时至今日，汽车防碰撞系统和实验性质的无人驾驶汽车依靠的是雷达等传感器来检测路上的行人。来自加州大学圣地亚哥分校的工程师则研发了一套基于视觉信号进行实时探测的行人检测系统，这套视频系统能使智能汽车更精准检测行人，成本也更加便宜。
基于视觉的汽车**系统在应用中仍然难以实现，一方面，通过计算机视觉算法能快速检测路上的行人，但是在区分行人和类似物体等复杂情况下，依然不够成熟。另一方面，机器学习算法(又称深度神经网络)仿照人脑行为，研究人员能够训练出比之前方法更富辨别力，处理复杂的模式识别，但是在实时的行人检测上处理的效率太慢。
加州大学圣地亚哥分校电气工程教授NunoVasconcelos和他的团队研究的新算法，可以通过每秒2至4帧的速度，检测行人的变化，有效避免行人突然停止移动而出现的紧急刹车或造成意外事故。
这套系统的关键在于——可以识别更加复杂的路况。与其他类似的系统相比，该算法的系统出错率只有前者的一半，而且计算能力更加突出，能在远处对行人的移动进行预判。研究小组计划未来让系统变得更加实用：不仅应用于车辆，还能应用于机器人、**摄像头等设备。
「在此之前，没有算法能够在行人检测的准确性和速度上做到优化和平衡，我们通过新算法能得到更好的实时、准确的行人检测结果。」Vasconcelos说道。
在早期的分析中，新算法从相对简单的算法开始，过滤掉比如天空等非行人部分的图像，然后进行更为成熟的深度学习和神经网络分析，*后通过该算法来检测物体的精度性和复杂性。
目前谷歌的无人驾驶汽车依靠的是雷达、激光雷达等传感器来探测路上的行人。如果去掉成本高昂的设备如激光雷达(成本7万美元，约合人民币40万)，可使无人驾驶汽车成本下降，更早投入商用。
谷歌在去年便开始研发基于视频的行人监测系统，其采用的便是深度学习算法，能在0.25秒内准确识别路上的行人。在谷歌负责计算机视觉和机器学习的研究科学家AneliaAngelova表示，「视觉信息相比雷达数据，可以给车描摹一个更广阔的视域，但是整个处理过程要慢一些。」因此传统深度神经网络技术在行人检测场景的应用，一直比较缓慢。
陈茂告诉雷锋网，行人识别的实现方式有很多种，当前***的是深度学***外也有基于模式识别的算法，识别率在85%左右，而深度学习的识别率能做到90%以上，这也是当前各公司追捧它的原因。对于在使用过程中存在少量的误报或漏报等检测失效的情况，则是因为路况比如逆光刺眼、路面积水反光、车道标线模糊等原因造成的。
所以汽车厂商对于汽车**特别谨慎和保守：任何技术都有其软肋，没有****的技术。「自行驾驶融合了很多互补的技术，当一种技术失灵时会启用另外一种技术来检测。汽车在技术上是有冗余和备份的。这是因为一旦出现任何事故，车主只会找汽车厂商，而不会找供应商。」
公安机关备案号：
