菜鸟看论文——地面估计的研究趋势（一）

参考：15.Ground Segmentation and Occupancy Grid Generation Using Probability Fields步骤：1.计算视差图（the Daimler Urban Segmentation dataset以及SGB算法2.计算v-视差图3.对v-视差图进行滤波：得到只含有一条斜线的v-视差图

 （1）利用Sobel滤波器，加强水平边缘，减轻垂直边缘。（2）二值化（阈值采用Otsus阈值选择方法）（3）形态学开操作去除散点参考：14.Estimation of Longitudinal Profile of Road Surface from Stereo Disparity using Dijkstra Algorithm地面点包括：（1）每列中的最大值（2）每列中占比大于预定值（0.9）的点

 4.对滤波后v视差图随机变量（v，d）进行联合分布统计（1）计算一阶矩（均值），二阶中心距（方差）（2）计算协方差矩阵

  （3）计算相关系数（相关系数=1的充要条件是v与d有线性关系）

（4）如果相关系数不足够大（》0.95），则不断增加阈值（+0.001），在新阈值下的v视差滤波图上计算（以对抗v视差较坏情况下的估计问题）。 5.计算占用概率（1）假设d服从高斯分布，即：



  （2）求解直线参数

  

（3）求解d分布的参数，计算分布概率



  （4）计算ROC曲线（没看懂。。。。）
参考：15.Ground Segmentation and Occupancy Grid Generation Using Probability Fields[/b][/i][/u]16.[/b][/i][/u]Identifying Good Training Data for Self-Supervised Free Space Estimation缺点：1.假设地面是面积最大的倾斜面，如果更大的倾斜平面，则会误检测，并且两个平面也不符合高斯分布的假设。2.高斯分布的模型参数是经过离线训练的，当应用于新的场景下时候，用于分割的分类阈值可能不准确3.线估计的参数依赖于滤波后有效区域的尺寸和大小，可能出现过拟合问题