个很大的挑战。另一方面，计算机信息技术的发展带来了产业的革新，能够快速的处理信息量比较大的图像，甚至有时候能够实时的同步。计算机技术的发展对数字图像的处理起了很大的作用，这就是图像处理技术目前越来越受欢迎的主要原因。endprint
3 图像处理技术在自动驾驶中的应用
自动驾驶的关键技术是环境感知技术和车辆控制技术，其中环境感知技术是自动驾驶汽车行驶的基础，车辆控制技术是自动驾驶汽车行驶的核心，这两项技术相辅相成共同构成自动驾驶汽车的关键技术。
环境感知技术指汽车在行驶状态下能够获取自身所处的位置以及周围的环境和一些障碍物的信息，在必要的情况下对汽车的本身进行刹车制动以及其他的一些操作，以保证汽车行驶的安全性和操纵稳定性。车载摄像头根据拍摄到的画面传递到汽车的控制中心即车载电脑，从而让汽车在行驶中根据这些情况规划修改行驶路线。已经在很大程度上减轻了驾驶员的操作疲劳程度。根据车辆的视频分析与图像特征对比，从而能更好的开发视频分析技术的作用，应用到自动驾驶技术中。
图像处理在车道线检测方面的应用，目前的情况大多是在较为理想的环境路面条件下，利用图像处理技术的核心就是基于摄像头的视觉感知系统。当汽车行驶时，摄像装置将汽车外的目标景物根据小孔成像的原理投射到图像传感器上，然后图像传感器根据光照强度的不同产生不同强度的电流，经过一系列的处理转换变成数字信号传递到计算机控制中心。计算机根据这些数字化的信号，对图像进行识别、处理、分析。然后再利用车载雷达向车辆周围的目标发射信号或者接受反射回来的信号，传递到计算机控制中心，计算机控制中心再根据这些信息，通过计算、分析来获取周围景物距离车辆的远近。
如果车道线被积雪、杂物等覆盖，系统可能检测不出来，导致车辆无法正确的识别车道线[4]，会出现车辆跑偏的情况。因此在环境感知技术方面，应多考虑在复杂的情况路面下车辆如何进行正确驾驶的问题，这时候利用视频分析技术，由环境感知系统测定车辆周围的环境，然后利用视频序列是随着时间推移而连续变化的这一特点，推导出车道线在这个时间内也是拥有一定的连续性。利用这一特点可以建立视频在相邻两帧之间的连续性，从而在对当前车道线的图像进行检测的过程中利用上一帧的图像进行标定。然后车载计算机控制系统根据这一图像绘制完整的车道线，保障汽车安全平稳的驾驶。
4 结语
随着科技的进步和技术的发展。现在的车辆都已经有了比如车道辅助系统和自适应巡航控制等系统。这都是在视频分析、图像处理的基础上对汽车的进一步改进。在未来几年，随着自动驾驶技术的成熟，图像处理技术的熟练应用，完全实现自动驾驶的汽车也将会变得越来越普遍。通过在理论层面对视频分析技术的应用研究，就能为未来的自动驾驶发展提供理论层面的知识，从而为以后的技术提供更为准确的研究方向。
参考文献：
[1]Watzenig D， Horn M. Introduction to Automated Driving[M]. Automated Driving.Springer International Publishing，2017.
[2]王俊.无人驾驶车辆环境感知系统关键技术研究[D].中国科学技术大学，2016.
[3]Mark S.Nixon，Alberto S.Aguado.Feature Extraction and Image Processing[M].
[4]李小樂.基于连续视频帧的多特征融合道路车辆检测方法研究[D].长沙：湖南大学，2013.endprint
