攝像頭是ADAS核心傳感器，相比毫米波雷達和激光雷達，最大優勢在于識別（物體是車還是人、標志牌是什么顏色）。汽車行業價格敏感，攝像頭硬件成本相對低廉，因為近幾年計算機視覺發展迅速，從攝像頭角度切入ADAS感知的創業公司數量也非?？捎^。

　　這些創業公司可以統稱為視覺方案提供商。他們掌握核心的視覺傳感器算法，向下游客戶提供車載攝像頭模組，芯片以及軟件算法在內的整套方案。前裝模式下，視覺方案提供商扮演二級供應商的角色，與Tier1配合為OEM定義產品。后裝模式里，除了提供整套設備，也存在售賣算法的模式。本文中將對視覺ADAS功能、硬件需求、評價標準等進行解析，并將參考Mobileye對國內11家供應商的產品進行詳細解讀。

　　一、視覺ADAS可實現功能

　　因為安全記錄、停車等需要，攝像頭在車上的大量應用是行車記錄儀、倒車影像等輔助功能。一般通過安裝在車身各個位置的廣角攝像頭采集影像，經過標定和算法處理，生成影像或拼接形成視圖補充駕駛員視覺盲區，不用涉及整車控制，因此更加注重視頻處理，技術已經成熟并逐漸普及。

　　目前在行車輔助功能中，攝像頭可用來單獨實現很多功能，并且按照自動駕駛發展規律逐漸演進。

　　這些功能更加強調對輸入圖像的處理，從拍攝的視頻流中提取有效目標運動信息做進一步分析，給出預警信息或直接調動控制機構。相比視頻輸出類功能，強調高速下的實時性，這部分技術正處在發展上升期。

　　二、視覺ADAS軟硬需求

　　視覺系ADAS產品由軟硬件組成，主要包括攝像頭模組、核心算法芯片以及軟件算法。硬件方面考慮行車環境（震動、高低溫等），大前提是要符合車規級要求。

　?。ㄒ唬┸囕dADAS攝像頭模組

　　車載ADAS攝像頭模組需要定制化開發。為了適應車輛全天候全天時的需要，一般要滿足在明暗反差過大的場合（進出隧道），很好平衡圖像中過亮或太暗部分（寬動態）；對光線比較靈敏（高感光），避免給芯片帶來太大壓力（并不是一昧追逐高像素）。

　　攝像頭模組是基礎。好比一張底子不錯的照片才有修飾美化的余地，保證拍攝圖像夠用的基礎上，算法才能更好地發揮效力。

　　另外在參數上，ADAS與行車記錄儀對攝像頭的需求不同。用于行車記錄儀的攝像頭需要看清車頭周圍盡可能多的環境信息（后視鏡位置看向兩個前輪，水平視角約要110度）。ADAS的攝像頭更講究為行車時預留更多判斷時間，需要看得更遠。類似相機鏡頭廣角和長焦，兩項參數不能兼得，ADAS在硬件選取時只能取其平衡。

　　（二）核心算法芯片

　　圖像相關算法對計算資源有很高的要求，因此芯片性能講究。如果在算法上疊加深度學習來幫助識別率提升，對硬件性能的要求只增不減，主要考慮的性能指標是運算速度、功耗、以及成本。

　　目前用于ADAS攝像頭的芯片多數被國外壟斷，主要供應商有瑞薩電子（Renesas Electronics）、意法半導體（ST）、飛思卡爾（Free scale）、亞德諾（ADI）、德州儀器（TI）、恩智浦（NXP）、富士通（Fujitsu）、賽靈思（Xilinx）、英偉達（NVIDIA）等，提供包括ARM、DSP、ASIC、MCU、SOC、FPGA、GPU等芯片方案 。

　　ARM、DSP、ASIC、MCU、SOC是軟件編程的嵌入式方案，FPGA因為對硬件直接編程，和嵌入式相比處理速度更快。

　　GPU和FPGA并行處理能力強。圖片這樣的文本，尤其在使用深度學習算法需要多個像素點同時計算，FPGA和GPU會更有優勢。兩類芯片的設計思路類似，都是為了處理大量簡單重復的運算。GPU的性能更強但耗能也更高，FPGA因為編程和優化都是直接在硬件層面進行的，能耗會低很多。

　　因此在平衡算法和處理速度，尤其是用于前裝并且算法穩定時，FPGA被視為一個熱門方案。FPGA是個好選擇。但同時，FPGA對技術要求也很高。原因在于計算機視覺算法是C語言，FPGA硬件語言是verilog，兩種語言不同，將算法移植到FPGA的人既要有軟件背景，又要有硬件背景。在人才最貴的今天，是筆不小的成本。

　　現階段可用于傳統計算機視覺算法的車規級芯片有多種選擇，但是適用于傳統算法疊加深度學習算法的低功耗高性能芯片，還沒有真正出現。

　?。ㄈ┧惴?/p>

　　ADAS視覺算法的源頭是計算機視覺。

　　傳統的計算機視覺識別物體大致可以分為圖像輸入、預處理、特征提取、特征分類、匹配、完成識別幾個步驟。

　　有兩處尤其依賴專業經驗：第一是特征提取。在識別障礙時可用特征很多，特征設計尤其關鍵。判斷前方障礙物是不是車，參考特征可能是車尾燈，也可能車輛底盤投在地面的陰影等。第二是預處理和后處理，預處理包括對輸入圖像噪聲的平滑、對比度的增強和邊緣檢測等。后處理是指對分類識別結果候選進行再處理。

　　科研中的計算機視覺算法模型運用到實際環境中，不一定就能表現得很好。因為科研得出的算法會增加諸如天氣、道路復雜情況在內的條件限制，現實世界里除了關注復雜環境的算法表現，還要考慮各種環境下算法的魯棒性（是否穩定）。

　　算法上比較重要的一個變化是深度學習的滲透。

　　深度學習讓計算機模擬人類思考的神經網絡，可以自己學習判斷。通過直接向計算機輸入標定后的原始數據，比如挑選一堆異形車圖片，然后丟給計算機讓它自己學習什么是一輛車。這樣就可以免去計算視覺特征提取、預處理等步驟，感知過程可以簡化為輸入圖片-輸出結果兩步。

　　業內比較一致的觀點認為，在感知方面，深度學習將會彎道超車傳統視覺算法。目前深度學習的算法模型已經開源，而且算法種類不多，因此有降低門檻大量優秀結果涌現的可能。但是受限于沒有合適的車端平臺，離產品化還有一段距離。

　　業內對深度學習在ADAS應用的看法都比較客觀冷靜。不少觀點認為深度學習算法是一個黑箱（Blackbox）算法，類似人感性決策的過程，可以很快輸出一個結果，很難在發生事故后反查原因，因此在使用深度學習時要加入理性決策部分，并且分區塊設計。

　　也有觀點認為傳統計算機視覺算法比我們想象的“智能”，在不斷尋找車輛圖片共性和差異的過程中，也能檢測出一些異形車輛。并且在疊加深度學習算法后，傳統計算機視覺算法也可以幫助減少深度學習神經網絡的層數，簡化算法。

　　可以肯定的是，無論哪種算法，數據都是用來訓練測試的寶貴資源，而且不是單純的越多越好，而是越有效越好（符合實際用車環境并保證多樣化）。