面向自动驾驶的对象中心立体测距：从稠密视差到基于 Census 的模板匹配

精确的深度估计对于自动驾驶感知系统至关重要，尤其是对于高速公路上的远程车辆检测。传统的稠密立体匹配方法，如块匹配 (BM) 和半全局匹配 (SGM)，会产生每个像素的视差图，但 suffer from 高计算成本、对立体相机之间的辐射差异敏感，以及在视差值较小的远程范围内精度不足。在本报告中，我们提出了一个综合性的立体测距系统，将三种互补的深度估计方法集成到统一的检测-测距-跟踪管道中：稠密 BM/SGM 视差、对象中心 Census 基于模板的匹配，以及单目几何先验。我们的关键贡献是一种新颖的对象中心 Census 基于模板的匹配算法，该算法在检测到的边界框内直接执行 GPU 加速的稀疏立体匹配，采用远近分治策略、前后验证、遮挡感知采样和稳健的多块聚合。我们进一步描述了一个在线校准细化框架，将自动畸变偏移搜索、雷达立体投票式视差校正，以及对象级别的雷达立体关联，用于持续的外参漂移补偿。该完整系统通过异步 GPU 管道设计实现实时性能，能够在包括夜间、雨天以及不同照明条件下的多样化驾驶环境中实现稳健的测距。