计算机视觉、人工智能 视觉的研究过程：感知、认知、和控制

车载摄像头的要求：
看得远：提供了更充足的反应时间，直接提升了安全性。需要长焦距（D大，欲保持其他地方不变，就需要F增大），但是焦距增加会导致视角变窄（当F增大，那么W就会减小）
质量高：为了识别的准确率。要求成像效果

相机坐标系

相机坐标系是以相机的聚焦中心为原点，以光轴为Z轴建立的三维直角坐标系。
相机坐标系（观察坐标系）相机坐标系的原点为相机的光心，x轴与y轴与图像的X,Y轴平行，z轴为相机光轴，它与图形平面垂直。光轴与图像平面的交点，即为图像坐标系的原点，图像坐标系为二维直角坐标系。

xy平面和之前平面直角坐标系的表述一致
z 轴与光轴重合

单目摄像头：

识别目标 — 测距
需要大量的数据，并且不断更新和维护

应用于自动驾驶的路况判断

双目摄像头：

通过两幅图像的视差计算来确定距离，类似人的双眼，不需要知道障碍物是什么。
靠计算来进行测距，最大的难点在于计算量巨大

单目测距原理

焦距：$$F=(P\times D)/W$$

单目视觉

参考链接
单目视觉获得的图像本质上是2D的，结合相机的成像模型（初中物理，小孔成像）j就可以获知距离了，前提是你知道物体的真实大小。

测距

case 1: 物体在摄像机的正前方(光轴上)，即相机坐标系的y轴上。

$$\frac{f}{D}=\frac{h}{H}$$
其中，
f 为焦距(相机的内参数，一旦相机确定了，这个数值基本就是确定了)、
h是在相平面内的成像高度
D为物体到相机的距离
H为物体的实际高度（可以获取）

D为所求量，那么h的获知就成为了关键，是通过摄像机内部的感知元件作用后保留下来的

若知道，每一个感知原件的物理尺寸 $$\delta$$和像中包含的感知原件的个数$$n$$，那么就能够得知像的高度 $$h=n\ast \delta$$

则， $$\frac{f}{D}=\frac{n\cdot \delta }{H}$$ $$D=\frac{f\cdot H}{n\cdot \delta }$$

case 2: 物体在摄像机坐标系的xy平面上有偏移（在x轴上有值）

光心

那么物体成像并不是在图像的中间部分，而会在中间偏左或者偏右的位置，存在一个水平方向的夹角 $$\alpha$$，此时光心到像平面中心的距离与光心到物体的距离满足 case 1 的模型， 即有：
$$D^{{}^{\prime }}=\frac{f^{{}^{\prime }}\cdot H}{n\cdot \delta }$$ $$f^{{}^{\prime }}=\sqrt{f^2+l^2}$$ $$l=n_x\cdot \delta$$

$$\alpha =arctan(\frac{l}{f})$$

其中 $$f^{{}^{\prime }}$$ 表示焦距， $$D^{{}^{\prime }}$$ 表示光心到物体中心的距离，$$l$$表示像中到图像中心的水平偏移距离，$$n_x$$ 表示水平偏移的像素个数

此时，可以得到 物体到摄像机的距离为：
$$D=D^{{}^{\prime }}\cdot cos\alpha =\frac{H\cdot \sqrt{f^2+(n_x\cdot \delta {)}^2}}{n\cdot \delta }\cdot \frac{f}{\sqrt{f^2+(n_x\cdot \delta {)}^2}}=\frac{H\cdot f}{n\cdot \delta }$$

case 3: 当物体在Z轴上有移动时，即在光轴上下移动

可以猜想，计算公式也和前两个case相同。

测物体大小

若知道了物体到摄像机的距离， 那么其实可以推导出物体的一些尺寸
$$H=\frac{n\cdot \delta \cdot d}{f}$$

双目视觉

人眼观察世界通过两个视角来形成对空间的基本认知。模仿人眼的原理，可以使用多个摄像机同时采集同一空间中的图像，然后通过一定的算法来实现对三维空间的重建。这就是典型的双目视觉（stereo-vision）问题。