车载双目ADAS（七）：双目相机的设计

 近年来，基于毫米波雷达和激光雷达的方案已经广泛用于高端汽车，毫米波雷达的主要优势体现在具有很强的抵抗环境干扰的能力，可穿透雾、烟、灰尘等，具有全天候全天时工作的能力，可直接检测前方车辆的距离和速度。激光雷达的主要优势体现在极精准的测距能力。然而，不论是毫米波雷达还是激光雷达，均存在一些致命缺点，比如垂直视场角较窄、纵向分辨率较低、无法提供颜色和纹理信息等，而这些信息对于许多其他任务是非常重要的，例如行人检测、车辆识别、交通标志识别等。相比较而言，基于双目立体视觉的方法可以很好的弥补雷达传感器的不足，能够同时输出颜色和距离信息。

      双目相机的模组选型是一个基础和核心课题，包括相机的感光芯片尺寸、镜头焦距、基线长等参数。

 双目相机的深度Z测距公式：

其中，B是双目相机的基线长，f为焦距，pixelsize为sensor的一个感光单元的大小，d为视差大小。

     上述为相机设计的理论基础，在设计双目ADAS相机产品时还需要考虑，相机的最远和最近测距范围和测距精度。我们希望设计一款可以看的远，看的准，看的广的相机，但是现实往往是骨感的，在考虑成本的前提下，我们的理想中的这几个要求是“相互矛盾的”。

                                                                     （远处的汽车在图像中已经非常小 ） 

      在图像中，物体在相机中遵守近大远小的规律，物体越远，在图像中占有图像面积就会越小，这将导致图像中的特征信息丢失且更易受噪声干扰，因此，对识别算法提出了更加严峻的挑战。这时，我们会想将相机的焦距增大以提升同一物体在图像中的尺寸，但是在sensor尺寸一定的情况下，这会导致相机的FOV变小，可视范围减小，盲区增大。考虑FOV主要从水平FOV和竖直FOV考虑。        

                                                        近处的矮小的物体或较高的交通标志看不到

                                                                                车身两侧的物体看不到

                                                                    场角（三个方向：水平，竖直和对角线）
水平视场角=2*arctan(w/2f)
垂直视场角=2*arctan(h/2f)
视场角=2*arctan(d/2f)
其中，w为CCD宽 h为CCD高 d为CCD对角线长。

       另外，测距公式里面一个重要的变量视差d，视差的精度直接决定测距精度。视差是通过匹配算法获得的，且亚像素级别的视差对测距精度更为关键。整像素的视差需要考虑匹配算法的搜索范围，搜索范围越大，可以保证获取更近的距离信息，但是匹配算法需要缓存的像素信息更多，会占用大量的计算资源，如果使用ARM计算，算法的实时性也会降低。

综上，选择一款合适的相机需要从匹配算法，最近可视距离和最远测距精度等因素考虑相机的视场角，焦距和基线长。