Apollo感知模块：一

        一直有一个想法，想将apollo感知模块的主要代码脱离apollo框架，现就当中的一些经验心得与大家一起分享，主要从摄像头感知模块来说起，说的不对之处敬请指正。

        apollo摄像头部分主要使用了yolo3d深度学习模型，这个模型的介绍网上也有讨论，在这里就不细说了，这个网络架构是基于caffe框架下改写，网络模型在docker环境中可以获取，也就是在modules/perception/model/yolo_camera_detector/yolo3d_1128文件夹下用到的模型，caffe框架apollo只提供了编译好的动态链接库，没有提供源代码，所有这部分网络模型没有办法自己处理，所以我就暂时用了tensorflow yolov3模型代替，有了自己的网络模型改动起来也方便。

       首先我们要对这部分架构有一个基本的了解，apollo的基本架构是每个传感器为一个subnode，在每个subnode里面，Apollo对其数据也做了一定的预处理，这里我们以camera为例： 

//-- yolo
detector_->Multitask(img, CameraDetectorOptions(), &objects, &mask);

//-- obj 2d -> 3d
converter_->Convert(&objects);

//-- 根据外参将obj从相机坐标系转换到车辆坐标系
transformer_->Transform(&objects);

tracker_->Associate(img, timestamp, &objects);

//-- 使用kalman进行跟踪
filter_->Filter(timestamp, &objects);

         detector_部分我直接用yolov3的结果代替，2d->3d因为我这里只用摄像头，只考虑2d信息，所以这块代码可以先不考虑，如何后续由激光雷达和毫米波雷达这块代码可以加上，因为只是单纯的测试，所以不考虑坐标系转换，所以transformer_也可以暂时不看，如果后续在车上调试这部分可以加上，那么就只剩下跟踪和kalman滤波这两部分代码了，是不是就变得相对容易了，这里主要我们要了解apollo感知object的数据结构，这部分是关键，因为我们要把yolov3输出的东西嫁接到这个数据结构上。