对单目来说物体越大，测距的精度就越较低，硬件上的缺点可以通过算法去填补，近日有两篇关于单目视觉的研究论文曝光，一篇是单目视频的深度估算，另一篇则是单目3d物体辨识，在数据集下测试都获得了不俗的效果，我们熟知的单目摄像头有可能仍然被高估了。摄像头是自动驾驶汽车中最重要的传感器之一，在自动驾驶过程中的首要任务就是道路辨识，主要是图像特征法和模型给定法来展开辨识。行经过程中必须展开障碍物检测和路标路牌辨识等，此时车辆上的信息采集之后可以运用单目视觉或者多目视觉。

由于很多图像算法的研究都是基于单目摄像机研发的，因此相对于其他类别的摄像机，单目摄像机的算法成熟度更高。基于单目摄像头可以用来定位、目标辨识等。

但是比起多目，单目具有先天的缺失，视野信息不需要非常丰富，单目测距的精度也较低。不过单目摄像头的起到还并未充分发挥到淋漓尽致，近日有两篇关于单目视觉的研究，让众多研究者精彩，原本单目一样可以有不俗的展现出。Paper1：OrthographicFeatureTransformforMonocular3DObjectDetection单目3d物体检测是一件很有挑战性的事情，目前最先进设备系统的成绩也不及用激光雷达的1／10，剑桥大学的科学家利用单目视觉展开3d物体辨识，通过引进向量特征转换，使基于图像的特征同构到向量3D空间，来防止构成图像域，可以全面地推断出各个物体比例尺寸以及相距的距离。通过在KITTI数据集里测试，找到与前人的Mono3D方法对比，这种方法在鸟瞰图平均值精确度、3D物体边界辨识上各项测试成绩上均高于输掉。

特别是在在观测远处物体时要近超强Mono3D，远处可辨识出有的汽车数量更加多。甚至在相当严重遮盖、切断的情况下仍能准确辨识出有物体。在某些场景下甚至超过了3DOP系统的水平。

在这项工作中，明确提出的一种精致的单目三维物体检测方法，基于在俯视视野范围内操作者的，减低了许多不当图像的属性，更加更容易推断出世界的3D结构。用一种非常简单的向量特征转换，将基于图像的特征切换为这种俯视视图回应，并叙述了如何用于图像分数有效地构建它，以深二维卷积网络的形式应用于萃取的俯视特征，获得了不俗的效果，解释单目还有相当大可研发的空间。Paper2：AStructuredApproachtoUnsupervisedDepthLearningfromMonocularVideos这是谷歌的工程师做到的一个研究，他利用单目视频深度估算，自从2014年NIPS上经常出现第一篇用CNN－based来做到单目深度估算，近几年也不断涌现出有一些做到单目深度估算的文章，有必要依赖深度自学和网络架构获得结果，还有依赖于深度信息本身的性质展开估算，基于CRF和基于比较深度方法的，本篇文章是基于无监督自学单目视频深度估算。

文中的方法需要仿真运动物体并产生高质量的深度估算结果，与以前的单目视频无监督自学方法比起，该方法需要完全恢复移动物体的准确深度。也就说道，需要正确地完全恢复与自身运动车辆完全相同速度的移动汽车的深度。

因为一台比较惯性的车辆，往往不会展现出出与地面完全相同的无线深度特征，解决问题了高动态场景中的问题。这些方法仍必须很长时间去测试其可靠性，比起激光雷达，单目算法一旦能在无人驾驶汽车上顺利应用于，将不会节省一大笔费用，单目视觉辨识有可能还有着无限的市场潜力。

本文来源：太阳游戏中心下载-www.norcoautosales.com