admin管理员组文章数量:1652184
IPM变换建立image到BEV平面的映射关系
但是IPM变换的前提假设是世界是一个平坦的平面,但是3D物体是有高度的,或者当路面出现起伏的时候就会违反这一假设,导致出现目标物体的严重形变
所以IPM变换一般只是应用于lane detection或者是free space检测,在这些场景下,地面平整性假设是令人信服的
在本文中,我们提出了一种获取 BEV 图像的方法,该方法不受 IPM 的平坦度假设引入的误差的影响
多个视角图像如果沿着channel维度拼接在一起,那在经过CNN
一.处理遮挡问题
引入额外的一类表示遮挡,在上图里面表示灰色,从车上的几个相机中发出射线,一直到相机视野的边界
- 一些类别总是会被遮挡,比如building,truc
- 一些类别从不会被遮挡,比如road
- cars会被遮挡,除了主车后面更高的trauck和bus
- 部分被遮挡的objects全部可见
- objects只有当在所有相机的视野中全都看不到,才会被标记未被遮挡
二.从图像坐标系到路面BEV的变换
矩阵P并不可逆,但是地面平整性假设使得PM整体可逆
三.网络结构
本文标签: ApproachtheTransformationLearningSim2RealDeep
版权声明:本文标题:A Sim2Real Deep Learning Approach for theTransformation of Images from Multiple Vehicle-Mounted Cam 内容由热心网友自发贡献,该文观点仅代表作者本人, 转载请联系作者并注明出处:https://www.elefans.com/dongtai/1729579041a1207380.html, 本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容,一经查实,本站将立刻删除。
发表评论