hedgehogbb的博客

论文：Spatial As Deep: Spatial CNN for Traffic Scene Understanding代码：https://github.com/cardwing/Codes-for-Lane-Detection/tree/master/SCNN-Tensorflow参考：数据集：CULane解析参考：https://www.cnblogs.com/xuanyuyt/p/12022040.html

1.！图中 XMY 为世界坐标系 ’ ；xoy 是图像坐标系，其坐标原点o’是光轴与成像平面的交点，成像平面与光轴之 距离就是摄像机的焦距 f ； uo’ v 是像素坐标系，原点为数字图像的左上角，单位是像素。图像坐标系的原点o’在像素坐标系中的坐标是(u0，v0)。摄像机的高度为 H ，光轴与地面夹角为α ，目标点 P与光心 的连线与Y轴的夹角为β ，与光轴的夹角为γ ，点 P 在成像平面上的投影点为P ‘，位置满足小孔成像原理，点 P 在世界坐标系下的坐标为P (0,Y ) ，投影点 P’在成像坐标

单目测距学习小结参考文章：Robust Vehicle Detection and Distance EstimationUnder Challenging Lighting Conditions如图所示，我们有一个前视相机(靠近后视镜)，假设相机视场定义角α，相机高度H高于道路水平，在XcYcZc坐标系中，相机角度θc。假设道路场景中检测到的车辆处于(未知)位置(Xw, Yw, Zw)。设θv为指向被检测车辆平面后半部近似值与平面路面交点的投影光线(对相机而言)的夹角，自车与前车的实际距离D等于d