目前國內(nèi) ADAS （高級駕駛輔助系統(tǒng)）領(lǐng)域的短板是行人實時檢測，識別率不到 70%，基本上還沒有進入可商用的階段。主要原因是技術(shù)門檻較高，算法復雜。”創(chuàng)來科技創(chuàng)始人陳茂說，這家公司從事的是以汽車前裝為主的 ADAS 業(yè)務。

　　時至今日，汽車防碰撞系統(tǒng)和實驗性質(zhì)的無人駕駛汽車依靠的是雷達等傳感器來檢測路上的行人。來自加州大學圣地亞哥分校的工程師則研發(fā)了一套基于視覺信號進行實時探測的行人檢測系統(tǒng)，這套視頻系統(tǒng)能使智能汽車更精準檢測行人，成本也更加便宜。

　　基于視覺的汽車安全系統(tǒng)在應用中仍然難以實現(xiàn)，一方面，通過計算機視覺算法能快速檢測路上的行人，但是在區(qū)分行人和類似物體等復雜情況下，依然不夠成熟。另一方面，機器學習算法（又稱深度神經(jīng)網(wǎng)絡）仿照人腦行為，研究人員能夠訓練出比之前方法更富辨別力，處理復雜的模式識別，但是在實時的行人檢測上處理的效率太慢。

　　加州大學圣地亞哥分校電氣工程教授 Nuno Vasconcelos 和他的團隊研究的新算法，可以通過每秒 2 至 4 幀的速度，檢測行人的變化，有效避免行人突然停止移動而出現(xiàn)的緊急剎車或造成意外事故。

　　這套系統(tǒng)的關(guān)鍵在于——可以識別更加復雜的路況。與其他類似的系統(tǒng)相比，該算法的系統(tǒng)出錯率只有前者的一半，而且計算能力更加突出，能在遠處對行人的移動進行預判。研究小組計劃未來讓系統(tǒng)變得更加實用：不僅應用于車輛，還能應用于機器人、安全攝像頭等設備。

　　“在此之前，沒有算法能夠在行人檢測的準確性和速度上做到優(yōu)化和平衡，我們通過新算法能得到更好的實時、準確的行人檢測結(jié)果。”Vasconcelos 說道。

　　在早期的分析中，新算法從相對簡單的算法開始，過濾掉比如天空等非行人部分的圖像，然后進行更為成熟的深度學習和神經(jīng)網(wǎng)絡分析，最后通過該算法來檢測物體的精度性和復雜性。

　　目前谷歌的無人駕駛汽車依靠的是雷達、激光雷達等傳感器來探測路上的行人。如果去掉成本高昂的設備如激光雷達（成本 7 萬美元，約合人民幣 40 萬 ），可使無人駕駛汽車成本下降，更早投入商用。

　　谷歌在去年便開始研發(fā)基于視頻的行人監(jiān)測系統(tǒng)，其采用的便是深度學習算法，能在 0.25 秒內(nèi)準確識別路上的行人。在谷歌負責計算機視覺和機器學習的研究科學家 Anelia Angelova 表示，“視覺信息相比雷達數(shù)據(jù)，可以給車描摹一個更廣闊的視域，但是整個處理過程要慢一些。”因此傳統(tǒng)深度神經(jīng)網(wǎng)絡技術(shù)在行人檢測場景的應用，一直比較緩慢。

　　行人識別的實現(xiàn)方式有很多種，當前最流行的是深度學習。國外也有基于模式識別的算法，識別率在 85% 左右，而深度學習的識別率能做到 90% 以上，這也是當前各公司追捧它的原因。對于在使用過程中存在少量的誤報或漏報等檢測失效的情況，則是因為路況比如逆光刺眼、路面積水反光、車道標線模糊等原因造成的。

　　所以汽車廠商對于汽車安全特別謹慎和保守：任何技術(shù)都有其軟肋，沒有絕對完美的技術(shù)。“自行駕駛?cè)诤狭撕芏嗷パa的技術(shù)，當一種技術(shù)失靈時會啟用另外一種技術(shù)來檢測。汽車在技術(shù)上是有冗余和備份的。這是因為一旦出現(xiàn)任何事故，車主只會找汽車廠商，而不會找供應商。”陳茂解釋道。