影像算法瓶颈突破 汽车ADAS再进化

根据交通部的长期统计与特性分析报告指出，全国主要交通事故原因中，以「未保持行车安全距离」为最多。以2014年上半年国道高速公路为例，A1类(造成人员当场或24小时内死亡)的交通事故总计三十件，而未保持安全距离(车前状态)占最大宗，总共有十件，并造成十一人死亡、十三人重伤。其次为变换车道不当，总计为六件，并造成八人死亡、八人重伤。然事实上，交通部在2012年国道事故检讨报告指出，在这些造成不幸的交通事故当中，有高达79.1%的意外是有机会事先预防的。

有鉴于此，各大车厂与驾驶人纷纷在车辆上安装各种驾驶辅助系统，以降低肇事率(图1)。在各种系统中，以影像为基础的辅助驾驶系统市占率最高;其主要原因为成本低廉，且可与行车记录器结合使用，并能将侦测的结果以视觉影音的方式呈现给驾驶人，虽然其侦测距离不及红外线与雷达，但仍广受欢迎。

图1各种不同形式之ADAS传感器

开发成本低廉影像式ADAS受青睐

为有效降低因驾驶者不专心所导致的事故发生，车道偏移警示系统(Lane Departure Warning System, LDWS)与前方碰撞警示系统(Forward Collision Warning System, FCWS)为世界各国重视，是业界争相投入开发的两大首要先进驾驶辅助系统(Advanced Driver Assistance System, ADAS)功能。 .LDWS

LDWS主要功能运作是透过摄影机拍摄车辆前方的场景，然后经图像处理与计算，产生车道侦测的结果;一旦车辆在没有打方向灯的情形下开始偏移车道时，系统则会自动发出各种警示讯号，提醒驾驶者立即做出反应以避免意外发生。

.FCWS

FCWS的主要功能亦是透过摄影机拍摄车辆前方的场景，经过图像处理算法的计算后，将前方的车辆侦测出来，并且推估两车之间的距离;当两车未保持适当的行车距离时，系统亦自动对驾驶人发出警告，甚至近年来已有车厂开始评估是否由行车计算机系统接管煞车功能。

上述两种ADAS的主要功能，其共同点就是拍摄车辆前方的场景信息。一般而言，FCWS与LDWS都会使用同一个摄影机所取得的影像信息，且该摄影机亦可将影像信息储存起来，做为行车记录器之用。因此，FCWS与LDWS除了现有汽车制造商进行开发研究之外，制作行车记录器的厂商亦积极投入研发。

PC-based为早期惯用平台

数字图像处理平台主要可分为两大类，分别为软件导向的PC-based与硬件导向的独立型(Stand Alone)平台;这两类各有其优缺点。早期，由于独立型的系统运算资源非常局限，中央处理器(CPU)指令周期较慢、内存空间不足、可支持的接口设备亦短缺，加上缺乏有效的影像程序开发接口，导致图像处理算法的开发人员习惯采用PC-based做为硬件平台。现在，由于超大规模集成电路(VLSI)与系统单芯片(SoC)的进步，数字系统的芯片有大幅进步同时缩小化的进展，使得目前嵌入式系统可以在低价位的情形下，提供高速CPU、海量存储器、更多的周边控制，甚至可以有多核心的处理器(Processor)。

独立型平台符合轻薄短小设计需求 如此进步下，嵌入式系统已经开始朝多媒体迈进，增加影像与视讯等二维(2D)/三维(3D)讯号的运算，以扩大应用范围;再加上随着智能化与云端化的趋势，多媒体应用与安全监控平台，已渐由PC-based走向独立型嵌入式系统，以便满足车载应用对省电与轻薄短小的需求。 有鉴于此，工研院便以独立型嵌入式系统方式来进行ADAS的开发与验证。 首先，算法开发人员为取得影像来开发算法，在开发初期必须自行驾驶配有行车记录器的车辆，于道路上拍摄各种不同场景、天候等行车影片，过程中还必须兼顾「正确率」与「效能」，因为对任何算法而言，良好的正确率只是最基本的条件。 攸关警告提示速度ADAS算法验证至为重要

ADAS对于算法的效能必然斤斤计较，因为当危险状况发生时，系统必须实时(Real-time)发出警告。以FCWS为例，当某车辆于国道高速公路以时速100公里行驶时，亦即其每秒前进27.7公尺;系统若延迟0.1秒发出警告，则车辆将继续前进2.77公尺;因此设计人员习惯以讯框速(Frame Per Second, FPS)来验证ADAS中的算法之效能，当FPS值越大时，代表该算法的效能越佳。

当然，算法的效能必定与嵌入式平台的处理器速度、资源相关，所以在开发初期就必须考虑算法的计算量是符合何种嵌入式平台，否则将出现算法无适当平台可用的困境。

结合快速影像分割结果车道线侦测算法效能稳健

LDWS为ADAS中较早被开发的功能，车道偏移警示系统的研发，主要包含「车道线侦测」以及「车道偏移侦测」两个项目。虽然这个研究已经有十几年的历史，同时也有许多知名学者投入此领域的研究，但是其研究成果还有许多须要改进之处;如在车道线侦测方面，因为无法预测车道线与道路的颜色差距(梯度 (Gradient))程度。因此，算法中默认的参数便无法侦测出所有类型的车道线。此外，为强化车道线的特性，往往须要重迭多张连续的画面，以加长车道线的长度。

最后，由于使用的直线侦测算法，无法提供直线是否属于车道线或是非车道线等信息，因此传统的车道偏移系统，需要一个手动设定的画面，标示出可能的车道线区域，藉此过滤掉非车道路线。

在车道偏移侦测方面，须要分析连续画面的变化，才能判断车子是否偏移，如此一来，系统便无法实时通知驾驶有关车道偏移的信息。有鉴于此，工研院已经自行开发出一种快速且强健的车道偏移警示系统;藉由结合「快速影像分割」的结果，所开发的车道线侦测算法，可以侦测出各种类型的车道线，不须要分析连续画面的变化，可以仅由一张画面，便判断出车辆是否偏移。

该算法的执行流程(图2)主要有五个步骤。

图2LDWS算法流程图

.影像分割(Image Segmentation)

首先，对原始影像进行「区域化」的步骤，将影像分成若干区域。

.车道线区域侦测(Road Line Region Detection)

然后结合「影像分割后的结果」以及「梯度分析」，以完成车道线区域侦测。

.车道线候选区域(Road Candidate Determination)

使用区域标记(Connected Component Labeling)的方式，标记每个连通区域(Connected Component)，进而分析各区域的特性，去除「非车道线区域」，以完成工作。

.车道线判定(Road Line Determination)

接着进行车道线判定步骤。

.车道偏移警示(Lane Departure Warning)

最后，藉由判断左右车道线的角度，以完成警示的功能。

该算法的执行结果可参考图4。