Algorithm[57]
单目相机的相对速度估计
前言 单目相机的目标距离估计本身就已经充满了挑战，那么目标的相对速度估计也必然十分困难。 目前，基于单目相机的相对速度估计算法大致可以分成两类：传统方法和深度学习方法。没错，什么任务都可以深度学习。 传统方法中，最经典的是 Mobileye 在 2003 年一篇论文中提出的算法。这套算法同时包含目标
道路目标流量统计算法
实现流量统计算法有两个前提： 能够实现目标检测，最基本的前提，必须能够识别到视频帧中的车辆和行人。 能够进行目标跟踪，在检测的基础上，为目标分配一个唯一的ID。流量计数依赖于目标的唯一ID。 目标检测算法以YOLO系列为例。 跟踪算法以 ByteTrack 跟踪结果为例。将检测结果的 objects
面向自动驾驶的端到端感知技术及发展趋势
摘要：近年来，随着深度学习技术的发展和硬件算力的持续增强，自动驾驶技术被越来越多地应用到不同场景中。视觉感知、激光雷达感知和多传感器融合感知技术也在这些年得到了迅速发展。本文首先回顾近年来自动驾驶感知技术的相关工作，然后介绍这些工作所使用的方法与技术，随后整理并介绍自动驾驶感知常用的数据集和评价指标
多目标跟踪算法的评价指标
多目标跟踪（MOT，Multiple Object Tracking）。 评价指标 MOTA MOTA 全称 Multiple Object Tracking Accuracy，计算公式为： MOTA = 1 - \frac{\sum_t(FN_t + FP_t + IDSW_t)}{\sum_t
多目标跟踪中的目标匹配算法
多目标跟踪算法 自动驾驶领域中的目标跟踪算法通常都是多目标跟踪算法，即 MOT（Multiple Object Tracking）。因为在这种场景中，要跟踪的目标往往不止一个。也有些文献会把这类问题称为 MTT（Multiple Target Tracking）。 MOT 问题中，并不是所有目标都会
我还在学CUDA编程（四）——内存管理及访问模式
内存管理 内存分配和释放 CUDA 编程模型中存在 Host 和 Device 两个异构系统，每个系统都有相对独立的内存空间。 在 Host 代码中，可以使用下面的函数分配 Device 全局内存： cudaError_t cudaMalloc(void **devPtr, size_t count
单目相机像素坐标系到世界坐标系的转换
世界坐标系 -> 像素坐标系 转换过程可参见这篇文章：FunnyWii's Zone 机器视觉 - 单目相机入门，其中描述了世界坐标系 -> 像素坐标系的转换过程。可以归结为下述公式： Z_c \begin{bmatrix} u \\ v \\ 1 \end{bmatrix} = K \begin{
我还在学CUDA编程（四）——内存的层次结构
CUDA 内存模型 存储器的类型有两种： 可编程：显式控制哪些数据存放。 不可编程：不能决定数据存储位置。 在 CPU 层次结构中，一级缓存（L1 Cache）和二级缓存（L2 Cache）都是不可编程的。 可编程的存储器类型包括： 寄存器 共享内存 本地内存 常量内存 纹理内存 全局内存 下图为上
继续学CUDA编程（三） —— CUDA执行模型（下）
并行归约问题 先解释一下什么是 归约（Reduction），归约是将某个计算问题变换为另一个问题的过程。在 CUDA 运算中，在向量中执行满足交换律和结合律的运算，被称为归约问题。每次迭代计算方式都是相同的（归），从一组多个数据最后得到一个数（约）^{[1]}。比如当给定 N 个数值，求其 SUM/
单目相机的深度图，以及绝对深度和相对深度
深度图 深度图（Depth Image, Depth Map）会将图像中的每个像素编码为相机到场景中某个点的距离，从而提供图像中物体的空间信息。 需要注意的是，不同场景下深度的定义可能略有差异。有些传感器中，深度表示的是相机坐标系下沿光轴方向的 Z 值；有些场景中，深度也可能表示空间点到相机中心的欧