Opencv图像单应性变换

主要用于将图像中分割的可行驶区域投影到BEV俯视视角

基本概念

单应性

单应性，也被称为平面单应性，是两个平面之间发生的转换。换句话说，它是图像的两个平面投影之间的映射。它由同构坐标空间中的3x3转换矩阵表示。

在数学上，同质矩阵表示为：

在坐标平面上： 

 如图所示，图像中的元素在同一个坐标平面投影到另一幅图像，保留了相同的信息，但具有变换的透视图。

OpenCv中的相关API

教程地址：

单应性变换(Homography)的学习与理解 - 程序员大本营

OpenCV中的图像行列坐标系： 

在OpenCV中imgproc模块提供了warpPerspective()与warpAffine()两个函数

warpPerspective 透视变换函数

dst = cv2.warpPerspective(src, M, dsize, dst, flags, borderMode, borderValue)

 其中M即为3x3变换矩阵

warpAffine 仿射变换函数

dst = cv2.warpAffine(src, M, dsize, dst, flags, borderMode, borderValue)

其中 M 即为 2x3 变换矩阵（由于仿射变换 3x3 矩阵最下面一行为 0 0 1，所以也就简写为 2x3 了）

从原理上来说，仿射变换是透视变换的特例，所以可以用warpPerspective来计算仿射变换。但是实际中涉及到计算速度等问题，最好还是使用对应的API吧。

开源项目Cam2BEV

源码地址

GitHub - ika-rwth-aachen/Cam2BEV: TensorFlow Implementation for Computing a Semantically Segmented Bird's Eye View (BEV) Image Given the Images of Multiple Vehicle-Mounted Cameras.

单应性变换应用于车载摄像头的语义分割图像，将其转换为BEV;

IPM直接用homography转换误差很大（路面平坦的假设），而cam2BEV方法在无视觉失真的情况下学习如何计算准确的BEV图像。

参考链接：

安全验证 - 知乎

自动驾驶感知中BEV的景物表示方法（下） - 简书

单应性变换(Homography)的学习与理解 - 程序员大本营