自動駕駛技術發展近年來備受國內外產官學界重視，然而要完全實現無人 駕駛卻面臨許多挑戰：除了自駕車本身的主動及被動感測的定位精度品質外，讓 自駕車擁有自我判斷目前車況與周遭環境以做出駕駛決策的感知能力亦為核心 技術之一。據相關研究指出，自駕車系統主要由三大技術組成：首先是感知能力，
行駛方向判定等；再者是定位與測繪(Mapping)技術，隨時掌握車輛在地圖上的 演算法模擬人類神經元實現類人智慧技術(Artificial Intelligence, AI)。考量人工智 慧技術擁有優於人腦邏輯計算高速性、高容量儲存力與記憶力，並能在良好供給 資源下具備長效連續運作及成長的能力，本計畫考量未來技術發展將有別於傳 統人為辨識處理方式，擬針對利用人工智慧自動化辨識外界環境包含交通號誌、
道路標線、道路邊界等自駕車可用特徵萃取技術以文獻回顧方式進行先期可行 性評估。
影像辨識技術常採用基於卷積式類神經 (Convolutional Neural Networks, CNN)之演算法，其精隨在於卷積層與池化層之架構，利用卷積層在影像中全面 Cascade-AdaBoost classifier 演算法(Viola, 2001)已被證實為具良好成效的影像辨 識案例，將其應用於車輛所需之特徵辨識成果如圖 4.6 所示：(a-b)為靜態與動態 情形下的車輛辨識(c-d)為不同數量車子的辨識情形，當路上車流量大時車輛在 影像上會重疊，可能會影響辨識成果(e-f)不同車型大小的辨識成果。
圖 4.6 Cascade-AdaBoost classifier 演算法辨識道路車輛 (Broggi, Alberto, et al., 2014)
除了使用類神經網路以辨識環境特徵外，部分學者提出影像處理演算法以 實現車道邊界之辨識技術(Lane detection)，以利影像處理之便利性，首先會將拍 攝得之影像轉成IPM(Inverse Perspective Mapping)影像，利用 Gaussian filter 演算 法除去 IPM 影像中的雜訊，以 Simple Hough Transform 萃取影像中之車道邊界 線後，旋即以RANSAC line fitting 演算法擬合，最後再以後處理技術(post-process) 將 IPM 影像轉回真實世界之影像同時修正影像處理過程導致的缺失如圖 4.7 所 示，左圖為後處理修正前的車道辨識線，右圖綠線則為後處理後之成果，顯而易 見的經後處理過後之車道邊界線更為完整、精確。此技術之優勢在於能即時、快 速且穩定的辨識道路邊界，即便是在環境複雜的都市地區亦能施行，此外能同時 偵測多個車道範圍內的影像資訊，辨識成果之精確度亦極高，圖4.8 為多個車道 辨識之正確率，圖中之Clip 代表不同種類的車道環境，整體精度成果可達 90.89%
(Mohamed Aly, 2014)。
圖 4.7 Lane Detection 後處理前後之成果(Mohamed Aly, 2014)
圖4.8 不同種類車道辨識之精度成果(Mohamed Aly, 2014)
另 一 方 面 ， 廣 泛 應 用 在 電 腦 視 覺 領 域 之 SIFT( Scale Invariant Feature Transformation)及 SURF(Speeded Up Robust Features)影像匹配技術，則能對目標 物進行特徵萃取進而快速匹配特徵點，兩種演算法皆能偵測角點與明顯材質的 紋理，完成匹配後方能計算兩影像間的位相關係。圖4.9 為兩種演算法之範例，
對不同光影的影像進行特徵點萃取，左圖為SIFT 演算法萃取的正確率為 9 /10，
右圖SURF 演算法萃取的正確率為 10 /10。
圖 4.9 利用 SIFT 與 SURF 進行特徵點萃取(Luo and Gwun,2009)
此外，較常見的影像特徵萃取方式，包含萃取特徵物形狀幾何的 Hierarchical Spatial Feature Matching 演算法與利用特徵物的 RGB 值萃取形狀的 HIS (Hue Saturation Intensity)演算法(Harini et al., 2017)。以 HIS 演算法為例：H 為色相、
S 為飽和度、I 為亮度，由於三者在光影的變化下互相獨立，故在某些特定影像 處理如火災辨識等極具優勢。
然而影像易受拍攝環境干擾如光影、待測物本身條件等，導致影像品質不 佳，故欲實行影像辨識及特徵萃取需將此納入考量，因此必須透過影像前處理的 方式達到去除雜訊、增強影像，常見的演算法如二值化與形態學理論應用，如下 圖 4.10 所示，根據使用者之目的使用二值化來篩選出隱含在影像上的資訊，再 以形態學理論中基於侵蝕(erode)、膨脹(dilate)、斷開(opening)和閉合(closing)之 技術進行後續處理，將邊界平滑化或突顯影像上之紋理特徵，達到特徵物萃取的 目的。
圖4.10 二值化後的影像(Harini et al., 2017)
近年來光達點雲資料備受重視，由於光達能快速收集大量三維地物點坐標，
相較於影像，光達點雲特有的三維幾何特性能可為自駕車提供地物分類另一種 環境的判釋資料，部分學者提出有別於傳統分類模式，將影像分類中以物件為基 礎的概念延伸至點雲資料進行分類，以建構點雲間之幾何從屬關係，直接利用點 群具有的空間分布特性分類地物，提升自動化分類成果的完整性及合理性，此技 術在空載光達與地面光達點雲之分類皆有很好成效，分類成果如圖 4.11 所示，
紅色代表建築物；黃色代表小型結構物；深綠色代表樹；淺綠色代表樹叢；橘色 代表樹幹；淺藍色代表混合物；卡其色代表地面點(林耿帆,徐百輝,2014)。
圖4.11 地面光達分類成果(林耿帆,徐百輝, 2014)
即便影像與光達點雲資料能作為自駕車因應環境刺激的感知能力之媒介，
然而這些感測器仍存在潛在的問題，如影像易受光影等限制；光達則會受氣候因 素所影響，價格昂貴為無法普及的最大障礙，為了彌足感測器運行上的劣勢，勢 必要進行多感測器的整合，然而不同感測器獲取的資料型態、精度品質、解析度、
測量單位皆不相同，部分文獻指出由於光達點雲相較於影像有更高的解析度，因 此內插演算法將點雲與像元相互連結達到資料整合的目的(Varuna De Silva et al., 2017)，由上述可知，多感測器間的整合亦有賴於機器學習、電腦運算技術，使 得自駕車獲取的資料能快速有效的完成，最終目的乃反饋至自駕車運算電腦，使 其進而回應外界刺激的指令，提升自駕車行駛安全。
本階段性計畫目標為將人工智慧及自動化特徵辨識技術之國內外相關文獻
利後續找出最合適進行高精度地圖特徵辨識的策略。值得注意者，評估與設計影
Fast R-CNN、Faster R-CNN、Cascade-AdaBoost classifier
卷積式類神經網路已普遍應用於影像
Gaussian filter、
Hough Transform、
RANSAC line fitting、
Post-processing
以利影像處理之便利性，將獲得的影像 轉成 IPM，利用 Gaussian filter 濾除雜 訊，並以Hough Transform 與 RANSAC line fitting 分別萃取及擬合車道邊界線，
最後以後處理技術將 IPM 轉回真實影
Hierarchica Spatial Feature Matching、