车联网白皮书(2018)
本白皮书从技术、产业和政策措施三个维度对车联网国内外发展现状及趋势进行分析。技术部分包括单车智能化相关汽车电子技术和 V2X 无线通信、多接入边缘计算、车路协同平台等网联化相关技术，以及信息安全等共性关键技术；产业部分从专利布局、产业链协同重点剖析产业发展新趋势，探索新生态和新模式等； 政策措施部分包括顶层设计规划、协同推进机制、法律法规等；最后总结全文，对车联网融合创新发展提出“1+3”举措建议，包括构建一个跨行业协调机制和技术创新、产业融合、安全管理三个发展体系。版权声明本白皮书版权属于中国信息通信研究院,并受法律保护。转载、摘编或利用其它方式使用本白皮书文字或者观点的,应注明“来源:中国信息通信研究院”。违反上述声明者,本院将追究其相关法律责任。前言车联网涉及汽车、电子、信息通信、交通等多个产业,正处于加速发展的关键阶段。我国应以加快推进车联冈新技术产业化和构建“人-车一路一云”协同的智慧交通体系为切入点,促进跨部门协同,加强法规标准建设、共性技术突破、基础设施改造等重点工作,打造产业新生态,实现新的产业集聚。本白皮书从技术、产业和政策措施三个维度对车联网国内外发展现状及趋势进行分析。技术部分包括单车智能化相关汽车电子技术和V2X无线通信、多接入边缘计算、车路协同平台等网联化相关技术,以及信息安全等共性关键技术;产业部分从专利布局、产业链协同重点剖析产业发展新趋势,探索新生态和新模式等;政策措施部分包括顶层设计规划、协同推进机制、法律法规等;最后总结全文,对车联网融合创新发展提出“1-3”举拮建议,包括构建一个跨行业协调机制和技术创新、产业融合、安全管理三个发展体系目录第一章车联网应用发展需求(一)以用户体验为核心的信息服务类应用(二)以车辆驾驶为核心的汽车智能类应用.(三)以协同为核心的智慧交通类应用第二章车联网技术发展研判(一)汽车电子成为新的战略竞争高地(二)V2X无线通信技术发展进入快车道(三)多接入边缘计算助力车联网全面发展(四)“端-管-云”协同的发展模式初现雏形...(五)车联网安全技术亟待完善第三章车联网产业发展趋势14(一)车联网产业融合发展新趋势........14(二)车联网商业模式发展现状及趋势20第四章政策措施及发展建议...........,...........23(一)美欧日等发达国家普遍重视车联网发展(二)我国支持车联网产业发展的政策措施基础............,,,,24(三)我国车联网产业创新融合发展建议..26图表目录图1车联网专利布局变化趋势.16图2专利企业数量变化趋势图16图3汽车智能化、自动驾驶专利申请企业活跃排名图4谷歌自动驾驶专利布局图5车联网的基本价值链.20图6智慧交通类应用商业模式屮国信息通信研究院车联网白皮书(2018年)第一章车联网应用发展需求当前,车联网技术发展和服务能力不断提升,借助于人、车、路云平台之间的全方位连接和信息交互,催生了大量新的产品应用。狭义的车联网应用通常指车载信息服务类应用,即通过车辆把车主与各种服务资源整合在一起;广义的车联网应用还包括面向交通的安全效率类应用以及以自动驾驶为基础的协同服务类应用。新应月也对汽车交通的智能化与网联化水平提出了新的发展需求,引领车联网技术与产业发展,促进城市数字化与智能化发展。车联网应用从不同的视角有不同的分类方式。根据联网技术不同,可以分为车内网、车际网和车云网应用;根据车联网应用对象不同,可以分为单用户应用以及行业应用两大类,行业应用又进一步分为企业应用和政府应用等;根据需求对象不同,可以分为自动驾驶、安全出行、效率出行、交通管理、商业营运、涉车服务等应用。无论哪种应用分类方式,都基本涉及到以用户体验为核心的信息服务类应用、以车辆驾驶为核心的汽车智能化类应用和以协同为核心的智慧交通类应用。(一)以用户体验为核心的信息服务类应用此类应用既包括提高驾乘体验、实现欢乐出行的基础性车载信息类应用,也包括与车辆上路驾驶、车辆出行前或岀行后的涉车服务后市场服务、车家服务等应用。该类应用需要车辆具备基本的联网通信能力和必要的车辆基础状态感知能力。基础性车载信息类应用仍是当前车联网主要应用形态,主要涉及车联网白皮书(2018年)屮国信息通信研究院车主的前台式互动体验,包含导航、娱乐、通信、远程诊断和救援、资讯等。目前很多车辆三加装车载模块,用户可以通过车载网联化获得信息服务,包括在线导航、娱乐等多媒体服务。随着语音识别、人眼动作识别等技术的逐步发展,车载信息类应用将更加丰富。涉车服务主要与定位、支付相结合,包括共享汽车、网约车、网租车等应用。汽车后市场服务主要有汽车保险、车辆维护延保、车辆美容、二手车交易等应用,随着汽车保有量增速的放缓,后市场服务应用价值将获得更多关注。车家服务主要通过基于位置、时间、日期等信息来智能化判定车主行为习惯,创建相应规则为车主提供智能家居系统服务应用,包括家用电器远程遥控等(二)以车辆驾驶为核心的汽车智能类应用此类应用主要与车辆行驶过程中的智能化相关,利用车上传感器,随时感知衎驶中的周围环境,收集数据、动静态辨识、侦测与追踪,并结合导航地图数据,进行系统运算与分析,主要有安全类和效率类等各种应用。安全类应用与车辆行驶安全及道路通行效率息息相关,有助于避免交通事故的发生。目前,依靠单车感知的安全驾驶辅助系统等传统应用处于快速成长期,在中低端车型渗透率将会逐步提升。同时,随着网联技术的不断成熟和推广,出现了更多安全预警类应用。例如,通过网联技术,行驶在高速公路等快速路段的前车,在感知到事故后可提早通知后面车辆事詼信息,避免连环追尾事故。效翠类应用主要是通过车车、车路信息交互,实现车辆和道路基屮国信息通信研究院车联网白皮书(2018年)础设施智能协同,有助于缓解交通拥堵、降低车辆排放等。典型应用有交叉路口智能信号灯、自适应巡航增强、智能停车管理等。例如,交叉路口智能信号灯应用通过网联技术来收集周边车辆速度、位置等信息,对信号灯参数进行动态优化,提高交叉路口车辆通行效率。(三)以协同为核心的智慧交通类应用此类应用是在自动驾驶的基础上,与多车管理调度及交通环境等智慧交通相关,最终支持实现城市大脑智能处置城市运行和治理协同。智慧交通主要是基于无线通信、传感探测等技术,实现车、路、环境之间的大协同,以缓解交通环境拥堵、提高道路环境安全、达到优系统资源为目的。在实现高等级自动驾驶之后,应用场景将由限定区域向公共交通体系拓展。在相对封闭的环境或危险地带场景中,因物理空间有限,行驶路况、线路、行驶条件等因素相对稳定,重复性高,通过独立云端平台协同度管理,采用固定路线、低速运行、重复性操作的应用更容易成熟落地。典犁应用有对园区、景区、机场、校园等限定区域内的自动驾驶巴士进行调度、港口专用集装箱智能运输等。在公共交通系统场景下,车辆的路径规划和行为预测能力对车辆的智能化和网联化水平提出了更高要求,需要更完善的自动驾驶控制策略、行驶过程全覆盖的5GV2X网联技术以及云平台的高效衔接调度。该类应用除依赖技术突破,还涉及到伦理、法规等,距实际成熟应用尚需时日,如自动驾驶出租车、自动驾驶公交车、智能配送等。车联网白皮书(2018年)屮国信息通信研究院第二章车联网技术发展研判车联网发展的热点聚焦网联化和智能化,并由单车智能逐步转向多车办同、以及“智慧的车”与“智慧的路”协同发展,这对车联网技术创新和产品研发提出了新的发展需求。汽车电子、2X无线通信、多接入边缘计算、云平台以及安全等为车联网网联化、智能化、协同化发展提供了坚实的技术基础。近年来,全球汽车产业快速增长,汽车电子成为产业增长的重要引擎,通过人机交互、汽车功能提升等方式提升驾驶体验。此外,自动驾驶等协同应用成为汽车巳子发展的重要方向。V2X无线通信技术旨在将“人-车-路-云”等交通参与要素有机地联系在一起,不仅可以为交通安全和效率类应用提供通信基础,还可以将车辆与其他车辆、行人、路侧设施等交通元素有机结合,弥补了单车智能的不足,推动了协巨式应用服务发展。多接入边缘计算可以有效解决未来网络高带宽、低时延、高可靠需求以及大规模终端连接等要,支持多种终端接入方式,有效提升道路的智能化水平云平台能够为未来的协同交通体系提供统一的数据采集、智能决策及控制执行等基础支撑,继而将整个车联网要素连接成一个整体。车联网安全形势紧迫,需要在车载终端安全、数据交互安全、平台信息安全和隐私保护等方面开展关键技术攻关及产品研制,形成贯穿于车联风“端-管-云”全链条的综合安全体系。(一)汽车电子成为新的战略竞争高地全球汽车产业增速放缓,汽车电子成为产业增长的重要引擎。据
- 2020-12-09下载
- 积分：1
视频中背景建模目标检测综述(北京大学)
基于视频的移动目标检测是一个重要且有挑战性的任务，在许多应用中都起到相当关键的作用。本次论文研读围绕该主题展开，深入阅读了十余篇论文，在本文总结了视频中移动目标检测的一些主要方法及各自的优劣。报告接下来的部分组织如下:第二节介绍一般问题的陈述及典型的应用,第三节与第四节分别介绍基于像素的移动目标检测方法与基于区域的移动目标检测方法,第五节进行简单的讨论与总结。2问题陈述及应用一般而言移动目标检测并不单独地构成应用,而是作为一个组件出现在许多实际的应用之中。故移动目标检测的具体要求随着应用的改变而有很大的不同。例如对足球场上球员及足球的检测与跟踪就和对视频中用户手势的跟踪有所不同,前者的关键在于如何应对复杂的光照变化有效提取运动物体,后者的难点则在于如何从整个躯休大范围的运动背景中将手势的运动识别并提取出来。尽管不同的应用可能提出不同的技术上的要求,但是相当一部分这类问题还是可以在同一的框架下进行探讨和比较的。以下就是本文讨论范围内一般问题的陈述( Figure1):a.高层次的模型一般具有检测、跟踪、识别三个模块,其中识别模块并不必须b.检测模块可细分为移动日标区域检测与移动目标分组,其中前者是这个模块能够顺利工作的保证,其日的是将各帧内移动日标所在的区域标出该模型的输入为连续的视频,输出为跟踪的物体(即轨迹)或分类的物体,DetectioTrackingbackgroundObject detectionMatching usingFramescolor texture andTrackedsubtractionusing contoursmotion featuresobiectsGr。 up handling(merging andlittonFigure1系统框架图中即为一个典型的流程图,其中省略了分类模块并把运动目标区域检测规定为背景差分方法。该模型的典型应用场景是室内外的视频监视分析( Figure2),特别是交通数据的分析。另外体育运动视频(如足球或台球)的分析也能在该模型下解决。Figure2移动目标检测的典型应用:视频监控本文讨论的就是这样一个系统之中移动目标检测部分内容,并且将重点放在了如何判定移动目标区域的部分。这是这样的系统中的最初的处理,对于之后的处理能否获得有效的信息至关重要。该内容主要涉及两个问题:如何提取运动的前景,及如何建立一个良好的背景模型。后者一般并不是应用任务中所要求完成的,但往往是用以提取运动前景很好辅助工具,将新的一帧“减去”背景即可获得移动前景,故同时具有这两个步骤的方法也被称为“背景差分”,是移动目标检测中的一大类主流方法,本报告中涉及的大部分方法即属于这一类3基于像素的移动目标检测31均值-阈限方法均值-阈限( Figure3)的基本思路是计算每个像素的平均值和标准差作为它的背景模型Mean 2*Avg DiffMean”Mean-2*Avg DiffFigure3均值-國限方法4图中为某视频中单个像素在一定时间内不断更新得到的平均值和平均差值3,该像素处在天空的位置,在一段时问后有人的手挥过该区域,可以看到由于前景目标明显不如背景中的天空明亮,所以可以很容易将其分辨出来实际上均值-阈限方法就是赋予视频中每个像素一个统计上的背景模型,例如高斯分布模型4。每个点需要两个参数来衡量:均值与方差。后面将看到,许多更先进的棊于像素的移动目标检测方法其实无非采用了更复杂的分布模型来描述每个像素32阴影去除及三高斯模型简单的帧差值或均值-阈限方法在很多应川中都面临一个很严重的问题:阴影。在某些光照条件下,移动物体产生的阴影相对背景具有非常显著的差别从而被识别成了前景,有时这些阴影比物体本身还人,并且导致原本独立的运动物体连接在一起无法分割。一种简单的思路是放弃使用灰度值进行背景建模,而采用颜色信息从而将阴影的移动去除掉。这类方法需要一条假设:移动目标投射到路面上的阴影主要改变了该位置的亮度而对色度没有大的影响°。部分情况下确实可以承认该假设。在不同的颜色模型下有不同提取亮度信息的方式。在HSV等空间中这个任务尤为简单,因为亮度本身就是一个独立的分量,所以在该分量以外的维度上进行背景建模与差分就能消除一定的阴影。如果在常用的RGB颜色空间中,亮度的提取就稍微复杂倒。Figure4RGB空间中的亮度与色度3类似标准差的作用,但是计算更快捷。C.R. Wren, A Azarbayejani, T. Darrell, and A P Pentland "pfinder Real-Time Tracking of the human body lEEETrans. Pattern Analysis and Machine Intelligence, vol. 19, no. 7, pp. 780-785, July 1997J.M. Alvarez, A Lopez, and r Baldrich, " Illuminant-Invariant Model-Based Road Segmentation",IEEE IntelligentVehicles Symposium, June 20085将一个像素的颜色值在RGB三维空间中表示( Figure4),背景建模就是确定了穿过原点的一条色度直线,所有在该直线上的颜色都认为是背景色。当前颜色相对参考颜色(背景)的亮度分量a1由最小化下式给出:φ(a;)=(l1-c1E)2a2表示该像素当前值相对参考背景色的相对亮度。如果其值为1则代表亮度相同,大于1代表比背景更亮,小于1代表比背景更培当前颜色到色度直线的垂直距离就表小色度的偏离:CD1=‖l2-aE1‖(3)利用色度与亮度的偏离值就可以将新的颜色值分为四个类别Forground: CDi> IcD or ai> Alow, elseM()Back ground:aτa2else(4)ShadowelseHighlightotherwise其中CD2与a分别代表均一化之后的两个偏离分量。这些方强烈依赖于上面提到的假设:阴影仅仅改变背景亮度而不改变色度。但是这个假设实际上并不总是有效,很多时候还需要更复杂的方法达到去除阴影,鉴别真正移动目标的目的。三高斯模型4就是针对去除阴影的考虑提出的。这个模型中采用三个高斯分布相结合( Figure5)对各像素进行建模。三个高斯成分分别为:道路、运动前景及阴影。这三个成分组合成为了完整的混合模型(b)和印甲品f叫intersity valeFigure5三个高斯分布相结合6此方法之后面临的主要问题是如何通过一定时间的学习获得每个高斯分布的参数从而建立有效的模型。相关文献中提出采用EM算法( ExpectationMaximization Algorithm)进行学习。EM算法是一个迭代的算法,通过有限步的迭代就能够获得较好的模型估计。一般而言,为了从一个数据集中获得该数据集满足的混合分布,可以采用最大后验概率估计的方法进行估计,但是这样的方法需要关于每个数据分类的信息(即每个值属于哪个类别)。然而在移动目标检测过程中往往都是无监督的学习从而不可能获得这样的分类信息,而只能自动设定个预先的分类,然后通过迭代不断改进,这就是EM算法的基本思路另外,由于各点的数据是不断改变的,于是采川原始的EM算法对每一帧都进行重复的迭代既不必要也不现实,可以采用EM算法的一个变种:增量EM算法33高斯混合模型(GMM331背景建虞在某些场景之下,采用三个高斯分布的混合模型仍然无法有效地描述复杂的现实环境,于是髙斯混合模型四被提出了。高髙斯混合模型采用类似3.2中三个髙斯模型的思路,希望采用多个高斯分布相结合的方法来描述环境。与前面的模型不同的是,现在高斯分布的个数不是固定的一个或三个了,而是随着各个像素实际的需要动态地进行设定。另外该方法也放弃采用费时的EM算法而采用更快捷的方式进行背景建模与更新。假设已知像素(xo,y)在过去一段时间中的颜色值或灰度值{X1,…,X}={(xo,yo,):1≤i≤t(5)若由K个高斯分布的高斯混合模型对该像素进行建模,则新观察到一个颜色值或灰度值的概率为P(x1)=)o*n(x,,E(6)在RGB等彩色空间中为了简化计算可以采用如下公式k,t7)A Dempster, N. Laird, and D. Rubin, "Maximum Likelihood from Incomplete Data via the EM algorithm", Journalof the Royal Statistical Society, pp. 1-38, 1977这个公式假设了各个颜色分量是相互独立的。尽管事实并不如此,但这样计算在保留充分的精确性的同时大大降低了计算复杂性。这样每个像素就采用κ个峰的髙斯混合模型完成了建模。剩余的问题同样是如何对模型中的各个参数进行估计,以及如何判别前景。3.3.2背景更新背景更新大致有这几个步骤:a.每一个新的值都与所有K个高斯分布进行匹配,直到找到充分吻合的分布(判断方式与均值-阈限方法类似)b.若新的值与所有K个分布都不接近,则将K个分布中权值最小的一个替换成一个新的分布,该分布以新的值为均值,并且具有很高的初始方差和很低的初始权重;C.若新的值与某个分布充分接近,则认为其属于该分布并更新各个分布的权值及参数Ort=(1-aOKt-1+aM(8)=(1-p)ut-1+p·X(9)=(1-p)21+p(X-1)(x-2)(10)here(kok(11)其中(8)式中Mkt对于匹配上的分布唯1,对于其他分布为0α表示适应性的强弱,α越大,给予新的值的权重越大,也就适应得越快;(9)式(10)式仅针对匹配上的分布,而其他分布的参数保持不表3.3.3前景检测运动前景的检测主要有以下几个步骤a.对所有的高斯分布按照ω/σ进行从大到小的排序;b.取前B个高斯分布,满足B= argminkT(12)k=其中T表示背景应该占的比重,如果T取得较小则类似于前面介绍的均值阈限模型,T取得较大则允许背景有更丰富的特性,如随风摆动的树叶或水面的波纹等等。C.如果当前出现的新的值并不符合这B个高斯分布,则认为是运动的前景,否则认为是背景。34非参数模型341背景建模为了能够更快速地适应变化的背景,并且保证对移动物体的敏感性,马里兰大学A. Elgammal等人提岀采用非参数的模型四对各个像素进行建模。该方法并不指定确切模型形式,而釆用核旳数来利用历史薮据建立模型。在釆用高斯核的情况下,一个颜色出现的概率’∑K(x-x∑∏1(13)2这样实际上就是对考虑范围内所有的历史值都建立一个高斯分布,并利用所有这些分布对当前值进行分析。由于高斯分布的假设,故(x1+1-x1)~N(0272),于是可以估计方差(14)0.68V2其中m是|x+1-xl的中位数。号外由于在这种方法下需要大量计算核函数的值,故可以预先计算出一定精度的核函数数据表,通过查表的方法大大加快计算的速度。实验表明这样的方法在一般的PC机上是可以达到实时的计算要求的。34.2减少错误检测为了降低由于局部抖动(如树叶抖动、摄像机抖动)带来的错误检测,该方法利用了一定的区域信息。原先的P(x1)现在改用Pm(x代替PN(t= maxyEN(x)Prix Byy(15)此处N(x)指该像索周围的一个小区域,B指像素y对应的背景模型。这样就充分降低了由于小范围抖动导致的错误检测。7该式成立仍然需要假设各个颜色分量相互独京。9该方法需要维护两个背景模型:长期模型及短期模型。其中短期的模型是为了能够快速适应变化的背景而提出的,仅利用相当短的一段历史值建立模型,另外该模型采用选择更新机制(仅对判定属于背景的值进行更新);长期的模型在相当长的时间内通过盲更新机制(对所有值进行更新)获得。两个模型判定结果的交集能够进一步降低错误的检测,但同时也去除了部分实际上是移动目标的部分。最终采用的策略为:所有由短期模型检测出来,并且与两个模型判定结果交集相邻的像素被视作运动的前景3.4.3去除阴景这个方法同样提到了去除阴影的问题( Figure6)采用RGB颜色模型的一个变种表示颜色:RBR+G+B·9=R+G+Bb=R+G+B′(16)s=RtG+B(17)令A为某个像素在一定时间内的取值,而定义B如下B={x1|x∈A≤≤阝(18)其含义就是该像素过去的背景取值中与当前值亮度接近的值的集合利用B中的值在(r,g)二维空间上进行上述的背景建模及前景检测,就能很有效地消除检测的阴影。Figure6非参数模型下的阴影去除4基于区域的移动目标检测从上面的介绍的方法来看,建立的背景模型越来越复杂:高斯分布的个数从一个到三个,再到K个,再到每个历史值各一个。这样的背景模型已经具有了高度的复杂性,但是在有些应用环境下效果仍然并不理想。反思一下这些方法的特点,仅仅利用各个像素的独立信息而没有考虑像素之间的关联性是键的原因。其实在3.42中采用方法实际上已经开始尝试以局部区域作为考虑问题的范围,
- 2020-12-03下载
- 积分：1
