3. 车载相机系统与图像质量工程

在 Mobileye EyeQ 这类以视觉为核心的车道与目标感知系统中，前视相机是整个感知链路的“第一传感器”。它的选型、安装、标定、曝光与图像预处理质量，直接决定了后续车道线检测、车辆检测、可行驶区域分割等算法的输入上限。如果图像本身存在严重畸变、过曝、欠曝或运动模糊，再强的神经网络也无法稳定输出正确结果。因此，图像质量工程不是辅助环节，而是感知系统工程的基础组成部分。

前视相机选型：从感知需求反推硬件参数

前视相机的选型通常围绕几个核心参数展开：分辨率、视场角（FOV）、帧率、动态范围、快门类型和镜头畸变特性。以 EyeQ 平台常见的 L2 级前视感知为例，典型配置为 1280×960 或 1920×1080 分辨率、约 50°～100° 水平视场角、30fps 帧率、120dB 以上高动态范围，并采用全局快门或高性能卷帘快门。

分辨率决定了对远处小目标的辨识能力。假设相机水平视场角为 52°，分辨率为 1280 像素，则每度约 24.6 像素。若要在 100m 外识别宽度约 0.3m 的车道线，其对应视角约 0.17°，仅约 4 个像素宽，已接近检测下限。因此，远距离车道保持通常需要更高分辨率或更窄视场角。视场角则决定了近场覆盖范围：FOV 过窄会丢失相邻车道和近处切入目标，FOV 过宽又会降低中心区域像素密度，增加畸变校正负担。工程上常采用“主视相机 + 窄视相机”或“宽视相机 + 长焦相机”的多相机方案来兼顾远近。

快门类型同样关键。卷帘快门逐行曝光，在车辆高速运动或振动时会产生果冻效应和行间时间差，影响车道线几何一致性；全局快门所有像素同时曝光，更适合高动态场景，但成本与功耗更高。对于 EyeQ 前视系统，若帧率较高且曝光时间较短，卷帘快门在多数场景下仍可接受，但在隧道出入口、强烈振动等条件下需重点评估。

安装标定：把相机“放进”车辆坐标系

相机安装后，必须通过标定确定其相对于车辆坐标系的外参，包括安装高度、俯仰角、偏航角和横滚角。这些参数直接决定图像像素到地面坐标的映射关系。以单目测距为例，若相机安装高度为 h，俯仰角为 θ，焦距为 f，则图像中某像素纵坐标 v 对应的地面距离可近似表示为：

Z = h / tan(θ + arctan((v - v0) / f))

其中 v0 为主点纵坐标。俯仰角误差 0.1° 在 50m 处可能带来数米级的距离偏差，因此标定精度通常要求俯仰角误差小于 0.05°～0.1°。实际产线标定常使用地面已知图案（如棋盘格或车道线靶标），通过多帧图像优化外参。车辆使用过程中，还可通过车道线消失点、地平线估计等方法进行在线标定补偿，以应对载荷变化、悬架沉降和碰撞后的安装偏移。

曝光控制与动态范围：让图像“看得清”

车载场景的亮度跨度极大：隧道出口的强光可达 100,000 lux 以上，而夜间无路灯道路可能低于 1 lux。人眼可适应约 10^6 的动态范围，而普通 CMOS 传感器通常只有 60～70dB。高动态范围（HDR）相机通过多曝光合成或双转换增益技术，将动态范围提升至 120dB 以上，从而同时保留天空云层细节和阴影中的车道线。

曝光控制策略通常包括自动曝光（AE）、自动增益（AGC）和自动白平衡（AWB）。AE 的目标不是让整幅图像平均亮度适中，而是保证感知关键区域（如前方车道线、车辆尾部）不过曝、不欠曝。工程上常采用感兴趣区域（ROI）加权测光：对图像下半部分和中心区域赋予更高权重，对天空区域降低权重。例如，可将图像划分为 5×5 网格，中心下方 6 个网格权重设为 2.0，天空区域权重设为 0.3，其余为 1.0，再根据加权亮度调整曝光时间与增益。

曝光时间还受运动模糊约束。若车辆以 30m/s 行驶，曝光时间为 10ms，则相对运动位移约 0.3m，在 50m 处对应约 0.34° 视角，可能造成车道线边缘模糊。因此，高速场景下应优先缩短曝光时间并提高增益，但增益过大会引入噪声，需在信噪比与模糊之间折中。

镜头畸变与图像预处理

广角镜头不可避免地引入径向畸变和切向畸变。径向畸变使直线弯曲，直接影响车道线拟合和消失点估计。常用 Brown-Conrady 模型描述：

x_dist = x(1 + k1*r^2 + k2*r^4 + k3*r^6) + 2*p1*x*y + p2*(r^2 + 2*x^2)
y_dist = y(1 + k1*r^2 + k2*r^4 + k3*r^6) + p1*(r^2 + 2*y^2) + 2*p2*x*y

其中 (x,y) 为归一化理想坐标，r^2 = x^2 + y^2，k1、k2、k3 为径向畸变系数，p1、p2 为切向畸变系数。标定后，通过逆映射生成去畸变图像。去畸变会带来边缘像素拉伸和有效视场损失，因此需在标定阶段权衡畸变校正强度与视场保留。

图像预处理通常还包括：暗电流校正、镜头阴影校正（LSC）、坏点修复、降噪、锐化和色彩空间转换。镜头阴影校正用于补偿边缘亮度衰减，若不做校正，边缘车道线可能因偏暗而漏检。降噪与锐化需谨慎平衡：过度降噪会抹掉远处车道线的微弱边缘，过度锐化则会放大噪声并产生伪边缘。对于 EyeQ 感知，通常将预处理控制在适度范围，更多依赖网络对噪声的鲁棒性。

工程实践中的关键权衡

在实际项目中，图像质量工程往往需要在多个矛盾目标之间折中。提高分辨率可增强远距离检测，但会增加带宽、功耗和 EyeQ 处理负载；扩大 FOV 可覆盖更多场景，但会降低中心像素密度并加重畸变；延长曝光可提升暗光信噪比，但会加剧运动模糊；增强锐化可突出车道线边缘，但会放大噪声。合理的做法是：先明确感知指标（如 100m 车道线检测率、50m 车辆检测率），再通过标定和预处理参数调优，使图像质量在关键区域达到最优，而非追求全图均匀完美。

总结来看，前视相机系统与图像质量工程贯穿了从硬件选型、安装标定、曝光控制到预处理的全链路。每一环节的参数选择都会以“图像质量”为中介，最终传导到 EyeQ 感知算法的输出稳定性上。理解这条链路，才能在系统集成与问题排查中做出有依据的工程决策。