【单目测距】提供一种迭代测距的思路

【单目测距】提供一种迭代测距的思路

一、前言

1. 在智能驾驶领域，主流单目测距仍采取接地点像素进行测距。
2. 博主提出一种迭代测距方式，此方式也是采取接地点像素测距，但是理论精度会比传统接地点测距方式要更高。
3. 本文主要讲解博主提出的一种迭代测距的思考逻辑与代码实现。
4. 之前有过测距分享【单目测距】已知相机角度如何测距
   

---

二、迭代测距

2.1、提出

本节主要分享 为什么我会想出迭代测距的方法？我的契机是什么？我是如何思考的？不感兴趣小伙伴可以直接跳过这一小节。

1. 如今智能驾驶领域异常火爆，各方资本纷纷入场。在感知方面，当下 BEV（鸟瞰图）感知有巨大的潜力。不过当前 BEV 在车载芯片（ xavier、orin ）难以部署。且 BEV 数据集、训练环境成本也是痛点。

2. 虽说如此，还是阻挡不住我们研究的热情。毕竟技术前进的道路是无法阻挡的。

3. 那么 BEV 是怎么测距的呢？

   • 这里简单介绍一种 Lift 操作。我们先检测目标，然后对目标特征进行提取，提取特征后，对 4 - 45 m 41 个深度进行一个分类。
   • 这个和我们类别置信度有点异曲同工之妙，可以简单理解为一个逻辑回归，在哪一个深度置信度（概率）最高,确定为最终距离。

接地点像素测距，那我们是不是可以大胆点，直接分无穷个深度，最终选一个概率更大的深度。随之我们可以思考，是否可以找到一个收敛的数列，迭代寻找一个最有可能的值？

此时的博主不由自主看向窗外。落日的余晖照亮远处的河水，阵阵微风却没有激起一丝涟漪。"清风徐来，水波不兴，举酒。。。"打住！打住！，还是继续写博客吧。

2.2、计算

已知像素 (u, v) 的情况下，我们只需要知道目标离相机的深度 Zcamera ，我们就可以求出目标的相机坐标系下坐标 (Xcamera, Ycamera, Zcamera)

已知 (Xcamera, Ycamera, Zcamera)，又已知外参标定结果，那么很容易求出目标离我们车体 ego_car 的坐标(Xcar, Ycar, Zcar)。

关键点就在于我们的 Zcamera 。

（1）假设 Zcamera = 0。 单位 m

（2）计算求得 (Xcamera, Ycamera, Zcamera)

（3）计算求得 (Xcar, Ycar, Zcar)

（4）Zcamera = Zcamera + α * (Zcar - h)。其中 h 为车体的高度，如果车体坐标远点在地面，那么 h = 0，如果车体在地面上方 1m 处，则 h = 1。α 是一个超参数，可以自己调整。

（5）循环（2）（3）（4）。如果 （4）中 abs(Zar - h) < delta_h。 则结束，最终结果为此时的 (Xcar, Ycar, Zcar)。

2.3、参数

Zcamera: 影响迭代次数，初值越接近真实值，迭代次数越少。如果目标多聚集于 10-20m 处，建议设置 15。

delta_h: 设置为0.005，当Zcar 与 h 这个平面相差小于 5mm 时迭代结束，输出最终结果。精度要求高，可以设置更小一点，代价迭代次数更多。

α：关键参数。Zcamera 数列是否收敛关键取决于 α。做为数学系出身的直觉告诉我，当 α 小于某个值时，Zcamera 收敛，当 α 大于某个值时，Zcamera 发散。
如果是学生时代，我非要证明一下Zcamera收敛。夹逼定理？单调有界？ 如果有 dalao 感兴趣可以帮我证明下。博主选取了像素点 (u, v) = (1000, 800)。在不同 α 取值时，观察了 Zcamera 值的变换。

α = 1 迭代 12 次	α = 0.1 迭代 144 次	α = 10 迭代 inf 次
α = 2 迭代 4 次	α = 4 迭代 31 次	α = 6 迭代 inf 次

注：迭代的过程可以理解为使得地面平行的过程。

2.4、代码

import numpy as np


def bev_coor(x, y, distance, param):
    *other, param_mtx, r, t = param
    x = (x - param_mtx[0][2]) / param_mtx[0][0]
    y = (y - param_mtx[1][2]) / param_mtx[1][1]
    coor = np.array([x, y, 1]).reshape(3, 1) * distance
    res_coor = r @ coor + t  # 车体坐标系
    return res_coor


def get_bev_distance(x, y, h_car, param):
    res_x, res_y, res_z = 0, 0, 0
    z = 0  # 初值
    while abs(res_z - h_car) > 0.005:
        res_x, res_y, res_z = bev_coor(x, y, z, param)
        z = z + 1 * (res_z - h_car)
    return res_x, res_y, res_z


if __name__ == '__main__':
    front_param = [...]  # 相机内参、相机外参
    u, v = 1000, 800  # 接地点像素
    car_h = 0  # 车体离地面高度
    point_bev = get_bev_distance(u, v, car_h, front_param)

三、后记

博客就写到这里吧。有什么疑问，欢迎私信交流。对于迭代测距的误差分析、与其他方法对比总结，我们下次再分享。谢谢收看，关注读书猿，点赞收藏不迷路。