[视觉基础知识]: img to bev # include bev seg

参考：https://towardsdatascience.com/monocular-birds-eye-view-semantic-segmentation-for-autonomous-driving-ee2f771afb59
有源传感器（lidar or radar）得到的数据，天然就是一种bev表示（x-y平面）；
如何利用环视图像可以得到bev？
2D图像本质上是3D空间在2D平面上的投影，如果反过来得到bev表示是一个 inherently ill-posed problem。

这其中会有一些先验，可以简单分为硬先验和软先验；
硬先验

• 相机内参，外参

软先验

• 道路的布局等
• 在BEV下，汽车之间不存在重叠等

为了解决这个问题，传统上一个常见的做法是IPM（inverse perspective mapping，逆透视映射），但这个方法会依赖这些假设：1. 固定的相加外参；2. 地平面平坦假设。

但是当相机外参变化时，或者非平坦表面或崎岖不平的道路，该方法就逐渐失效了。

IPM也是一个研究方向，实际做IPM可以加一些直线约束。IPM变化的一个例子如下：