目前，我国高级驾驶辅助系统（ADAS）领域中的短板是实时行人检测，识别率不到70％。基本上，他们还没有进入商业化阶段。主要原因是技术门槛高，算法复杂。创来科技的创始人陈茂告诉雷锋。公司从事ADAS业务，主要致力于汽车前装。

今天，汽车防撞系统和实验性无人驾驶车辆依靠雷达等传感器来检测路上的行人。来自圣地亚哥加利福尼亚大学的工程师们开发了一个基于视觉信号的实时行人检测系统，该系统允许智能汽车。更准确、更便宜地检测行人。

基于视觉的车辆安全系统在应用中仍然难以实现。一方面，计算机视觉算法能够快速检测道路上的行人，但在复杂环境下识别行人和相似物体还不够成熟；行为。研究人员可以训练出比以往更有鉴别力的方法来处理复杂的模式识别，但是实时行人检测的效率太慢。

加州大学圣地亚哥分校的电气工程教授努诺·瓦斯康塞洛斯和他的研究小组开发了一种新的算法，它能够检测行人每秒2-4帧的速度变化，从而有效地避免行人突然刹车或发生事故。别再动了。

该系统的关键在于识别更复杂的道路条件，与其他类似系统相比，该算法的系统误码率仅为前者的一半，计算能力更加突出，能够预测行人在远处的移动。AKE系统在未来更实用：不仅用于车辆，还用于机器人、安全摄像机和其他设备。

Vasconcelos说：在此之前，没有任何算法能够优化和平衡行人检测的精度和速度，通过新算法我们可以获得更好的实时和准确的行人检测结果。

在早期分析中，新算法从一个相对简单的算法开始，过滤掉天空等非行人图像，然后进行较为成熟的深度学习和神经网络分析，然后通过算法检测目标的精度和复杂度。

目前，Google的无人驾驶汽车依靠雷达、激光雷达和其他传感器来检测路上的行人。去除昂贵的激光雷达设备（70万美元或40万元）可以降低无人驾驶汽车的成本，并尽早投入商业使用。

Google去年开始开发一个基于视频的行人监控系统，该系统使用深度学习算法在0.25秒内准确地识别路上的行人。编队可以给汽车提供比雷达数据更广阔的视野，但整个过程较慢，因此，传统的深层神经网络技术在行人检测场景中的应用相对缓慢。

陈告诉Leifeng。国外也有基于模式识别的识别算法，识别率在85%左右，深层学习的识别率在90%以上，这就是原因。对于故障检测过程中少量的误报警或漏报警，这是由于路面条件如眩光背光、反射地表水、车道标线模糊等原因造成的。

因此，汽车制造商对汽车安全特别谨慎和保守：任何技术都有其弱点，没有绝对完美的技术。自驾车结合了许多互补的技术，使得另一项技术能够检测出某项技术何时失效。汽车是技术性的。这是因为，一旦发生事故，车主只会寻找汽车制造商而不是供应商。