摘要
从起重机顶部视角摄像头估计与安全相关目标的度量深度具有挑战性，原因在于单目预测存在尺度模糊性，且目标感兴趣区域（RoI）混合了负载、人员、提升钢丝绳和地面的回波信息。我们提出了一种以目标为核心的处理流水线：由检测器定义RoI，预测稠密的度量深度图，并为每个对象提取一个代表性深度值。DINOv2-DPT相对深度网络保持冻结，而多尺度适配器、DINO检测分支和逐像素空间仿射标定头则进行训练。真实标注的边界框将度量监督限制在目标相关区域，但不作为标定头的输入。在评估阶段，所有深度方法使用相同的预测RoI，并采用类感知的核密度估计规则提取代表性深度。在一台实际运行的150吨起重机采集的272帧硬件同步RGB-LiDAR数据上，所提方法在$\delta < 1.25$条件下，目标级RMSE为0.564 m，像素级内点率为0.966。一一对应的真实标注匹配结果得到0.566 m的目标级RMSE，检测精确率/召回率为0.960/0.970。AdaBins方法在像素级MAE和RMSE上表现更优，而所提方法在目标级误差上表现更优。这些结果表明，在所评估的实际起重机运行条件下，以目标为核心的度量测距方法是可行的。
