另一方面，汽车驾驶关系到乘客的生命安全，在此情况下，物体识别必须将误报、错判的概率和可能性降低到极低范围。一旦发生误判，系统执行错误的指令，则结果将是致命的。
目标物体识别难点
目标物体差异化。
无人驾驶需要依赖算法来识别道路上的各种差异化目标。道路情况十分复杂，面对的物体多种多样。即使同一类物体，也存在外形、尺寸差异。同时，路面上的物体也可能以组合形式出现。以行人为例，行人有不同的静态和动态差异，静态包括行人的外形、服装、高矮胖瘦、体貌特征差异；动态差异指行人的运动状态，可能奔跑、行走或者静止。这就要求识别算法拥有极高的辨识度，能够区分路面上各个不同的物体，精准判断。
环境和路况差异化。实际道路行驶中，会碰到不同环境和路况，这就要求识别算法普适所有工况。例如：极端的天气情况(大雨、大雪、闪电、雾霾等)、不同的光照、不同的路况。
在动态场景中进行识别。在实际道路行驶中周围的场景都是运动的物体，从不同的视角看过去，不同的物体的坐标变化模式、姿态变化模式都会不同，识别难度进一步增加。
物体识别算法的一般路径
物体识别算法通常分为六个步骤：
前处理→前景分离→物体分类→结果改进→物体追踪→应用层面处理
前五个部分是算法的核心，第六部分则通常指后续的物体行为预测、路径规划、导航和防碰撞算法等。
1
——前处理
2
——前景切分
前景切分的目的是尽可能过滤与待识别物体无关的背景信息(例如天空)，并且将图像切分为适宜大小。一个好的前景切分算法可能将原先的200k-1000k个待识别区域缩小到20k-40k，大大减轻后续处理负担。主流算法有基于仿生原理的注意力算法等，但是这些算法往往需要依赖于预先收集的数据，这些数据规定了不同场景下的可能的背景区间信息。另外，额外的传感器输入(包括定位系统、双目摄像头或雷达提供的景深信息等)可以进一步加快前景切分。
一旦有了这些额外的信息，前景切分算法对图像区域是否处于前景(待识别)的判断确信度会大幅提升，大量背景区间将会被去除，大幅减少输入到物体识别器中的待识别区域，提高识别的速度和准确性。
3
——物体识别
4
——验证与结果改进
5
——物体跟踪
精度和响应速度之间的最优选择
精度是视觉算法的核心，近年来视觉识别算法精度不断提高。视觉识别算法的精度由误检率和漏检率共同决定。物体识别本身的复杂性决定了这一功能必须以视觉为核心。
纵观过去十多年，视觉物体识别的精度有了长足的发展。以美国加州理工学院进行的一项行人识别的算法调查为例，当误判率为每张图0.1个行人时，纯视觉算法的漏检率已由2004年最早的95%降低到了最近几年的50%附近。
因此我们有理由相信在无人驾驶真正商用时，即使是纯视觉算法也能达到很高的物体识别精确度，而若加以传感器融合(在相同误判率下约能降低10%的漏检率)和强大的车联网实时数据，无人驾驶阶段的精度要求将得以满足。
视觉识别算法精度提升途径
通过传感融合算法冗余信息判断，提高精度。视觉识别以摄像头数据为主，同时辅以雷达、激光雷达的边界、距离信息。数据显示，在相同误判率下雷达的决策辅助能降低约10%的漏检率。
利用车联网、地图数据的辅助决策。无人驾驶的商用与车联网应用密不可分，通过V2X实时数据传输，协助车辆判断物体信息，同时通过GPS高精度定位和地图数据相结合，辅助物体的分类识别。
面对如此大的计算量，通常情况会有如下几种解决方法：
第一，算法上做出妥协。不使用过于复杂的算法，这意味着精度上要做出妥协。
第二，优化算法架构，在算法上取得突破，分类器的性能往往是主流算法瓶颈，通过加强在前处理和前景分离过程中的数据筛选能力减少传输给分类环节的数据量。
责任编辑：lq
原文标题：目标物体识别算法：精度和响应度关乎生命
长沙市望城经济技术开发区航空路6号手机智能终端产业园2号厂房3层（0731-88081133）