基于视觉的测距模型

概述

ADAS功能开发中，许多的功能（LKA、ACC、AEB、TLR和PD/VD等）在完成检测识别任务后，通常需要进行距离的计算，这就需要对目标物的准确识别，这是进行测距的第一步，也是很重要的前提条件，如果无法针对目标物进行准确地识别，也就无法准确地估计这些目标物的距离。目前，基于视觉和雷达测距是目前用的最多的方法，笔者通过最近的学习，整理了几种基于视觉的测距模型。（请批评指正！）

1、高度三角形测距（单目）

此测距模型可以使用消失点和图像中心进行计算，也可以采用图像的下边沿和图像中心进行计算，两种方法的计算过程和原理大致相同。由于模组的感光芯片和镜头安装时会出现误差，光轴会出现偏移，并且图像会有不同程度的畸变，为了减小误差，可以事先进行模组标定（根据需要）。
另外，此测距模型使用于在地面上的目标物，例如，汽车、行人等。
（1）使用消失点和图像中心进行计算
点C为图像中心，B为目标物下边沿中点，B’和C‘是点B和点C在图像投影面上的投影，fp为消失点，故可以得到以下关系：
$\gamma =arctan((x-x0)/f))$
$\beta =arctan((xe-x0)/f)$
$\alpha =\beta -\gamma$
故：
$D=H/tan(\beta -\gamma )$

（2）使用消失点和图像下边沿点进行计算
点C为图像中心，B为目标物下边沿中点，E为图像下边沿的点（需要实际测量出摄像头距离图像下边沿的距离d），B’、C‘和E‘是点B、点C和点E在图像投影面上的投影。（计算方式参考上文）

2、时差三角形测距模型（单目）

此测距模型所使用的方法：根据目标物尺寸在图像中的变化率，直接估算摄像头到目标物的距离，目标物可以是移动的，也可以是静止的；例如交通限速牌和红绿灯这类固定的目标物，当目标物为车辆时，可以根据车辆尺寸在图像中的变换率，估算TTC（碰撞时间）。

设ds为图像中目标物宽度的相对变化率，w为图像中目标宽度（pixel），则：

$d_s=\frac{w_2-w_1}{w_1}=\frac{w_2}{w_1}-1$ （1）

根据相机小孔成像原理，目标物的实际宽度W、实际距离Z、目标成像宽度w和摄像头像素焦距f之间存在如下关系：

$\frac{W}{Z}=wf=>w=\frac{W\ast f}{Z}$（2）

由（1）（2）可得：

$d_s=\frac{w_2-w_1}{w_1}=\frac{({\frac{1}{Z}}_2-{\frac{1}{Z}}_1)\ast W\ast f}{\frac{1}{Z}-1\ast W\ast f}=\frac{Z_1-Z_2}{Z_2}$（3）

则：
$\frac{d_s}{d_t}=\frac{\frac{-(Z_2-Z_1)}{d_t}}{Z_2}=\frac{\frac{-[(Z_1+v_1\ast d_t+\frac{a}{2}\ast {d_t}_2)-Z_1]}{d_t}}{Z_2}=\frac{-(v_1+a\ast \frac{d_t}{2})}{Z_2}$

3、双目测距模型

双目测距的原理可以类比人类的双眼，两个相机到同一个物体的图像存在“差异”，当目标物距离越远时，差异越小；反之，差异越大，这个差异就是我们常说的视差。通过双目视差判断距离，主要用于判断近处目标物的距离，双目测距是对目标物距离的绝对测量吗，而不是大致的估算。
相比单目视觉测距，双目的优势在于精度高，且无需要识别就能测距（对所有障碍物都能直接进行测量）；劣势是成本太高、计算量较大。
以上这些测距方式需要共同进行，彼此校准配合，才能达到准确测距的目的。