CN111696160A - 车载摄像头自动标定方法、设备及可读存储介质 - Google Patents
车载摄像头自动标定方法、设备及可读存储介质 Download PDFInfo
- Publication number
- CN111696160A CN111696160A CN202010571305.3A CN202010571305A CN111696160A CN 111696160 A CN111696160 A CN 111696160A CN 202010571305 A CN202010571305 A CN 202010571305A CN 111696160 A CN111696160 A CN 111696160A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- target
- mounted camera
- visual parameters
- calibration
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种车载摄像头自动标定方法、设备及可读存储介质,所述车载摄像头自动标定方法通过对待标定的车载摄像头所采集到的多张道路图像中的刚性目标进行识别,避免了以图像中的人体等多变的柔性目标作为标定依据而对标定结果造成的较大误差,提高了标定过程的稳定性与精度水平;通过获取多个道路图像的初始视觉参数,从而得到多个可供参考的样本数据;通过高斯分布特性和多个初始视觉参数确定出可能性最大的目标视觉参数来进行车载摄像头的标定,提升了标定精度。另外,本发明与现有技术相比,无需借助任何外部人工的协助即可进行全自动标定,且不需要专业技术支持,大大降低了标定难度,具有广泛的可适应性和先进性。
Description
技术领域
本发明涉及计算机视觉技术领域,尤其涉及一种车载摄像头自动标定方法、设备及可读存储介质。
背景技术
在汽车自动驾驶和辅助驾驶领域中,视觉是最常见的一种感知方法,还有利用多传感器融合的方法。在直接以视觉作为感知单元尤其是单目视觉的条件下,对相机的安装高度以及消失点都有较高的要求,错误的消失点,往往会导致计算距离不够准确,影响前向碰撞告警的准确性和及时性,造成延后性事故;而错误的安装高度,则会影响计算目标的宽度如路面标志、行人宽度,引起参数错误导致的过滤,造成漏检事故。此外,在外界因素影响下,车载摄像头可能会被移位或者调整角度,需要一种方法去确定相机安装参数的改变然后重新标定和校准。
目前,对于消失点标定,现有的车载摄像头的全自动标定方法中是通过直接使用多条车道线拟合直线的交点取均值的方式来实现的,而这一方式往往会因为车辆在行驶过程中的不平稳状态导致消失点标定结果不够准确;为提高标定精度,常用的解决方式是通过分析车辆的状态,当车辆状态如速度、转向角等处于理想状态时再进行计算,这一方式显然增加了计算的复杂度,且在连续上坡、下坡的实际情景中采用这一方式所计算出的精度依然不够理想。对于安装高度标定,现有的车载摄像头的全自动标定方法中通常会选择行人或是地面参考物来进行标定。由于行人目标为柔性目标,姿态变化频繁,故往往会导致标定结果存在很大误差;而地面参考物如车道线、导向标识等,又会因为设置标准的多样性与地方差异性而难以统一,故基于此所标定的安装高度的精度也非常低。因此,现有车载摄像头自动标定方法均存在标定精度低的问题。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种车载摄像头自动标定方法,旨在解决现有的车载摄像头的标定方法的标定精度低的技术问题。
为实现上述目的,本发明提供一种车载摄像头自动标定方法,所述车载摄像头自动标定方法包括:
获取由待标定车载摄像头所采集的多个道路图像,识别并提取出每一所述道路图像中包含的刚性目标;
获取每一所述刚性目标所对应的特征信息,并根据所述特征信息得到每一所述道路图像的初始视觉参数;
根据高斯分布特性与所述初始视觉参数,确定目标视觉参数,以基于所述目标视觉参数对所述待标定车载摄像头进行标定。
可选地,所述刚性目标包括车道线目标,
所述获取每一所述刚性目标所对应的特征信息,并根据所述特征信息得到每一所述道路图像的初始视觉参数的步骤包括:
获取所述车道线目标中的边缘特征点以作为所述特征信息,并拟合车道线方程;
基于所述车道线方程判断所述边缘特征点是否符合预设偏差标准;
若是,则获取所述车道线目标的交点位置,以作为所述初始视觉参数。
可选地,所述根据高斯分布特性与所述初始视觉参数,确定目标视觉参数的步骤包括:
在获取到预设第一数量的交点位置时,根据高斯分布特性,分析预设第一数量的交点位置得到目标消失点位置,以作为所述目标视觉参数。
可选地,所述刚性目标包括前车目标,
所述获取每一所述刚性目标所对应的特征信息,并根据所述特征信息得到每一所述道路图像的初始视觉参数的步骤包括:
使用预设车型识别算法,确定所述前车目标的车辆类型以作为所述特征信息,并使用预设车型宽度对照信息确定所述前车目标的车辆实际宽度;
获取所述前车目标的车辆底边坐标和底边宽度,并根据所述车辆底边坐标和底边宽度、车辆实际宽度、目标消失点位置与待标定车载摄像头的预设相机焦距,得到初始安装高度以作为所述初始视觉参数。
可选地,所述获取所述前车目标的车辆底边坐标和底边宽度,并根据所述车辆底边坐标和底边宽度、车辆实际宽度、目标消失点位置与待标定车载摄像头的预设相机焦距,得到初始安装高度以作为所述初始视觉参数的步骤包括:
获取所述前车目标在所述道路图像中的车辆位置,与所述道路图像的图像高度,并利用所述图像高度、目标消失点位置与相机焦距之间的三角函数关系,得到相机俯仰角度;
利用小孔成像原理,根据所述车辆底边宽度、车辆实际宽度、目标消失点位置、相机焦距、车辆位置与相机俯仰角度,计算出所述初始安装高度。
可选地,所述根据高斯分布特性与所述初始视觉参数,确定目标视觉参数,以基于所述目标视觉参数对所述待标定车载摄像头进行标定的步骤包括:
在获取到预设第二数量的初始安装高度时,根据高斯分布特性,分析预设第二数量的初始安装高度,得到目标安装高度作为所述目标视觉参数,以基于所述目标消失点位置与目标安装高度、完成所述待标定车载摄像头的标定。
可选地,所述根据高斯分布特性与所述初始视觉参数,确定目标视觉参数,以基于所述目标视觉参数对所述待标定车载摄像头进行标定的步骤之后,还包括:
基于标定后的车载摄像头获取多个行车图像,并获取多个所述行车图像对应的多个当前视觉参数;
基于所述目标视觉参数判断多个所述当前视觉参数是否满足预设校准条件;
若是,则根据高斯分布特性与多个所述当前视觉参数确定校准视觉参数以校准所述目标视觉参数,并输出校准成功信息;
若否,则输出当前无需校准信息。
可选地,所述基于所述目标视觉参数判断多个所述当前视觉参数是否满足预设校准条件的步骤包括:
获取多个所述当前视觉参数中与所述目标视觉参数之间的偏差值超出预设偏差阈值的第一视觉参数数量,以及未超出预设偏差阈值的第二视觉参数数量;
判断所述第一视觉参数数量是否大于所述第二视觉参数数量;
若是,则判定多个所述当前视觉参数满足预设校准条件;
若否,则判定多个所述当前视觉参数不满足预设校准条件。
此外,为实现上述目的,本发明还提供一种车载摄像头自动标定装置,所述车载摄像头自动标定装置包括:
刚性目标提取模块,用于获取由待标定车载摄像头所采集的多个道路图像,识别并提取出每一所述道路图像中包含的刚性目标;
初始参数获取模块,用与获取每一所述刚性目标所对应的特征信息,并根据所述特征信息得到每一所述道路图像的初始视觉参数;
目标参数确定模块,用于根据高斯分布特性与所述初始视觉参数,确定目标视觉参数,以基于所述目标视觉参数对所述待标定车载摄像头进行标定。
可选地,所述刚性目标包括车道线目标,
所述初始参数获取模块包括:
方程拟合单元,用于获取所述车道线目标中的边缘特征点以作为所述特征信息,并拟合车道线方程;
偏差判断单元,用于基于所述车道线方程判断所述边缘特征点是否符合预设偏差标准;
交点获取单元,用于若是,则获取所述车道线目标的交点位置,以作为所述初始视觉参数。
可选地,所述目标参数确定模块包括:
目标位置获取单元,用于在获取到预设第一数量的交点位置时,根据高斯分布特性,分析预设第一数量的交点位置得到目标消失点位置,以作为所述目标视觉参数。
可选地,所述刚性目标包括前车目标,
所述初始参数获取模块包括:
实际宽度确定单元,用于使用预设车型识别算法,确定所述前车目标的车辆类型以作为所述特征信息,并使用预设车型宽度对照信息确定所述前车目标的车辆实际宽度;
初始高度获取单元,用于获取所述前车目标的车辆底边坐标和底边宽度,并根据所述车辆底边坐标和底边宽度、车辆实际宽度、目标消失点位置与待标定车载摄像头的预设相机焦距,得到初始安装高度以作为所述初始视觉参数。
可选地,所述初始高度获取单元还用于:
获取所述前车目标在所述道路图像中的车辆位置,与所述道路图像的图像高度,并利用所述图像高度、目标消失点位置与相机焦距之间的三角函数关系,得到相机俯仰角度;
利用小孔成像原理,根据所述车辆底边宽度、车辆实际宽度、目标消失点位置、相机焦距、车辆位置与相机俯仰角度,计算出所述初始安装高度。
可选地,所述目标参数确定模块包括:
目标高度确定单元,用于在获取到预设第二数量的初始安装高度时,根据高斯分布特性,分析预设第二数量的初始安装高度,得到目标安装高度作为所述目标视觉参数,以基于所述目标消失点位置与目标安装高度,完成所述待标定车载摄像头的标定。
可选地,所述车载摄像头自动标定装置还包括:
当前参数获取单元,用于基于标定后的车载摄像头获取多个行车图像,并获取多个所述行车图像对应的多个当前视觉参数;
校准条件判断单元,用于基于所述目标视觉参数判断多个所述当前视觉参数是否满足预设校准条件;
校准成功判定单元,用于若是,则根据高斯分布特性与多个所述当前视觉参数确定校准视觉参数以校准所述目标视觉参数,并输出校准成功信息;
无需校准判定单元,用于若否,则输出当前无需校准信息。
可选地,所述校准条件判断单元还用于:
获取多个所述当前视觉参数中与所述目标视觉参数之间的偏差值超出预设偏差阈值的第一视觉参数数量,以及未超出预设偏差阈值的第二视觉参数数量;
判断所述第一视觉参数数量是否大于所述第二视觉参数数量;
若是,则判定多个所述当前视觉参数满足预设校准条件;
若否,则判定多个所述当前视觉参数不满足预设校准条件。
此外,为实现上述目的,本发明还提供一种车载摄像头自动标定设备,所述车载摄像头自动标定设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的车载摄像头自动标定程序,所述车载摄像头自动标定程序被所述处理器执行时实现如上述的车载摄像头自动标定方法的步骤。
此外,为实现上述目的,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有车载摄像头自动标定程序,所述车载摄像头自动标定程序被处理器执行时实现如上述的车载摄像头自动标定方法的步骤。
本发明提供一种车载摄像头自动标定方法、设备及计算机可读存储介质。所述车载摄像头自动标定方法通过获取由待标定车载摄像头所采集的多个道路图像,识别并提取出每一所述道路图像中包含的刚性目标;获取每一所述刚性目标所对应的特征信息,并根据所述特征信息得到每一所述道路图像的初始视觉参数;根据高斯分布特性与所述初始视觉参数,确定目标视觉参数,以基于所述目标视觉参数对所述待标定车载摄像头进行标定。通过上述方式,本发明通过对待标定的车载摄像头所采集到的多张道路图像中的刚性目标进行识别,避免了以图像中的人体等多变的柔性目标作为标定依据而对标定结果造成的较大误差,提高了标定过程的稳定性与精度水平;通过获取多个道路图像的初始视觉参数,从而得到多个可供参考的样本数据,避免因单次检测所造成的误差;通过高斯分布特性和多个初始视觉参数确定出可能性最大的目标视觉参数来进行车载摄像头的标定,提升了标定精度,从而解决了现有的车载摄像头的标定方法的标定精度低的技术问题。另外,本发明与现有技术相比,无需借助任何外部人工的协助即可进行全自动标定,且不需要专业技术支持,大大降低了标定难度,具有广泛的可适应性和先进性。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的车载摄像头自动标定设备结构示意图;
图2为本发明车载摄像头自动标定方法第一实施例的流程示意图;
图3为本发明车载摄像头自动标定方法一具体实施例中车辆在图像坐标系中的投影示意图;
图4为本发明车载摄像头自动标定方法一具体实施例中路平面坐标系中车载摄像头与车辆之间的几何关系示意图;
图5为本发明车载摄像头自动标定方法一具体实施例中的消失点示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
如图1所示,图1是本发明实施例方案涉及的硬件运行环境的车载摄像头自动标定设备结构示意图。
本发明实施例车载摄像头自动标定设备为带车载摄像头的终端设备。
如图1所示,该车载摄像头自动标定设备可以包括:处理器1001,例如CPU,通信总线1002,用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。可选的用户接口1003可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatile memory)。存储器1005可选的还可以是独立于前述处理器1001的存储设备。
本领域技术人员可以理解,图1中示出的车载摄像头自动标定设备结构并不构成对车载摄像头自动标定设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种计算机存储介质的存储器1005中可以包括操作***、网络通信模块、用户接口模块以及车载摄像头自动标定程序。
在图1所示的车载摄像头自动标定设备中,网络接口1004主要用于连接后台服务器,与后台服务器进行数据通信;用户接口1003主要用于连接客户端(用户端),与客户端进行数据通信;而处理器1001可以用于调用存储器1005中存储的车载摄像头自动标定程序,并执行以下操作:
获取由待标定车载摄像头所采集的多个道路图像,识别并提取出每一所述道路图像中包含的刚性目标;
获取每一所述刚性目标所对应的特征信息,并根据所述特征信息得到每一所述道路图像的初始视觉参数;
根据高斯分布特性与所述初始视觉参数,确定目标视觉参数,以基于所述目标视觉参数对所述待标定车载摄像头进行标定。
进一步地,所述刚性目标包括车道线目标,
所述获取每一所述刚性目标所对应的特征信息,并根据所述特征信息得到每一所述道路图像的初始视觉参数的步骤包括:
获取所述车道线目标中的边缘特征点以作为所述特征信息,并拟合车道线方程;
基于所述车道线方程判断所述边缘特征点是否符合预设偏差标准;
若是,则获取所述车道线目标的交点位置,以作为所述初始视觉参数。
进一步地,所述根据高斯分布特性与所述初始视觉参数,确定目标视觉参数的步骤包括:
在获取到预设第一数量的交点位置时,根据高斯分布特性,分析预设第一数量的交点位置得到目标消失点位置,以作为所述目标视觉参数。
进一步地,所述刚性目标包括前车目标,
所述获取每一所述刚性目标所对应的特征信息,并根据所述特征信息得到每一所述道路图像的初始视觉参数的步骤包括:
使用预设车型识别算法,确定所述前车目标的车辆类型以作为所述特征信息,并使用预设车型宽度对照信息确定所述前车目标的车辆实际宽度;
获取所述前车目标的车辆底边坐标和底边宽度,并根据所述车辆底边坐标和底边宽度、车辆实际宽度、目标消失点位置与待标定车载摄像头的预设相机焦距,得到初始安装高度以作为所述初始视觉参数。
进一步地,所述获取所述前车目标的车辆底边坐标和底边宽度,并根据所述车辆底边坐标和底边宽度、车辆实际宽度、目标消失点位置与待标定车载摄像头的预设相机焦距,得到初始安装高度以作为所述初始视觉参数的步骤包括:
获取所述前车目标在所述道路图像中的车辆位置,与所述道路图像的图像高度,并利用所述图像高度、目标消失点位置与相机焦距之间的三角函数关系,得到相机俯仰角度;
利用小孔成像原理,根据所述车辆底边宽度、车辆实际宽度、目标消失点位置、相机焦距、车辆位置与相机俯仰角度,计算出所述初始安装高度。
进一步地,所述根据高斯分布特性与所述初始视觉参数,确定目标视觉参数,以基于所述目标视觉参数对所述待标定车载摄像头进行标定的步骤包括:
在获取到预设第二数量的初始安装高度时,根据高斯分布特性,分析预设第二数量的初始安装高度,得到目标安装高度作为所述目标视觉参数,以基于所述目标消失点位置与目标安装高度,完成所述待标定车载摄像头的标定。
进一步地,所述根据高斯分布特性与所述初始视觉参数,确定目标视觉参数,以基于所述目标视觉参数对所述待标定车载摄像头进行标定的步骤之后,处理器1001还可以用于调用存储器1005中存储的车载摄像头自动标定程序,并执行以下操作:
基于标定后的车载摄像头获取多个行车图像,并获取多个所述行车图像对应的多个当前视觉参数;
基于所述目标视觉参数判断多个所述当前视觉参数是否满足预设校准条件;
若是,则根据高斯分布特性与多个所述当前视觉参数确定校准视觉参数以校准所述目标视觉参数,并输出校准成功信息;
若否,则输出当前无需校准信息。
进一步地,所述基于所述目标视觉参数判断多个所述当前视觉参数是否满足预设校准条件的步骤包括:
获取多个所述当前视觉参数中与所述目标视觉参数之间的偏差值超出预设偏差阈值的第一视觉参数数量,以及未超出预设偏差阈值的第二视觉参数数量;
判断所述第一视觉参数数量是否大于所述第二视觉参数数量;
若是,则判定多个所述当前视觉参数满足预设校准条件;
若否,则判定多个所述当前视觉参数不满足预设校准条件。
基于上述硬件结构,提出本发明车载摄像头自动标定方法的各个实施例。
在汽车自动驾驶和辅助驾驶领域中,视觉是最常见的一种感知方法,还有利用多传感器融合的方法。在直接以视觉作为感知单元尤其是单目视觉的条件下,对相机的安装高度以及消失点都有较高的要求,错误的消失点,往往会导致计算距离不够准确,影响前向碰撞告警的准确性和及时性,造成延后性事故;而错误的安装高度,则会影响计算目标的宽度如路面标志、行人宽度,引起参数错误导致的过滤,造成漏检事故。此外,在外界因素影响下,车载摄像头可能会被移位或者调整角度,需要一种方法去确定相机安装参数的改变然后重新标定和校准。
目前,对于消失点标定,现有的车载摄像头的全自动标定方法中是通过直接使用多条车道线拟合直线的交点取均值的方式来实现的,而这一方式往往会因为车辆在行驶过程中的不平稳状态导致消失点标定结果不够准确;为提高标定精度,常用的解决方式是通过分析车辆的状态,当车辆状态如速度、转向角等处于理想状态时再进行计算,这一方式显然增加了计算的复杂度,且在连续上坡、下坡的实际情景中采用这一方式所计算出的精度依然不够理想。对于安装高度标定,现有的车载摄像头的全自动标定方法中通常会选择行人或是地面参考物来进行标定。由于行人目标为柔性目标,姿态变化频繁,故往往会导致标定结果存在很大误差;而地面参考物如车道线、导向标识等,又会因为设置标准的多样性与地方差异性而难以统一,故基于此所标定的安装高度的精度也非常低。因此,现有车载摄像头自动标定方法均存在标定精度低的问题。
为解决上述技术问题,本发明提供一种车载摄像头自动标定方法,即对待标定的车载摄像头所采集到的多张道路图像中的刚性目标进行识别,避免了以图像中的人体等多变的柔性目标作为标定依据而对标定结果造成的较大误差,提高了标定过程的稳定性与精度水平;通过获取多个道路图像的初始视觉参数,从而得到多个可供参考的样本数据;通过高斯分布特性和多个初始视觉参数确定出可能性最大的目标视觉参数来进行车载摄像头的标定,提升了标定精度,从而解决了现有的车载摄像头的标定方法的标定精度低的技术问题。另外,本发明与现有技术相比,无需借助任何外部人工的协助即可进行全自动标定,且不需要专业技术支持,大大降低了标定难度,具有广泛的可适应性和先进性。所述车载摄像头自动标定方法应用于车载摄像头自动标定设备。
参照图2,图2为车载摄像头自动标定方法第一实施例的流程示意图。
本发明第一实施例提供一种车载摄像头自动标定方法,所述车载摄像头自动标定方法包括以下步骤:
步骤S10,获取由待标定车载摄像头所采集的多个道路图像,识别并提取出每一所述道路图像中包含的刚性目标;
车载摄像头是实现众多预警、识别类高级驾驶辅助***(ADAS,Advanced DrivingAssistance System)功能的基础。在众多ADAS功能中,视觉影像处理***较为基础,而摄像头又是视觉影像处理***的输入,因此车载摄像头对于智能驾驶必不可少。车载摄像头主要包括内视摄像头、后视摄像头、前视摄像头、侧视摄像头、环视摄像头,本实施例对此不做限定。
道路图像为装有待标定的车载摄像头的车辆在道路上正常行驶时,车载摄像头所拍摄到的包含有当前道路情况的图像,在道路图像中至少包括了路面上的车道线,还可能包括有同样行驶在当前道路上的其他车辆,或是行人等。多个道路图像可为车载摄像头在同一时间段内连续拍摄的图像,也可为在不同时间所拍摄的图像。
刚性目标为相对与柔性目标而言的概念,在本实施例中指的是道路图像中可能出现的车道线、摄影范围内出现的其他车辆等形态固定的图像目标。而柔性目标例如人体目标,姿态、身高各异,不适用于较高精度情形下的目标测距、盲区检测等。
在本实施例中,先以对于单个道路图像的处理过程进行说明。车载摄像头标定设备在获取到待标定的车载摄像头所拍摄的一道路图像,使用预设的图像识别算法对该道路图像中的刚性目标进行识别提取。例如,若道路图像中包含车道线,则使用预设的车道线检测算法对图像中的车道线目标进行识别提取;若道路图像中包含其他车辆,则使用预设的车辆识别算法对图像中的车辆目标进行识别提取。其中,车辆目标可为前车目标,也可为后车目标,本实施例对此不做限定。
步骤S20,获取每一所述刚性目标所对应的特征信息,并根据所述特征信息得到每一所述道路图像的初始视觉参数;
特征信息为道路图像中的刚性目标的所具有特征的相关信息。例如,若刚性目标为车道线目标,则车道线目标的特征信息为道路图像中为车道线的边缘特征点;若刚性目标为车辆目标,则车辆目标的特征信息为车辆的实际规格。初始视觉参数为根据特征信息所得到的待标定的车载摄像头在拍摄每一道路图像时的视觉参数。例如,若特征信息为车道线的边缘特征点,则基于此所得到的初始视觉参数为初始的消失点位置;若特征信息为车辆目标的实际规格,则基于此所得到的初始视觉参数为初始的车载摄像头的安装高度。
在本实施例中,车载摄像头标定设备在获取到一定数量的道路图像中所提取出的刚性目标所对应的特征信息时,通过多个特征信息,得到多个对应道路图像的初始视觉参数。
步骤S30,根据高斯分布特性与所述初始视觉参数,确定目标视觉参数,以基于所述目标视觉参数对所述待标定车载摄像头进行标定。
目标视觉参数为根据高斯分布特性与多个初始视觉参数所计算出的可能性最大的视觉参数值。例如,若初始视觉参数为初始消失点位置,由于车辆在行驶过程中车身会发生抖动,鉴于车身抖动引起车载摄像头的相机俯仰角变化,消失点也会出现上下偏移,而消失点的上下偏移符合高斯分布,故根据高斯分布的特定与多个初始的视觉参数,就能计算出最可能的消失点位置;若初始视觉参数为初始安装高度,由于车身抖动以及本身的检测误差,计算出的安装高度误差基本符合高斯分布,因此可以在获取到一定数量的多个初始安装高度时,根据高斯分布特性计算出最可能的安装高度。
在本实施例中,车载摄像头标定设备在获取到一定数量的初始视觉参数时,由于初始视觉参数的数值分布满足高斯分布特性,故可根据多个初始视觉参数的数值以及高斯分布特性,确定出可能性最大的目标视觉参数。在确定出目标视觉参数后,即可使用其进行车载摄像头的标定。
在本实施例中,通过获取由待标定车载摄像头所采集的多个道路图像,识别并提取出每一所述道路图像中包含的刚性目标;获取每一所述刚性目标所对应的特征信息,并根据所述特征信息得到每一所述道路图像的初始视觉参数;根据高斯分布特性与所述初始视觉参数,确定目标视觉参数,以基于所述目标视觉参数对所述待标定车载摄像头进行标定。通过上述方式,本发明通过对待标定的车载摄像头所采集到的多张道路图像中的刚性目标进行识别,避免了以图像中的人体等多变的柔性目标作为标定依据而对标定结果造成的较大误差,提高了标定过程的稳定性与精度水平;通过获取多个道路图像的初始视觉参数,从而得到多个可供参考的样本数据;通过高斯分布特性和多个初始视觉参数确定出可能性最大的目标视觉参数来进行车载摄像头的标定,提升了标定精度,从而解决了现有的车载摄像头的标定方法的标定精度低的技术问题。另外,本发明与现有技术相比,无需借助任何外部人工的协助即可进行全自动标定,且不需要专业技术支持,大大降低了标定难度,具有广泛的可适应性和先进性。
进一步地,图中未示的,基于上述图2所示的第一实施例,提出本发明车载摄像头自动标定方法的第二实施例。在本实施例中,所述刚性目标包括车道线目标,步骤S20包括:
获取所述车道线目标中的边缘特征点以作为所述特征信息,并拟合车道线方程;
基于所述车道线方程判断所述边缘特征点是否符合预设偏差标准;
若是,则获取所述车道线目标的交点位置,以作为所述初始视觉参数。
在本实施例中,车道线目标为道路图像中的车道线部分,优选为车道边缘线与车道中心线。边缘特征点为道路图像中车道线所在位置的像素点。车道线方式可为直线方程、二次曲线方程、三次曲线方程等,优选为直线方程。预设偏差标准为车道线为直线,且车道线与图像是哪个车道线的边缘特征点之间的偏差小于预设偏差阈值。其中,预设偏差阈值可根据实际情况灵活设置,本实施例对此不做限定。
车载摄像头标定设备获取道路图像中的车道线所在的像素点,即上述的边缘特征点,并拟合车道线方程。具体地车道线方程拟合步骤为本领域常规技术手段,在此不做赘述。车载摄像头标定设备获取边缘特征点与车道线方程之间的偏差值,若偏差值小于预设偏差阈值,且车道线目标为直线时,可判定当前符合预设偏差标准,获取互相平行的车道线在图像中的交点位置;若偏差值大于预设偏差阈值和/或车道线目标不为直线时,则判定当前不符合预设偏差标准,还需继续获取边缘特征点进行判断。
进一步地,在本实施例中,步骤S30包括:
在获取到预设第一数量的交点位置时,根据高斯分布特性,分析预设第一数量的交点位置得到目标消失点位置,以作为所述目标视觉参数。
在本实施例中,预设第一数量为用于判断是否能从多个交点位置中得到目标消失点位置的数量界定值。由于车辆在行驶过程中车身会发生抖动,鉴于车身抖动引起车载摄像头的相机俯仰角变化,消失点也会出现上下偏移,而消失点的上下偏移符合高斯分布,故根据高斯分布的特定与多个初始的视觉参数,就能计算出最可能的消失点位置,也即是上述目标消失点位置。
进一步地,在本实施例中,所述刚性目标包括前车目标,步骤S20包括:
使用预设车型识别算法,确定所述前车目标的车辆类型以作为所述特征信息,并使用预设车型宽度对照信息确定所述前车目标的车辆实际宽度;
获取所述前车目标的车辆底边坐标和底边宽度,并根据所述车辆底边坐标和底边宽度、车辆实际宽度、目标消失点位置与待标定车载摄像头的预设相机焦距,得到初始安装高度以作为所述初始视觉参数。
在本实施例中,预设车型识别算法可采用基于深度卷积神经网络的车型识别算法,车型识别的具体方式为本领域常规技术手段,在此不做赘述。预设车型宽度对照信息为预存的各车型所对应的车辆实际宽度信息,例如,若车辆类型为家用乘用车,则对应的车辆实际宽度为1.8米。具体地,车载摄像头标定设备使用基于深度卷积神经网络的车型识别算法确定出道路图像中前车目标为家用乘用车类型,则可通过预设的车型宽度对照信息,得到该前车目标的车辆实际宽度为1.8米。车载摄像头标定设备获取前车目标在图像中的车辆底边宽度,就可根据车辆底边宽度,车辆的实际宽度、之前标定的目标消失点位置以及车载摄像头的固有的相机焦距,计算出对应的车载摄像头的初始安装高度。
另外,作为另一具体实施例,前车目标的车辆实际宽度的确定方式还可为,通过定位前车目标在图像上的车辆矩形区域,以及前车目标的车牌在图像上的车牌矩形区域,并获取车辆矩形区域的车辆矩形宽度与车牌矩形区域的车牌矩形宽度。由于车牌实际宽度已知,且车牌矩形宽度和车辆矩形宽度之间的比例关系与车牌实际宽度和车辆实际宽度之间的比例关系相同,故可通过车辆矩形宽度与车牌矩形宽度的比例关系与已知的车牌实际宽度,求得前车目标的车辆实际宽度。在求得前车目标的车辆实际宽度后,即可通过车辆实际宽度与车辆底边坐标按照上述方式求得初始安装高度。
进一步地,在本实施例中,所述获取所述前车目标的车辆底边底边坐标和宽度,并根据所述车辆底边坐标和底边宽度、车辆实际宽度、目标消失点位置与待标定车载摄像头的预设相机焦距,得到初始安装高度以作为所述初始视觉参数的步骤包括:
获取所述前车目标在所述道路图像中的车辆位置,与所述道路图像的图像高度,并利用所述图像高度、目标消失点位置与相机焦距之间的三角函数关系,得到相机俯仰角度;
利用小孔成像原理,根据所述车辆底边宽度、车辆实际宽度、目标消失点位置、相机焦距、车辆位置与相机俯仰角度,计算出所述初始安装高度。
在本实施例中,车载摄像头标定设备获取前车目标在道路图像中的车辆位置以及道路图像的图像高度,并利用所述图像高度、目标消失点位置与相机焦距之间的三角函数关系,得到相机俯仰角度。再利用小孔成像原理,设计计算公式,根据车辆实际宽度、目标消失点位置、相机焦距、车辆位置与相机俯仰角度,计算出初始安装高度。
具体地,计算公式为:
θ=arctan(v0/f),α=atan(H/2f)
其中,θ表示相机俯仰角,α为垂直视场角,H为图像垂直分辨率,易知,在图像上,目标车辆底边坐标v和消失点坐标(u0,v0)已知的情况下,因焦距和图像传感器位置固定(f为常数),安装高度h可以由目标车辆实际宽度ΔXw和目标车辆在图像上的宽度Δu计算得到。
进一步地,在本实施例中,步骤S30包括:
在获取到预设第二数量的初始安装高度时,根据高斯分布特性,分析预设第二数量的初始安装高度,得到目标安装高度作为所述目标视觉参数,以基于所述目标消失点位置与目标安装高度,完成所述待标定车载摄像头的标定。
在本实施例中,预设第二数量为用于判断是否能从多个初始安装高度中得到目标安装高度的数量界定值。由于车身抖动以及本身的检测误差,计算出的安装高度误差基本符合高斯分布,因此可以在获取到一定数量的多个初始安装高度时,根据高斯分布特性计算出最可能的安装高度,即目标安装高度。得到目标消失点位置与目标安装高度后,结合成像原理计算得到标定矩阵,即可基于此完成对车载摄像头的标定。
具体地:
如图3与图4所示,W表示图像宽度,H表示图像高度,f表示相机焦距,ξ表示水平视场角的一半,γ表示目标点在相机x方向与光轴的夹角,θ表示相机俯仰角,α表示垂直视场角的一半,β目标车辆底边与相机光轴的夹角,P(XW,YW,ZW)为目标点的世界坐标。上述各角度参数的推导公式如下:
ζ=atan(W/2f)
γ=atan(u/f)
θ=atan(v0/f)
α=atan(H/2f)
β=atan(v/f)
Zw=h/tan(θ-β)
图3中的点VP(u0,v0)表示图像平面坐标系上的消失点坐标,点p(u,v)表示目标点在图像平面坐标系上的坐标,点P(XW,YW,ZW)表示目标点在路平面坐标系上的坐标。结合上述各角度参数的推导公式与图中各线段与角度的几何关系可推导得出最终公式:
从最终公式中容易知道,在消失点与目标车辆底边已知时,目标车辆的世界坐标宽度与目标车辆的图像坐标宽度之间的转换仅跟安装高度h有关。
作为一具体实施例,对于消失点的标定,需在车辆在道路上正常行驶时,采集道路图像,提取车道线并拟合直线车道线方程。若图像中的左右车道边缘线均为直线,且车道边缘线与对应的车道线边缘特征点之间的偏差足够小,则获得两条车道边缘线的交点位置Vt(xt,yt)。如图5所示,图中的水平直线为地平线horizon line,下方三条直线为车道线Laneline,小车行驶在车道上小车底部的白色线段表示车辆底部宽度Bottom Line,图中“+”号标记的位置为水平线与车道线的交点,也即为消失点Vanishing Point。鉴于车身抖动引起的相机俯仰角变化,消失点会发生上下偏移,而该偏移符合高斯分布,因此需多次收集计算满足条件的交点位置Vt(xt,yt)。在收集到一定数量的交点位置的数据后,即可根据高斯分布计算出最可能的交点位置也即是目标消失点位置Vp(x,y),并将其存储到消失点数据文件中,以完成消失点标定。
对于安装高度的标定,需对道路图像中的前车目标进行提取,并对前车类型进行识别。若为家用乘用车,则可认为其实际宽度为1.8米。再根据实际宽度与坐标关系、目标消失点位置Vp(x,y)以及相机焦距,计算得到初始的安装高度h,具体计算公式可参照上述公式。鉴于车辆抖动以及本身的检测误差,计算出的安装高度的误差基本符合高斯分布,因此可以通过多次收集计算初始的安装高度,并在收集到一定数量的初始安装高度时,根据高斯分布,计算出最符合条件的安装高度,也即是目标安装高度,并将其存储待安装高度的数据文件中,以完成安装高度的标定。
在本实施例中,进一步基于预设偏差标准来收集初始视觉参数,使得初始视觉参数更具参考意义;通过高斯分布特性来确定目标消失点位置与目标安装高度,使得无需繁琐复杂的计算即可得出最可能的消失点位置与安装高度数值,提升了结果获取的效率;通过小孔成像原理与各参数之间的三角函数关系计算得到初始安装高度,提高了初始安装高度这一数据的准确性。
进一步地,图中未示的,基于上述图2所示的第一实施例,提出本发明车载摄像头自动标定方法的第三实施例。在本实施例中,步骤S30之后,还包括:
基于标定后的车载摄像头获取多个行车图像,并获取多个所述行车图像对应的多个当前视觉参数;
基于所述目标视觉参数判断多个所述当前视觉参数是否满足预设校准条件;
若是,则根据高斯分布特性与多个所述当前视觉参数确定校准视觉参数以校准所述目标视觉参数,并输出校准成功信息;
若否,则输出当前无需校准信息。
在本实施例中,行车图像为标定后的车载摄像头所拍摄的在行车过程中的图像。当前视觉参数为通过标定后的车载摄像头所拍摄到的行车图像所得到的视觉参数的实时数值。当前视觉参数可为当前消失点位置、当前安装高度,校准视觉参数则可对应为校准消失点位置,校准安装高度。
具体地,在标定消失点后,还可对消失点进行自动校准。需要将实时采集到的当前的消失点位置与先前已标定的目标消失点位置Vp进行比较,若V相较于Vp,其偏差超过一定值是,则增加一错误计数,否则即表示V处于正常波动范围内,增加一正常计数。在经过长时间的统计后,例如正确计数与错误计数的总和达到512次时,若错误计数大于正确计数,则表明当前需要重新校准消失点。依然沿用之前的方法,根据高斯分布与多个当前消失点位置,计算出最可能的消失点位置作为新的目标消失点位置,也即是校准消失点位置,并将其存储至消失点数据文件中,并输出校准成功信息,以完成对消失点的自动校准。若未达到预设校准条件,则输出无需校准信息。
在标定安装高度后,还可对安装高度进行自动校准。需要将实时采集到的当前安装高度与先前已标定的目标安装高度进行比较,若两者之间的偏差超过一定百分比时,则增加一错误计数,否则表示当前安装高度处于正常偏差范围内,则增加一正确计数。在经过长时间的统计后,若错误计数大于正确计数,则表明当前需重新校准安装高度。依然沿用之前的方法,根据高斯分布与多个当前安装高度,计算出最可能的安装高度作为新的目标安装高度,也即是校准安装高度,并将其存储至安装高度数据文件中,并输出校准成功信息,以完成对安装高度的自动校准。若未达到预设校准条件,则输出无需校准信息。
进一步地,在本实施例中,所述基于所述目标视觉参数判断多个所述当前视觉参数是否满足预设校准条件的步骤包括:
获取多个所述当前视觉参数中与所述目标视觉参数之间的偏差值超出预设偏差阈值的第一视觉参数数量,以及未超出预设偏差阈值的第二视觉参数数量;
判断所述第一视觉参数数量是否大于所述第二视觉参数数量;
若是,则判定多个所述当前视觉参数满足预设校准条件;
若否,则判定多个所述当前视觉参数不满足预设校准条件。
在本实施例中,预设偏差值阈值可根据实际情况灵活设置,本实施例对此不做限定。第一视觉参数数量为与目标视觉参数的偏差值大于预设偏差阈值的当前视觉参数的数量,第二视觉参数数量为与目标视觉参数的偏差值小于或等于预设偏差阈值的当前视觉参数的数量。例如,现已获取到521个当前视觉参数,其中与目标视觉参数的偏差值超出预设偏差阈值的数量为200个,则上述第一视觉数量参数数量为200,第二视觉参数数量则对应为321。
在本实施例中,进一步通过检测当前视觉参数与目标视觉参数的偏差,确定标定结果的可靠性来进行自动校准,可以减少因参数错误和参数变化导致的延后性事故和漏检事故,对提高设备安全性有重要意义。
本发明还提供一种车载摄像头自动标定设备。
所述车载摄像头自动标定设备包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的车载摄像头自动标定程序,其中所述车载摄像头自动标定程序被所述处理器执行时,实现如上所述的车载摄像头自动标定方法的步骤。
其中,所述车载摄像头自动标定程序被执行时所实现的方法可参照本发明车载摄像头自动标定方法的各个实施例,此处不再赘述。
本发明还提供一种计算机可读存储介质。
本发明计算机可读存储介质上存储有车载摄像头自动标定程序,所述车载摄像头自动标定程序被处理器执行时实现如上所述的车载摄像头自动标定方法的步骤。
其中,所述车载摄像头自动标定程序被执行时所实现的方法可参照本发明车载摄像头自动标定方法各个实施例,此处不再赘述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者***不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者***所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者***中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台车载摄像头自动标定设备执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种车载摄像头自动标定方法,其特征在于,所述车载摄像头自动标定方法包括:
获取由待标定车载摄像头所采集的多个道路图像,识别并提取出每一所述道路图像中包含的刚性目标;
获取每一所述刚性目标所对应的特征信息,并根据所述特征信息得到每一所述道路图像的初始视觉参数;
根据高斯分布特性与所述初始视觉参数,确定目标视觉参数,以基于所述目标视觉参数对所述待标定车载摄像头进行标定。
2.如权利要求1所述的车载摄像头自动标定方法,其特征在于,所述刚性目标包括车道线目标,
所述获取每一所述刚性目标所对应的特征信息,并根据所述特征信息得到每一所述道路图像的初始视觉参数的步骤包括:
获取所述车道线目标中的边缘特征点以作为所述特征信息,并拟合车道线方程;
基于所述车道线方程判断所述边缘特征点是否符合预设偏差标准;
若是,则获取所述车道线目标的交点位置,以作为所述初始视觉参数。
3.如权利要求2所述的车载摄像头自动标定方法,其特征在于,所述根据高斯分布特性与所述初始视觉参数,确定目标视觉参数的步骤包括:
在获取到预设第一数量的交点位置时,根据高斯分布特性,分析预设第一数量的交点位置得到目标消失点位置,以作为所述目标视觉参数。
4.如权利要求3所述的车载摄像头自动标定方法,其特征在于,所述刚性目标包括前车目标,
所述获取每一所述刚性目标所对应的特征信息,并根据所述特征信息得到每一所述道路图像的初始视觉参数的步骤包括:
使用预设车型识别算法,确定所述前车目标的车辆类型以作为所述特征信息,并使用预设车型宽度对照信息确定所述前车目标的车辆实际宽度;
获取所述前车目标的车辆底边坐标和底边宽度,并根据所述车辆底边坐标和底边宽度、车辆实际宽度、目标消失点位置与待标定车载摄像头的预设相机焦距,得到初始安装高度以作为所述初始视觉参数。
5.如权利要求4所述的车载摄像头自动标定方法,其特征在于,所述获取所述前车目标的车辆底边坐标和底边宽度,并根据所述车辆底边坐标和底边宽度、车辆实际宽度、目标消失点位置与待标定车载摄像头的预设相机焦距,得到初始安装高度以作为所述初始视觉参数的步骤包括:
获取所述前车目标在所述道路图像中的车辆位置,与所述道路图像的图像高度,并利用所述图像高度、目标消失点位置与相机焦距之间的三角函数关系,得到相机俯仰角度;
利用小孔成像原理,根据所述车辆底边宽度、车辆实际宽度、目标消失点位置、相机焦距、车辆位置与相机俯仰角度,计算出所述初始安装高度。
6.如权利要求4所述的车载摄像头自动标定方法,其特征在于,所述根据高斯分布特性与所述初始视觉参数,确定目标视觉参数,以基于所述目标视觉参数对所述待标定车载摄像头进行标定的步骤包括:
在获取到预设第二数量的初始安装高度时,根据高斯分布特性,分析预设第二数量的初始安装高度,得到目标安装高度作为所述目标视觉参数,以基于所述目标消失点位置与目标安装高度,完成所述待标定车载摄像头的标定。
7.如权利要求1所述的车载摄像头自动标定方法,其特征在于,所述根据高斯分布特性与所述初始视觉参数,确定目标视觉参数,以基于所述目标视觉参数对所述待标定车载摄像头进行标定的步骤之后,还包括:
基于标定后的车载摄像头获取多个行车图像,并获取多个所述行车图像对应的多个当前视觉参数;
基于所述目标视觉参数判断多个所述当前视觉参数是否满足预设校准条件;
若是,则根据高斯分布特性与多个所述当前视觉参数确定校准视觉参数以校准所述目标视觉参数,并输出校准成功信息;
若否,则输出当前无需校准信息。
8.如权利要求7所述的车载摄像头自动标定方法,其特征在于,所述基于所述目标视觉参数判断多个所述当前视觉参数是否满足预设校准条件的步骤包括:
获取多个所述当前视觉参数中与所述目标视觉参数之间的偏差值超出预设偏差阈值的第一视觉参数数量,以及未超出预设偏差阈值的第二视觉参数数量;
判断所述第一视觉参数数量是否大于所述第二视觉参数数量;
若是,则判定多个所述当前视觉参数满足预设校准条件;
若否,则判定多个所述当前视觉参数不满足预设校准条件。
9.一种车载摄像头自动标定设备,其特征在于,所述车载摄像头自动标定设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的车载摄像头自动标定程序,所述车载摄像头自动标定程序被所述处理器执行时实现如权利要求1至8中任一项所述的车载摄像头自动标定方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有车载摄像头自动标定程序,所述车载摄像头自动标定程序被处理器执行时实现如权利要求1至8中任一项所述的车载摄像头自动标定方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010571305.3A CN111696160B (zh) | 2020-06-22 | 2020-06-22 | 车载摄像头自动标定方法、设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010571305.3A CN111696160B (zh) | 2020-06-22 | 2020-06-22 | 车载摄像头自动标定方法、设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111696160A true CN111696160A (zh) | 2020-09-22 |
CN111696160B CN111696160B (zh) | 2023-08-18 |
Family
ID=72482619
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010571305.3A Active CN111696160B (zh) | 2020-06-22 | 2020-06-22 | 车载摄像头自动标定方法、设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111696160B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112380953A (zh) * | 2020-11-10 | 2021-02-19 | 支付宝(杭州)信息技术有限公司 | 售货柜摄像设备的通信地址标定方法、装置及标定板 |
CN112686964A (zh) * | 2021-03-15 | 2021-04-20 | 中科长光精拓智能装备(苏州)有限公司 | 一种提高精度图像间接识别的标定方法及*** |
CN112785653A (zh) * | 2020-12-30 | 2021-05-11 | 中山联合汽车技术有限公司 | 车载相机姿态角标定方法 |
CN112800986A (zh) * | 2021-02-02 | 2021-05-14 | 深圳佑驾创新科技有限公司 | 车载摄像头外参标定方法、装置、车载终端和存储介质 |
CN113227708A (zh) * | 2021-03-30 | 2021-08-06 | 深圳市锐明技术股份有限公司 | 确定俯仰角的方法、装置及终端设备 |
CN113348464A (zh) * | 2021-04-30 | 2021-09-03 | 华为技术有限公司 | 一种图像处理方法以及装置 |
CN113538597A (zh) * | 2021-07-16 | 2021-10-22 | 英博超算(南京)科技有限公司 | 一种标定摄像头参数*** |
CN113625238A (zh) * | 2021-08-11 | 2021-11-09 | 南京隼眼电子科技有限公司 | 车载毫米波雷达俯仰角误差校准方法、装置、存储介质及电子设备 |
CN113658252A (zh) * | 2021-05-17 | 2021-11-16 | 毫末智行科技有限公司 | 用于估计摄像头仰角的方法、介质、装置及该摄像头 |
CN113965698A (zh) * | 2021-11-12 | 2022-01-21 | 白银银珠电力(集团)有限责任公司 | 一种用于消防物联网的监控图像校准处理方法、装置和*** |
CN114820819A (zh) * | 2022-05-26 | 2022-07-29 | 广东机电职业技术学院 | 快速路自动驾驶方法及*** |
CN117315048A (zh) * | 2023-11-22 | 2023-12-29 | 深圳元戎启行科技有限公司 | 车载相机的外参自标定方法、电子设备和存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101833791A (zh) * | 2010-05-11 | 2010-09-15 | 成都索贝数码科技股份有限公司 | 一种单摄像机下的场景建模方法及*** |
CN102324017A (zh) * | 2011-06-09 | 2012-01-18 | 中国人民解放军国防科学技术大学 | 一种基于fpga的车道线检测方法 |
US20150279035A1 (en) * | 2014-03-25 | 2015-10-01 | Ford Global Technologies, Llc | Camera calibration |
CN106875448A (zh) * | 2017-02-16 | 2017-06-20 | 武汉极目智能技术有限公司 | 一种车载单目摄像头外部参数自标定方法 |
CN107730559A (zh) * | 2017-09-30 | 2018-02-23 | 东风商用车有限公司 | 一种基于图像处理的车载摄像头的标定方法 |
CN109685858A (zh) * | 2018-12-29 | 2019-04-26 | 北京茵沃汽车科技有限公司 | 一种单目摄像头在线标定方法 |
CN110555885A (zh) * | 2018-05-31 | 2019-12-10 | 海信集团有限公司 | 一种车载相机的标定方法、装置及终端 |
KR102060113B1 (ko) * | 2019-01-30 | 2019-12-27 | 주식회사 몹티콘 | 캘리브레이션 시스템 및 방법 |
-
2020
- 2020-06-22 CN CN202010571305.3A patent/CN111696160B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101833791A (zh) * | 2010-05-11 | 2010-09-15 | 成都索贝数码科技股份有限公司 | 一种单摄像机下的场景建模方法及*** |
CN102324017A (zh) * | 2011-06-09 | 2012-01-18 | 中国人民解放军国防科学技术大学 | 一种基于fpga的车道线检测方法 |
US20150279035A1 (en) * | 2014-03-25 | 2015-10-01 | Ford Global Technologies, Llc | Camera calibration |
CN106875448A (zh) * | 2017-02-16 | 2017-06-20 | 武汉极目智能技术有限公司 | 一种车载单目摄像头外部参数自标定方法 |
CN107730559A (zh) * | 2017-09-30 | 2018-02-23 | 东风商用车有限公司 | 一种基于图像处理的车载摄像头的标定方法 |
CN110555885A (zh) * | 2018-05-31 | 2019-12-10 | 海信集团有限公司 | 一种车载相机的标定方法、装置及终端 |
CN109685858A (zh) * | 2018-12-29 | 2019-04-26 | 北京茵沃汽车科技有限公司 | 一种单目摄像头在线标定方法 |
KR102060113B1 (ko) * | 2019-01-30 | 2019-12-27 | 주식회사 몹티콘 | 캘리브레이션 시스템 및 방법 |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112380953B (zh) * | 2020-11-10 | 2023-05-09 | 支付宝(杭州)信息技术有限公司 | 售货柜摄像设备的通信地址标定方法、装置及标定板 |
CN112380953A (zh) * | 2020-11-10 | 2021-02-19 | 支付宝(杭州)信息技术有限公司 | 售货柜摄像设备的通信地址标定方法、装置及标定板 |
CN112785653A (zh) * | 2020-12-30 | 2021-05-11 | 中山联合汽车技术有限公司 | 车载相机姿态角标定方法 |
CN112785653B (zh) * | 2020-12-30 | 2024-06-21 | 中山联合汽车技术有限公司 | 车载相机姿态角标定方法 |
CN112800986A (zh) * | 2021-02-02 | 2021-05-14 | 深圳佑驾创新科技有限公司 | 车载摄像头外参标定方法、装置、车载终端和存储介质 |
CN112686964A (zh) * | 2021-03-15 | 2021-04-20 | 中科长光精拓智能装备(苏州)有限公司 | 一种提高精度图像间接识别的标定方法及*** |
CN112686964B (zh) * | 2021-03-15 | 2021-06-04 | 中科长光精拓智能装备(苏州)有限公司 | 一种提高精度图像间接识别的标定方法及*** |
CN113227708A (zh) * | 2021-03-30 | 2021-08-06 | 深圳市锐明技术股份有限公司 | 确定俯仰角的方法、装置及终端设备 |
CN113348464A (zh) * | 2021-04-30 | 2021-09-03 | 华为技术有限公司 | 一种图像处理方法以及装置 |
CN113658252A (zh) * | 2021-05-17 | 2021-11-16 | 毫末智行科技有限公司 | 用于估计摄像头仰角的方法、介质、装置及该摄像头 |
CN113538597A (zh) * | 2021-07-16 | 2021-10-22 | 英博超算(南京)科技有限公司 | 一种标定摄像头参数*** |
CN113538597B (zh) * | 2021-07-16 | 2023-10-13 | 英博超算(南京)科技有限公司 | 一种标定摄像头参数*** |
CN113625238A (zh) * | 2021-08-11 | 2021-11-09 | 南京隼眼电子科技有限公司 | 车载毫米波雷达俯仰角误差校准方法、装置、存储介质及电子设备 |
CN113965698B (zh) * | 2021-11-12 | 2024-03-08 | 白银银珠电力(集团)有限责任公司 | 一种用于消防物联网的监控图像校准处理方法、装置和*** |
CN113965698A (zh) * | 2021-11-12 | 2022-01-21 | 白银银珠电力(集团)有限责任公司 | 一种用于消防物联网的监控图像校准处理方法、装置和*** |
CN114820819B (zh) * | 2022-05-26 | 2023-03-31 | 广东机电职业技术学院 | 快速路自动驾驶方法及*** |
CN114820819A (zh) * | 2022-05-26 | 2022-07-29 | 广东机电职业技术学院 | 快速路自动驾驶方法及*** |
CN117315048A (zh) * | 2023-11-22 | 2023-12-29 | 深圳元戎启行科技有限公司 | 车载相机的外参自标定方法、电子设备和存储介质 |
CN117315048B (zh) * | 2023-11-22 | 2024-04-12 | 深圳元戎启行科技有限公司 | 车载相机的外参自标定方法、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111696160B (zh) | 2023-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111696160B (zh) | 车载摄像头自动标定方法、设备及可读存储介质 | |
CN105620489B (zh) | 驾驶辅助***及车辆实时预警提醒方法 | |
CN104573646B (zh) | 基于激光雷达和双目相机的车前行人检测方法及*** | |
CN112362055B (zh) | 姿态估计方法、装置和电子设备 | |
JP5441549B2 (ja) | 道路形状認識装置 | |
EP1909064A1 (en) | Object detection device | |
US20140176679A1 (en) | Method for Automatically Classifying Moving Vehicles | |
US10767994B2 (en) | Sensor output correction apparatus | |
CN113256739B (zh) | 车载bsd摄像头的自标定方法、设备和存储介质 | |
EP2642364B1 (en) | Method for warning the driver of a motor vehicle about the presence of an object in the surroundings of the motor vehicle, camera system and motor vehicle | |
CN110843786B (zh) | 用于确定和显示涉水状况的方法和***及具有该***的车辆 | |
US20160207473A1 (en) | Method of calibrating an image detecting device for an automated vehicle | |
CN110341621B (zh) | 一种障碍物检测方法及装置 | |
JP2018048949A (ja) | 物体識別装置 | |
CN112124304B (zh) | 一种库位定位方法、装置及车载设备 | |
CN113256701B (zh) | 一种距离的获取方法、装置、设备及可读存储介质 | |
CN112927309A (zh) | 一种车载相机标定方法、装置、车载相机及存储介质 | |
JP2007011994A (ja) | 道路認識装置 | |
JP6564127B2 (ja) | 自動車用視覚システム及び視覚システムを制御する方法 | |
WO2020064543A1 (en) | Vision system and method for a motor vehicle | |
CN113903103B (zh) | 局部图像生成装置、局部图像生成方法以及存储介质 | |
KR20180081966A (ko) | 차량 인식을 통한 영상 교정 방법 | |
JPH08329397A (ja) | 車両認識装置及びそれを用いた車両接近報知装置 | |
EP3330893A1 (en) | Information processing device, information processing method, and carrier means | |
US20230306638A1 (en) | Method for calibrating a camera and associated device |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information |
Address after: 14 / F, Beidou building, 6 Huida Road, Jiangbei new district, Nanjing, Jiangsu Province 210000 Applicant after: Jiangsu Zhongtian Anchi Technology Co.,Ltd. Address before: 3 / F and 5 / F, building 2, Changyuan new material port, building B, Changyuan new material port, science and Technology Park community, Yuehai street, Nanshan District, Shenzhen, Guangdong 518000 Applicant before: SHENZHEN ZHONGTIAN ANCHI Co.,Ltd. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |