在智能视觉感知领域，对象检测和距离估计是场景理解和空间建模的两个基本任务。视觉系统不仅能够识别对象的语义类别，还能推断它们的空间位置，这对于自动驾驶、服务机器人、监控和工业检测等应用至关重要[1]、[2]、[3]。随着深度学习的快速发展，视觉系统已经从二维识别逐渐发展到三维感知。然而，在保持轻量级和实时性能的同时实现高精度和鲁棒性仍然是一个紧迫的挑战。
对于对象检测，单目方法通过卷积神经网络（CNN）提取多尺度特征，并以端到端的方式预测对象类别和边界框[1]、[3]、[4]。在这些单目方法中，两阶段检测器和轻量级单阶段检测框架被广泛采用[5]、[6]、[7]、[8]。得益于网络设计和轻量级策略的进步，单目检测器已成功应用于具有实时性能的嵌入式设备[9]、[10]。然而，单目图像本质上缺乏视差信息；因此，其输出仅表示对象在2D平面上的位置和大小，无法提供它们的实际空间距离[2]、[3]。为了获得度量深度，单目检测通常需要额外的深度估计算法或外部传感器，这不仅增加了系统复杂性，还会引入误差累积[11]、[12]、[13]。
相比之下，立体视觉利用两张图像之间的视差来恢复场景深度，从而可以直接测量对象距离。经典方法如半全局匹配（SGM）通过成本聚合和能量最小化实现像素级视差估计，在纹理丰富的区域产生准确的结果[14]。最近，基于深度学习的立体网络在包括低纹理和遮挡区域在内的具有挑战性的场景中表现出更好的鲁棒性[15]、[16]、[17]、[18]。然而，这些方法通常计算成本较高，限制了它们在资源受限设备上的应用，而传统算法在某些方面提出了优化技术[19]、[20]，但在处理对象边界连续性和对噪声的敏感性方面仍面临困难[21]、[22]。
为了同时实现对象检测和距离估计，提出了基于立体的集成方法。主流策略可以分为两类：一类是独立执行检测和立体匹配，然后融合结果；另一类是利用检测输出来限制深度估计区域，从而提高测量精度和效率[12]、[23]、[24]。这种联合方法结合了检测的语义理解和立体视觉的几何精度，在复杂场景中提供了可靠的性能。然而，在效率、鲁棒性和结果的可解释性方面仍存在挑战。
现有研究的主要问题总结如下：首先，轻量级检测与测量精度之间的权衡。在嵌入式平台上，检测网络必须减少参数以实现实时速度。然而，这种压缩会削弱特征表示能力，导致检测精度降低，从而降低测量质量。
其次，在复杂场景中视差估计的不稳定性。在低纹理区域、遮挡或对象边界处，传统立体算法往往会产生不匹配，导致深度图不连续或噪声较大，这直接影响距离估计。
第三，缺乏关于检测精度与距离误差之间关系的系统讨论。大多数现有系统将检测仅视为测量阶段的输入，而没有研究检测置信度（或边界框精度）与测量稳定性之间的关系。因此，检测不确定性与距离估计误差之间的内在耦合尚未得到充分探索。
为了解决这些挑战，本研究提出了一个在三个方面进行优化的基于立体的检测和距离估计系统：轻量级检测、鲁棒的立体匹配以及对检测-距离关系的系统分析。
首先，轻量级多尺度融合网络（LMSFN）旨在解决轻量级设计与检测精度之间的矛盾。通过采用多尺度特征融合和动态卷积，该网络增强了浅层纹理特征和深层语义特征之间的交互。
其次，改进的半全局块匹配（ISGBM）模块增强了立体匹配的鲁棒性。通过整合成本细化和基于置信度的过滤，该算法在低纹理或遮挡区域自适应调整参数。这减少了噪声并提高了视差连续性。通过额外的平滑和统计过滤，ISGBM生成了支持可靠距离估计的稳定深度图。
最后，本研究系统地讨论了检测精度与距离估计误差之间的关系。通过在不同检测置信度分数、边界框大小和对象位置下的实验比较，揭示了检测不确定性如何传播到距离估计中。
总之，本研究提出了一种基于立体的系统，实现了高效的对象检测和距离估计，而无需依赖额外的传感器。通过轻量级检测、鲁棒的立体匹配和关系分析的创新，所提出的系统在精度、稳定性和实时性能之间取得了良好的平衡。该研究为智能机器人和自主导航提供了实用的视觉解决方案，对实际应用具有重要的意义。
