作者：CV_Community
來源：計算機視覺社群
本文還是在傳統機器視覺的基礎上讨論單目測距，深度學習直接估計深度圖不屬于這個議題，主要通過mobileye的論文管中窺豹，相信離實際工程應用還有很遠。
以前提過單目測距的問題，檢測的障礙物2-D框加上攝像頭的姿态和路面假設。以下根據公開釋出的論文讨論具體的算法：
注：深度學習直接估計深度圖不屬于這個議題。
1、Vision-based ACC with a Single Camera: Bounds on Range and Range Rate Accuracy
著名的Mobileye論文，先看成像幾何如圖：
本車A，前方車B和C，攝像頭P焦距f，高度H，和障礙物B/C距離Z1/Z2，B/C檢測框着地點在圖像的投影是y1/y2。那麼y=fH/Z，是以Z=fH/y。下面是三個不同距離的估計結果：
精度測量得到：90米誤差大約10%, 44米誤差約為5%。
2、Integrated Vehicle and Lane Detection with Distance Estimation
算法流程如下：
先是從3個消失點估算攝像頭焦距，然後6個2D-3D對應點得到攝像頭姿态：
基于車道寬度的假設（3.75米），可以算出投影矩陣，随之得到距離公式：
下圖是一些結果：
3、Use of a Monocular Camera to Analyze a Ground Vehicle’s Lateral Movements for Reliable Autonomous City Driving
還是基于消失點原理，加上水準線，可得到道路場景幾何關系。
消失點和pitch angle的關系：
從消失點得到pitch angle：
4、Robust Range Estimation with a Monocular Camera for Vision-Based Forward Collision Warning System
如果車輛寬度已知，那麼車距為d=FW/w。
如上圖，可以計算距離為：
整個FCW系統流程圖如下：
給了一個虛拟水準線的概念，估計它的位置
，Hc為攝像頭高度，Yb是車輛框底部的垂直位置。然後可以計算出車輛距離：
5、Robust Vehicle Detection and Distance Estimation Under Challenging Lighting Conditions
碰撞報警需要估算安全距離。下圖幾何關系能給出估計距離的公式：
距離公式為
下圖是IPM的鳥瞰圖展示距離：
6、Pitch Angle Estimation Using a Vehicle Mounted Monocular Camera for Vehicle Target Range Measurement
計算特征點運動，由此得到自身攝像頭運動，從其平移向量推出pitch angle。
上圖可以計算出前方車的距離：
整個系統流程圖如下：
下面就是從SFM的幾何關系推理距離：
看下面的關系可以得到pitch angle：
角度計算公式為
7、Forward Collision Warning with a Single Camera
time to contact (TTC) 直接從車輛的大小和位置得到，下面是流程圖：
計算公式：
車邊框的位置以及光流大小可以确定碰撞的可能性：
這裡主要是通過簡單的幾何關系，直接估算檢測的路上車輛距離并給出可能的撞擊時間。現在深度學習越來越強大，理論上得到車檢測邊框的同時，也可以回歸車的距離。
本文僅做學術分享，如有侵權，請聯系删文。
下載下傳1
在「計算機視覺工坊」公衆号背景回複：深度學習，即可下載下傳深度學習算法、3D深度學習、深度學習架構、目标檢測、GAN等相關内容近30本pdf書籍。
下載下傳2
在「計算機視覺工坊」公衆号背景回複：計算機視覺，即可下載下傳計算機視覺相關17本pdf書籍，包含計算機視覺算法、Python視覺實戰、Opencv3.0學習等。
下載下傳3
在「計算機視覺工坊」公衆号背景回複：SLAM，即可下載下傳獨家SLAM相關視訊課程，包含視覺SLAM、雷射SLAM精品課程。