m0_62951309的博客

方法将左上角坐标和宽高转换为中心坐标、宽高比和高度。这种转换可以根据具体的应用场景选择合适的表示方式，方便不同算法之间的集成和交互。计算了边界框宽度的一半和高度的一半，然后加到左上角坐标上，得到了中心坐标。对象的属性，将输入的边界框位置信息、置信度和特征向量存储为对象的属性。类用于表示图像中的一个目标检测结果，其中包含了目标的位置信息和特征。这两个方法提供了不同的边界框坐标表示格式之间的转换。方法将左上角坐标和宽高转换为左上角和右下角坐标，而。的副本，确保在后续的计算中不会影响到原始的。

双目相机利用两个摄像头拍摄的图像的视差（两个摄像头的视角差异）来获取场景的深度信息。具体来说，双目相机拍摄的左视图和右视图之间的像素位置差异（视差）用于计算场景中物体的深度。这些光学图像是通过相机的成像传感器捕捉到的场景的二维图像，类似于人眼看到的视角。：根据相机的几何参数（如基线距离、焦距等）以及计算出的视差值，通过三角测量的方法计算每个像素点的深度信息，生成深度图像。：这是由双目相机的左摄像头拍摄的图像，通常与右视图具有一定的视差，视差的大小与场景中的物体距离相机的远近相关。双目相机采集的图像主要是。

先验框（Anchor Box）是目标检测模型在预测过程中使用的一种预定义的矩形框。这些框的尺寸和形状事先固定，用于估计图像中可能存在的目标的位置和大小。在模型训练时，先验框会与真实目标框进行匹配，并根据匹配结果调整预测框的位置和大小。通过K-means聚类对先验框进行优化，是根据实际数据集中的目标特征，自动生成一组适应性更好的先验框尺寸。这样可以增强模型对不同大小和形状目标的检测能力，提升目标检测任务的整体性能。

根据最小和最大值，定义轴对齐边界框的八个顶点。

多帧平均适合静态且稳定的背景，方法简单且计算效率高。**高斯混合模型（GMM）**适合背景可能存在变化的场景，鲁棒性更强，但计算复杂度较高。如果背景稳定且变化不大，可以选择多帧平均方法；如果背景有可能变化（如光照变化），则GMM会是一个更好的选择。

Bouguet立体校正是计算机视觉中一种常用的立体矫正方法，它基于OpenCV库的立体校正工具，通常用于处理立体相机系统中的图像对齐和校正。该方法的主要目标是通过几何变换，使得两台相机的视差只沿水平方向变化，从而简化立体匹配算法的实现。