DashCam 视频：面向路边植被与基础设施监测的互补低成本数据流

本研究引入了一种新型、低成本且可复现的框架，用于实时、对象级别的路边植被与基础设施结构评估与定位。我们开发了一个集成单目深度估计、深度误差校正与几何三角化的端到端管道，从车载 Dashcam 的街景视频流中生成准确的空间与结构数据。首先使用最先进的单目深度模型估计深度图，然后通过梯度提升回归框架进行细化，以纠正远处对象的低估，尤其是远距离处的低估。深度校正模型取得优异的预测性能（R2 = 0.92，MAE = 0.31），显著降低了 15 米以上的偏差。进一步地，通过 GPS 三角化估计对象位置，通过针孔相机几何计算对象高度。我们在不同相机位置和车辆速度条件下对该方法进行评估。低速车辆内部摄像头给出最高准确率，定位误差均值为 2.83 米，树木和杆状物体的高度估计 MAE 分别为 2.09 米和 0.88 米。迄今为止，已是首个将单目深度建模、三角化 GPS 定位与实时结构评估相结合，用于基于消费级视频数据的城市植被与基础设施监测的框架。我们的ethods 补充了诸如激光 LiDAR 和图像等传统遥感方法，提供了一种快速、实时且成本效益高的解决方案，用于对象级别的植被风险和基础设施暴露监测，尤其适用于寻求在动态城市环境中实现可扩展且频繁评估的公用事业公司和城市规划者。