基于特征的算法首先進行圖像特征提取，比如邊緣信息。利用這些特征信息，按照預(yù)定規(guī)則獲得車道線標記。例如Lee等人在2002年就提出了一種基于特征的車道線檢測方法，他們使用邊緣分布函數(shù)來統(tǒng)計全局的梯度角累積分化找出最大的累積量，結(jié)合左右車道線的對稱特性，確定出車道線的位置。此類算法的主要優(yōu)點在于其對車道線的形狀不敏感，在噪聲干擾較強的情況下（如陰影、標志線磨損等）仍具有較好的魯棒性，能較為可靠地檢測出車道線的直線模型。

　　Lopez等人于2010年提出使用圖像的“脊峰”替代圖像邊緣信息提取車道線特征數(shù)據(jù)的方法。“脊峰”可以反映圖像鄰域像素點的匯聚程度，在車道線標志線區(qū)域中，它的表示形態(tài)是在車道線中間的具有局部極大值的明亮區(qū)域。與圖像邊緣相比較，“脊峰”更加適合應(yīng)用于車道線檢測的應(yīng)用場合。

　　基于模型的車道線識別方法是運用數(shù)學(xué)的思維建立道路模型，分析圖像信息獲取參數(shù)，從而完成車道線檢測。ShengyanZhou等提出了一種基于Gabor濾波器與幾何模型的車道線識別方法。在智能車前方存在車道標示線的前提下，可以用車道線原點、寬度、曲率、起始位置這4個參數(shù)對其進行描述。先對攝像機進行預(yù)標定，在計算完模型參數(shù)后篩選出若干車道線模型。算法通過局部Hough變換和區(qū)域定位估算所需參數(shù)，確定最終使用模型并完成與實際車道線的匹配。

　　一般來講，基于模型的車道線識別方法主要分為簡單的直線模型和較為復(fù)雜的模型（如二次曲線和樣條曲線），實際應(yīng)用中需要根據(jù)具體的使用場合和道路特點選擇不同的方法。例如大多數(shù)的車道偏離預(yù)警系統(tǒng)均采用簡單的直線模型來刻畫車道線；而需要靈活擬合車道線的場合下，如車道線預(yù)估與跟蹤問題，則通常使用較復(fù)雜的模型算法。

　　1.2交通標志識別技術(shù)

　　交通標志識別可提示駕駛員道路環(huán)境中的交通標志，幫助駕駛員做出正確決策，提高駕駛安全性。交通標志通常都具有較明顯的視覺特征，如顏色、形狀等，利用此類視覺特征可以檢測出不同交通標志，在交通標志檢測方法研究的相關(guān)文獻中，顏色特征和形狀特征相結(jié)合的相關(guān)檢測方法較為廣泛。但由于實際情況下，交通標志的圖像采集數(shù)據(jù)的質(zhì)量可能會受到光照、天氣變化等影響;同時，交通標志被遮擋、扭曲、磨損等，也會影響算法準確性。

　　目前交通標志識別技術(shù)的實現(xiàn)方法，大部分都是通過設(shè)定顏色分量的閾值范圍實現(xiàn)圖像分割，從復(fù)雜的背景區(qū)域中得到感興趣區(qū)域（ROI），然后在感興趣區(qū)域上進行形狀的過濾，從而檢測出交通標志的所在區(qū)域。常見的算法有直接彩色閾值分割算法，直接在RGB顏色空間對圖像所有像素進行分割，通過角點檢測確定目標區(qū)域是否有交通標志，該算法對光照影響和遮擋問題的解決效果不佳，因此許多學(xué)者都對該算法進行了改進，常用的是將RGB圖像轉(zhuǎn)化到HSV、HIS等更符合人類對顏色的視覺理解的顏色模型下再進行圖像分割和提取，有效地克服了交通標志的光照影響和遮擋難題。

　　交通標志識別技術(shù)最具代表性的應(yīng)用是在智能交通系統(tǒng)（ITS）之中。2010年，美國馬薩諸塞州大學(xué)研制的TSR系統(tǒng)，該識別系統(tǒng)采用顏色閾值分割算法和主成分分析方法進行目標檢測與識別，系統(tǒng)的識別準確率高達99.2%，針對輕微目標遮擋以及能見度較低的天氣情況，該算法都能取得不錯效果，具有一定的魯棒性和適用性，處理速度為每幀2.5s，系統(tǒng)的主要不足就是難以滿足實時性要求。

　　2011年德國舉辦了交通標志識別大賽（IJCNN2011），促進了交通標志檢測和識別研究的快速發(fā)展。2011年，Ciresan等人在IJCNN大賽上對GTSRB數(shù)據(jù)庫采用深度卷積神經(jīng)網(wǎng)絡(luò)的識別方法，獲得了比人類平均識別率更高的結(jié)果。

　　2012年，Greenhalghd等人在歸一化的RGB空間中選取Ｒ和B通道的最大值以及結(jié)合RGB圖像提取MSEＲ區(qū)域并利用SVM進行交通標志判斷，該方法有較好的實時性。2013年KimJ.B.認為顏色形狀容易受周圍環(huán)境影響，增加了視覺顯著性模型進行交通標志檢測并具有較高的實時性。

　　1.3車輛識別技術(shù)

　　在車輛識別技術(shù)方面，目前許多專家學(xué)者都在研究多傳感器融合技術(shù)。這是由于單一的傳感器在復(fù)雜的交通環(huán)境下檢測車輛的難度加大，且不同車輛具有各自不同的外形、大小和顏色，在物體之間的遮擋、雜亂且動態(tài)變化的背景下，多傳感器融合可以達到作用互補的效果，是車輛識別技術(shù)的發(fā)展趨勢。

　　雷達在檢測車輛前方障礙物的位置、速度、深度等信息方面具有明顯優(yōu)勢，種類主要包括激光雷達、毫米雷達、微波雷達，其中激光雷達又可分為單線、四線及多線。基于車載攝像頭的視覺信息，可以對外部環(huán)境進行立體視覺或單目視覺的檢測。立體視覺檢測的目的在于獲取障礙物的深度信息，但在實際應(yīng)用中，較大的計算量難以保證高速行駛中的實時性，且由于車輛顛簸等影響，雙目或多目攝像頭的標定參數(shù)往往會有較大偏差，產(chǎn)生較多的誤檢及漏檢情況。單目視覺在實時性方面擁有較大優(yōu)勢，是目前最常用的檢測方法，主要包括：基于先驗知識的檢測方法、基于運動的檢測方法、基于統(tǒng)計學(xué)習(xí)的檢測方法。

　　·基于先驗知識的檢測方法：提取車輛的某些特征作為先驗知識，原理與車道檢測技術(shù)中基于特征的檢測算法類似，經(jīng)常作為先驗知識的車輛特征包括：車輛的對稱性、顏色、陰影、邊緣特征、紋理特征等信息。該方法在圖像空間中進行搜索，找到與先驗知識模型匹配的區(qū)域，即可能存在車輛的區(qū)域（ROI）。對于確定出的ROI區(qū)域通常還會采用機器學(xué)習(xí)的方法進一步確認。

　　·基于運動的檢測方法：由于在不同的實際環(huán)境中物體運動時產(chǎn)生的圖像信息不同，基于此特點，通常需要對多幅差異較大的圖像進行處理，積累足夠的信息后對運動物體進行識別，實現(xiàn)對障礙物的檢測。但此方法由于計算量大的局限，實際應(yīng)用中實時性欠佳。基于運動的檢測方法中，主要是光流法，該方法是機器視覺和模式識別中檢測運動物體常用的方法之一，它利用了同一平面內(nèi)運動物體的圖像像素序列灰度分布的變化，建立坐標系檢測并獲取障礙物位置。

　　·基于統(tǒng)計學(xué)習(xí)的檢測方法：首先需要采集足夠多的前方車輛樣本，樣本需涵蓋不同的環(huán)境、天氣、遠近等情況。在訓(xùn)練樣本數(shù)據(jù)的過程中，一般采用神經(jīng)網(wǎng)絡(luò)、Haar小波等方法。訓(xùn)練完成后，便可應(yīng)用于要實現(xiàn)的具體功能上。

　　1.4行人檢測技術(shù)

　　行人檢測技術(shù)與現(xiàn)行的智能駕駛輔助技術(shù)相比具有一定的特殊性，主要體現(xiàn)在行人兼具剛性和柔性物體的特性，對行人的檢測易受到行人自身行為、穿著、姿態(tài)等因素的影響。行人檢測技術(shù)，即從傳感器采集到的圖像中提取行人位置，對行人運動行為進行判斷的方法，通過提取視頻中運動目標區(qū)域的信息，使用背景減除法、光流法、幀差法等，結(jié)合人體形態(tài)、膚色等特征判斷。在獲取的靜態(tài)圖片中，使用的方法主要有模板匹配方法，基于形狀檢測方法，基于機器學(xué)習(xí)的檢測方法。由于前兩種方法存在明顯缺點，近年來實際應(yīng)用較少，本文著重介紹基于機器學(xué)習(xí)的檢測方法的發(fā)展現(xiàn)狀。

　　基于機器學(xué)習(xí)的行人檢測方法的性能提升主要依賴行人特征描述以及分類器的訓(xùn)練。特征描述的復(fù)雜程度又影響了檢測方法的實時性，HOG是目前廣泛使用的行人特征描述方法，另外Haar、LBP及其改進方法也是行人特征描述的常用方法。機器學(xué)習(xí)的分類器涉及到行人檢測的檢測率，神經(jīng)網(wǎng)絡(luò)、支持向量機和Boosting方法是常見的機器學(xué)習(xí)分類器。

　　許多行人檢測技術(shù)的算法都是以上述方法及其改進方法的基礎(chǔ)上進行研究，從而在不同方面優(yōu)化了行人檢測技術(shù)。以HOG與線性向量機（SVM）結(jié)合為例，HOG刻畫了圖像的局部梯度幅值和方向特征，基于梯度特征、對塊的特征向量進行歸一化處理、允許塊之間相互重疊，因此對光照變化和小量的偏移并不敏感，能有效地刻畫出人體的邊緣特征。HOG特征和SVM在場景簡單的MIT行人數(shù)據(jù)庫測試中，該組合檢測率近乎100%。

　　1.5駕駛員狀態(tài)檢測技術(shù)

　　早期駕駛員狀態(tài)檢測的方法主要是基于車輛運行狀態(tài)的檢測方法，包括車道偏離報警、轉(zhuǎn)向盤檢測等，此類方法對駕駛員本身特征敏感度不高，容易因環(huán)境因素誤判，因此在近年來的研究中很少單一使用。本文將分別介紹基于駕駛員面部特征的檢測技術(shù)，以及該技術(shù)與多傳感器融合的駕駛員狀態(tài)檢測技術(shù)。

　　目前在基于駕駛員面部特征的檢測技術(shù)中比較常用的是駕駛員的頭部特征，駕駛員頭部的可視化特征可集中反映駕駛員的精神狀態(tài)，比如眼睛的眨動狀態(tài)和頻率、嘴部運動特征、頭部姿勢等，這些特征都可通過攝像頭采集，不會對駕駛員正常駕駛產(chǎn)生影響，這種非接觸式的方法也逐漸成為此類技術(shù)的主流方法。

　　FaceLAB是基于眼部特征的駕駛員狀態(tài)檢測技術(shù)的代表，該技術(shù)通過檢測駕駛員頭部姿態(tài)、眼瞼運動、凝視方向、瞳孔直徑等特征參量，進行多特征信息融合，實現(xiàn)對駕駛員疲勞狀態(tài)的實時檢測，系統(tǒng)采用眼睛睜閉和注視方向檢測方法，解決了在暗光照、頭部運動和駕駛員佩戴眼鏡條件下的視線跟蹤問題。2008年，最新版的FaeeLAB0v4系統(tǒng)采用領(lǐng)先的紅外光主動照明技術(shù)，進一步增強了視線檢測的準確度和精度，且能獨立地跟蹤每一只眼睛。

　　基于駕駛員面部特征與多傳感器融合的檢測技術(shù)，其主要代表是歐盟名為“AWAKE”的項目研究，該項目利用圖像、壓力等多種傳感器，通過對駕駛員眼瞼運動、視線方向、轉(zhuǎn)向盤握緊力等駕駛狀態(tài)，及車道跟蹤、周邊車距檢測、油門加速度計和制動器的使用等的分析，將駕駛員的疲勞程度劃分為清醒、可能疲勞和疲勞3種狀態(tài)，對駕駛員狀態(tài)進行較為全面的檢測和綜合評價。

　　該項目的駕駛員報警系統(tǒng)，由聲音、視覺、觸覺報警器組成，當檢測到疲勞發(fā)生時，可根據(jù)疲勞程度的不同，通過強弱不同的聲光刺激和安全帶抖動來提高駕駛員的警覺性。在此研究基礎(chǔ)上，日產(chǎn)公司研制出一種報警系統(tǒng)，當該系統(tǒng)判斷駕駛員處于疲勞駕駛狀態(tài)時，電子報警器就會鳴響，并向駕駛室噴放一種含有薄荷和檸檬等醒腦物質(zhì)的香氣，及時消除司機睡意，如果駕駛員疲勞狀態(tài)得不到改善，該系統(tǒng)會使用聲光報警，并且自動停車。

　　2.結(jié)語

　　汽車技術(shù)的發(fā)展進入了智能化時代，機器視覺在眾多汽車駕駛輔助技術(shù)中均有應(yīng)用，機器視覺領(lǐng)域的技術(shù)進步無疑將推動汽車駕駛輔助技術(shù)的發(fā)展。因此圖像采集質(zhì)量的提升、圖像處理算法的優(yōu)化，如何更快速地實現(xiàn)圖像智能生成、處理、識別并給出決策建議，都是機器視覺領(lǐng)域需要解決的重要問題。

　　未來，隨著各類傳感器的技術(shù)革新、圖像處理算法復(fù)雜度的降低，機器視覺技術(shù)將更好地滿足行車過程中實時性、準確性的要求。