我最近开始阅读有关相机校准的知识，并对一组相机进行了一些校准。它们不是立体声的，所以我无法访问图像的深度信息。
我正在运行一个神经网络，该神经网络为我提供了车辆，自行车，人的边界框...
假设所有这些对象都在地平面中，我可以从获得的2d边界框中获取X，Y，Z世界坐标吗？
我已经有了摄像机的本征和外在因素，并且如果边界框如下所示->（x，y，width，height）我正在尝试重新投影底部中心点[（x + width）/ 2 ，（y + height）]。
我不知道如何仅使用边界框的2d像素坐标来计算X，Y，Z世界点。