「目前國內 ADAS （高級駕駛輔助系統(tǒng)）領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。主要原因是技術門檻較高，算法復雜?！箘?chuàng)來科技創(chuàng)始人陳茂告訴雷鋒網(wǎng)，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、準確的行人檢測結果?！筕asconcelos 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?！挂虼藗鹘y(tǒng)深度神經(jīng)網(wǎng)絡技術在行人檢測場景的應用，一直比較緩慢。

陳茂告訴雷鋒網(wǎng)，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：任何技術都有其軟肋，沒有絕對完美的技術?！缸孕旭{駛融合了很多互補的技術，當一種技術失靈時會啟用另外一種技術來檢測。汽車在技術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。

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權禁止轉載。詳情見轉載須知。