菜鸟看论文——地面估计的研究趋势（二）
参考：
** 16.Identifying Good Training Data for Self-Supervised Free Space Estimation**
1.计算V视差图
2.二值滤波算法（只含有地面相关线的点）
参考：
** 15.Ground segmentation and occupancy grid generation using probability fields**
3.贝叶斯线性回归（没看懂。。。。。）
（1）假设d是v的二阶多项式函数
（2）对应条件概率为：
其中
是误差的高斯估计的正确率，
是权重的高斯估计的正确率，从而得到只关于，估计的贝叶斯估计。
（3），的估计为：
（4）最后的分布为：
只有三个参数：一个是估计参数的初始化值（计算，），收敛公差（非常小：10e-10)和置信区间(30%)
4.v-SVC分类器
（1）图像分块（5*32个block），块当中含有10%以上元素是地面的则作为训练块（由第一阶段得到）
参考：
** 07.Traversability classification for ugv navigation: A comparison of patch and superpixel representations**
（2）每个块提取20维特征矢量，包括：
（3）v-SVC设置参数：训练数据是支撑向量的概率（=1），核尺度，离群点分数（=5%)，这种设置是基于训练数据中很少有错误标记的数据的假设，这体现了第一阶段训练时候要严格。
参考：
** 95.Sv estimation of a distributions support**
（4）计算召回率（=真阳率，衡量分类器估计的地面占真实地面的比率，FP/(FP+TN)),，正确率（衡量分类器估计的地面中正确的地面的比率，TP/(TP+FP)），以及明确性（正确识别障碍物的比率，TN/(TN+FN))Specificity=TN/(FP+TN)=1-FPR FPR=FP/(FP+TN)
参考：
** 13.A multi-baseline stereo system for scene segmentation in natural environments**
** 08.Online, selfsupervised terrain classification via discriminatively trained submodular markov random fields**
** 07. Traversability classification for ugv navigation: A comparison of patch and superpixel**
** representations**