無人駕駛的感知部分作為計算機視覺的領域范圍，也不可避免地成為CNN發(fā)揮作用的舞臺。本文是無人駕駛技術系列的第八篇，深入介紹CNN（卷積神經(jīng)網(wǎng)絡）在無人駕駛3D感知與物體檢測中的應用。

卷積神經(jīng)網(wǎng)絡（ConvoluTIonal Neural Network，CNN）是一種適合使用在連續(xù)值輸入信號上的深度神經(jīng)網(wǎng)絡，比如聲音、圖像和視頻。它的歷史可以回溯到1968年，Hubel和Wiesel在動物視覺皮層細胞中發(fā)現(xiàn)的對輸入圖案的方向選擇性和平移不變性，這個工作為他們贏得了諾貝爾獎。時間推進到上世紀80年代，隨著神經(jīng)網(wǎng)絡研究的深入，研究人員發(fā)現(xiàn)對圖片輸入做卷積操作和生物視覺中的神經(jīng)元接受局部recepTIve field內(nèi)的輸入有相似性，那么在神經(jīng)網(wǎng)絡中加上卷積操作也就成了自然的事情。當前的CNN相比通常的深度神經(jīng)網(wǎng)絡（DNN），特點主要包括：

一個高層的神經(jīng)元只接受某些低層神經(jīng)元的輸入，這些低層神經(jīng)元處于二維空間中的一個鄰域，通常是一個矩形。這個特點受到生物神經(jīng)網(wǎng)絡中recepTIve field的概念啟發(fā)。

同一層中不同神經(jīng)元的輸入權重共享，這個特點可以認為是利用了視覺輸入中的平移不變性，不光大幅度減少了CNN模型的參數(shù)數(shù)量，還加快了訓練速度。
 

由于CNN在神經(jīng)網(wǎng)絡的結構上針對視覺輸入本身特點做的特定設計，所以它是計算機視覺領域使用深度神經(jīng)網(wǎng)絡的不二選擇。在2012年，CNN一舉打破了ImageNet這個圖像識別競賽的世界紀錄之后，計算機視覺領域發(fā)生了天翻地覆的變化，各種視覺任務都放棄了傳統(tǒng)方法，啟用了CNN來構建新的模型。無人駕駛的感知部分作為計算機視覺的領域范圍，也不可避免地成為CNN發(fā)揮作用的舞臺。

在無人車感知中，對周圍環(huán)境的3D建模是重中之重。激光雷達能提供高精度的3D點云，但密集的3D信息就需要攝像頭的幫助了。人類用兩只眼睛獲得立體的視覺感受，同樣的道理能讓雙目攝像頭提供3D信息。假設兩個攝像頭間距為B，空間中一點P到兩個攝像頭所成圖像上的偏移（disparity）為d，攝像頭的焦距為f，那么我們可以計算P點到攝像頭的距離為：

所以為了感知3D環(huán)境得到z，需要通過雙目攝像頭的兩張圖像I_l和I_r得到d，通常的做法都是基于局部的圖片匹配：

由于單個像素的值可能不穩(wěn)定，所以需要利用周圍的像素和平滑性假設d(x,y)≈d(x+α,y+β)（假設α和β都較?。?，所以求解d變成了一個最小化問題：

這和opTIcal flow任務想要解決的是非常類似的問題，不過是（Il，Ir）變成了（It ，It+1），所以下面將要介紹的算法，兩者都適用。

現(xiàn)在來看看Matching-Cost CNN算法，這個算法使用了一個CNN來計算上式的右側matchingcost，MC-CNN的網(wǎng)絡結構見圖1。

圖1 MC-CNN的網(wǎng)絡結構

這個網(wǎng)絡的輸入是兩個圖片的一小塊，輸出是這兩塊不匹配的概率，相當于一個cost函數(shù)，當兩者匹配時為0，不匹配時最大可能為1。通過對一個給定的圖片位置搜索可能的d取值，找到最小的CNN輸出，就得到了這一點局部的偏移估算。MC-CNN算法接下來做了如下后期處理：

Cross-based cost aggregation：基本思想是對鄰近的像素值相似的點的偏移求平均，提高估計的穩(wěn)定性和精度。

Semi-global matching：基本思想是鄰近的點的平移應該相似，加入平滑約束并求偏移的最優(yōu)值。

插值和圖片邊界修正：提高精度，填補空白。

最終算法效果如下：

圖2 MC-CNN的算法效果

MC-CNN雖然使用了CNN，但僅限于計算匹配程度，后期的平滑約束和優(yōu)化都是必不可少的，那有沒有可能使用CNN一步到位呢？FlowNet就是這樣做的。