[首發于智駕最前沿微信公眾號]車載攝像頭在自動駕駛中，就像是“看見世界”的眼睛，其主要任務是把外界的光學信息轉換成計算機能理解的像素數據，再通過一系列算法，從這些像素中提煉出“有什么物體、在什么位置、如何運動、可能想做什么”這類高層信息。作為一個感覺硬件車載攝像頭是如何感知距離的？

車載攝像頭的基本架構與信號處理流程

攝像頭的核心是一塊光電傳感器，現在普遍用的是CMOS傳感器。光線從鏡頭進入，經過光圈、濾光片，最后投射到傳感器表面。傳感器把接收到的光轉換成電荷，模數轉換器再把這些電荷轉成數字值，這些數值就組成了一幀圖像。

鏡頭決定了視角和成像會不會畸變，光圈和快門控制著進光量和運動模糊程度，傳感器像素的大小則決定了單位面積捕捉光子的能力。

隨后，ISP（圖像信號處理器）會對原始數據做去噪、白平衡、伽瑪校正、去畸變和壓縮等處理，最終輸出給機器學習或視覺算法直接使用的圖像流。

車載攝像頭和普通相機的不同，主要在于工程上的要求更苛刻。它必須能應對高動態范圍（比如白天強光和進入隧道后的黑暗）、溫度變化、機械振動、雨雪和灰塵。

為了適應這些場景，車載系統通常會配備自動曝光、短時HDR（高動態范圍合成）功能，并在全局快門和滾動快門之間權衡（滾動快門成本低，但在快速運動下會產生變形）。有時還會在鏡頭前加裝電熱絲來防霧，或在夜間用紅外/近紅外補光。

攝像頭模組需要經過精確標定，包括內參（焦距、主點、畸變系數）和外參（相對于車體坐標以及其他傳感器的位置和姿態），這對后續的距離估計和多傳感器融合非常關鍵。

在自動駕駛系統中，攝像頭數據需要與車輛總線、IMU（慣性測量單元）、車輪里程計、激光雷達等同步。時間戳是否精確、幀率高低以及延遲大小，都會直接影響車輛對動態目標（比如行人、摩托車）的反應能力。

分辨率和幀率之間也常常需要權衡，更高分辨率有助于識別遠處的小物體，但處理和傳輸的負擔更重；更高幀率能減少運動模糊、提升響應速度，但可能導致光學信號變暗，并且更消耗算力。

攝像頭在自動駕駛系統中的作用

之所以把攝像頭比作“眼睛”很形象，是因為它擅長提供顏色、紋理、形狀這類信息給計算機識別。

其具體任務包括檢測和定位車輛、行人、騎行者、交通標志、交通燈、車道線等，進行語義分割（在像素級別識別出道路、行人、自行車道等），以及預測目標的行為（比如行人是否要橫穿馬路）。

在識別語義信息時，攝像頭通常比激光雷達更有優勢，顏色能幫助識別信號燈和標志，紋理信息有助于更精細地辨別物體類別。

但攝像頭也有明顯的局限。

它本身不會直接測量距離（不像激光雷達那樣直接給出點云）；在強逆光、夜間光線不足、雨雪霧霾等環境下，性能也會大幅下降；對于光學遮擋、反光、玻璃后的物體，識別起來也比較困難。

此外，攝像頭的成像會受到鏡頭畸變、顏色偏差和壓縮偽影的影響，需要軟件算法來進行補償和增強。

因此車載攝像頭是一個“語義能力強，但幾何能力弱”的傳感器，往往會和激光雷達、毫米波雷達或超聲波傳感器配合使用，取長補短。

用攝像頭識別物體距離的幾種方法

既然車載攝像頭沒有辦法探測距離，那有些使用純視覺方案的自動駕駛系統是如何感知距離的？

其實依托攝像頭判斷距離的方法有很多，核心思路可以分為帶基線的立體幾何法、基于運動或結構恢復的單目方法、基于學習的深度估計，以及利用視覺和先驗信息的尺度估計等幾類。

立體視覺是最直觀的幾何方法。

在車上固定安裝兩個同型號的攝像頭，兩個鏡頭之間保持已知的基線距離。

它們同時對同一場景拍攝，得到左右兩張圖像。通過在這兩張圖像里尋找對應點（也就是“匹配”），可以得到一個叫“視差”的值，即同一物體在左右圖像中水平位置的差值。

根據三角測量原理，物體到攝像頭的深度Z，與焦距f、基線B、視差d的關系可以近似表示為：Z = f * B / d。這個公式計算簡單，在短中距離（幾米到幾十米）效果很好。

舉個例子來具體計算一下：假設攝像頭等效焦距是800像素，基線是0.2米，某個物體在左右圖像的視差是40像素。代入公式：Z = f * B / d。先算f * B：800 * 0.2 = 160。然后160除以40：160 / 40 = 4。結果就是Z = 4米。實際工程中，需要注意視差的亞像素精確化、立體對齊以及紋理不足區域可能匹配失敗的問題。

立體方法的優點是物理原理直觀、可解釋性強，而且沒有尺度歧義（因為基線和焦距已知），對近中距離物體精度較高。

其缺點也很突出，需要兩個攝像頭精確標定和穩定安裝；基線太小會導致遠處深度精度差（視差太小容易受噪聲影響）；紋理稀疏或重復的圖案會造成匹配錯誤。

車載立體系統通常需要對視差進行后處理、濾波和一致性檢測，來抑制錯誤。

那單目攝像頭方案是否可以探測距離？其實單目攝像頭本身不直接提供深度，需要借助其他線索來恢復三維信息。

基于多幀的結構從運動（SfM）或視覺里程計（VO）

基本思路是利用車輛移動時連續拍攝的多幀圖像，跟蹤特征點，結合相機的運動（可以從車輛里程計或IMU估計）和特征點在圖像中的運動，來恢復三維點云和深度。

這本質也是三角測量，只不過基線來自攝像頭的運動而非固定物理基線。

這個方法的優點是硬件要求低，缺點是對場景自身運動、光照變化敏感，且恢復的深度存在尺度不確定性（除非有外部尺度信息）。

物體尺寸先驗法

利用已知物體的典型尺寸來估算距離。比如，我們知道一般轎車的高度大約1.5米，如果在圖像中檢測到車輛并量出它的像素高度是h，那么可以用相機內參和三角關系估算距離：Z≈ f * H_real / h。其中H_real是物體真實高度，f是焦距（像素單位）。

舉例說明：假設f=800像素，H_real=1.5米，檢測到圖像中車高h=200像素，那么Z ≈ (800 * 1.5) / 200。先算800 * 1.5 = 1200，然后1200 / 200 = 6，得出大約6米。

這種方法非常依賴物體的真實尺寸是否符合先驗假設，遇到不同車型或車輛姿態（如上下坡、傾斜）時誤差會變大。

深度學習法

訓練卷積神經網絡直接從單張圖像預測深度圖，或者從左右圖像預測視差圖。

訓練可以是監督學習（需要大量帶深度真值的數據，通常來自激光雷達或結構光），也可以是自監督學習（利用立體對或連續幀之間的重投影一致性作為訓練信號）。

深度學習方法的優點是能在紋理弱的區域給出估計，并能利用上下文語義信息彌補幾何匹配的失敗，在特定訓練數據分布上效果很好。

缺點是容易受訓練數據分布影響，泛化能力是個挑戰，而且單目深度估計通常存在尺度模糊問題，尤其在自監督訓練中會更為明顯。

時間軸上的信息也常用來輔助判斷。比如通過光流和相機運動，可以估計碰撞時間或相對速度，這對判斷危險很有用。它不直接給出絕對距離，但對決策（例如緊急剎車）至關重要。

還有一些更少用但可能有效的方法，比如從散焦恢復深度，或從焦點變化恢復深度。

這些方法利用鏡頭的焦平面和景深信息，通常需要可控的光學系統或多張不同焦距的圖像，在車載環境下實現比較復雜，應用會相對受限。

現在最常見且最穩妥的方法還是混合方法，也就是把攝像頭和其他傳感器融合起來，攝像頭提供語義和邊界框，激光雷達提供稠密準確的距離，毫米波雷達負責在惡劣天氣下穩定檢測遠距離大物體，IMU/里程計則提供尺度信息和運動補償。

真正可靠的距離感知，往往來自于多傳感器的融合，而不是只依賴某一種方法。

誤差來源與常見應對策略

在工程實踐中，要實現準確穩定的攝像頭深度感知，不只是選對算法那么簡單，還有很多細節都會影響最終效果。

視差噪聲和遠距離不穩定性是立體系統的常見問題。視差越小，深度估計對視差誤差越敏感，誤差會被放大。可以通過增加基線、提高相機分辨率、進行亞像素視差估計、加入時間平滑等方式來改善。

但基線不能無限增大，受限于車上安裝位置，而且外參容易因震動和熱變形而變化。因此，很多系統會在前向中距離使用雙目，遠距離則依靠長焦單目攝像頭或毫米波雷達來補充。

光照和天氣是攝像頭的主要挑戰。

強逆光會讓物體變成剪影，夜間信噪比會下降，雨霧會導致對比度和紋理消失。

對于這個問題常采用的策略包括用HDR成像、低噪聲傳感器、更大尺寸的像素、紅外補光，以及學習型的去霧和圖像增強模塊。

但這些方法會增加延遲和算力消耗，在極端天氣下性能仍難保證。所以系統設計必須包含降級策略，當攝像頭置信度低時，應切換到更保守的控制模式或依賴其他傳感器。

標定與時鐘同步的重要性常被低估，但至關重要。攝像頭的內外參如果有偏差，距離計算就會系統性地出錯。外參變化可能來自熱變形、碰撞后的輕微位移或長期的機械松動。

為了保證精度，在生產和維護階段需要有嚴格的標定流程，在運行時也可以利用在線標定或視覺-慣性聯合標定來動態校正。

在時間同步方面，圖像幀的時間戳必須與車輛控制指令以及其他傳感器數據精確對齊，否則基于運動的估計會出錯。

算法層面的魯棒性設計也很關鍵。無論是傳統立體匹配還是深度學習模型，都需要對錯誤的匹配或異常的輸出進行置信度評估。

置信度低的區域，應該由其他傳感器替代，或者進行平滑處理并降低其在決策中的權重。模型更新和數據閉環也不能忽視，可以把實際車輛在真實場景中遇到的失敗樣本回收進訓練集，持續提升模型應對邊界情況的能力。

還有就是算力與功耗的平衡。高分辨率、高幀率和復雜網絡會消耗大量算力，這在車載環境下直接關系到成本和熱管理。

因此要在感知管線里做分級處理，用快速、輕量的模型做實時預篩選，復雜的模型則在感知服務器或有空閑算力時進行精細化處理。硬件上會采用專用的視覺加速器或神經處理單元來平衡性能與功耗。

最后的話

攝像頭是自動駕駛中比較重要的傳感器之一，能完成目標識別、語義分割、行為預測等大量對決策至關重要的任務。但攝像頭天生不直接攜帶距離信息，需要借助幾何三角、運動基線或基于學習的方法來恢復深度。

立體視覺利用物理基線進行三角測量，簡潔明了但對紋理和基線要求高；單目方法依賴運動或先驗信息，更靈活但可能存在尺度模糊；深度學習能在復雜場景下給出估計，但泛化性和可靠性需要大量工程數據和校驗來保障。

現在最穩健的做法還是多傳感器融合，讓攝像頭負責“看清楚是什么”，讓激光雷達或毫米波雷達負責“告訴我這東西離我多遠”，兩者結合才能既識別得準又定位得穩。