視覺是人類認知世界最重要的功能手段，生物學研究表明，人類獲取外界信息75%依靠視覺系統(tǒng)，而在駕駛環(huán)境中這一比例甚至高達90%。

如果能夠將人類視覺系統(tǒng)應用到自動駕駛領域，無疑將會大幅度提高自動駕駛的準確性，而這正是當前計算機科學和自動駕駛領域最熱門的研究方向之一，它就是機器視覺技術。

機器視覺技術發(fā)展至今已有二十多年的歷史，而真正發(fā)生革命性進步的則是莫爾視覺計算理論的提出，通過實現神經網絡相關算法使機器擁有同人類視覺系統(tǒng)同樣的功能提供了可能。一般來說，機器視覺系統(tǒng)包含有鏡頭、攝像系統(tǒng)和圖像處理系統(tǒng)，而其核心則是專用高速圖像處理單元，也就是把存入的大量數字化信息與模板庫信息進行比較處理，并快速得出結論，其運算速度和準確率是關鍵指標。這主要通過高效合理的算法和處理能力強大的芯片來實現。

目前，市場上已有多種高效視覺專用硬件處理器及芯片等電子器件，并且隨著計算機技術的進步，更先進的算法被相繼發(fā)明，如采用網格分布式處理系統(tǒng)能夠有效的提高運算的效率。今后機器視覺的核心問題將是對圖像的深入理解。

機器視覺在自動駕駛中的應用主要有以下兩個個方面：

障礙物檢測

障礙物檢測的準確率是車輛自動駕駛過程中安全性的重要保證。在行駛過程中，障礙物的出現是不可預知的， 也就無法根據現有的電子地圖避開障礙物，只能在車輛行駛過程中及時發(fā)現， 并加以處理。當前， 由于自動駕駛環(huán)境的不成熟，關于障礙物的定義尚沒有統(tǒng)一的標準。因此， 可以認為一切可能妨礙車輛正常行駛的物體和影響車輛通行的異常地形都是車輛行駛過程中的障礙物。目前來看，障礙物檢測算法主要有以下三種：1. 基于特征的障礙物檢測;2. 基于光流場的障礙物檢測;3. 基于立體視覺的障礙物檢測。在三種算法中，基于立體視覺的障礙物檢測因為既不需要障礙物的先驗知識， 對障礙物是否運動也無限制， 還能直接得到障礙物的實際位置而成為主流研究方向。但其對攝像機標定要求較高。而在車輛行駛過程中， 攝像機定標參數會發(fā)生漂移， 需要對攝像機進行動態(tài)標定。

道路檢測

自動導航是自動駕駛的必要條件，自動駕駛過程中，道路檢測主要是為了確定車輛在道路中的位置和方向，以便控制車輛按照正確的路線行駛。另外，它還為后續(xù)的障礙物檢測確定搜索范圍，以及縮小障礙物檢測的搜索空間，降低算法復雜度和誤識率。然而由于現實中的道路多種多樣，在加上光照、氣候等各種環(huán)境因素的影響，道路檢測是一個十分復雜的問題。至今仍無一個通用的算法，現有算法基本上都對道路做了一定的假設。通常采用的假設有：1特定興趣區(qū)域假設;2道路等寬假設;3道路平坦假設。另外，道路平坦假設也為障礙物定義提供參考。

數據堂自有數據集的“智能駕駛數據解決方案”中掌握著駕乘人群的行為數據，不僅包含駕駛員行為標注數據50種動態(tài)手勢識別數據，103282張駕駛員行為標注數據等，還包1300萬組人機對話交互文本數據，245小時車載環(huán)境普通話手機采集語音數據。不管是街景場景數據，駕駛員行為數據，還是車載語音數據，數據堂基于Human-in-the-loop智能輔助標注技術”和豐富的AI數據項目實施經驗及完善的項目管理流程，支持智能駕駛場景下駕駛艙內、艙外的圖像、語音數據采集任務，輔助智能駕駛技術在復雜多樣的環(huán)境下更好的感知實際道路、車輛位置和障礙物信息等，實時感知駕駛風險，實現智能行車、自動泊車等預定目標。對于智能駕駛而言將是其他企業(yè)難以企及的優(yōu)勢。

目前，機器視覺技術在自動駕駛中并沒有進行大規(guī)模的應用，其實這這并非是硬件的問題，事實上攝像頭技術在汽車中的應用已經十分成熟，如行車記錄儀，廣角視野、倒車影像等功能都完全具備，而芯片技術也已能夠高效完成圖像的壓縮處理，最終難點在于模擬神經網絡的視覺算法。