【无人驾驶视觉系列之】3D障碍物检测（一）

无人驾驶视觉感知异同点介绍

　　本篇为无人驾驶3D视觉检测第一篇，主要介绍目前工业界使用较多的技术方案。该技术方案主要来自于论文3D Bounding Box Estimation Using Deep Learning and Geometry.同时结合目前发展较为成熟的2D图像目标检测算法来为了3D视觉检测应用到无人驾驶场景中。如果说为什么不直接使用深度学习直接估计视觉3D目标的9Dof，主要原因在于由于相机成像成图像平面是透射变换，天然损失其中深度信息。如果直接从图像平面估计出3D世界中的位姿，效果不是很好。

　　在介绍上面论文之前，我们先简单梳理一下坐标系。世界坐标系$(x_w,y_w,z_w)$、相机坐标系$(x_c,y_c,z_c)$、图像坐标系$(u,v)$，像平面坐标系$(x,y)$：

1. 世界坐标系$(x_w,y_w,z_w)$
2. 相机坐标系$(x_c,y_c,z_c)$
3. 图像坐标系$(u,v)$
4. 像平面坐标系$(x,y)$

相机内参矩阵K：
$$K=\left[\begin{array}{ccc}{f}_x& 0& c_x\\ 0& f_y& c_y\\ 0& 0& 1\end{array}\right]$$

相机坐标系下沿着x轴旋转角度$\alpha$，那么$R_x$：

$$R_x=\left[\begin{array}{ccc}1& 0& 0\\ 0& co{s}^{\alpha }& -si{n}^{\alpha }\\ 0& si{n}^{\alpha }& co{s}^{\alpha }\end{array}\right]$$

相机坐标系下沿着y轴旋转角度$\theta$，那么$R_y$：

$$R_y=\left[\begin{array}{ccc}co{s}^{\theta }& 0& -si{n}^{\theta }\\ 0& 1& 0\\ si{n}^{\theta }& 0& co{s}^{\theta }\end{array}\right]$$

相机坐标系下沿着z轴旋转角度$\beta$，那么$R_z$：

$$R_{}$$