随着人工智能、互联网、大数据、5G等新技术应用和汽车产业变革的蓬勃兴起，智能汽车已成为汽车产业发展的重要战略方向。目前，智能驾驶已经成为目前车企营销的核心竞争力。在人车协作过程中，智能汽车最重要的功能就是车舱内外视觉功能，该功能就如同人类的眼睛一般重要。

舱内视觉应用

为了确保行车安全，智能座舱需要实时了解驾驶员的状态，在遇到紧急事件时能及时甚至提前让驾驶员进行应对。因此，从汽车制造商到各国的相关政策法规，都在积极导入驾驶员监控系统（DMS）。

目前主流是利用2D或3D的摄像头方案（一般带红外功能）实现对驾驶员的身份识别、驾驶员疲劳驾驶以及危险行为的检测功能，是目前流行的ADAS（高级驾驶辅助系统）系统中重要组成部分。

通过摄像头对于车内的驾驶员或者乘客的动作特征、身份特征、面部表情等的识别，可以通过深度学习算法分析这些捕捉的视频或者图片，从而分析出目前驾驶员和乘客状态，主要包含驾驶员是否疲劳驾驶、操作是否规范、乘客动作是否安全等。

此外通过综合分析人脸属性、人体骨骼比例以及身长信息，能够准确判断成人与儿童。当识别到儿童，系统将主动触发儿童看护功能，持续对儿童进行状态、行为监测，并实时反馈给前排家长，提醒其采取必要措施。其内涵技术主要是基于深度学习的视觉分析技术。

舱外视觉应用

除了舱内视觉应用广泛，舱外监控也是必不可少。舱外摄像头主要是代替人眼睛对车辆、行人、交通标志进行识别、跟踪和测量，感知到汽车周边的障碍物以及可驾驶区域，理解道路标志的语义，从而对当下的驾驶场景进行完整描述。

目前使用车舱外摄像头功能有自适应巡航、车道偏离预警、车道保持辅助、前碰撞预警、自动紧急制动、交通标志识别、智能远光控制、自动泊车、行人监测系统、360环视系统、倒车影相系统、盲点探测、全景泊车系统等。

捕捉到图像或者视频后，通过深度学习算法进行分析，从而有效的提醒或者指导驾驶员正确安全的操作。深度学习算法分析的本质是通过构建具有很多隐层的机器学习模型和海量的训练数据，来学习更有用的特征，从而最终提升分类或预测的准确性。

技术壁垒

上述的车载视觉技术的应用无处不在，目前SOTA的视觉分析模型都是基于深度神经网络的，依赖于海量数据的训练和泛化。但是，由于车载场景的复杂多变，导致目前车载环境下录制的视频或者采集的图像数据非常少。车载环境数据的匮乏是目前车载视觉技术取得更精准效果的壁垒。因此如何采集或者标注更多车载视觉场景数据是工业界和学术界共同的难题。

Annotator 智能化标注工具

针对以上工业界学术界的痛点问题，Magic Data 自研的 Annotator 智能化标注平台推出座舱内外环境的标注功能，能够实现面向场景的多模态标注。此外，除了能够处理自动驾驶和智能座舱2D图像、3D点云等数据，还能实现语音、视频、文本等强大功能。

• 3D点云
• 点云目标检测
• 点云目标追踪
• 点云分割

• DMS/ OMS
• 人脸关键点、人体骨骼关键点、人脸五官关键点标注
• 乘客、舱内物品矩形框标注

• 图像数据标注
• 图片分类
• 目标检测
• 目标追踪
• 语义分割

申请免费使用：https://www.magicdatatech.cn/annotator

了解更多智慧出行AI数据解决方案：https://www.magicdatatech.cn/industry/automotive