随着自动驾驶技术和市场的发展，自动驾驶测试技术的需求越来越迫切。作为传统驾驶员在驾驶过程中接受的最主要的信号之一，座舱信号显得格外重要，座舱信号识别也在自动驾驶测试技术中起到了十分关键的作用。国内现有的座舱信号识别方案严重依赖于国外的AVAD3系统，该系统价格高昂，配置繁琐，体积庞大，鲁棒性较低，同时识别多个座舱信号时无法保证时效性。
信号处理过程
1. 采集图像信号
本文采用的设备是BASLER acA640-750uc摄像头和x86平台的计算机。在进行自动驾驶汽车测试之前，应该在汽车座舱内固定计算设备和摄像头。其中摄像头应该固定在能够清晰拍摄汽车仪表盘正面居中部分的位置，能够捕捉到所有需要识别的座舱信号，不受其他障碍物遮挡，保证摄像头在汽车行驶过程中不会发生大幅度的位移。在固定摄像头之后，应调整摄像头的焦距和曝光时间等，使其能够清晰地捕捉仪表盘座舱图像信号。调整完毕之后，继续设置其他摄像机参数，保证摄像机能够在整个测试过程中能够连续不断地获取拍摄图像信号。部署完摄像机和设备之后，即可运行自行编写的GUI程序选择需要识别的图像信号，设置标签和识别颜色，并将相应数据序列化后保存至本地。
2. 图像降噪
摄像机拍摄的图像可能含有较多的噪声，如果直接将原始图像用于后续图像处理，其性能可能会受噪声影响和效果而大打折扣，所以在进行识别之前需要进行降噪处理。本文采用的降噪方法是高斯模糊，该方法对于图像彩噪有着较好的去除效果和计算速度由于选取的座舱信号分辨率并不是特别高，且前后景对比度较大，背景较为纯净，所以本文选取了尺寸为3的高斯核进行图片降噪。如图所示为座舱原始信号和进行高斯降噪之后的灰度图
图一. 左为模板原图，右为降噪后慧度图
当图像完成降噪之后，即可进行后续处理。
3. 边缘检测
边缘检测是一种图像处理技术，用于寻找图像中物体的边界。它的工作原理是检测图像中亮度的不连续性，即是图像中亮度急剧变化的区域。在图像处理、计算机视觉和机器视觉等领域，边缘检测被用于图像分割和数据提取，边缘检测是这些任务的一个非常基础的工具。由于汽车在道路上行驶过程中，汽车外部和汽车内部容易受到光照的影响，如果不对光照进行归一化处理或者移除光照影响，直接进行模板匹配将会导致召回率极低，本文在进行模板匹配前还使用了Canny边缘检测处理座舱图像和模板图像。Canny边缘检测将使用高斯平滑后的图像用Sobel内核在水平和垂直方向上进行滤波，得到水平方向和垂直方的第一导数，即可找到每个像素的边缘梯度和方向，如公式所示
梯度方向总是与检测到的边缘垂直。
4. 模板检测
模板匹配是数字图像处理中的一种技术，用于寻找图像中与模板图像匹配的小部分。模板匹配的一种基本方法是使用一个图像模板，用来在图像中搜索相同的图像子区域。图像模板匹配技术基于两张图像的标准化卷积（NCC），其公式如下：
模板匹配的计算量相对而言较大，所以需要相关优化使得其更加迅速：
⦁ 只对感兴趣区域进行自适应搜索：由于摄像机固定在车内，在测试过程中不会发生大量的位移，所以可以自适应地仅对截取图像信号的周围区域进行搜索，减少计算量。
⦁ 使用CPU并行计算：现代计算机的CPU大都有着多个核心，所以对于多目标的模板匹配，可以利用硬件优势，将不同模板的匹配计算任务分配到不同的核心内，提高计算速度。
⦁ 使用GPU并行计算：对于配备了通用图形处理器的计算设备，可以使用图形处理器来计算卷积算子，与CPU相比能获得得更快的运算速度。
在进行了优化之后，对于12个模板的匹配任务，在搭载i9-9980HK （8核心16线程）且还有其他运算任务的电脑上运行速度可达110帧以上，如图2.所示。
图2. 座舱图像信号识别结果
5. ON/OFF颜色计算
由于模板匹配采用了平滑的边缘，匹配模板的颜色信息丢失，但是部分图像信号需要其颜色来判断ON/OFF状态。本文使用检测到内边缘掩膜区域颜色的均值计算其为ON状态时颜色，再设定或用同样方法计算OFF状态颜色，如图3.所示。
结论
本文通过多种优化处理，在保证识别召回率和准确率的同事，还解决了座舱图像信号识别问题的鲁棒性和速度等问题，使得测试设备具备了多目标多场景的测试能力，在一定程度上缓解了我国对于国外识别设备的依赖。
参考文献
⦁ Garnett R, Huegerich T, Chui C, et al. A universal noise removal algorithm with an impulse detector[J]. IEEE Transactions on image processing, 2005, 14(11): 1747-1754.
⦁ Canny J. A computational approach to edge detection[J]. IEEE Transactions on pattern analysis and machine intelligence, 1986 (6): 679-698.
⦁ Lindeberg T. Edge detection and ridge detection with automatic scale selection[J]. International journal of computer vision, 1998, 30(2): 117-156.
⦁ Cole L, Austin D, Cole L. Visual object recognition using template matching[C]//Australian conference on robotics and automation. 2004.
基金项目：本研究得到自动驾驶测试评价设备项目（项目立项编号：CPYF-2019-02）、汽车噪声振动和安全技术国家重点实验室资助。