【无人驾驶视觉系列之】3D障碍物检测SMOKE算法调试分析

最新推荐文章于 2023-10-26 00:26:07 发布

AutoXTruck

最新推荐文章于 2023-10-26 00:26:07 发布

阅读量3.5k

点赞数

分类专栏：自动驾驶技术专栏文章标签： 3d 算法计算机视觉

本文链接：https://blog.csdn.net/Small_Munich/article/details/119682681

版权

本文深入探讨无人驾驶中的3D视觉感知技术，重点分析SMOKE算法，这是一种直接从单目图像估计3D物体检测的关键点方法。通过特征提取和关键点分类与回归，SMOKE在3D物体检测中展现出优势。尽管在工业界两阶段方法仍占主导，但SMOKE提供了一种直接学习关键点的创新思路。

摘要由CSDN通过智能技术生成

无人驾驶视觉感知介绍

　　该篇主要介绍一种纯3D深度学习视觉检测方法，SMOKE: Single-Stage Monocular 3D Object Detection via Keypoint Estimation开源代码链接smoke。相比于前面两篇半深度学习与几何估算3D信息，这篇文章直接学习出3D视觉的障碍物信息。虽然SMOKE算法是直接学习目标相关特征点，最后还是通过模型输出的特征点来进行约束生成对应的3D框。

本篇末尾主要对Smoke算法调试与理解，最终给出单张图片推理显示的脚本。代码链接见末尾。

3D感知障碍物技术

　　视觉感知技术是目前自动驾驶感知任务中最被看中也是难度最大的任务。其原因主要由于相机成像先天缺少深度信息，导致视觉感知在目标物体三维空间下测距一直不是很理想。同时，视觉信息被环境干扰较大存在场景适配性问题。但是，就目前来看视觉感知任务由于深度学习兴起发展较为成熟在2D目标检测、分割等。3D视觉感知任务目前在自动驾驶应用场景中可能还是两阶段比较多【可能说绝对了轻打脸哈😂】，主要是2D目标检测+3D几何约束估计出最终的3D框。2D目标检测技术就不多说了，目前发展相对来说成熟度高些。3D几何约束目前基本上是通过深