欢迎大家来到IT世界,在知识的湖畔探索吧!
先看下论文中给出的介绍，这是一篇求车道线检测-语义分割的论文，在对图片输入到encoder-decoder前，先利用深度图计算出了每个点的法向量。
图1
这里面缺少一些关键推导，我们试着推导一下：
图2 先把已知条件和3D到2D点的映射公式，法线公式写出来
图3 将上述两式结合的得到（3）
求（3）式对x,y的导数，【这里求导的意义还未知，可能是令3取最值那一点才对应当前法向量】并令导数为零，
图4 求得nx,ny,nz
由于nz这个值里存在梯度量delta_x,delta_y,delta_z,所以我们必须取当前点周围的点来生成梯度量。我们肯定不是取一个周围点，而是取8个，或者更多。这就需要取一个平均值了。
但是，这个平均应该是法向量的平均，而不是直接对zx求平均。所以，我们需要将法向量转到极坐标系中考虑：
图5 法向量的极坐标
结合图4，很容易得到：
图7 求得角度
假设我们有8个相邻点，这时候我们得到8个ni,我们可以将求最合适的n问题，转化为求一个函数的最小值问题：
图8 巧妙设定求E的最小值来求取最优法线的theta角度
这里面的详细推导如下：
免责声明：本站所有文章内容,图片，视频等均是来源于用户投稿和互联网及文摘转载整编而成，不代表本站观点，不承担相关法律责任。其著作权各归其原作者或其出版社所有。如发现本站有涉嫌抄袭侵权/违法违规的内容,侵犯到您的权益，请在线联系站长,一经查实,本站将立刻删除。 本文来自网络,若有侵权，请联系删除，如若转载，请注明出处：https://itzsg.com/76895.html
