方法：
边缘检测Edge detection(contour detection)
f 是相机的焦距，p 是相机的像素大小，H 是圆锥体的高度，D 是相机和圆锥体之间的距离，H 是圆锥体高度所占的像素数)
如何获得障碍物中心在图像中的相应位置
符号：wi 表示类别；x表示待分类的样本或者其特征；p(wi)为类别的先验概率，表示每个类别在所有类别中出现的概率；p(x|wi)为wi的先验概率，表示已知类别为wi的情况下x出现的概率；p(wi|x)为wi的后验概率，表示出现x的情况下x属于类别wi的概率。使用Bayes定理分类的基本思想就是，通过待识别样本x或其特征，判断其属于哪个类别wi的概率更大。
目的：找到每个雷达数据的对应像素，需要摄像机和雷达的校准
PDF（probability density function）概率密度函数 蓝色（positive） 红色（negative） 绿色（other）
Canny边缘检测器[12]
单应性：单应性是指两组点 P 和 P’之间的对应关系。如果满足以下三个条件，则 P 和 P’具有单应关系①P 和 P’ 具有相同的点数。 ②每个点在 P 中的坐标都有对应的 P '点 ③P 和p’中的点 x 都在一个平面上。
step1:二值图像(binary image)转化为距离图像(distance image) 白色素为前景 黑色素为背景(b)是图像(a)中圆锥的理想形状，，(c)是(b))的DT，（c）平移变换得到模板
变换次数多，无法保证精度
圆锥体检测
分别校准雷达和摄像机，遵循程序lXl->Xw->Xc->Xi (分别是障碍物在雷达坐标系、世界坐标系、摄像机坐标系和图像坐标系中的位置)依次变换
解决方法
实时性差
图像补丁采集
基于倒角匹配做颜色分割：
文本用亮度、颜色和纹理作为输入特征训练轮廓检测器，然后用这个检测器判断每个像素是否是轮廓点
优点：结合了实时性和有效性
缺点
缺点：复杂环境&相同颜色识别效果不好
此范围是圆锥体的主要边缘点。
step2:满足以上三个条件，使用线性方法计算单应性矩阵（红色Xi手动标记，黄色Xl雷达给出）
检测方法
单应性审查Homography Review
检测图像中设计的特征来自动使用单应性进行校准
自主车辆的实时交通锥检测
地球移动距离(EMD) [11]：
国内外两种现状
将摄像机和雷达传感器融合
步骤
方法：由低阈值和高阈值控制边缘检测结果
颜色识别Color Judgment
选择的阈值Threshold Chosen
缺点：滤除噪音的同时很难保证关键点的准确性
颜色直方图匹配方法[10]：
倒角匹配chamfer matching
HOG+SVM
倒角匹配和颜色识别结合使用提高精准率
图像补丁Image Patch
结果：在较低的召回率下，颜色信息可以提高准确率
缺点：但由于匹配算法设计过于简单，很难应用于室外环境
解决校准
缺点：难以适应实时需要
缺点：价格昂贵
时间成本高，不能满足实时性
解决办法：为了消除圆锥边缘的错误检测，我们使用边缘方向信息Gy 和 Gx 分别是梯度，可以在灰度图像中计算
单应性自动方法
仅颜色特征检测锥桶
倒角匹配
长距离（>30m才可看到锥桶），使传感器很难提取特征
优点：在特定场景中有很好的效果。
校准：Calibration
缺点：①：提取的边缘特征类似于圆锥样本 ②：障碍物具有非常复杂的边缘特征，这将导致如预期的错误检测
贝叶斯定理：（用于判断最小误差）
此文x代表图像特征
step1:
step1:手动标记至少四对Xi与雷达给的Xl相对应
概念区分：精确率是针对我们预测结果而言的，它表示的是预测为正的样本中有多少是真正的正样本。召回率是针对我们原来的样本而言的，它表示的是样本中的正例有多少被预测正确了。
