自动驾驶概论(无人驾驶)全套教学课件.pptx

自动驾驶概论(无人驾驶)全套教学课件.pptx

《自动驾驶概论(无人驾驶)全套教学课件.pptx》由会员分享，可在线阅读，更多相关《自动驾驶概论(无人驾驶)全套教学课件.pptx（523页珍藏版）》请在冰豆网上搜索。

第1章绪论,1.1自动驾驶技术的产生,1.早期对自动驾驶技术的探索,图1-1第一辆自动驾驶车辆“AmericanWonder”20世纪20年代，美国公司HoudinaRadioControl,1939年，美国通用车辆公司在纽约世博会上展示了叫做“Futurama”的交通模型。

当车辆驶入高速公路后，就进入自动驾驶模式，根据“定制车道”来行驶。

图1-2未来交通模型,通用车辆公司还在这期间推出了Firebirds系列自动驾驶车辆，车上载有“电子导航系统”，它通过电子脉冲与地下的电缆之间进行通讯，从而实现了对车辆的自动控制。

图1-3通用公司的FirebirdIII自动驾驶车辆,1960年代，美国俄亥俄州立大学通信与控制实验室开始对无人驾驶项目的研究，同样是提出利用内嵌在道路上的电子设备进行控制和引导。

该项目的负责人Cosgriff博士预测他们的自动驾驶系统可以在80年代初得到完善并投入使用。

在6070年代，很多企业公司、科研机构都对这项技术投入了研究。

英国TRL实验室研发的自动驾驶车辆“雪铁龙DS”，在任何天气条件下以80英里每小时的速度进行测试时，它的速度和方向都不会偏离，这远比人类驾驶更加有效和安全；Bendix公司还通过道路两侧的通讯器来传递计算机的控制指令。

2.现代自动驾驶技术的产生,现代自动驾驶技术产生于7080年代。

这一时期，德国的慕尼黑联邦国防大学研发了一辆由视觉引导驾驶的奔驰车辆，它以39英里每小时的速度在没有交通的道路上完成了测试。

同时，美国国防高级研究计划局开始ALV计划，与美国多所大学和科研机构共同研究，集成了激光雷达、计算机视觉和自动机器人技术，研发出了时速19英里的自动驾驶车辆，首次在车上搭载了便携计算机,最具代表性的是在80年代末，由美国卡内基梅隆大学研制的Navlab系统，搭载于一辆雪佛兰厢式货车上。

他们率先采用了神经网络算法来控制和引导车辆，在车上安装了若干摄像头、激光测距仪、激光雷达、陀螺仪等设施，具备惯性导航系统和卫星定位系统，车厢内部是计算机房，整个计算系统由Wrap超级计算机和Sun3/Sun4工作站组成，还采用了Intel80386实时处理器来处理传感器信息和发出控制指令。

受到当时计算机软硬件条件的限制，时速大约只有20英里，但是它为现代自动驾驶技术奠定了基础。

1.2自动驾驶车辆研究状况,1.2.1国外自动驾驶车辆研究状况美国美国国防部高级研究计划局（DARRA）从2004到2007年共举办了3届DARPA无人驾驶挑战赛，吸引了包括卡内基梅隆大学、斯坦福大学、弗吉尼亚州大学在内多个研究团队参赛，引起了广泛的关注。

2011年，美国内达华州立法委员会通过了第一部允许测试无人驾驶车辆的法案2015年7月美国密歇根大学M-City正式开放2016年11月，美国交通部公布“自动驾驶试验场试点计划”,英国,从2015年开始，英国政府开始陆续出台自动驾驶的相关政策，尽力为智能车辆的发展提供宽松的环境。

2015年2月，英国政府发布了无人驾驶车辆上路测试的官方许可。

2016年1月，英国交通部宣布，准许自动驾驶车辆在伦敦街头上路测试2017年8月6日，制定了一套新的网络安全原则，全称为联网和自动驾驶车辆网络安全关键原则。

2018年2月，英国政府宣布，投资2240万英镑（约合3130万美元）在22个新互联和自动驾驶车辆（CAV）研发项目上。

日本,日本政府及车辆制造商在自动驾驶技术方面一直保持谨慎态度。

日本政府在日本再兴战略2016中提出，要在2020年东京奥运会,之前实现无人自动驾驶交通服务。

2016年2月12日，日本产业省制造产业局车辆课正式公布“无人驾驶评价据点整备项目”2017年5月，德国议会两院通过了一项由运输部提出的法案，修改现行的道路交通法规，允许高度或全自动驾驶系统代替人类自主驾驶，给予其和驾驶人同等的法律地位。

美国卡内基梅隆大学,从1987年左右开始研究自动驾驶技术，其研制的NavLab系列代表了世界自动驾驶的发展方向。

NavLab-1系列于1986年基于雪佛兰的一款厢式货车改装而成，装有Sun3、GPS、Warp等计算机硬件NavLab-5系统是1995年建成的，CMU与Assist-Ware技术公司合作开发研制的便携性高级导航支撑平台PANS为系统提供计算基础和I/O功能，并能控制转向执行机构，同时进行安全报警,意大利帕尔玛大学VisLab实验室,一直致力于ARGO项目研究。

于1998年沿着意大利的高速公路网进行了2000公里的长距离道路试验。

在2010年，ARGO试验车装载了5个激光雷达、7个摄像机、GPS全球定位系统、惯性测量设备以及3台Linux电脑和线控驾驶系统。

2013年，意大利帕尔马大学的自主车BRAiVE，在帕尔马城区自主行驶，顺利通过单向双车道等狭窄的城郊道路，其间涉及行人横穿马路、交通灯、人工凸起路面、行人区、急转弯等，同时实现全程无人工干预。

2011年，英国牛津大学研制出的自动驾驶车辆Wildcat使用激光雷达和相机监控路面状况、交通状况、以及行人和其他障碍物，在崎岖山路上能够实现自主行驶、堵车绕道,日本丰田公司于2018年年初的CES（电子消费展）上，发布了一款无人驾驶的厢式电动概念车e-Palette。

新车将在2020年东京奥运会上试运行，并有望在2030年正式向大众推广。

2014年，宝马展示了其研发的无人驾驶技术，该技术不仅可以帮助车主在交通状况拥堵的城市找到便捷畅通的行驶路线，同时并不会夺走驾驶员对车辆的掌控权。

2016年，宝马集团与英特尔以及Mobileye建立起行业第一个开放式的自动驾驶研发平台。

2018年4月，宝马又正式启动了自动驾驶研发中心，为最终实现无人驾驶提供技术支持。

2018年5月14日，上海市智能网联车辆道路测试推进工作小组为宝马颁发了上海市智能网联自动驾驶测试牌照。

2016年和2017年，通用陆续收购自动驾驶车辆初创公司CruiseAutomation和激光雷达技术公司Strobe，在自动驾驶的道路上快速前进。

2018年1月12日，通用车辆（GM）官方公布了第四代Cruise自动驾驶车辆CruiseAV。

CruiseAV没有方向盘、加速踏板和制动踏板，安装了21个普通雷达、16个摄像机和5个激光雷达来感知车辆周围的环境和障碍物，是真正的无人驾驶车辆。

2018年新款奥迪A8是全球首款量产搭载L3级别的自动驾驶系统的车型，其携带有12个超声波传感器、5个摄像机、5个毫米波雷达、1个激光雷达、1个红外线摄像机，共24个车载传感器。

2015年10月，特斯拉推出的半自动驾驶系统Autopilot，Autopilot是第一个投入商用的自动驾驶技术。

谷歌公司于2009年开始研发无人驾驶技术。

2015年，谷歌公司的无人驾驶原型车上路进行测试，该车只配有启动和停止两个物理按钮，通过若干传感器、车载计算机来控制车辆。

2017年10月，Waymo已在美国凤凰城Chandler镇100平方英里范围内，对600辆克莱斯勒插电混动L4级自动驾驶车辆进行社会公测。

2018年，谷歌还与捷豹路虎合作，计划在2020年之前生产另外20000辆无人驾驶出租车。

2016年5月，Uber无人驾驶车辆在位于美国宾夕法尼亚州匹兹堡市的Uber先进技术中心正式上路测试。

1.2.2国内自动驾驶技术状况,清华大于THMR-V自动驾驶车经过实验研究已经能够实现结构化环境下的车道线自动跟踪；准结构化环境下的道路跟踪；复杂环境下的道路避障、道路停障；视觉临场感遥控驾驶等功能。

2012年11月26日，由军事交通学院改装的“猛狮3号”智能，从北京台湖收费站到天津东丽收费站共114公里的无人驾驶试验,2016年6月初，同济大学在上海车辆城无人驾驶测试基地的开园仪式上展示了其协同创新中心研发的自动驾驶电动清扫车。

该车在同济大学低速电动车自动驾驶技术，上海司南导航北斗高精度定位技术、上海丁研三元锂电池组与管理技术研究成果基础上，开发可区域师范运行的低速自动驾驶车辆环境感知系统、驱。

动/制动/转向线控系统、北斗高精度定位系统、自动驾驶控制等关键技术进行研究与实验。

2017年，由自然科学基金委主办中国智能车未来挑战赛已举办了九届赛事。

其中比较有代表性的有清华大学“睿龙号”无人驾驶车辆和北京理工大学“RAY”无人车,“BIT”无人驾驶车辆系统组成,2015年4月，一汽集团正式发布了其“挚途”技术战略，标志着一汽集团的互联智能车辆技术战略规划正式形成。

根据该战略的十年发展计划，“挚途”战略将从当前的1.0发展到4.0。

2015年，上汽集团在自动驾驶领域“结盟”中航科工，并在上海车展上展示了自主研发的智能驾驶车辆iGS。

长安车辆在2015年4月发布了智能化战略“654”，即建立6个基础技术体系平台，开发5大核心应用技术，分4个阶段逐步实现车辆从单一智能到全自动驾驶。

北汽集团在2016年4月份的北京车展上，展示了其基于EU260打造的无人驾驶车辆。

长城车辆在2012年成立了专业团队，对车辆无人驾驶等智能技术进行研发。

目前哈弗H8、H9及部分后续车辆已经完成了驾驶辅助（ADAS）阶段的开发。

百度公司于2013年开始了百度无人驾驶车辆项目，其技术核心是“百度车辆大脑”，包括高精度地图、定位、感知、智能决策与控制四大模块。

2011年7月，国防科技大学与一汽合作开发的自动驾驶车辆红旗HQ3，完成了从长沙到武汉，共计286公里的高速无人驾驶实验，平均时速87km/h。

2015年8月，宇通客车在郑开大道城际快速路，完成了开放环境下的无人驾驶试验，全程32.6公里，最高时速48km/h。

2015年12月，百度完成北京开放高速路的自动驾驶测试，其核心技术集中在“百度车辆大脑”，在高精地图、感知决策方面均有突破，试验最高时速达100km/h。

2016年4月，长安车辆完成了超过2000km的无人驾驶车辆测试，计划在2018年实现高速路上的无人驾驶，在2025年实现城市复杂路况下的自动驾驶。

2016年6月，上海“国家智能网联车辆试点示范区”封闭测试区正式开园，标志着在国家战略高度上，支持自动驾驶车辆技术发展。

2018年3月，北京发放首批自动驾驶测试试验用临时号牌，用于33条，总计105公里的开放路段用于自动驾驶测试。

1.3自动驾驶车辆发展目标与重点,自动驾驶的流程,感知是整个系统运行的第一步。

虽然目前的环境感知技术目前已大体完善，但是要实现最高级的无人驾驶，还有很多地方需要改进。

比如在恶劣的天气条件下、在不断变化和不利的光照条件下，各种元件不可避免地会受到影响。

地图是最重要的先验信息之一。

人们需要大规模地对地图信息进行预先采样和更新，以使车辆能够适应新情况。

一种解决方法是建立云端的地图共享系统，它与离线的地图共享并且是动态更新的，但是这对系统的通信能力也提出了更高的要求；也有学者提出“即时定位与地图构建”（SLAM）技术，它并不严重依赖于先验信息，允许自动驾驶系统持续观察环境并适应新情况，但是这项技术需要更多的计算密集型算法，并且根据所使用的传感器和周围环境可能会受到更多不确定性的影响。

人工智能算法是自动驾驶的核心。

借助于目前机器学习和深度学习的研究，人工智能已经能实现越来越多的自动控制，高级别的自动驾驶还需要把智能算法与传统的车辆动力学控制结合起来，对智能算法的稳定性和准确性有着极高要求；智能算法的道德性和合法性也是人们需要考虑的，“在无可避免的情况下，要撞向一个人的一侧还是撞向一群人的一侧？

”类似这样的问题发生了以后处理困难，就需要在技术层面上让它不会发生。

车联网通信需借助新型信息通信技术,车联网的关键技术包括4G/5G车载蜂窝通信技术、LTE-V2X和802.11p直连无线通信技术等的应用与自动驾驶技术的发展紧密相关，但是这些技术目前只是初步成熟，还需要集中研究力量重点突破而且车联网信息的安全保护也是一个亟待关注的问题，车联网的过程会产生一定的操纵数据、位置信息等，涉及到个人隐私权益的保护，此外，还需要考虑到应用领域的经济效益问题等。

自动驾驶存在的问题和解决情况,2004），SecondDARPAGrandChallenge（2006）,越野无人驾驶,大部分已解决,避障机制,部分解决,DARPAUrbanChallenge（2007）,交通灯和标志检测,大部分已解决,真实交通环境测试,部分解决,障碍检测（行人和自行车）,部分解决,高速自动驾驶,部分解决,复杂城市交通（交叉路口、密集环境）,大部分未解决,HighlyAutomatedVehiclesforIntelligentTransportation（HAVEit）（2008-2011）,临时自动驾驶系统,部分解决,利用V2V提高数据冗余度,部分解决,软件安全架构；硬件感知失败,大部分未解决,1.4本章小结,本章首先介绍了自动驾驶技术的产生接着介绍了自当驾驶车辆研究状况，包括国外自动驾驶车辆研究状况以及国内自动驾驶车辆研究状况最后介绍了自动驾驶车辆发展目标与重点。

第2章自动驾驶车辆组成模块,2.1自然环境感知模块,2.1.1道路信息感知1.结构化道路检测结构化道路是指具有清晰车道标志线和道路边界等的标准化道路。

结构化道路检测即是通过结构化道路的相关信息来准确获得本车相对于车道的位置和方向。

（1）结构化道路常用基本假设1）道路形状假设：

简化道路模型的一种有效方法就是使用道路形状假设，如回旋曲线、抛物线、直线或其他特殊形状等。

回旋曲线由下式表示：

L=0+L式中，L表示长度为L时的道路曲率，0表示初始点的曲率表示曲率的变化率。

最简单的多项式曲线为直线模型式中，X，Y分别表示道路的横向坐标和纵向坐标；K表示道路的斜率；B表示截距。

另外有一些系统采用了更一般化的道路模型。

例如，德国IITB研究所的ROMA系统采用基于轮廓线的方法,2）道路宽度和道路平坦假设,假设道路宽度固定或变化比较缓慢，在道路检测中可认为道路的两个边缘是平行的。

在视觉检测系统获得图像的特征（道路边缘线、障碍物）后，为精确地控制车辆需要将坐标从图像平面坐标系转换到车辆行驶的世界坐标系。

假设车辆前方的道路是平坦的就可以利用已知的摄像机标定信息进行逆透视变换。

3）道路特征一致假设,图像中的路面区域具有一致的特征，如灰度特征、颜色特征、纹理特征等，而非道路区域则没有这样的特征，因而可以采用聚类的方法检测道路区域。

例如FMC公司的Kuan计算图像一维彩色特征的直方图，通过阈值化像素分类为“道路”像素和“非道路”像素。

4）感兴趣区域假设,道路跟踪实时处理的运算量非常大，根据物理约束和连续性约束，可以利用相邻帧之间的时间相关性加以简化，即在感兴趣的区域进行分析并寻找期望特征，而不需要对整幅图像进行分析，但前提是已经在前一帧图像中将道路区域检测出来，所以这种感兴趣区域假设仅仅是跟踪策略。

（2）直道检测,结构化道路的设计和建设都严格执行行业标准，轮廓比较规则，道路区域和非道路区域有明显画有车道线的道路边缘，而且规定车速为120km/h时的极限转弯半径为650m，一般的最小转弯半径为1000m，近视野内车道线完全可以近似为直线。

1）道路检测算法流程。

车道检测的过程分为两步：

车道线边缘点搜索和车道线边缘曲线拟合。

需要采用一些序列图像的动态处理措施：

在图像序列的每一帧，将车道线的搜索区域限制在包括车道线在内的动态框架里；将车道线边界点定义为每行搜索区域中边界灰度值跳变最大且超过预设阈值的点；如果检测的车道线边界点数超过一定数量，就启用直线拟合算法求取近似车道线，否则利用历史帧和当前帧的结果进行推导。

车道线检测与识别算法流程,2）车道线边缘直线拟合。

Hough变换原理Hough变换是利用图像的全局特性，在二维像素中寻找直线、圆及其他简单形状曲线的一种方法。

基本思想是建立图像空间与参数空间的映射关系，将研究对象从图像空间中的目标物体转化为参数空间中对应的参考点。

设有直线它在极坐标中可表示为,直线的Hough变换,图像空间与参数空间的映射关系,车道线识别算法道路图像经边缘增强后强化了包括树木、行人、建筑、道路等各种边界信息，而道路边界信息则淹没在大量的边界信息之中，因此必须从诸多的边界信息中识别出道路边界。

传统的车道线识别算法左、右道路标志线模型,具体过程为：

采用沿x轴扫描的方式，找出每行中灰度跳变最大的点，记录其坐标。

基于行驶路面灰度均匀分布的特征采用预设阈值的方法对寻找出的每行中最大灰度跳变的特征点进行预处理，同时去除道路区域上灰度跳变小于预设阈值的特征点。

（3）弯道检测,弯道检测不仅要识别出道路边界线，还需要判断道路弯曲的方向，确定弯道的曲率半径。

弯道检测的方法主要是基于道路模型的方法，即将弯道检测转化为各种曲线模型中数学参数的求解问题，一般可分为建立弯道模型，提取车道线像素点，以及拟合车道线模型3个步骤。

1）建立弯道模型。

常用的弯道模型有同心圆曲线模型、二次曲线模型、三次曲线模型、双曲线模型、抛物线模型、线性双曲线模型、回旋曲线模型、样条曲线模型、圆锥曲线模型和分段曲率模型等。

2）提取车道线像素点。

在车道线像素点提取的方法上，主要采用边缘检测的方法。

车道线像素点提取的方法还有模板匹配、像素扫描和自适应随机Hough变换等二模板匹配根据车道线可能的方向和位置建立模板库，然后将处理后的弯道图像和预先定义好的车道线模板一一匹配。

曲线车道线检测,3）拟合车道线模型。

所谓车道线模型拟合就是根据检测到的车道线像素点来确定弯道数学模型的最优参数，主要有直接拟合方法、似然函数方法和随机Hough变换等方法。

直接拟合方法主要有最小二乘法、插值法、Catmull-Rom样条函数法、B-样条函数法和分段归类拟合法等。

最小二乘法拟合通过计算样本像素与拟合曲线方向的偏差累计值，并使其达到最小，以求得曲线模型的参数。

曲线拟合,（4）复杂环境下车道检测图像预处理,目前存在多种图像调节方法。

Gamma调节和灰度映射调节主要通过使像素灰度值按一定函数进行映射变化，来提高图像的对比度和明暗度，其中Gamma调节法是直接在摄像机获取的原始像素灰度上进行调节。

直方图调节在Gamma处理后的像素灰度上进行调节。

直方图分析方法是对全部像素按灰度大小绘制直方图，并通过分析直方图分布特征对图像不同灰度层次的像素进行操作。

补色法针对高、低光区域的灰度细节丢失，先分析该区域周围的灰度分布趋势，并结合整个图像区域的光流分布，通过模拟函数在此区域设置不同的灰度值，提高区域的灰度细节和对比度。

2.非结构化道路感知,非结构化道路一般指结构化程度较低的道路，如乡村公路、土路等，在结构上符合道路的特征，但由于缺少车道线等道路标志，故无法采用检测车道线的方法进行识别。

基于机器学习算法的非结构化道路检测方法框架,

（1）自监督样本获取模块,自监督样本获取模块由两个子模块组成。

第一个子模块包括先验知识库和先验知识提取两个部分。

第二个子模块包括训练样本获取和训练样本标记两个部分，主要负责将每个训练样本赋予不同的类别属性，同时根据其所属某一类别的概率值，赋予不同的权重系数，然后将这些训练样本和相应的权重系数送入特征选择算法模块进行特征提取和特征选择操作。

（2）特征选择算法模块,特征选择算法模块包括两个算法部分：

特征提取算法和特征选择算法。

特征提取算法通过图像处理技术，从图像中提取每个训练样本点的纹理特征以及颜色特征等特征选择算法选择出具有较强分类能力的图像特征后，将这些训练样本和选择出的图像特征输出到动态训练样本库中。

（3）监督学习算法模块,监督学习算法模块包括预测模型训练和预测模型分类两个部分。

预测模型训练部分，通过动态样本库中给出的训练样本和特征类别，训练出一个预测模型。

训练的方法通常有神经网络、支持向量机等预测模型分类部分主要负责对整幅图片进行分类，通过学习到的模型，对图片中的每个像素进行类别划分（道路点和非道路点）。

（4）在线学习算法模块,在线学习算法模块的作用是通过在线的方式对预测模型进行补充和修正，使其能够适应环境变化所造成的分类决策面的偏移。

它是通过在线评价算法和在线知识获取两个部分完成的,（5）动态训练样本库,动态训练样本库连接3个主要的算法模块。

其作用是装载监督学习算法所需要的训练样本。

2.1.2环境信息感知,1.行人检测

（1）基于视觉的行人检测基于视觉的行人检测方法主要有基于背景建模的方法和基于统计学习的方法等。

基于背景建模的方法首先分割出前景，提取其中的运动目标，然后进一步提取特征，分类判别。

基于统计学习的方法根据大量训练样本构建行人检测分类器。

提取的特征一般有目标的灰度、边缘、纹理、形状、梯度直方图等信息。

1）基于HOG特征的行人检测。

HOG特征。

HOG特征是一种对图像局部重叠区域的密集型描述符。

它通过计算局部区域的梯度方向直方图来构成人体特征，能够很好地描述人体的边缘。

HOG特征对光照变化和小量的偏移不敏感。

图像中像素点（z，Y）的梯度为,像素点（x，y）处的梯度幅度和梯度方向分别为,HOG特征提取的过程为把样本图像分割为若干个像素的单元（cell），把梯度方向平均划分为9个区间（bin），在每个单元里对所有像素的梯度方向在各个方向区间内进行直方图统计，得到一个9维的特征向量。

每相邻的4个单元构成一个块（block），而把一个块内的特征向量连起来就可得到36维的特征向量。

用块对样本图像进行扫描，且扫描步长为一个单元。

最后将所有块的特征串联起来，就得到了人体的特征。

HOG特征计算的步骤为,a）将输入的彩色图像转换为灰度图。

b）采用gamma校正法对输入的图像进行颜色空间的标准化（归一化）。

c）计算梯度，主要是为了捕获轮廓信息，同时进一步弱化光照的干扰。

d）将梯度投影到单元的梯度方向，为局部图像区域提供一个编码。

e）将所有单元格在块上进行归一化。

f）收集得到检测空间所有块的hog特征，即将检测窗口中所有重叠的块进行hog特征的收集，并将它们结合成最终的特征向量，供分类使用。

SVM。

SVM分类器已经被广泛应用于图像识别中，尤其在行人检测中获得了成功。

SVM是在统计学习理论的基础上发展起来的一种机器学习方法，它将最优学习问题转化为一个凸二次优化问题，具有良好的泛化能力及较高的分类精度。

其特点是利用有限训练样本得到的决策规则在独立的测试集上仍然能够得到较小的误差。

2）基于Stixel模型的行人检测。

利用Stixel模型进行目标检测。

Stixel为柱状物之类的几何特征描述，主要对地平面之上的目标进行建模。

利用深度信息对目标进行检测。

Stixel模型在立体图像中能更好地发挥作用。

借助于Stixel模型，检测空间缩小了，使实际应用过程中的速度性能变得更好。

（2）基于激光雷达与视频数据融合的行人检测,采用激光雷达与视频数据融合的方法检测车辆周边环境中的行人，一般包括3个步骤：

1）处理激光雷达数据，得到感兴趣区域；2）准备图像数据，进行基于图像的行人检测算法的训练；3）利用训练好的分类器，在感兴趣区域内进行行人检测。

2.车辆检测,

（1）概述基于单目视觉的车辆检测方法可分为基于外观（Appearance）的方法和基于运动（Motion）的方法。

前者直接从单帧图像中检测车辆，而后者则使用连续帧图像进行检测。

近年来研究人员采用更通用并具鲁棒性的特征，如HOG特征、Haar-like特征来对车辆进行检测。

HOG特征是一种解释型（descriptive）的图像特征，可用来确定车辆的姿态，其主要缺点是计算速度慢。

还有研究人员用加速鲁棒特征（Speeded-UpRobustFeatures，SURF）和边缘特征的方法来检测盲区中的车辆。

（2）V-disparity方法,V-disparity方法是一种基于立体视觉的障碍物检测方法。

在计算立体视觉的左、右两幅图中，左图的所有像素（u，v）相对右图同一点的水平视差为d，并以每个像素点的视差作为该点对应的新灰度值，即可形成稠密视差图像（u，v，d）。

立体图像的稠密视差图用灰度深浅变化来表示景物相对于摄像机距离的远近：

在此基础上，利用视差图