📚 课程目录第3章特殊场景分类

3. 特殊场景分类

在常规道路与良好天气下，视觉感知系统往往能获得稳定、清晰的图像输入，检测与识别性能也较容易达到预期。然而，真实作业环境远非理想：夜间照明不足、隧道出口的强逆光、暴雨与浓雾、施工扬尘、密集遮挡、动态背景以及越野非结构化地形，都会让感知系统面临显著退化。本节将特殊场景按成因与表现进行分类，分析其场景特征、对感知链路的影响以及工程应对思路。

一、核心原理：特殊场景为何让感知退化

视觉感知的本质是从图像像素中恢复场景的几何、语义与运动信息。特殊场景主要通过三条路径破坏这一过程：

成像质量下降：低光照导致信噪比降低、暗部细节丢失；雨雾雪与烟尘通过散射改变光路，造成对比度下降与颜色偏移。
动态范围失配：强逆光下背景极亮、目标极暗，传感器动态范围不足时，目标区域欠曝或背景过曝，边缘与纹理被截断。
几何与语义歧义：遮挡使目标可见部分不足；动态背景（如摇曳树木、雨刷、水面反光）引入虚假运动；非结构化地形缺乏车道线、路沿等先验，导致可行驶区域难以界定。

  特殊场景的挑战不是单一模块的问题，而是“成像—特征—检测—跟踪—决策”整条链路的级联退化。工程上必须把场景分类作为前置判断，再动态切换算法策略与传感器权重。

二、场景分类与特征对照

下表从成因、典型表现、主要受影响模块与常用应对手段四个维度，对七类特殊场景进行归纳。该表可作为场景识别模块的标签体系与策略路由依据。

场景类型	主要成因	典型表现	受影响模块	常用应对手段
低光照	夜间、隧道、地下车库	暗部细节丢失、噪声升高、颜色失真	检测、跟踪、深度估计	低照度增强、红外/热成像融合、长曝光与多帧降噪
强逆光	隧道出口、日落、对向远光灯	目标欠曝成剪影、背景过曝、眩光	检测、分割、测距	HDR 合成、曝光分区控制、眩光抑制与多曝光融合
雨雾雪	降水、雾气、积雪	散射降质、雨线/雪花伪影、路面反光	检测、分割、SLAM	去雨去雾网络、毫米波雷达补偿、偏振成像
烟尘	施工、火灾、越野扬尘	局部或全局遮蔽、对比度骤降、颗粒噪声	检测、跟踪、建图	多光谱/热成像、雷达穿透、时序一致性校验
遮挡	车辆、行人、建筑、植被	目标可见部分不足、截断、重叠	检测、跟踪、预测	多视角融合、时序补全、遮挡感知损失函数
动态背景	树木摇曳、雨刷、水面、人群	虚假运动、背景建模失效、误检	跟踪、运动估计、背景建模	语义分割掩码、光流一致性、运动补偿
非结构化地形	越野、工地、农田、雪原	无车道线、边界模糊、地形起伏	可行驶区域、SLAM、规划	几何可通行性分析、点云地面分割、语义地形分类

三、方法流程：从场景识别到策略切换

工程上通常采用“场景识别—质量评估—策略路由—结果校验”的闭环流程。首先由轻量分类网络或统计指标判断当前场景类别；随后评估图像质量（亮度、对比度、能见度、运动模糊）；再根据场景标签切换增强、检测与融合策略；最后通过时序一致性与多传感器交叉校验确认输出可信度。

场景识别输入: 图像亮度直方图 / 能见度估计 / 运动模糊指标
场景标签输出: {low_light, backlight, rain_fog_snow, smoke_dust,
              occlusion, dynamic_bg, unstructured_terrain}
策略路由示例:
  if low_light:      启用低照度增强 + 热成像权重提升
  if backlight:      启用HDR合成 + 曝光分区
  if rain_fog_snow:  启用去雾网络 + 雷达置信度加权
  if occlusion:      启用多视角融合 + 时序补全
  if dynamic_bg:     启用语义掩码 + 光流一致性过滤
  if unstructured:   启用点云地面分割 + 几何可通行性分析

该流程的关键在于：场景标签不是最终目的，而是触发策略切换的“开关”。同一段道路在进入隧道、驶出隧道、遭遇暴雨时，感知配置应随之变化，而非始终使用同一套参数。

四、典型场景案例

以隧道出口强逆光为例：车辆在隧道内行驶时，相机已适应低照度环境；驶出瞬间，外部强光进入视野，自动曝光尚未收敛，导致出口处行人、前车尾部在图像中严重欠曝，检测置信度骤降。若此时仅依赖可见光相机，极易发生漏检。工程上可结合毫米波雷达的距离与速度信息进行交叉验证，同时利用 HDR 合成与曝光分区控制缩短收敛时间。

再以雨雾天气为例：雨滴在镜头前形成散射，雾滴在空间中造成后向散射，二者共同降低图像对比度。此时去雾网络可恢复部分细节，但若去雾过度，会引入伪影并放大噪声。更稳健的做法是保留原始图像与增强图像双通道输入，由检测网络自适应融合，并提升毫米波雷达在融合中的权重。

场景分类不必追求“单帧绝对准确”，而应关注“时序稳定性”。相邻帧场景标签频繁跳变会导致策略反复切换，反而降低系统稳定性。可引入滑动窗口投票或状态机平滑。

五、误区与复盘

误区一：只做图像增强，不做策略切换。增强算法无法解决所有场景问题，强逆光下过度增强可能放大眩光，遮挡场景下增强也无法补全缺失信息。
误区二：忽视传感器时空对齐。多传感器融合的前提是时间同步与空间标定。雨雾中雷达与相机若未对齐，交叉验证反而引入错误关联。
误区三：用单一场景标签覆盖全图。实际场景常为混合型，如“低光照+遮挡”“雨雾+动态背景”。应采用区域级或像素级场景标签，而非整图单一标签。
误区四：忽略场景切换的过渡期。进出隧道、雨势变化都存在过渡过程，策略切换需设置迟滞与渐变，避免突变导致跟踪丢失。

特殊场景的工程应对必须建立在真实数据闭环之上。建议在数据采集阶段就按场景类型打标，并在训练与评测中分场景统计指标，避免“整体指标尚可、特殊场景崩溃”的假象。

综上，特殊场景分类的核心价值在于建立“场景—影响—策略”的映射关系。低光照、强逆光、雨雾雪、烟尘、遮挡、动态背景与非结构化地形各有其物理成因与退化模式，工程上应通过场景识别触发差异化处理，并结合多传感器融合与时序校验提升鲁棒性。只有把场景分类纳入感知系统的常规设计，才能在真实复杂环境中保持稳定可靠的障碍物识别能力。