隨著人工智能、互聯網、大數據、5G等新技術應用和汽車產業變革的蓬勃興起，智能汽車已成為汽車產業發展的重要戰略方向。目前，智能駕駛已經成為目前車企營銷的核心競爭力。在人車協作過程中，智能汽車最重要的功能就是車艙內外視覺功能，該功能就如同人類的眼睛一般重要。

艙內視覺應用

為了確保行車安全，智能座艙需要實時了解駕駛員的狀態，在遇到緊急事件時能及時甚至提前讓駕駛員進行應對。因此，從汽車制造商到各國的相關政策法規，都在積極導入駕駛員監控系統（DMS）。

目前主流是利用2D或3D的攝像頭方案（一般帶紅外功能）實現對駕駛員的身份識別、駕駛員疲勞駕駛以及危險行為的檢測功能，是目前流行的ADAS（高級駕駛輔助系統）系統中重要組成部分。

通過攝像頭對于車內的駕駛員或者乘客的動作特征、身份特征、面部表情等的識別，可以通過深度學習算法分析這些捕捉的視頻或者圖片，從而分析出目前駕駛員和乘客狀態，主要包含駕駛員是否疲勞駕駛、操作是否規范、乘客動作是否安全等。

此外通過綜合分析人臉屬性、人體骨骼比例以及身長信息，能夠準確判斷成人與兒童。當識別到兒童，系統將主動觸發兒童看護功能，持續對兒童進行狀態、行為監測，并實時反饋給前排家長，提醒其采取必要措施。其內涵技術主要是基于深度學習的視覺分析技術。

艙外視覺應用

除了艙內視覺應用廣泛，艙外監控也是必不可少。艙外攝像頭主要是代替人眼睛對車輛、行人、交通標志進行識別、跟蹤和測量，感知到汽車周邊的障礙物以及可駕駛區域，理解道路標志的語義，從而對當下的駕駛場景進行完整描述。

目前使用車艙外攝像頭功能有自適應巡航、車道偏離預警、車道保持輔助、前碰撞預警、自動緊急制動、交通標志識別、智能遠光控制、自動泊車、行人監測系統、360環視系統、倒車影相系統、盲點探測、全景泊車系統等。

捕捉到圖像或者視頻后，通過深度學習算法進行分析，從而有效的提醒或者指導駕駛員正確安全的操作。深度學習算法分析的本質是通過構建具有很多隱層的機器學習模型和海量的訓練數據，來學習更有用的特征，從而最終提升分類或預測的準確性。

技術壁壘

上述的車載視覺技術的應用無處不在，目前SOTA的視覺分析模型都是基于深度神經網絡的，依賴于海量數據的訓練和泛化。但是，由于車載場景的復雜多變，導致目前車載環境下錄制的視頻或者采集的圖像數據非常少。車載環境數據的匱乏是目前車載視覺技術取得更精準效果的壁壘。因此如何采集或者標注更多車載視覺場景數據是工業界和學術界共同的難題。

Annotator 智能化標注工具

針對以上工業界學術界的痛點問題，Magic Data 自研的 Annotator 智能化標注平臺推出座艙內外環境的標注功能，能夠實現面向場景的多模態標注。此外，除了能夠處理自動駕駛和智能座艙2D圖像、3D點云等數據，還能實現語音、視頻、文本等強大功能。

• 3D點云
• 點云目標檢測
• 點云目標追蹤
• 點云分割

• DMS/ OMS
• 人臉關鍵點、人體骨骼關鍵點、人臉五官關鍵點標注
• 乘客、艙內物品矩形框標注

• 圖像數據標注
• 圖片分類
• 目標檢測
• 目標追蹤
• 語義分割

申請免費使用：http://m.yebxkn.cn/annotator

了解更多智慧出行AI數據解決方案：http://m.yebxkn.cn/industry/automotive