自动驾驶（二十一）---------Mobileye单目测距

       本文还是在传统机器视觉的基础上讨论单目测距，深度学习直接估计深度图不属于这个议题，主要通过mobileye的论文管中窥豹，相信离实际工程应用还有很远。

       mobileye2003年的论文：Vision-based ACC with a Single Camera: Bounds on Range and Range Rate Accuracy

       先看成像几何如图：

                                           

       其中：A是本车，前方车B和C，摄像头P，焦距f，摄像头高度H，和障碍物B、C的距离分别是Z1、Z2，B、C检测框着地点在图像的投影是y1、y2。那么按照相似三角形可以得出：y=fH/Z，所以Z=fH/y。

       下面是三个不同距离的估计结果：

                    

       1. 首先假设路面是水平面，不考虑道路的坡度，（实际上可以通过车道线的形状计算出道路的坡度）。

       2. 如何确定车辆和道路的接触点在图像中的位置，是计算车辆纵向位置的关键。由下式，像素的误差导致的距离误差是成二阶指数级的变化：

                                          

           例如：在 640x480图像中，FOV 47度，摄像头高度1.2m，焦长 f = 740，假设图像列向量 1个像素的误差，导致5%的深度误差：                            

          当然在ACC中，45m距离上5%的误差是可以接受的，ACC并不需要特别高的精度，驾驶员也不能识别出跟高的精度，重要的是需要计算出相对位置。（相对速度）

        3. 计算相对速度：，这里距离变化和时间变化都是不精确的，如何优化这两个参数计算相对速度是论文的关键。

            a. 通过宽度优化计算相对位置变化：       ； ；

                 其中 W为车辆的实际宽度，w和w' 为两次成像车辆图片中的宽度。

                    代入上式：                    

            b. 通过两帧图像车辆相对位置变化：       

               其中Serr为两帧之间车辆对齐误差，w为第一帧图像中车辆的宽度，f为焦距，W车辆实际宽度，定义Sacc为误差比例。

               不考虑Z作为自变量，则：    注意：

                   i. 相对速度误差与相对速度无关。

                   ii. 相对速度误差随距离平方而增大。

                   iii. 相对速度误差与时间窗∆t成反比,利用时间相距较大的图像可以得到更精确的相对速.

                   iiii. 具有窄视场的摄像机(即增加f)将减小误差,线性地提高精度。