摄像头是ADAS核心传感器，相比毫米波雷达和激光雷达，最大优势在于识别（物体是车还是人、标志牌是什么颜色）。汽车行业价格敏感，摄像头硬件成本相对低廉，因为近几年计算机视觉发展迅速，从摄像头角度切入ADAS感知的创业公司数量也非常可观。

（一）视觉ADAS可实现功能 

因为安全记录、停车等需要，摄像头在车上的大量应用是行车记录仪、倒车影像等辅助功能。一般通过安装在车身各个位置的广角摄像头采集影像，经过标定和算法 处理，生成影像或拼接形成视图补充驾驶员视觉盲区，不用涉及整车控制，因此更加注重视频处理，技术已经成熟并逐渐普及。 目前在行车辅助功能中，摄像头可用来单独实现很多功能，并且按照自动驾驶发展规律逐渐演进.

这些功能更加强调对输入图像的处理，从拍摄的视频流中提取有效目标运动信息做进一步分析，给出预警信息或直接调动控制机构。相比视频输出类功能，强调高速下的实时性，这部分技术正处在发展上升期。

（二）核心算法芯片

图像相关算法对计算资源有很高的要求，因此芯片性能讲究。如果在算法上叠加深度学习来帮助识别率提升，对硬件性能的要求只增不减，主要考虑的性能指标是运算速度、功耗、以及成本。

目前为试用于用于ADAS摄像头的芯片,高通平台发布了820A,这款芯片在硬件上完美支持了ADAS的开发.

GPU和FPGA并行处理能力强。图片这样的文本，尤其在使用深度学习算法需要多个像素点同时计算，FPGA和GPU会更有优势。两类芯片的设计思路类 似，都是为了处理大量简单重复的运算。GPU的性能更强但耗能也更高，FPGA因为编程和优化都是直接在硬件层面进行的，能耗会低很多。

现阶段可用于传统计算机视觉算法的车规级芯片有多种选择，高通820A是一款独一无二专为车载而生的适用于传统算法叠加深度学习算法的低功耗高性能芯片

（三）算法

ADAS视觉算法的源头是计算机视觉。

传统的计算机视觉识别物体大致可以分为图像输入、预处理、特征提取、特征分类、匹配、完成识别几个步骤。 

有两处尤其依赖专业经验：第一是特征提取。在识别障碍时可用特征很多，特征设计尤其关键。判断前方障碍物是不是车，参考特征可能是车尾灯，也可能车辆底盘 投在地面的阴影等。第二是预处理和后处理，预处理包括对输入图像噪声的平滑、对比度的增强和边缘检测等。后处理是指对分类识别结果候选进行再处理。

科研中的计算机视觉算法模型运用到实际环境中，不一定就能表现得很好。因为科研得出的算法会增加诸如天气、道路复杂情况在内的条件限制，现实世界里除了关注复杂环境的算法表现，还要考虑各种环境下算法的鲁棒性（是否稳定）。

算法上比较重要的一个变化是深度学习的渗透。

深度学习让计算机模拟人类思考的神经网络，可以自己学习判断。通过直接向计算机输入标定后的原始数据，比如挑选一堆异形车图片，然后丢给计算机让它自己学习什么是一辆车。这样就可以免去计算视觉特征提取、预处理等步骤，感知过程可以简化为输入图片-输出结果两步。 

业内比较一致的观点认为，在感知方面，深度学习将会弯道超车传统视觉算法。目前深度学习的算法模型已经开源，而且算法种类不多，因此有降低门槛大量优秀结果涌现的可能。但是受限于没有合适的车端平台，离产品化还有一段距离。 

业内对深度学习在ADAS应用的看法都比较客观冷静。不少观点认为深度学习算法是一个黑箱（Blackbox）算法，类似人感性决策的过程，可以很快输出一个结果，很难在发生事故后反查原因，因此在使用深度学习时要加入理性决策部分，并且分区块设计。

也有观点认为传统计算机视觉算法比我们想象的“智能”，在不断寻找车辆图片共性和差异的过程中，也能检测出一些异形车辆。并且在叠加深度学习算法后，传统计算机视觉算法也可以帮助减少深度学习神经网络的层数，简化算法。 

可以肯定的是，无论哪种算法，数据都是用来训练测试的宝贵资源，而且不是单纯的越多越好，而是越有效越好（符合实际用车环境并保证多样化）。

未来基于高通820A,会衍生出关于ADAS的有关/机器视觉,摄像头,算法的一系列开发套件和解决方案,相信高通可以助力于整个汽车产业以及ADAS的发展。