来源：雪球App，作者： forcode，（https://xueqiu.com/3167081651/188014984）

纯视觉识别距离，也是模拟人类。机器学习（或者标记）是什么物体，在什么距离，会占当前帧的多少像素（摄像头固定），同时也通过周边其他物体的像素去纠正（如果有偏差），这样就能得到一个比较精确的距离。比如，某辆车的前脸宽度2米，通过之前的数据收集，已知距离为100米的时候，占1000像素 （数据随便举例，不是真实如此），那么现在这一刻的视频帧里，刚好占1000像素，可以推算距离大致为100米；但是如果如果这个100米成立，那么倒推其他周边近一些的物体，像素应该是多少，如果匹配不上，应该修正远者（越近越精确），而且无法识别到具体车辆品牌和车系，只能识别轿车、皮卡、Bus这些大的特征，所以前脸宽度的数据不是固定的。

有了距离，就很容易判断速度了，不同时间的距离变化，一下子就算出来。

我理解是，既有大量前期数据收集、标记、学习，也有现场实时计算、匹配。