![067dba05d5e84207ee914b2cb74a8bc8.png](https://i-blog.csdnimg.cn/blog_migrate/3a235b77e65dde02d7862b86f0020e3c.jpeg)
本期话题:深度图
![146bba8cb2443d642c1e629264cc5ee0.gif](https://i-blog.csdnimg.cn/blog_migrate/bc3b107d3fc61d790bfe5bfad3b6588a.gif)
内容要点
1. 深度图基础知识
2. 不同的技术路径
传统方法
早期深度学习方法
当前深度学习方法
结合时序信息的深度学习方法
3. 深度估计的主要模块
对很多人来说,自动驾驶早已不是一个陌生的名词,但是深度图(Depth Map)的话,相信不少人还是第一次听说。
顾名思义,深度图是用来反映深度信息的图像,而其中的深度信息指的就是距离信息。它用来描述相机拍摄到的场景图像中每个像素点到相机的深度,计算环境中物体到相机的距离。
![534129fb54f6e6ec1c6e825f241def56.png](https://i-blog.csdnimg.cn/blog_migrate/205c467525db4f81e17a73a28fe6dc45.png)
图1:深度图示意效果
(颜色越浅的部分深度越小,距离越近。)
01
深度图的基础知识
在自动驾驶中,如果车辆能够稳定可靠地获取场景中各点的深度信息,那么它的作用是显而易见的,比如进行像素级的测距,3D目标检测,未定义障碍物的检测,等等。从而可以实现路面上所有突出障碍物的检测,以及任意障碍物的测距。
另外,将相机图像结合深度信息充填RGB色彩也可以生成像素级点云,实现类似于激光点云的效果。虽然它的测距准确性不及激光雷达,但点云远比后者稠密,而且RGB着色不需要人工进行同步、校准等工作。
![2a2b3c4c68cd6358c988870a9b7a6583.png](https://i-blog.csdnimg.cn/blog_migrate/c6ae3653dc88ac14648a8b05562a9dd7.jpeg)
图2:视觉方法生成的像素级点云效果示