计算机视觉

四个感知世界的核心任务

1. 检测：找出物体在环境中的位置
2. 分类：明确对象是什么
3. 跟踪：随时间推移观察移动物体
4. 语义分割：将图像中的每个像素与语义类别进行匹配

分类器的运行步骤

1. 接收输入（一系列）图像
2. 预处理：对图像进行标准化处理（调整图像大小、旋转图像、转换色彩空间）
3. 提取特征
4. 将特征输入到分类模型

摄像头图像

最常见计算机视觉数据
计算机如何判断图像：

• 数字图像图像转化为图像矩阵，每个矩阵中包含该网格的像素值
• 可以通过改变矩阵中的像素值来改变图像亮度（添加一个标量整数）、向右移动每个像素值等操作
• 数字网格是图像处理技术的基础
• 二维灰度像素值图像：包含宽度和高度
• 彩色图像：三位立方体，包含高度、宽度、深度；深度为颜色通道数量，大多为3（红绿蓝RGB）；深度可以被认为是三重叠加的二维色层

LiDAR图像

激光雷达传感器（发射光脉冲）创建环境的点云表征，提供了物体的距离和亮度信息。
主要借助光线（激光）测量光束来回的时间以测量距离。
通过对点的聚类和分析，提供足够的对象检测、跟踪、分类信息。

机器学习

模型：存储计算机从数据中学习得到的结果的数据结构，用于理解和预测世界

真值Ground-truth：
Ground-truth在机器学习中表示有监督学习的训练集的分类准确性，用于证明或者推翻某个假设。有监督的机器学习会对训练数据打标记，将那些正确打标记的数据成为Ground truth。Ground truth就是参考标准，一般用来做误差量化，最终用于验证分类算法的准确性。真值标定的输入一般是视频文件。真值标定既可以手动一帧一帧地标定，也可以半自动化标定后再手工修正，最终可以将结果保存成真值数据库。

机器学习的四种形式（使用数据和相关真值标记进行模型训练）：

• 监督学习：给图像打标签之后让计算机学习如何区分
• 无监督学习：不给图像打标签，计算机根据图片的相似性自行学习区分
• 半监督学习：用少量标记数据和大量未标记数据进行模型训练
• 强化学习：模型通过不同的方法解决问题，通过衡量（如正确则给予奖励机制）哪种方法最为成功就选择哪种方法。即计算机从经验中总结学习

神经（元）网络

人工神经（元）网络：由大量人工神经元组成，神经元负责传递和处理信息。
训练神经元：将大量的图片送入神经网络中，进行对特征的提取识别分类训练（各个特征分配合理权重值给单个神经元），大量神经元整合成最终输出，最终计算机就能识别图像并且分类。

反向传播算法

训练的三步循环（一个训练周期）

1. 前馈：随机分配初始权重（人工神经元的值），神经网络馈送每个图像产生输出值
2. 误差测定：真值标记与前馈过程输出之间的偏差
3. 反向传播：神经网络反向发送误差，单个神经元对自身的值进行微调，以达到误差最小化
   
   训练网络需要进行上千次训练周期的循环

卷积神经网络CNN

标准神经网络的缺陷：二维图像被展开成一维像素阵列（每一行都被拆下来连接成一列），破坏了图像的空间信息。

卷积神经网络：CNN通过过滤器连续滑过图像搜集信息，保持其空间信息不被破坏，只对图片的一小部分进行检测。每一层卷积层都包含上一层的信息。

检测与分类

• 检测定位障碍物（包括位置和速度、加速度）
• 对检测到的障碍物进行分类

检测与分类使用的算法：

• 检测CNN查找图像中对象的位置，定位后将图像发给另一个CNN进行分类
• 使用有若干个不同“头”缀连在末端的单一CNN体系结构，每个“头”有不同的任务
• R-CNN、Fast R-CNN、Faster R-CNN、YOLO、SSD

跟踪

什么是追踪：对每个帧中的对象进行检测并用边界框对每个对象进行标记。

为什么要进行跨帧追踪：

1. 当对象被遮挡时，检测算法可能会失败，追踪可以解决这一问题
2. 追踪可以保留身份。检测输出包含对象的边界框标记，使下一帧对象能在当前帧中找到对应的对象。

追踪步骤：

1.确认身份：将前帧中检测到的所有对象与当前帧检测到的对象进行匹配，查找特征相似度最高的对象。计算机通过计算机视觉算法（局部二值模式、方向梯度直方图）计算复杂的图像特征。
2.快速找到匹配对象的位置：连续视频帧中，两个障碍物之间的位置和速度通常没有很大的变化，所以能较快地找到匹配对象的位置。
3.结合预测算法，估计下一个时间步对象的速度和位置，帮助识别下一帧的对象。

分割

语义分割：对图像的每个像素进行分类
FCN（全卷积网络）与传统CNN的区别：传统CNN末端是平坦层，FCN末端还是卷积层
FCN提供可以在原始输入图像之上叠加的逐像素输出（？），但造成输出图像尺寸远小于输入图像，所以要进行上采样处理。

编码器：对输入对象的特征进行提取和编码
解码器：对特征进行解码，原尺寸输出

Apollo感知

• 检测三维对象：1.在高精度地图上使用感兴趣区域ROI重点关注相关对象，ROI过滤器扫描点云和图像数据缩小搜索范围，加快感知。2.检测网络馈送已过滤的点云，输出用于构建围绕对象的三维边界框。3.跟踪算法跨时间步识别单个对象，保留在每个时间步要跟踪的对象列表，然后在下一个时间步中找到每一个对象的最佳匹配。
• 检测交通信号灯：1.高精度地图确认前方是否有交通信号灯。2.如果有，高精度地图返回位置缩小摄像头搜索范围，搜索到图像后检测网络进行定位，并将图像分给分类网络确定信号灯颜色。3.若有多个信号灯，则需判断哪些灯与当前车道有关。

YOLO网络：
Apollo使用YOLO网络来检测车道线和动态物体。（待补充）

传感器数据比较

|

感知融合策略

Apollo使用激光雷达和雷达来检测障碍物。
传感器融合提高感知性能。
卡尔曼滤波用于融合输出。

卡尔曼滤波的两个步骤（循环往复）：

1. 预测
2. 更新测量结果

测量结果更新的两个步骤：

• 同步融合：同时更新来自不同传感器的测量结果。
• 异步融合：逐步更新传感器所收到的传感器测量结果。