3. 摄像头感知基础与Bosch量产实践

摄像头是Bosch驾驶辅助系统中承担“看”的核心传感器。与毫米波雷达直接输出距离和速度不同，摄像头输出的是二维图像，必须经过成像、ISP处理、特征提取与目标识别，才能转化为AEB、LKA可用的目标与车道信息。理解这条链路，是理解Bosch摄像头模组功能边界的前提。

3.1 图像形成模型：从三维世界到二维像素

摄像头成像遵循针孔模型。设世界坐标系下一点 P=(X,Y,Z)，相机坐标系下为 (Xc,Yc,Zc)，则像素坐标 (u,v) 满足：

u = fx * (Xc/Zc) + cx
v = fy * (Yc/Zc) + cy

其中 fx、fy 为焦距（像素单位），cx、cy 为主点。Zc 即目标到相机的深度。该式说明：图像中同一像素对应的是三维空间中的一条射线，单目摄像头无法仅凭一个像素确定距离，必须借助目标尺寸先验、地面约束或时序运动来估计深度。这正是摄像头在AEB中通常与雷达融合的原因。

Bosch量产摄像头常用约 100° 水平视场角、1280×960 或 1920×1080 分辨率，安装于挡风玻璃内侧、雨刮覆盖区域内，光轴略向下俯仰约 1°~2°，以兼顾近处车道线与远处车辆。安装高度、俯仰角、偏航角构成外参，出厂需标定；若更换挡风玻璃或模组，必须重新标定，否则测距与车道线定位会系统性偏移。

3.2 ISP处理链：从RAW到可用图像

图像传感器输出的是Bayer格式RAW数据，每个像素只有R、G、B之一。ISP（图像信号处理器）按固定流水线将其转换为可供算法使用的图像：

• 黑电平校正与坏点修复：扣除暗电流偏置，替换失效像素。
• 去马赛克：由Bayer阵列插值出每像素完整RGB。
• 白平衡与色彩校正：消除不同色温下的偏色，使白色物体呈白色。
• Gamma与色调映射：压缩动态范围，兼顾隧道口强光与阴影细节。
• 降噪与锐化：抑制高ISO噪声，同时保留车道线边缘。
• 镜头阴影校正：补偿边角亮度衰减。

对感知算法而言，ISP并非“美化”步骤，而是直接影响检测稳定性。例如夜间降噪过强会抹掉远处车尾灯，锐化过度会在车道线边缘产生伪影。Bosch在模组内通常提供多套ISP参数集，按白天、夜间、逆光等场景切换，并保证切换时图像亮度与色彩连续，避免算法因突变而误检。

3.3 目标检测与车道线识别基础

目标检测的主流方法是基于CNN的锚框检测，如YOLO或SSD系列。网络在特征图上预测每个候选框的类别与位置，输出车辆、行人、骑行者等目标。Bosch量产模型通常经过剪枝与量化，部署在模组内的嵌入式AI加速器上，单帧推理时间控制在30~50ms，以满足实时性。

车道线识别则多采用语义分割加曲线拟合：先逐像素判断是否属于车道线，再对左右车道线分别拟合三次多项式：

x = a0 + a1*y + a2*y^2 + a3*y^3

其中 y 为车辆前方纵向距离，x 为横向偏移。a0 表示当前横向位置，a1 为航向角相关项，a2 反映曲率。LKA正是利用这些系数计算车辆相对车道中心的偏移量与航向偏差，进而决定是否预警或施加转向修正。

3.4 Bosch摄像头模组在AEB与LKA中的功能映射

在AEB中，摄像头主要提供两类信息：一是目标类别，区分车辆、行人、骑行者，这是雷达难以做到的；二是目标的横向位置与宽度，用于判断目标是否在本车道内。由于单目测距精度有限，Bosch通常采用雷达测距、摄像头分类的融合策略：雷达给出距离与相对速度，摄像头给出类别与横向归属，融合后计算TTC（碰撞时间）。

在LKA中，摄像头是唯一能提供车道线几何信息的传感器。模组输出左右车道线的多项式系数、车道宽度、曲率以及车辆横向偏移。系统据此判断车辆是否无意识偏离车道，并在必要时通过EPS施加转向力矩。需要注意的是，LKA的可用性高度依赖车道线质量：雨夜、施工区、车道线磨损或分叉时，系统应降级或退出，并向驾驶员发出接管请求。

综上，摄像头感知链的每一环——成像模型、ISP、检测算法、功能映射——都直接影响AEB与LKA的可靠性与安全边界。理解这条链路，才能在系统集成与标定中做出正确判断。