近年來，基于智能化的一體化安全技術得到了迅猛的發展，主要包括了高級駕駛員輔助系統（Advanced Driver Assistant System，簡稱ADAS）、自動/半自動駕駛，這些系統致力于彌補駕駛員的不足，改善駕駛員的辨識能力，正確地操控汽車。其中，ADAS系統的功能覆蓋了車輛周圍360°的范圍，能夠進行車道偏離檢測、前車檢測、行人檢測、交通標識識別等，并能在必要的時候對駕駛行為進行策略性引導或直接進行干預，以輔助駕駛員駕駛。

根據相關的研究數據可知，當駕駛員行駛車輛處于危險狀況時，若能有類似預警系統及時提醒駕駛員可以減少30%的追尾事故、50%的路面相關事故以及60%的迎面相撞事故。車輛防碰撞預警系統能夠精確地測量出所駕駛車輛與前方行駛車輛之間的距離，并通過計算得出前后兩車的車速，再經過一系列相關計算和分析，當發現所駕駛車輛有潛在的危險時，就能及時向駕駛員報警并提示其立即進行適當的操作，從而避免事故的發生。

前車檢測是車輛防碰撞預警系統的關鍵技術之一?；谝曈X的前車檢測一般可以分為基于特征、基于光流場、基于模型和基于機器學習4種。

前車檢測方法：1、基于特征的前車檢測方法2、基于光流法的前車檢測方法3、基于模型的前車檢測方法4、基于機器學習的前車檢測方法

基于特征的前車檢測方法主要是根據車輛的對稱性、陰影、邊緣等特征進行車輛檢測，為得到確切結果，通常將陰影、對稱性和邊緣特征結合起來。目前，基于特征的前車檢測方法主要有基于車牌、車輛底部陰影、車燈等特征的前方車輛檢測方法。

基于光流法的前車檢測方法主要通過攝像機運動、前方障礙物運動或二者相對運動的瞬時速度場實現，但該方法對噪聲、光線變化敏感，計算量大。目前，光流場的計算一般分為：基于匹配的方法、基于梯度的方法和基于能量的方法等。

在運動的某一特定時刻，首先計算圖像上二維速度場（視頻圖像幀中的灰度變化的一階和二階導數），此時三維運動目標的速度矢量就投影成圖像表面的二維瞬時速度場，然后把二維圖像中運動目標的點投影到真實三維目標的點上后，運動目標的運動參數（運動目標的運動狀態）和運動目標的位置就可以從得到的二維速度場中利用一些約束條件推測出來。

基于模型的前車檢測方法首先建立已知車輛精準的二維或三維模型，然后與待檢測圖像進行匹配，該方法對車輛模型過分依賴。

基于機器學習的前車檢測方法主要利用從數據中提取的規則或模式將數據轉化為信息，對數據進行分類識別。常用的機器學習方法有支持向量機（Support Vector Machine，簡稱SVM）、BP神經網絡、Adaboost級聯分類器等?；跈C器學習的前車檢測方法檢測準確率較高，但運算量較大。

智芯原動采用了基于特征和機器學習結合的前車檢測方法該方法主要包括以下步驟：① 采用具有深度學習的卷積神經網絡，對選取的樣本圖像進行訓練，以得到車輛識別網絡模型；② 檢測車道線來確定檢測車輛的搜索范圍；③ 根據選取的特征，在車輛的搜索范圍內初步定位車輛的候選區域；④ 根據車輛識別網絡模型對候選區域進行識別并輸出結果。

上圖給出了智芯原動的前車檢測方法流程圖。其中，具有深度學習的深度網絡是采用卷積深度神經網絡。

智芯原動的前車檢測功能模塊是持續監控前方車輛，通過兩車之間的距離和相對速度計算出即將發生碰撞的時間，可以在發生碰撞危險前2.7秒發出警報，提醒駕駛員及時剎車制動，避免與前方車輛發生追尾碰撞。下圖給出了智芯原動的前車檢測結果圖。

與其他公司的嵌入式算法不同，智芯原動將前車檢測算法在芯片上實現了智能硬化。含有前車檢測硬化算子的芯片可以實現直接在相機端進行實時處理，提高了運算速率，節約了運算時間和成本。