盘它！基于CANN的辅助驾驶AI实战案例，轻松搞定车辆检测和车距计算！ _生活百科

摘要：基于昇腾AI异构计算架构CANN（Compute Architecture for Neural Networks）的简易版辅助驾驶AI应用，具备车辆检测、车距计算等基本功能，作为辅助驾驶入门级项目再合适不过。

本文分享自华为云社区《盘它！基于CANN的辅助驾驶AI实战案例，轻松搞定车辆检测和车距计算！》，作者：昇腾CANN 。
引言科幻片中光怪陆离的飞行器，寄托着人类对未来出行的无限遐想。随着科技的进步，能够自动驾驶的汽车，已经离我们越来越近。自动驾驶带给人类的惊喜不止是酷炫的自动超车变道，还有它在缓解交通阻塞、减少空气污染、提高道路安全性方面的种种可能性。因此也引得无数汽车企业、科技企业竞相加入这条行业赛道，力求不断突破。

文章插图
然而，自动驾驶并不是一蹴而就的，由于技术瓶颈和相关法律法规的限制并未真正意义落地，当下的智能汽车正处于半自动驾驶（辅助驾驶）阶段。什么是辅助驾驶？简而言之，就是借助汽车对周围环境的自动感知和分析，让驾驶员预先察觉可能发生的危险，有效增加汽车驾驶的舒适性和安全性。当然，辅助驾驶系统也是非常复杂的，为实现汽车在多种复杂场景下的通用性，以及技术层面的多样性，离不开人工智能技术。我们开发了一套基于昇腾AI异构计算架构CANN（Compute Architecture for Neural Networks）的简易版辅助驾驶AI应用，具备车辆检测、车距计算等基本功能，作为辅助驾驶入门级项目再合适不过啦！话不多说，开启项目传送门：https://www.hiascend.com/zh/developer/mindx-sdk/driveassist

文章插图
CANN是华为专门针对AI场景推出的异构计算架构，以提升用户开发效率和释放昇腾AI处理器澎湃算力为目的，并且提供多层次的AscendCL编程接口，支持用户快速构建基于昇腾平台的AI应用和业务。
当然，真正意义上的辅助驾驶系统远比这个AI应用更复杂，下面主要介绍如何借助AscendCL编程接口对输入视频进行预测推理，从而实现对车辆及车道线的智能检测。
典型的目标检测算法为模仿驾驶员对车辆的辨别和分析，需要建立起一个类似人脑的算法结构，找出目标物体，确定它们的类别和位置。同时也需要解决影响检测准确性的一系列问题，比如汽车的外观和姿态、光照和遮挡等因素带来的干扰。以YOLO（You Only Look Once）为代表的目标检测算法为各类物体的检测提供了更多可能性。从人脸检测到车流控制，从人群计数到农作物监控，目标检测算法在各领域都发挥着不可或缺的作用。YOLO算法目前已经迭代到v5版本，本项目使用的是YOLOv4，下面我们来看看它的结构。

文章插图
图片来自https://blog.csdn.net/andyjkt/article/details/107590669
从算法结构方面看，YOLOv4由三部分组成：Backbone层提取特征，Neck层提取一些更复杂的特征，最后由Head层计算预测输出。
1. Backbone层：通过CSPDarknet53框架在不同图像细粒度上聚合并形成具备图像特征的卷积神经网络，主要用于图像特征提取。
2. Neck层：由SPP或PAN等一系列混合和组合图像特征的网络层组成，提取一些更复杂的特性，并将图像特征传递到预测层。
3. Head层：对图像特征进行预测，生成边界合并预测类别。从流程方面看，YOLOv4主要分为三个处理阶段：