卷积神经网络（CNN）在汽车无人驾驶中的应用与分析

陈友宣

摘  要：汽车无人驾驶技术在实际应用过程中会通过高精度的感应器监测交通环境，应用科学算法准确规划合理的行车路径，其中卷积神经网络在无人汽车驾驶技术应用当中有明显的研究价值。文章对卷积神经网络在汽车无人驾驶中的应用进行研究，综合概述卷积神经网络的发展情况，研究分析无人驾驶双目3D感知模型，无人驾驶物体检测模型，并综合说明3D感知与物体检测之间的关系，以期对卷积神经网络能够在汽车无人驾驶中得到有效应用。

关键词：卷积神经网络;汽车无人驾驶;3D感知模型;检测模型

中图分类号：U463 文献标志码：A 文章编号：2095-2945（2019）05-0013-02

引言

2010年以来，汽车无人驾驶技术得到了飞速发展，在汽车无人驾驶中重点研究项目就是对驾驶中交通环境的检测，其中包含道路识别，汽车运行检测，行人检测识别，以及对交通信号的检测，整个研究项目的内容比较多，并且难度比较高。作为重要的视觉领域感知技术，卷积神经网络在汽车无人驾驶中发挥着重要作用，文章着重研究卷积神经网络在无人驾驶中的3D感知与物体检测。

1 卷积神经网络概述

卷积神经网络（Convolutional Neural Network，CNN）是人工神经网络中的一个分支研究，组成卷积神经网络的结构网络模型比较多，因此也被称之为深度卷积神经网络。在实际应用中卷积神经网络能够实现信号的不间断输入，能对不同环境中的声音，图像以及视频信息进行高速传输。卷积神经网络是基于多层感知器上的改进与发展，通过有效的空间处理技术，能够降低学习参数的实际数量进而提升其算法的实际性能。与传统人工神经网络向比较，卷积神经网络能够实现局部的连接和系统的权值共享。

在卷积神经网络中，通过底层信息感知能够实现对区域进行深度感知，实现对信息数据特征的有效获取。其中的神经元可以通过局部感知迅速捕获到视觉影像以及图像信息的主要特征情况，这也使得其具有明显的强鲁棒性，这种特性的存在让卷积神经网络具备了比较强大的诗句表象能力。

2 无人驾驶双目3D感知模型

在汽车无人驾驶中需要对驾驶环境进行信息收集完成3D建模，这是保证无人驾驶技术得以应用的关键性技术。3D建模需要应用激光雷达技术，实现高精度的3D云点分布，摄像头能够感知到3D云点的存在，能够达到人眼的3D感受效果，以此实现3D建模工作。在模型建立中，将摄像头之间的距离确定为B，选取建模空间中的一点确定为P，P到两个摄像头影像的位移距离为d。使用的摄像头的焦距为f，以此可以计算得出P到摄像头的距离为：

双目摄像头中的单个像素值并不稳定，因此需要使用附近像素以及应用平滑性假设，建设中α以及β的数值都比较小，确定假设为d（x，y）≈d（x+α，y+β），因此就可以对前面设定的d进行最小化求解分析。

在研究中假设使用的算法与研究图像对其中使用的光流算法比较相似，问题差异性较小，在此只是将（Il，Ir）变成了（It，It+1）。根据无人驾驶双目感知3D建模需要，下面一种基于匹配价格的卷积神经网络算法，也就是Matching-Cost CNN，也称为MC-CNN。有关MC-CNN算法的结构如图1所示。

在此算法结构中，网络的信息收集是两个不同影响中的一部分，实际输出是关于这两个影响的不匹配概率，整个计算分析过程就是一个cost函数，在函数中，如果两个影像能够有效匹配，那么函数的数值为0，如果无法实现匹配函数的数值为1。在信息输入中可以根据影像信息图片确定位置对偏移位置d进行确实，分析d的取值范围大小，并分析得出最终的CNN最小值，在求得最小值后也就完成了对影像的偏移距离的估算。在此过程完成后需要使用MC-CNN算法进行以下处理工作：第一，应用MC-CNN算法中的Cross-based cost aggregation。MC-CNN算法中的成本聚合是对双目摄像头收集到的影像进行像素点的偏移值计算，并求得最终的平均值，通过此项工作能够提高计算值的精度，提高数据的准确性。第二，应用MC-CNN算法中的Semi-global matching。MC-CNN算法中的半全局匹配算法，这种算法比较常用于双目中对disparity 的计算，也就是对d的计算。通过此算法能够实现对影像中临近点的平移相似程度，加入平滑约束对偏移最优值进行确定。

进行插值与图片边界修正，以此提高算法计算的精度，做好空白补充工作。

3 汽车无人驾驶物体检测模型

无人驾驶物体检测技术是驾驶感知中不可或缺的重要组成部分。相关物体检测技术的算法的学术研究比较多，以下选择具有较强代表性的Faster R-CNN算法进行分析说明：CNN算法将汽车无人驾驶的物体进行了有机分类：一类为物体可能所在区域的选择，在系统结构中输入影像图片时，无法对物体的位置大小进行准确定位，为了提高分辨物体位置大小的效率需要对区域内的所有物体进行收集信息，以此进行逐步确定，其中召回率是比较关键的一个指标。另一类是对候选区域的识别判定，在图片信息确定区域内，需要对物体的大小比例进行确定。此项工作中关键指标是精度确定。

RPN是Faster R-CNN算法的一个最新发展形势，这种算法结构可以有效的选择确定一个候选单位。在RPN中需要应用卷积神经网络，对网络中的卷积层进行逐层提取，在卷积层中输出信息影响的结构特征图，并将其进行再次分配，分流到两个不同的全连接层中，分别对检测物体的类别以及检测物体的大小进行确定。通过卷积神经网络进行计算可以有效地节省运算时间。详细的RPN算法运行结构过程见图2。

4 3D感知与物体检测的關系

无人驾驶的双目感知是对汽车驾驶环境信息确定的关键技术，在3D感知模型中为了实现端到端模型的建立需要对CNN的主要特征进行提取，实现模型的有机匹配和优化处理等主要功能。3D感知中的FlowNet通过运用卷积神经网络实现了3D感知的两项构建工作，主要为收缩与扩张两个部分。

汽车无人驾驶中的物体检测需要对物体的变化情况进行及时确定，做好判别工作，在卷积神经网络中的层级结构因为与pooling存在着关于物体尺度的对应关系，作为物体检测中关于解决物体范围变化的主要算法技术。

二者都是通过神经卷积网络算法分析技术的应用为汽车无人驾驶提供专业的技术支持，是无人驾驶技术应用的核心与关键。

5 结束语

在研究汽车无人驾驶中的场景识别以及物体检测的关键技术当中，卷积神经网络体现了比较明显的算法优势，实现了3D感知与物体感知技术的快速应用与迭代。未来将在MC-CNN与RPN算法应用与技术研究中，提高物体识别能力，提高技术的精度，促进汽车无人驾驶技术的发展。

参考文献：

[1]张俊元.无人驾驶系统中的关键技术浅论[J].时代汽车，2018（11）：31-32.

[2]金凡.基于时空递归神经网络的智能车端到端决策研究[D].电子科技大学，2018.

[3]宋灵杰.基于卷积神经网络的交通标志分类与识别研究[D].湖南大学，2018.

[4]蔡诗威，郭太良，姚剑敏.一种基于卷积神经网络的性别识别方法[J].电视技术，2014（19）：188-191.

[5]端木庆玲，阮界望，马钧.无人驾驶汽车的先进技术与发展[J].农业装备与车辆工程，2014（03）：30-33.