0
雙語原文鏈接：Pseudo-LiDAR — Stereo Vision for Self-Driving Cars
在自動化系統中，深度學習和計算機視覺已經瘋狂地流行起來，無處不在。計算機視覺領域在過去十年中發展迅速，尤其是是障礙物檢測方面。
障礙物檢測算法，如YOLO或RetinaNet，提供2D的標注框，該標注框指明了障礙物在圖像中的位置。
為了獲取每個障礙物的距離，工程師將相機與激光雷達(光探測和測距)傳感器融合，使用激光返回深度信息。利用傳感器融合技術將計算機視覺和激光雷達的輸出融合在一起。
使用激光雷達這種方式存在價格昂貴的問題。而對此，工程師使用的一個有用的技巧是：對齊兩個像機，并使用幾何原理來計算每個障礙物的距離。我們稱這種新設置為 偽激光雷達。
單目視覺和立體視覺
偽激光雷達利用幾何原理構造深度圖，并將其與物體探測相結合，以獲得三維的距離。
如何利用立體視覺實現距離估計？
以下5步偽代碼用于獲取距離：
1.校準2臺照相機（內部和外部校準）
2.創建極線方案
3.先建立視差圖，再建立深度圖
然后，深度圖將與障礙檢測算法結合在一起，我們將估算邊界框像素的深度。本文結尾處有更多內容。
開始吧！
每個攝像機都需要校準。校準意味著將具有[X，Y，Z]坐標的3D點（世界上）轉換為具有[X，Y]坐標的2D像素。
相機型號
當今的相機使用針孔相機模型。
這個想法是使用針孔讓少量光線穿過相機，從而獲得清晰的圖像。
如果圖像中間沒有障礙物，那么每條光線都會通過，圖像會變得模糊。它還使我們能夠確定用于變焦和更好清晰度的焦距f。
要校準相機，我們需要將世界坐標轉換為通過相機坐標的像素坐標。
相機校準過程
從世界坐標到攝像機坐標的轉換稱為外部校準。外在參數稱為R（旋轉矩陣）和T（平移矩陣）。
從相機坐標到像素坐標的轉換稱為固有校準。它需要相機的內部值，例如焦距，光學中心等。
固有參數是我們稱為K的矩陣。
校準
過相機校準可以找到K矩陣。
通常，我們使用棋盤格和自動算法來執行它。 當我們這樣做時，我們告訴算法棋盤上的一個點（例如：0,0,0）對應于圖像中的一個像素（例如：545、343）。
校準示例
為此，我們必須使用相機拍攝棋盤格的圖像，并且在經過一些圖像和某些點之后，校準算法將通過最小化最小二乘方損失來確定相機的校準矩陣。
通常，必須進行校準才能消除圖像失真。 針孔攝像頭模型包括變形，即“ GoPro效果”。 為了獲得校正的圖像，必須進行校準。 變形可以是徑向的或切向的。 校準有助于使圖像不失真。
圖像校準
以下是相機校準返回的矩陣：
f是焦距-（u?，v?）是光學中心：這些是固有參數。
每一個計算機視覺工程師都必須了解和掌握攝像機的標定。這是最基本、最重要的要求。我們習慣于在線處理圖像，從不接觸硬件，這是個錯誤。
-嘗試運行OpenCV進行攝像機校準。
同類坐標
在相機校準過程中，我們有兩個公式可以將世界上的點O設為像素空間：
world到相機的轉換
外在校準公式
相機到圖像的轉換
內部校準公式
當您進行數學運算時，您將得出以下等式：
world到圖像的轉換
完整公式
如果您查看矩陣尺寸，則不匹配。
因此，我們需要將O_world從[X Y Z]修改為[X Y Z 1]。
該“ 1”稱為齊次坐標。
立體視覺是基于兩張圖像來尋找深度。
我們的眼睛就像兩個相機。因為它們從不同的角度看同一幅圖像，它們可以比對兩種視角之間的差異，并計算出距離估計。
下面是立體相機設置的示例。你會在大多數自動駕駛汽車上發現類似的東西。
假設你有兩個相機，一左一右。這兩個相機在相同的Y軸和Z軸上對齊。基本上，唯一的區別就是它們X值不一樣。
現在，看看下面的描述。
立體相機簡圖
我們的目標是估算出O點（代表圖像中的任何像素）的Z值，即深度距離。
X 為對齊軸；
Y 為高度；
Z 為深度；
兩個藍色平面對應于來自兩個相機的圖像。
現在從鳥瞰的角度來考慮這個問題。
立體相機鳥瞰圖說明：
xL 對應于左相機中的光心，xR對應于右相機中的光心。
b 是基線，它是兩個相機之間的距離。
如果你運用泰勒斯定理，你會發現我們可以得到兩個方程
對于左邊相機：
左相機方程
? 我們得到 Z = X*f / xL.
對于右邊相機：
右相機方程：
? 我們獲得 Z = (X — b)*f/xR.
放在一起，我們可以找到正確的視差 d =xL -- xR和目標正確的 XYZ 坐標。
視差是什么?視差是一個三維點從兩個不同的相機角度在圖像中位置的差異。
立體視覺公式
? 由立體視覺我們可以估計任何物體的深度。假設我們做了正確的矩陣校準。它甚至能夠計算一個深度映射或者視差映射。
視差圖
為什么是“基線幾何”？
要計算視差，我們必須從左圖像中找到每個像素，并將其與右圖像中的每個像素進行匹配。 這稱為立體對應問題。
為了解決這個問題--
現在在左邊的圖像中取一個像素
要在右邊的圖像中找到這個像素，只需在基線上搜索它。沒有必要進行2D搜索，點應該位于這條線上，搜索范圍縮小到 1D。
基線
這是因為兩個相機是沿著同一軸對齊的。
以下是基線搜索的工作原理：
基線搜索
現在，是時候將這些應用到真實世界的場景中，看看我們如何用立體視覺來估計物體的深度。
考慮兩張圖片--
立體視覺
每一幅圖像都有外部參數 R 和 t，事先通過校準確定(步驟1)。
對于每一幅圖像，我們可以計算相對于另一幅圖像的視差圖。我們將做如下操作：
確定兩幅圖像之間的視差。
投影矩陣分解成相機的內在矩陣 K和外在矩陣 R，t。
利用我們在前面兩個步驟中收集到的數據估算深度。
我們將獲得左右圖像的視差圖。
為了幫助您更好地理解差異的含義，我在 Stack Overflow 上找到了一個很棒的解釋。
視差圖是指一對立體圖像之間的明顯像素差或運動。
要體驗這一點，試著閉上你的一只眼睛，迅速閉上，同時睜開另一只。離你很近的物體看起來會跳躍一段很長的距離，而離你很遠的物體幾乎不會移動。這個運動就是視差。在一對來自立體攝像機的圖像中，你可以測量每個點的視運動像素，并根據測量結果制作出一個強度圖像。
? 我們有兩個視差圖，這基本上告訴我們，兩幅圖像之間的像素位移是多少。
對于每個攝像機，都有一個投影矩陣 P_left 和 P_right。為了估計深度，我們需要估計K, R 和 t。
世界坐標系到相機坐標系的轉換一個名為
cv2.decomposeProjectionMatrix()的OpenCV函數可以做到這一點，并從 P 中得到 K、R 和 t；對于每個相機，現在是時候生成深度圖了。深度圖將使用其他圖像和視差圖告訴我們圖像中每個像素的距離。
這個過程如下：
從矩陣 K 獲得焦距 f；
使用轉換向量 t 中的相應值來計算基線 ?；
使用之前的公式和視差圖 d 計算圖像的深度圖；
立體視覺公式
我們對每個像素進行計算。
針對每個相機，我們都有一個深度圖！ 現在，假設我們將其與障礙檢測算法（例如YOLO）結合在一起。 對于每個障礙，這種算法都會返回帶有4個數字的邊界框：[x1; y1; x2; y2]。 這些數字表示框的左上角和右下角的坐標。
例如，我們可以在左邊的圖像上運行這個算法，然后使用左邊的深度圖。
現在，在這個邊界框中，我們可以取最近的點。我們知道它，因為我們知道圖像中每個點的距離。邊界框中的第一個點是我們到障礙物的距離。
真不可思議！我們剛剛構建了偽激光雷達！
借助立體視覺，我們不僅知道圖像中的障礙物，而且知道它們與我們的距離！ 這個障礙距離我們28.927米！
立體視覺是一種使用簡單的幾何圖形和一個額外的攝像機將2D障礙物檢測轉換為3D障礙物檢測的技術。如今，大多數新興的edge平臺都考慮了立體視覺，比如新的OpenCV AI Kit或對Raspberry和Nvidia Jetson卡的集成。
在成本方面，與使用LiDAR相比，它保持相對便宜，并且仍具有出色的性能。我們稱它為偽激光雷達，因為它可以取代激光雷達的功能。檢測障礙物，對障礙物進行分類，并在3D中進行定位。
AI研習社是AI學術青年和AI開發者技術交流的在線社區。我們與高校、學術機構和產業界合作，通過提供學習、實戰和求職服務，為AI學術青年和開發者的交流互助和職業發展打造一站式平臺，致力成為中國最大的科技創新人才聚集地。
如果，你也是位熱愛分享的AI愛好者。歡迎與譯站一起，學習新知，分享成長。
