单目测距和双目测距 bev 3D车道线

单目视觉测距原理

单目视觉测距有两种方式。

第一种，是通过深度神经网络来预测深度，这需要大量的训练数据。训练后的单目视觉摄像头可以认识道路上最典型的参与者------人、汽车、卡车、摩托车，或是其他障碍物（雪糕桶之类），然后对识别到的物体进行距离估计。

第二种，是结合车辆的运动信息，用时序上的相邻帧进行"类双目视觉"的检测，这种方法也被称为motion stereo或structure from motion。

单目摄像头的算法思路是先识别后测距：首先通过图像识别，然后根据图像大小和高度进一步估算障碍物与本车距离。

单目深度估计

双目测距

双目摄像头的算法思路是先测距后识别：首先利用视差直接测量物体与车的距离，然后在识别阶段，双目仍然要利用单目一样利用深度学习算法，进一步识别障碍物到底是什么。

根据双目视觉的测距原理，通常将其实现过程分为五个步骤：相机标定，图像获取，图像预处理，特征提取与立体匹配，三维重构。其中，相机标定是为了得到相机的内外参数和畸变系数等，可以离线进行；而左右相机图像获取的同步性，图像预处理的质量和一致性，以及立体匹配（获取视差信息）和三维重构（获取距离信息）算法的实时性要求带来的巨大运算量，对在嵌入式平台上实现双目视觉ADAS提出了挑战。

与单目视觉相比，双目视觉测距精度较高。

双目相机需要同步。

立体匹配计算量大。

受光影响大：在大雨天气或者前方强光源的情况下，前视摄像头有可能看不清车道线，环视摄像头斜向下看车道线且可以提供多个角度，基本不会受到地面积水反光的影响，功能可以比前视做得更稳定。但同时也要考虑侧向无车灯照射时，摄像头的夜间表现。

左右镜头的光照不同，环境光照过强过弱，不均匀等。

相机间距越小，检测距离越近；相机间距越大，检测距离越远。

遮挡、弱纹理和重复纹理区域、深度不连续区域难以获取高精度和高鲁棒的视差信息，自动标定算法不成熟。

首先，和单目视觉相比双目视觉的成本会更高（无论是多一个摄像头，还是对计算深度图算力的要求），但实话实说还是在可接受的范围内，毕竟和激光雷达比都是小钱，也不需要为单目视觉庞大的训练集买单。

其次，双目视觉本身对于目标的纹理是有要求的，既不能太简单，也不能太复杂。一堵大白墙对于双目视觉来说识别是有风险的，而激光雷达等传感器则可以很好地进行检测。但话说回来，真实场景中也不太可能有一堵大白墙横在路中间，再看看激光雷达的价格，哎，算了吧。

再次，双目视觉对于远距离物体探测的精度是弱于激光雷达的。双目深度的误差是与距离的平方成正比的，而激光雷达的精度基本上和距离无关。