第一部分：什么是IPM？
IPM的核心目标只有一个：把"近大远小"的透视图像，变成"上帝视角"的俯视图。
为什么要这么做？
在驾驶员视角（透视视角）中，车道线是汇聚的，远处的车看起来很小。这对计算机算法来说很难计算距离和位置。而在鸟瞰图（俯视图）中，车道线是平行的，车辆大小一致，非常容易进行路径规划和距离测量。
IPM的关键假设
IPM有一个致命弱点：它假设地面是一个完美的平面。
- 对于地面： 变换是完美的。路面上的坑洼（如果不大）会被拉平。
- 对于障碍物（车、人）： 因为车是立体的，不贴地，IPM会把车身"拍扁"在地上，产生拖影或变形（这就是图片中说的"视觉失真"）。
第二部分：IPM的数学推导
数学上，IPM本质上是在求解一个单应性矩阵（Homography Matrix）。我们需要建立"图像像素坐标"与"真实世界地面坐标"之间的映射关系。
1. 定义两个坐标系
- 图像坐标系 ( u , v )：摄像头拍出来的照片，单位是像素。
- 世界坐标系( Xw , Yw ) ：车前的真实地面，单位是米。注意，因为假设地面是平面，所以高度 Zw=0 。
2. 从世界坐标到相机坐标（刚体变换）
首先，世界坐标系中的点Pw =[Xw ,Yw ,Zw ,1]T 需要转换到相机坐标系 Pc =[Xc ,Yc ,Zc ,1]T 。
公式为：
其中 R 是旋转矩阵， T 是平移向量。
关键点 ：由于我们只关心地面上的点，假设地面高度 Zw =0 。这会让矩阵运算简化，我们可以把 R 的第三列去掉（因为它乘以了0）。
3. 从相机坐标到图像坐标（透视投影）
相机坐标系中的点投影到图像平面上，遵循小孔成像模型：
其中 K 是相机内参矩阵（包含焦距 f 和主点cx ,cy ）。
4. 合并推导（核心数学步骤）
将第2步代入第3步，我们得到：
因为Zw =0 ，我们可以把 3×4 的外参矩阵 [R ∣T ] 简化为一个 3×3 的矩阵，我们称之为单应性矩阵 H 。
推导结果如下：
这里的 H 矩阵包含了相机的内参（焦距等）和外参（相机安装的高度和俯仰角）。
5. 逆变换（IPM的实现）
我们要做的IPM，是已知图像上的点 (u ,v ) ，求它在地面上的位置 (Xw ,Yw) 。
所以，我们需要求 H 的逆矩阵 H−1 ：
这就是图片中提到的"利用透视变换矩阵（3x3单应性矩阵）...将图像像素坐标映射到世界坐标系"。
第三部分：总结
IPM的整个过程可以概括为：
标定 ：先算出相机的内参 K 和外参（安装高度、角度）。
构建矩阵 ：计算出从地面到图像的单应性矩阵 H 。
求逆 ：计算 H−1 。
重映射 ：遍历图像中的每一个像素，乘以 H−1 ，把它"贴"到俯视图的画布上。
局限性：
如果地面不平（有坡度），或者前方有悬空物体，由于 Zw=0 的假设不成立，计算出的位置就会有误差，表现为鸟瞰图中物体被拉长或扭曲。