CN113066135A - 图像采集设备的标定方法及装置、电子设备和存储介质 - Google Patents
图像采集设备的标定方法及装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN113066135A CN113066135A CN202110454752.5A CN202110454752A CN113066135A CN 113066135 A CN113066135 A CN 113066135A CN 202110454752 A CN202110454752 A CN 202110454752A CN 113066135 A CN113066135 A CN 113066135A
- Authority
- CN
- China
- Prior art keywords
- image
- determining
- coordinate system
- equipment
- parameter
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 86
- 238000003860 storage Methods 0.000 title claims abstract description 24
- 238000001514 detection method Methods 0.000 claims abstract description 81
- 230000006870 function Effects 0.000 claims description 86
- 239000011159 matrix material Substances 0.000 claims description 76
- 238000012360 testing method Methods 0.000 claims description 65
- 238000005457 optimization Methods 0.000 claims description 64
- 238000000605 extraction Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 15
- 238000005259 measurement Methods 0.000 claims description 13
- 238000005070 sampling Methods 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 11
- 238000000354 decomposition reaction Methods 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 41
- 238000012545 processing Methods 0.000 description 20
- 238000013528 artificial neural network Methods 0.000 description 17
- 230000008569 process Effects 0.000 description 14
- 238000012549 training Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 9
- 238000003384 imaging method Methods 0.000 description 6
- 230000004807 localization Effects 0.000 description 6
- 230000004927 fusion Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 238000012916 structural analysis Methods 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 230000003993 interaction Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000009193 crawling Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30232—Surveillance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30236—Traffic on road, railway or crossing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本公开涉及一种图像采集设备的标定方法及装置、电子设备和存储介质,所述方法包括:通过对图像采集设备采集得到的视频帧进行车辆检测,确定目标车辆图像;通过对所述目标车辆图像进行车轮特征点检测,确定所述目标车辆图像中包括的车轮特征点;根据所述目标车辆图像中包括的所述车轮特征点,对所述图像采集设备进行标定,确定所述图像采集设备的设备参数。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及一种图像采集设备的标定方法及装置、电子设备和存储介质。
背景技术
视频监控领域里面很多应用都需要进行图像采集设备的标定。标定得到图像采集设备的设备参数之后,可以获得图像采集设备对应的图像坐标系与世界坐标系之间的映射关系,进而用于确定成像目标的真实大小、位移和速度等物理参数。图像采集设备的标定可以应用于交通应用场景中,例如确定道路上的车辆长度、车辆速度、车辆距离等。相关技术中的图像采集设备的标定大多依赖场景参照物,例如预设的标定板,或现场的参照物,导致对图像采集设备进行标定的效率较低。
发明内容
本公开提出了一种图像采集设备的标定方法及装置、电子设备和存储介质的技术方案。
根据本公开的一方面,提供了一种图像采集设备的标定方法,包括:通过对图像采集设备采集得到的视频帧进行车辆检测,确定目标车辆图像;通过对所述目标车辆图像进行车轮特征点检测,确定所述目标车辆图像中包括的车轮特征点;根据所述目标车辆图像中包括的所述车轮特征点,对所述图像采集设备进行标定,确定所述图像采集设备的设备参数。
在一种可能的实现方式中,所述通过对图像采集设备采集得到的视频帧进行车辆检测,确定目标车辆图像,包括:对所述视频帧进行车辆检测,确定所述视频帧中是否存在车辆图像;在确定所述视频帧中存在所述车辆图像的情况下,确定所述车辆图像对应的车辆类型是否为目标车辆类型;在确定所述车辆图像对应的车辆类型为目标车辆类型的情况下,将所述车辆图像确定为所述目标车辆图像。
在一种可能的实现方式中,所述通过对所述目标车辆图像进行车轮特征点检测,确定所述目标车辆图像中包括的车轮特征点,包括:对所述目标车辆图像进行下采样特征提取,得到至少两级第一特征图;对目标第一特征图进行上采样特征提取,得到至少两级第二特征图,其中,所述目标第一特征图是所述至少两级第一特征图中尺寸最小的特征图;对所述至少两级第一特征图和所述至少两级第二特征图进行融合,得到目标特征图;对所述目标特征图进行车轮特征点预测,确定所述车轮特征点在图像坐标系下的第一坐标,其中,所述图像坐标系是所述图像采集设备对应的坐标系。
在一种可能的实现方式中,所述根据所述目标车辆图像中包括的所述车轮特征点,对所述图像采集设备进行标定,确定所述图像采集设备的设备参数,包括:确定所述车轮特征点在图像坐标系下的第一坐标,其中,所述图像坐标系是所述图像采集设备对应的坐标系;确定所述车轮特征点在世界坐标系下的第二坐标;根据所述车轮特征点在所述图像坐标系下的所述第一坐标,以及在所述世界坐标系下的所述第二坐标,对所述图像采集设备进行标定,确定所述设备参数。
在一种可能的实现方式中,所述确定所述车轮特征点在世界坐标系下的第二坐标,包括:根据预设的所述目标车辆类型在所述世界坐标系下的车辆长度和车辆宽度,确定所述车轮特征点在所述世界坐标系下的所述第二坐标。
在一种可能的实现方式中,所述根据所述车轮特征点在所述图像坐标系下的所述第一坐标,以及在所述世界坐标系下的所述第二坐标,对所述图像采集设备进行标定,确定所述设备参数,包括:根据所述车轮特征点在所述图像坐标系下的所述第一坐标,以及在所述世界坐标系下的所述第二坐标,构建标定约束函数;通过对所述标定约束函数进行迭代优化,确定所述设备参数。
在一种可能的实现方式中,所述设备参数包括:所述图像采集设备对应的单应矩阵参数,以及所述目标车辆图像对应的设备外参数;所述根据所述车轮特征点在所述图像坐标系下的所述第一坐标,以及在所述世界坐标系下的所述第二坐标,构建标定约束函数,包括:基于所述车轮特征点在所述图像坐标系下的所述第一坐标、以及在所述世界坐标系下的所述第二坐标、所述单应矩阵参数、所述设备外参数,构建所述车轮特征点对应的约束等式;基于所述车轮特征点对应的所述约束等式,构建所述标定约束函数。
在一种可能的实现方式中,所述通过对所述标定约束函数进行迭代优化,确定所述设备参数,包括:根据第t个单应矩阵参数,对所述标定约束函数进行第t+1次外参优化,得到第t+1个设备外参数,其中,t是大于或等于0的整数,所述第t个单应矩阵参数是对所述标定约束函数进行第t次内参优化后得到的;根据所述第t+1个设备外参数,对所述标定约束函数进行第t+1次内参优化,得到第t+1个单应矩阵参数;在达到预设迭代条件的情况下,根据所述第t+1个单应矩阵参数和所述第t+1个设备外参数,确定所述设备参数。
在一种可能的实现方式中,所述根据第t个单应矩阵参数,对所述标定约束函数进行第t+1次外参优化,得到第t+1个设备外参数,包括:根据所述第t个单应矩阵参数,利用奇异值分解算法,对所述标定约束函数进行第t+1次外参优化,得到所述第t+1个设备外参数。
在一种可能的实现方式中,所述根据所述第t+1个设备外参数,对所述标定约束函数进行第t+1次内参优化,得到第t+1个单应矩阵参数,包括:根据所述第t+1个设备外参数,利用直接线性转换DLT算法,对所述标定约束函数进行第t+1次内参优化,得到所述第t+1个单应矩阵参数。
在一种可能的实现方式中,所述预设迭代条件包括:t+1达到预设迭代次数阈值;或,所述第t+1个单应矩阵参数和所述第t个单应矩阵参数之间的差值小于第一阈值,且所述第t+1个设备外参数和第t个设备外参数之间的差值小于第二阈值,其中,所述第t个设备外参数是对所述标定约束函数进行第t次外参优化后得到的。
在一种可能的实现方式中,所述方法还包括:在t=0的情况下,对第0个单应矩阵参数进行初始化,将所述第0个单应矩阵参数初始化为单位矩阵。
在一种可能的实现方式中,所述方法还包括:通过所述图像采集设备对测试对象进行图像采集,得到测试图像,所述测试对象在世界坐标系下的尺寸是预设的参考尺寸;确定所述测试对象在所述测试图像中的图像尺寸,以及根据所述设备参数,对所述图像尺寸进行尺寸转换,得到所述测试对象在世界坐标系下的测量尺寸;确定所述参考尺寸和所述测量尺寸之间的百分比误差;根据所述百分比误差,确定所述设备参数的标定准确度。
在一种可能的实现方式中,所述方法还包括:通过所述图像采集设备对测试对象进行图像采集,得到测试图像,所述测试对象中包括的测试目标点在世界坐标系下的坐标是预设的参考坐标;确定所述测试目标点在所述测试图像中的图像坐标,以及根据所述设备参数,对所述图像坐标进行坐标转换,得到所述测试目标点在世界坐标系下的测量坐标;确定所述参考坐标和所述测量坐标之间的重投影均方误差;根据所述重投影均方误差,确定所述设备参数的标定准确度。
根据本公开的一方面,提供了一种图像采集设备的标定装置,包括:第一确定模块,用于通过对图像采集设备采集得到的视频帧进行车辆检测,确定目标车辆图像;第二确定模块,用于通过对所述目标车辆图像进行车轮特征点检测,确定所述目标车辆图像中包括的车轮特征点;标定模块,用于根据所述目标车辆图像中包括的所述车轮特征点,对所述图像采集设备进行标定,确定所述图像采集设备的设备参数。
根据本公开的一方面,提供了一种电子设备,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为调用所述存储器存储的指令,以执行上述方法。
根据本公开的一方面,提供了一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述方法。
在本公开实施例中,通过对图像采集设备采集得到的视频帧进行车辆检测,确定目标车辆图像,以及通过对目标车辆图像进行车轮特征点检测,确定目标车辆图像中包括的车轮特征点,由于车轮特征点位于相同平面,因此,无需再通过人工交互的方式在目标车辆图像中标定位于相同平面内的特征点,直接根据车轮特征点就可以快速实现对图像采集设备的标定,准确地确定图像采集设备的设备参数,提高了对图像采集设备的标定效率。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,而非限制本公开。根据下面参考附图对示例性实施例的详细说明,本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,这些附图示出了符合本公开的实施例,并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开实施例的一种图像采集设备的标定方法的流程图;
图2示出根据本公开实施例的车辆类型检测的示意图;
图3示出根据本公开实施例的车轮特征点检测的示意图;
图4示出根据本公开实施例的图像采集设备标定评测的示意图;
图5示出根据本公开实施例的一种图像采集设备的标定装置的框图;
图6示出根据本公开实施例的一种电子设备的框图;
图7示出根据本公开实施例的一种电子设备的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合,例如,包括A、B、C中的至少一种,可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外,为了更好地说明本公开,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本公开同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本公开的主旨。
图1示出根据本公开实施例的一种图像采集设备的标定方法的流程图。该图像采集设备的标定方法可以由终端设备或服务器等电子设备执行,终端设备可以为用户设备(User Equipment,UE)、移动设备、用户终端、蜂窝电话、无绳电话、个人数字助理(PersonalDigital Assistant,PDA)、手持设备、计算设备、车载设备、可穿戴设备等,该图像采集设备的标定方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。或者,可通过服务器执行该图像采集设备的标定方法。如图1所示,该图像采集设备的标定方法可以包括:
在步骤S11中,通过对图像采集设备采集得到的视频帧进行车辆检测,确定目标车辆图像。
这里的图像采集设备可以是能够实现图像采集功能的电子设备,例如,可以是智能相机,可以是云台相机,可以是监控相机,还可以是其它位置固定且需要进行参数标定的图像采集设备,本公开对此不作具体限定。
获取需要进行标定的图像采集设备采集得到视频帧,并对视频帧进行车辆检测,并根据检测结果得到目标车辆图像。这里的视频帧可以是图像采集设备采集得到的一个视频帧,也可以是多个视频帧构成的视频帧序列,本公开对此不作具体限定。
目标车辆图像可以是对一个视频帧或视频帧序列进行车辆检测之后得到的,目标车辆图像是图像采集设备对目标车辆进行拍摄之后得到的图像。车辆检测之后得到的目标车辆图像可以是一个,也可以是多个,本公开对此不作具体限定。后文会结合本公开可能的实现方式,对车辆检测过程做详细描述,此处不作赘述。
在步骤S12中,通过对目标车辆图像进行车轮特征点检测,确定目标车辆图像中包括的车轮特征点。
由于目标车辆图像为图像采集设备对目标车辆进行拍摄得到的图像,因此,通过对目标车辆图像进行车轮特征点检测,可以确定目标车辆图像中包括的车轮特征点,即确定目标车辆在目标车辆图像中对应的车轮特征点。后文会结合本公开可能的实现方式,对特征提取过程做详细描述,此处不作赘述。
在步骤S13中,根据目标车辆图像中包括的车轮特征点,对图像采集设备进行标定,确定图像采集设备的设备参数。
在目标车辆行驶于平整路面的情况下,目标车辆在目标车辆图像中对应的车轮特征点位于相同的车道平面,因此,根据目标车辆图像中包括的车轮特征点,可以直接确定二维车道平面和图像采集设备的二维图像平面之间的映射关系,无需在通过人工交互的方式在目标车辆图像中标定位于相同平面内的特征点,从而可以快速实现对图像采集设备的标定,准确地确定图像采集设备的设备参数。后文会结合本公开可能的实现方式,对图像采集设备的标定过程做详细描述,此处不作赘述。
在本公开实施例中,通过对图像采集设备采集得到的视频帧进行车辆检测,确定目标车辆图像,以及通过对目标车辆图像进行车轮特征点检测,确定目标车辆图像中包括的车轮特征点,由于车轮特征点位于相同平面,因此,根据车轮特征点对图像采集设备进行标定,可以快速准确地确定图像采集设备的设备参数,提高了图像采集设备的标定效率。
本公开实施例的图像采集设备的标定方法包括车辆结构化解析和迭代优化两个步骤。下面对车辆结构化解析和迭代优化的过程分别进行详细描述。
获取到图像采集设备采集得到的视频帧之后,可以利用深度卷积神经网络对视频帧进行车辆结构化解析,得到目标车辆图像以及目标车辆图像中包括的车轮特征点,并对车轮特征点进行结构化存储,便于后续迭代优化过程中对车轮特征点的查询获取。
在一种可能的实现方式中,通过对图像采集设备采集得到的视频帧进行车辆检测,确定目标车辆图像,包括:对视频帧进行车辆检测,确定视频帧中是否存在车辆图像;在确定视频帧中存在车辆图像的情况下,确定车辆图像对应的车辆类型是否为目标车辆类型;在确定车辆图像对应的车辆类型为目标车辆类型的情况下,将车辆图像确定为目标车辆图像。
通过对视频帧进行车辆检测,以及车辆类型检测,可以快速从视频帧中确定目标车辆图像,从而提高了后续对图像采集设备进行标定的效率。
在一示例中,可以基于车辆检测神经网络对视频帧进行车辆检测,确定视频帧中是否存在车辆图像。例如,基于Faster RCNN对视频帧进行车辆检测,具体地:先使用深度卷积层对视频帧进行特征提取,并将提取到的特征输入区域提取层(Region ProposalLayer),通过Region Proposal Layer进行区域预测得到多个第一候选目标区域,第一候选目标区域为视频帧中车辆可能存在的区域。对多个第一候选目标区域进行池化(ROIPooling),得到尺寸统一的(尺寸大小可以为预先设定好的)多个第二候选目标区域。根据多个第二候选目标区域,进行类别分类和坐标回归,得到各第二候选目标区域的置信度,置信度为第二候选目标区域内检测出车辆的概率。根据各第二候选目标区域的置信度,通过极大值抑制算法,合并交并比大于阈值的第二候选目标区域,得到最终的车辆检测结果。在视频帧中存在车辆图像的情况下,车辆检测结果为视频帧中车辆对应的检测框以及检测框的位置。
本公开实施例中,车辆检测神经网络除了可以是上述Faster RCNN神经网络之外,还可以采用其它可以用于进行车辆检测的深度神经网络,车辆检测神经网络的具体形式和具体结构可以根据实际情况确定,本公开对此不作具体限定。
本公开实施例中,用于进行车辆检测的车辆检测神经网络,可以是利用预设数目(例如,数百万帧)的标注视频帧进行训练之后得到的,训练过程可以参考相关技术的神经网络训练过程(例如,利用在线难例挖掘/梯度均衡化等策略进行网络训练),本公开对此不作具体限定。
在确定视频帧中存在车辆图像的情况下,根据车辆检测结果中的检测框以及检测框的位置,对视频帧进行裁剪,将车辆图像从视频帧中裁剪出来,便于后续进行车辆类型检测。
在一示例中,可以基于车辆类型检测神经网络对车辆图像进行车辆类型检测,确定车辆图像对应的车辆类型是否为目标车辆类型。图2示出根据本公开实施例的车辆类型检测的示意图。如图2所示,将车辆图像输入车辆类型检测神经网络,以resnet18作为骨干网络提取特征后,使用两层全连接层(full-connection)预测车辆类型,得到车辆类型检测结果。车辆类型检测结果包括车辆图像是各预设车辆类型的概率,并将最大概率值对应的预设车辆类型确定为车辆图像对应的车辆类型。预设车辆类型包括:小汽车、面包车,小卡车,大卡车,SUV,巴士等,本公开对此不作具体限定。
本公开实施例中,车辆类型检测神经网络的具体形式和具体结构可以根据实际情况确定,本公开对此不作具体限定。
本公开实施例中,用于进行车辆类型检测的车辆类型检测神经网络,可以是利用预设数目(例如,数百万张)的标注车辆图像进行训练之后得到的,训练过程可以参考相关技术的神经网络训练过程(例如,通过随机梯度下降优化交叉熵损失进行网络训练),本公开对此不作具体限定。
在一种可能的实现方式中,目标车辆类型为在世界坐标系下的车辆长度和车辆宽度已知的车辆类型,目标车辆类型为预设车辆类型中的一种,例如,目标车辆类型为车辆长度为3米,车辆宽度为1.56米的小汽车。目标车辆类型的具体类型可以根据实际情况确定,本公开对此不作具体限定。
在基于车辆类型检测神经网络对车辆图像进行车辆类型检测,确定车辆图像对应的车辆类型之后,判断车辆图像对应的车辆类型是否为目标车辆类型,并在确定车辆图像对应的车辆类型为目标车辆类型的情况下,将车辆图像确定为目标车辆图像。
目标车辆图像为后续可以用于图像采集设备标定的图像。在确定视频帧中存在目标车辆图像的情况下,对目标车辆图像进行车轮特征点检测,确定目标车辆图像中包括的车轮特征点。
在一种可能的实现方式中,通过对目标车辆图像进行车轮特征点检测,确定目标车辆图像中包括的车轮特征点,包括:对目标车辆图像进行下采样特征提取,得到至少两级第一特征图;对目标第一特征图进行上采样特征提取,得到至少两级第二特征图,其中,目标第一特征图是至少两级第一特征图中尺寸最小的特征图;对至少两级第一特征图和至少两级第二特征图进行融合,得到目标特征图;对目标特征图进行车轮特征点预测,确定车轮特征点在图像坐标系下的第一坐标,其中,图像坐标系是图像采集设备对应的坐标系。
通过对目标车辆图像进行特征提取和特征融合得到目标特征图,使得可以对目标特征图进行车轮特征点预测,以快速确定目标图像中包括的,用于后续进行图像采集设备标定的车轮特征点,以及车轮特征点在图像坐标系下的第一坐标,从而提高了后续对图像采集设备进行标定的效率。
在一示例中,可以基于车轮特征点检测神经网络对目标车辆图像进行车轮特征点检测,确定目标车辆图像中包括的车轮特征点。
图3示出根据本公开实施例的车轮特征点检测的示意图。如图3所示,使用resnet作为车轮特征点检测网络中特征提取的骨干网络。将目标车辆图像输入车轮特征点检测网络,经过骨干网络对目标车辆图像进行下采样特征提取,得到不同尺寸的五级第一特征图,利用车轮特征点检测网络中的特征金字塔子网络(FPN),对五级第一特征图中尺寸最小的目标第一特征图进行上采样特征提取,得到不同尺寸的四级第二特征图,进而将相同尺寸的第一特征图和第二特征图进行融合,得到不同尺寸的四级目标特征图。
例如,目标车辆图像的尺寸为1024×640,经过骨干网络对目标车辆图像进行下采样特征提取,得到的五级第一特征图的尺寸依次为512×320、256×160、128×80、64×40和32×20。利用FPN网络,对五级第一特征图中尺寸最小(32×20)的目标第一特征图进行上采样特征提取,得到的四级第二特征图的尺寸依次为64×40、128×80、256×160和512×320。将64×40的第一特征图和64×40的第二特征图进行特征融合,得到64×40的目标特征图;将128×80的第一特征图和128×80的第二特征图进行特征融合,得到128×80的目标特征图;将256×160的第一特征图和256×160的第二特征图进行特征融合,得到256×160的目标特征图;将512×320的第一特征图和512×320的第二特征图进行特征融合,得到512×320的目标特征图。
对FPN输出的不同尺寸的四级目标特征度分别进行车轮特征点预测,得到每级目标特征图对应的车轮特征点检测结果,进而根据将每级目标特征图对应的车轮特征点检测结果进行融合,得到车轮特征点在图像坐标系下的第一坐标。
在一种可能的实现方式中,同一目标车辆图像中包括下述车轮特征点中的至少两个:左前车轮特征点、左后车轮特征点、右前车轮特征点和右后车轮特征点;车轮特征点对应的预测置信度大于置信度阈值。
仍以上述图3为例,如图3所示,车轮特征点检测结果包括:第一定位热力图、第二定位热力图、第三定位热力图和第四定位热力图。其中,第一定位热力图中包括目标车辆图像中各像素点是左前车轮特征点的置信度(置信度为概率),第二定位热力图中包括目标车辆图像中各像素点是左后车轮特征点的置信度,第三定位热力图中包括目标车辆图像中各像素点是右前车轮特征点的置信度,第四定位热力图中包括目标车辆图像中各像素点是右后车轮特征点的置信度。为了进一步优化车轮特征点检测的准确率,车轮特征点检测结果还包括:第五定位热力图,第五定位热力图中包括目标车辆图像中各像素点是背景的置信度。利用定位热力图回归作为优化目标,即利用上述5个定位热力图中相同位置的像素点对应的置信度之和为1进行约束,以提高各车轮特征点检测的准确率。
本公开实施例中,车轮特征点检测神经网络的具体形式和具体结构可以根据实际情况确定,本公开对此不作具体限定。
本公开实施例中,用于进行车轮特征点检测的车轮特征点检测神经网络,可以是利用预设数目(例如,数十万张)的标注车轮特征点的车辆图像进行训练之后得到的,训练过程可以参考相关技术的神经网络训练过程(例如,以定位热力图回归作为优化目标进行网络训练),本公开对此不作具体限定。
根据车轮特征点检测结果中包括的第一至第四定位热力图,可以确定目标车辆图像中包括的车轮特征点,以及车轮特征点在图像坐标系下的第一坐标,进而可以根据车轮特征点在图像坐标系下的第一坐标,对图像采集设备进行标定。
通过预先设置置信度阈值,使得可以利用置信度大于置信度阈值的车轮特征点来进行图像采集设备的标定,从而提高对图像采集设备进行标定的准确率。置信度阈值的具体取值可以根据实际情况确定,例如,置信度阈值是0.7,本公开对此不作具体限定。
例如,置信度阈值是0.7,针对目标车辆图像中的像素点(x,y),第一定位热力图中指示像素点(x,y)是左前车轮特征点的置信度是0.8,第二定位热力图中指示像素点(x,y)是左后车轮特征点的置信度是0.1,第三定位热力图中指示像素点(x,y)是右前车轮特征点的置信度是0.05,第四定位热力图中指示像素点(x,y)是右后车轮特征点的置信度是0.05,因此,可以确定目标车辆图像中的像素点(x,y)对应左前车轮特征点,且对应的预测置信度是0.8(大于置信度阈值0.7)。进而可以根据像素点(x,y)在目标车辆图像中的位置,确定左前车轮特征点在图像坐标系下的第一坐标。
在一种可能的实现方式中,根据目标车辆图像中包括的车轮特征点,对图像采集设备进行标定,确定图像采集设备的设备参数,包括:确定车轮特征点在图像坐标系下的第一坐标,其中,图像坐标系是图像采集设备对应的坐标系;确定车轮特征点在世界坐标系下的第二坐标;根据车轮特征点在图像坐标系下的第一坐标,以及在世界坐标系下的第二坐标,对图像采集设备进行标定,确定设备参数。
通过确定车轮特征点在图像坐标系下的第一坐标,以及在世界坐标系下的第二坐标,以使得可以确定图像坐标系和世界坐标系的映射关系,从而有效实现对图像采集设备的标定。
在一种可能的实现方式中,确定车轮特征点在世界坐标系下的第二坐标,包括:根据预设的目标车辆类型在世界坐标系下的车辆长度和车辆宽度,确定车轮特征点在世界坐标系下的第二坐标。
由于目标车辆图像对应的车辆类型是目标车辆类型,且目标车辆类型在世界坐标系下的车辆长度和车辆宽度是预先设定的,因此,可以根据预设的目标车辆类型在世界坐标系下的车辆长度和车辆宽度,快速确定车轮特征点在世界坐标系下的第二坐标。
在一种可能的实现方式中,根据预设的目标车辆类型在世界坐标系下的的车辆长度和车辆宽度,确定车轮特征点在世界坐标系下的第二坐标,包括:在车轮特征点是左前车轮特征点的情况下,将左前车轮特征点在世界坐标系下的第二坐标确定为(0,0);在车轮特征点是左后车轮特征点的情况下,将左后车轮特征点在世界坐标系下的第二坐标确定为(0,车辆长度);在车轮特征点是右后车轮特征点的情况下,将右后车轮特征点在世界坐标系下的第二坐标确定为(车辆长度,车辆宽度);在车轮特征点是右前车轮特征点的情况下,将右前车轮特征点在世界坐标系下的第二坐标确定为(车辆宽度,0)。
例如,预设的目标车辆类型是在世界坐标系下的车辆长度为3米,车辆宽度为1.56米的小汽车,则可以根据该车辆长度和车辆宽度,对车轮特征点的坐标进行建模,得到左前轮特征点在世界坐标系下的第二坐标为(0,0),左后轮特征点在世界坐标系下的第二坐标为(0,3),右前轮特征点在世界坐标系下的第二坐标为(1.56,0),右后轮特征点在世界坐标系下的第二坐标为(1.56,3)。
在一种可能的实现方式中,根据车轮特征点在图像坐标系下的第一坐标,以及在世界坐标系下的所述第二坐标,对图像采集设备进行标定,确定设备参数,包括:根据车轮特征点在图像坐标系下的第一坐标,以及在世界坐标系下的第二坐标,构建标定约束函数;通过对标定约束函数进行迭代优化,确定设备参数。
在确定车轮特征点在图像坐标下的第一坐标,以及在世界坐标系下的第二坐标之后,可以通过构建标定约束函数,以及对标定约束函数进行迭代优化的方式,实现对图像采集设备的标定。
在一示例中,点P在图像坐标系下的第一坐标是(u,v,1)T,在世界坐标系下的第二坐标是(x,y,1)T的情况下,根据图像采集设备的无畸变小孔成像原理,图像采集设备的成像模型如下述公式(1)所示:
根据车轮特征点在图像坐标系下的第一坐标,以及在世界坐标系下的第二坐标,利用上述公式(1)所示的图像采集设备的成像模型,可以构建用于进行图像采集设备标定的标定约束函数。
在一种可能的实现方式中,设备参数包括:图像采集设备对应的单应矩阵参数,以及目标车辆图像对应的设备外参数;根据车轮特征点在图像坐标系下的第一坐标,以及在世界坐标系下的第二坐标,构建标定约束函数,包括:基于车轮特征点在图像坐标系下的第一坐标、以及在世界坐标系下的第二坐标、单应矩阵参数,设备外参数,构建车轮特征点对应的约束等式;基于车轮特征点对应的约束等式,构建标定约束函数。
在车辆结构化阶段,通过对图像采集设备采集得到的视频帧进行车辆结构化解析,可以得到目标车辆图像中包括的车轮特征点在图像坐标系下的第一坐标。例如,第i个目标车辆图像中包括的第j个车轮特征点在图像坐标系下的第一坐标为根据预设的目标车辆类型在世界坐标系下的车辆长度和车辆宽度,可以确定第i个目标车辆图像中包括的第j个车轮特征点在世界坐标系下的第二坐标为根据上述公式(1)所示的图像采集设备的成像模型,可以构建得到如下述公式(2)所示的第i个目标车辆图像中包括的第j个车轮特征点对应的约束等式:
由于不同目标车辆图像中包括的车轮特征点均在同一平面上,可以对上述公式(2)中的Hi进行如下转换:
Hi=HTi (3),
其中,H为图像采集设备对应的单应矩阵参数,Ti为第i个目标车辆图像对应的设备外参数。H=K[r1 r2 t],为图像采集设备的设备内参数,fx、fy为图像采集设备的焦距,cx、cy为图像采集设备的中心点,[r1 r2 t]为预设设备外参数。Ri是第i个目标车辆图像对应的旋转矩阵,ti是第i个目标车辆图像对应的平移矩阵。
基于重投影均方误差模型,以及上述公式(2)和(3)所示的约束等式,可以构建如下公式(4)所示的标定约束函数:
其中,n是目标车辆图像的数目,m是第i个目标车辆图像中包括的置信度大于置信度阈值的车轮特征点的数目。
根据车辆结构化解析阶段得到的N个目标车辆图像中包括的车轮特征点,可以构造N组上述公式(2)所示的约束等式,不同组约束等式对应的图像采集设备的单应矩阵参数相同,但是不同组约束等式对应的图像采集设备的设备外参数相互独立。根据N组约束等式可以构建得到的上述公式(4)所示的标定约束函数,进而通过对标定约束函数进行迭代优化,以确定图像采集设备对应的单应矩阵参数和设备外参数。
实际应用中,图像采集设备对应的单应矩阵参数的自由度是8,设备外参数的自由度是3,因此,本公开实施例中,可以根据单应矩阵参数的自由度和设备外参数的自由度,来确定N的具体取值。
例如,一个车轮特征点可以构建两个约束等式。构建标定约束函数时,对约束等式的数目存在下述约束条件:由于设备外参数的自由度为3,因此,在基于第i个目标车辆图像求解设备外参数时,需要第i个目标车辆图像中包括至少两个预测置信度大于置信度阈值的车轮特征点,以构建至少3个约束等式来求解设备外参数。此外,由于单应矩阵参数的自由度为8,因此,在求解单应矩阵参数时,至少需要8个约束等式。
基于上述约束条件,在一个目标车辆图像中包括的4个车轮特征点的预测置信度均大于置信度阈值的情况下,即m=4,仅根据一个目标车辆图像中包括的4个车轮特征点,即可以构建得到8个约束等式来确定标定约束函数,通过对标定约束函数进行迭代优化,可以得到单应矩阵参数和设备外参数。
但是,实际情况中,由于图像采集设备的采集角度的限制,一个目标车辆图像中准确预测得到的车轮特征点,即预测置信度大于置信度阈值的车轮特征点可能为2个或3个,即m=2或3。因此,需要根据上述约束条件,以及各目标车辆图像中包括的预测置信度大于置信度阈值的车轮特征点的数目,来确定目标车辆图像需要的数目n的具体取值。例如,在各目标车辆图像中包括的预测置信度大于置信度阈值的车轮特征点的数目均为2时,至少需要8个目标车辆图像来构建标定约束函数。用于进行图像采集设备标定的目标车辆图像的数目越多,标定过程越准确,因此,可以适当选取较多的目标车辆图像来构建标定约束函数,例如,目标车辆图像的数目为n=30,本公开对此不作具体限定。
在一种可能的实现方式中,通过对标定约束函数进行迭代优化,确定设备参数,包括:根据第t个单应矩阵参数,对标定约束函数进行第t+1次外参优化,得到第t+1个设备外参数,其中,t是大于或等于0的整数,第t个单应矩阵参数是对标定约束函数进行第t次内参优化后得到的;根据第t+1个设备外参数,对标定约束函数进行第t+1次内参优化,得到第t+1个单应矩阵参数;在达到预设迭代条件的情况下,根据第t+1个单应矩阵参数和第t+1个设备外参数,确定设备参数。
根据上述公式(4)所示的标定约束函数,执行下述迭代优化过程。
步骤a、根据第t个单应矩阵参数,对标定约束函数进行第t+1次外参优化,得到第t+1个设备外参数。
在一种可能的实现方式中,根据第t个单应矩阵参数,对标定约束函数进行第t+1次外参优化,得到第t+1个设备外参数,包括:根据第t个单应矩阵参数,利用奇异值分解算法,对标定约束函数进行第t+1次外参优化,得到第t+1个设备外参数。
针对上述公式(4)所示的标定约束函数,对标定约束函数进行第t+1次外参优化时,将标定约束函数中的单应矩阵参数H,固定为对标定约束函数进行第t次内参优化后得到的第t个单应矩阵参数不变,利用二维空间点云匹配原理,使用奇异值分解算法,基于第i个目标车辆图像,求解第t+1次外参优化后得到的第t+1个设备外参数Ti。
假设是将第i个目标车辆图像中包括的第j个车轮特征点在图像坐标系中的第一坐标,转换到世界坐标系后的第三坐标。是第i个目标车辆图像中包括的第j个车轮特征点在世界坐标系下的第二坐标。则可以将上述公式(4)所示的标定约束函数转换为下述公式(5):
因此,可以将上述公式(6)简化为公式(7):
使用奇异值分解算法对上述公式(7)进行求解,确定第t+1次外参优化后得到的第t+1个设备外参数Ti,包括下述公式(8)所示的旋转矩阵Ri和平移矩阵ti:
ti=uq-Riup
在一种可能的实现方式中,在t=0的情况下,对第0个单应矩阵参数进行初始化,将第0个单应矩阵参数初始化为单位矩阵。
在初始化阶段,将第0个单应矩阵参数初始化为单位矩阵,然后执行上述步骤a的第一次外参优化,即根据第0个单应矩阵参数,对标定约束函数进行第1次外参优化,求解得到第1个设备外参数。
步骤b、根据所述第t+1个设备外参数,对所述标定约束函数进行第t+1次内参优化,得到第t+1个单应矩阵参数。
在一种可能的实现方式中,根据第t+1个设备外参数,对标定约束函数进行第t+1次内参优化,得到第t+1个单应矩阵参数,包括:根据第t+1个设备外参数,利用直接线性转换(DLT,Direct Linear Transform)算法,对标定约束函数进行第t+1次内参优化,得到第t+1个单应矩阵参数。
针对上述公式(4)所示的标定约束函数,对标定约束函数进行第t+1次内参优化时,将标定约束函数中的设备外参数Ti,固定为对标定约束函数进行第t+1次外参优化后得到的第t+1个设备外参数不变,利用DLT算法求解第t+1次内参优化后得到的第t+1个单应矩阵参数H。
利用DLT算法求解公式(9),可以得到第t+1次内参优化后得到的第t+1个单应矩阵参数H。
交替执行上述步骤a和步骤b,在达到预设迭代条件的情况下,根据第t+1个单应矩阵参数和第t+1个设备外参数,基于上述公式(3),确定图像采集设备的设备参数。
在一种可能的实现方式中,预设迭代条件包括:t+1达到预设迭代次数阈值;或,第t+1个单应矩阵参数和第t个单应矩阵参数之间的差值小于第一阈值,且第t+1个设备外参数和第t个设备外参数之间的差值小于第二阈值,其中,第t个设备外参数是对标定约束函数进行第t次外参优化后得到的。
预设迭代次数阈值的具体取值可以根据实际情况确定,例如,预设迭代次数阈值为5000次。
第t+1个单应矩阵参数和第t个单应矩阵参数之间的差值小于第一阈值,且第t+1个设备外参数和第t个设备外参数之间的差值小于第二阈值,可以表明迭代优化过程中标定约束函数已经达到收敛。其中,第一阈值和第二阈值的具体取值可以根据实际情况确定,第一阈值和第二阈值的取值可以相同,也可以不相同,例如,第一阈值和第二阈值均为10-5,本公开对此不作具体限定。
预设迭代条件除了可以包括上述条件以外,还可以根据实际情况设置其它条件,本公开对此不作具体限定。
在本公开实施例中,通过对图像采集设备采集得到的视频帧进行车辆检测,确定目标车辆图像,以及通过对目标车辆图像进行特征点检测,确定目标车辆图像中包括的车轮特征点,由于车轮特征点位于相同平面,因此,无需再通过人工交互的方式在目标车辆图像中标定位于相同平面的特征点,直接根据车轮特征点就可以快速实现对图像采集设备的标定,准确地确定图像采集设备的设备参数,从而提高了对图像采集设备的标定效率。相比于相关技术中利用车道上的消隐点进行图像采集设备的自标定的方法,本公开实施例的图像采集设备的标定方法不受弯道、单行道的影响。
在一种可能的实现方式中,该图像采集设备的标定方法还包括:通过图像采集设备对测试对象进行图像采集,得到测试图像,测试对象在世界坐标系下的尺寸是预设的参考尺寸;确定测试对象在测试图像中的图像尺寸,以及根据设备参数,对图像尺寸进行尺寸转换,得到测试对象在世界坐标系下的测量尺寸;确定参考尺寸和测量尺寸之间的百分比误差;根据百分比误差,确定设备参数的标定准确度。
利用测距百分比误差,可以对本公开实施例的图像采集设备的标定方法进行评测。图4示出根据本公开实施例的图像采集设备标定评测的示意图。在目标车道上标注目标矩形,将该目标矩形确定为测试对象,记录目标矩形的实际长度为v,也即测试对象在世界坐标系下的参考尺寸是v。利用经过本公开实施例的图像采集设备的标定方法进行标定之后的图像采集设备,对目标矩形进行拍摄,得到图4所示的测试图像,确定目标矩形在测试图像中的图像尺寸,并基于标定之后得到的设备参数对该图像尺寸进行尺寸转换,得到目标矩形在世界坐标系下的测量长度u,即测试对象在世界坐标系下的测量尺寸是u,进而可以确定参考尺寸v和测量尺寸u之间的百分比误差进而可以根据该百分比误差,确定设备参数的标定准确度。例如,该百分比误差越大,设备参数的标定准确度越低;该百分比误差越小,设备参数的标定准确度越高。
经过评测可知,利用经过本公开实施例的图像采集设备的标定方法进行标定之后,图像采集设备进行测距的百分比误差只有8.75%,因此,经过本公开实施例的图像采集设备的标定方法进行标定之后,图像采集设备的设备参数的标定准确度较高,可以有效提高后续利用图像采集设备进行测距时的测距准确率。
在一种可能的实现方式中,该图像采集设备的标定方法还包括:通过图像采集设备对测试对象进行图像采集,得到测试图像,测试对象中包括的测试目标点在世界坐标系下的坐标是预设的参考坐标;确定测试目标点在测试图像中的图像坐标,以及根据设备参数,对图像坐标进行坐标转换,得到测试目标点在世界坐标系下的测量坐标;确定参考坐标和测量坐标之间的重投影均方误差;根据重投影均方误差,确定设备参数的标定准确度。
利用重投影均方误差,可以对本公开实施例的图像采集设备的标定方法进行评测。仍以上述图4为例,在目标车道上标注目标矩形,将该目标矩形确定为测试对象,记录目标矩形中目标顶点(即测试目标点)在世界坐标系下的实际坐标q,即测试对象中的测试目标点在世界坐标系下的参考坐标是q。利用经过本公开实施例的图像采集设备的标定方法进行标定之后的图像采集设备,对目标矩形进行拍摄,得到图4所示的测试图像,确定测试坐标点在测试图像中的图像坐标,并基于标定之后得到的设备参数对该图像坐标进行坐标转换,得到目标矩形中目标顶点在世界坐标系下的测量坐标p,即测试目标点在世界坐标系下的测量坐标是p,进而可以确定参考坐标q和测量坐标p之间的重投影均方误差(p-q)2,进而可以根据该重投影均方误差,确定设备参数的标定准确度。例如,该重投影误差越大,设备参数的标定准确度越低;该重投影均方误差越小,设备参数的标定准确度越高。
经过评测可知,利用经过本公开实施例的图像采集设备的标定方法进行标定之后,图像采集设备进行重投影的重投影均方误差只有0.1732,因此,经过本公开实施例的图像采集设备的标定方法进行标定之后,图像采集设备的设备参数的标定准确度较高,可以有效提高图像采集设备的重投影准确率。
本公开实施例的图像采集设备的标定方法可以有效应用于交通监控领域,在根据本公开实施例的图像采集设备的标定方法对图像采集设备进行标定,得到设备参数之后,可以利用设备参数,根据图像采集设备对覆盖范围(即可拍摄范围)内的车道上行使的车辆进行拍摄得到的车辆图像,确定车辆长度、行驶速度和方向等,进而可以判断车道是否发生车辆超速、道路缓行、道路拥堵等交通事件,从而可以及时有效地了解道路交通状况。此外,还可以通过对设备参数进行分解,获得图像采集设备的焦距、俯仰角、相对地面的架设高度等物理参数,进一步可以求得图像采集设备的有效覆盖范围。
可以理解,本公开提及的上述各个方法实施例,在不违背原理逻辑的情况下,均可以彼此相互结合形成结合后的实施例,限于篇幅,本公开不再赘述。本领域技术人员可以理解,在具体实施方式的上述方法中,各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
此外,本公开还提供了图像采集设备的标定装置、电子设备、计算机可读存储介质、程序,上述均可用来实现本公开提供的任一种图像采集设备的标定方法,相应技术方案和描述和参见方法部分的相应记载,不再赘述。
图5示出根据本公开实施例的一种图像采集设备的标定装置的框图。如图5所示,装置50包括:
第一确定模块51,用于通过对图像采集设备采集得到的视频帧进行车辆检测,确定目标车辆图像;
第二确定模块52,用于通过对目标车辆图像进行车轮特征点检测,确定目标车辆图像中包括的车轮特征点;
标定模块53,用于根据目标车辆图像中包括的车轮特征点,对图像采集设备进行标定,确定图像采集设备的设备参数。
在一种可能的实现方式中,第一确定模块51,具体用于:
对视频帧进行车辆检测,确定视频帧中是否存在车辆图像;
在确定视频帧中存在车辆图像的情况下,确定车辆图像对应的车辆类型是否为目标车辆类型;
在确定车辆图像对应的车辆类型为目标车辆类型的情况下,将车辆图像确定为目标车辆图像。
在一种可能的实现方式中,第二确定模块52,具体用于:
对目标车辆图像进行下采样特征提取,得到至少两级第一特征图;
对目标第一特征图进行上采样特征提取,得到至少两级第二特征图,其中,目标第一特征图是至少两级第一特征图中尺寸最小的特征图;
对至少两级第一特征图和至少两级第二特征图进行融合,得到目标特征图;
对目标特征图进行车轮特征点预测,确定车轮特征点在图像坐标系下的第一坐标,其中,图像坐标系是所述图像采集设备对应的坐标系。
在一种可能的实现方式中,标定模块53,包括:
第一确定子模块,用于确定车轮特征点在图像坐标系下的第一坐标,其中,图像坐标系是图像采集设备对应的坐标系;
第二确定子模块,用于确定车轮特征点在世界坐标系下的第二坐标;
标定子模块,用于根据车轮特征点在图像坐标系下的第一坐标,以及在世界坐标系下的第二坐标,对图像采集设备进行标定,确定设备参数。
在一种可能的实现方式中,第二确定子模块,具体用于:
根据预设的目标车辆类型在世界坐标系下的车辆长度和车辆宽度,确定车轮特征点在世界坐标系下的第二坐标。
在一种可能的实现方式中,标定子模块,包括:
标定约束函数构建单元,用于根据车轮特征点在图像坐标系下的第一坐标,以及在世界坐标系下的第二坐标,构建标定约束函数;
迭代优化单元,用于通过对标定约束函数进行迭代优化,确定设备参数。
在一种可能的实现方式中,设备参数包括:图像采集设备对应的单应矩阵参数,以及目标车辆图像对应的设备外参数;
标定约束函数构建单元,具体用于:
基于车轮特征点在图像坐标系下的第一坐标、以及在世界坐标系下的所述第二坐标、单应矩阵参数、设备外参数,构建车轮特征点对应的约束等式;
基于车轮特征点对应的约束等式,构建标定约束函数。
在一种可能的实现方式中,迭代优化单元,包括:
外参优化子单元,用于根据第t个单应矩阵参数,对标定约束函数进行第t+1次外参优化,得到第t+1个设备外参数,其中,t是大于或等于0的整数,第t个单应矩阵参数是对标定约束函数进行第t次内参优化后得到的;
内参优化子单元,根据第t+1个设备外参数,对标定约束函数进行第t+1次内参优化,得到第t+1个单应矩阵参数;
确定子单元,在达到预设迭代条件的情况下,根据第t+1个单应矩阵参数和第t+1个设备外参数,确定设备参数。
在一种可能的实现方式中,外参优化子单元,具体用于:
根据第t个单应矩阵参数,利用奇异值分解算法,对标定约束函数进行第t+1次外参优化,得到第t+1个设备外参数。
在一种可能的实现方式中,内参优化子单元,具体用于:
根据第t+1个设备外参数,利用直接线性转换DLT算法,对标定约束函数进行第t+1次内参优化,得到第t+1个单应矩阵参数。
在一种可能的实现方式中,预设迭代条件包括:t+1达到预设迭代次数阈值;或,
第t+1个单应矩阵参数和第t个单应矩阵参数之间的差值小于第一阈值,且第t+1个设备外参数和第t个设备外参数之间的差值小于第二阈值,其中,第t个设备外参数是对标定约束函数进行第t次外参优化后得到的。
在一种可能的实现方式中,装置50,还包括:
初始化模块,用于在t=0的情况下,对第0个单应矩阵参数进行初始化,将第0个单应矩阵参数初始化为单位矩阵。
在一种可能的实现方式中,装置50,还包括:
第三确定模块,用于通过图像采集设备对测试对象进行图像采集,得到测试图像,测试对象在世界坐标系下的尺寸是预设的参考尺寸;
第四确定模块,用于确定测试对象在测试图像中的图像尺寸,以及根据设备参数,对图像尺寸进行尺寸转换,得到测试对象在世界坐标系下的测量尺寸;
第五确定模块,用于确定参考尺寸和测量尺寸之间的百分比误差;
第六确定模块,用于根据百分比误差,确定设备参数的标定准确度。
在一种可能的实现方式中,装置50,还包括:
第七确定模块,用于通过图像采集设备对测试对象进行图像采集,得到测试图像,测试对象中包括的测试目标点在世界坐标系下的坐标是预设的参考坐标;
第八确定模块,用于确定测试目标点在测试图像中的图像坐标,以及根据设备参数,对图像坐标进行坐标转换,得到测试目标点在世界坐标系下的测量坐标;
第九确定模块,用于确定参考坐标和测量坐标之间的重投影均方误差;
第十确定模块,用于根据重投影均方误差,确定设备参数的标定准确度。
在一些实施例中,本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法,其具体实现可以参照上文方法实施例的描述,为了简洁,这里不再赘述。
本公开实施例还提出一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是易失性或非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为调用所述存储器存储的指令,以执行上述方法。
本公开实施例还提供了一种计算机程序产品,包括计算机可读代码,当计算机可读代码在设备上运行时,设备中的处理器执行用于实现如上任一实施例提供的图像采集设备的标定方法的指令。
本公开实施例还提供了另一种计算机程序产品,用于存储计算机可读指令,指令被执行时使得计算机执行上述任一实施例提供的图像采集设备的标定方法的操作。
电子设备可以被提供为终端、服务器或其它形态的设备。
图6示出根据本公开实施例的一种电子设备的框图。如图6所示,电子设备800可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等终端。
参照图6,电子设备800可以包括以下一个或多个组件:处理组件802,存储器804,电源组件806,多媒体组件808,音频组件810,输入/输出(I/O)的接口812,传感器组件814,以及通信组件816。
处理组件802通常控制电子设备800的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件802可以包括一个或多个模块,便于处理组件802和其他组件之间的交互。例如,处理组件802可以包括多媒体模块,以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理***,一个或多个电源,及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜***或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如,音频组件810包括一个麦克风(MIC),当电子设备800处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中,音频组件810还包括一个扬声器,用于输出音频信号。
I/O接口812为处理组件802和***接口模块之间提供接口,上述***接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器,用于为电子设备800提供各个方面的状态评估。例如,传感器组件814可以检测到电子设备800的打开/关闭状态,组件的相对定位,例如所述组件为电子设备800的显示器和小键盘,传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变,用户与电子设备800接触的存在或不存在,电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器,如互补金属氧化物半导体(CMOS)或电荷耦合装置(CCD)图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件814还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络,如无线网络(WiFi),第二代移动通信技术(2G)或第三代移动通信技术(3G),或它们的组合。在一个示例性实施例中,通信组件816经由广播信道接收来自外部广播管理***的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件816还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器804,上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图7示出根据本公开实施例的一种电子设备的框图。如图7所示,电子设备1900可以被提供为一服务器。参照图7,电子设备1900包括处理组件1922,其进一步包括一个或多个处理器,以及由存储器1932所代表的存储器资源,用于存储可由处理组件1922的执行的指令,例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件1922被配置为执行指令,以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理,一个有线或无线网络接口1950被配置为将电子设备1900连接到网络,和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作***,例如微软服务器操作***(Windows ServerTM),苹果公司推出的基于图形用户界面操作***(Mac OSXTM),多用户多进程的计算机操作***(UnixTM),自由和开放原代码的类Unix操作***(LinuxTM),开放原代码的类Unix操作***(FreeBSDTM)或类似。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器1932,上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是***、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是(但不限于)电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(***)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中,所述计算机程序产品具体体现为计算机存储介质,在另一个可选实施例中,计算机程序产品具体体现为软件产品,例如软件开发包(Software Development Kit,SDK)等等。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (17)
1.一种图像采集设备的标定方法,其特征在于,包括:
通过对图像采集设备采集得到的视频帧进行车辆检测,确定目标车辆图像;
通过对所述目标车辆图像进行车轮特征点检测,确定所述目标车辆图像中包括的车轮特征点;
根据所述目标车辆图像中包括的所述车轮特征点,对所述图像采集设备进行标定,确定所述图像采集设备的设备参数。
2.根据权利要求1所述的方法,其特征在于,所述通过对图像采集设备采集得到的视频帧进行车辆检测,确定目标车辆图像,包括:
对所述视频帧进行车辆检测,确定所述视频帧中是否存在车辆图像;
在确定所述视频帧中存在所述车辆图像的情况下,确定所述车辆图像对应的车辆类型是否为目标车辆类型;
在确定所述车辆图像对应的车辆类型为目标车辆类型的情况下,将所述车辆图像确定为所述目标车辆图像。
3.根据权利要求1或2所述的方法,其特征在于,所述通过对所述目标车辆图像进行车轮特征点检测,确定所述目标车辆图像中包括的车轮特征点,包括:
对所述目标车辆图像进行下采样特征提取,得到至少两级第一特征图;
对目标第一特征图进行上采样特征提取,得到至少两级第二特征图,其中,所述目标第一特征图是所述至少两级第一特征图中尺寸最小的特征图;
对所述至少两级第一特征图和所述至少两级第二特征图进行融合,得到目标特征图;
对所述目标特征图进行车轮特征点预测,确定所述车轮特征点在图像坐标系下的第一坐标,其中,所述图像坐标系是所述图像采集设备对应的坐标系。
4.根据权利要求1至3中任意一项的方法,其特征在于,所述根据所述目标车辆图像中包括的所述车轮特征点,对所述图像采集设备进行标定,确定所述图像采集设备的设备参数,包括:
确定所述车轮特征点在图像坐标系下的第一坐标,其中,所述图像坐标系是所述图像采集设备对应的坐标系;
确定所述车轮特征点在世界坐标系下的第二坐标;
根据所述车轮特征点在所述图像坐标系下的所述第一坐标,以及在所述世界坐标系下的所述第二坐标,对所述图像采集设备进行标定,确定所述设备参数。
5.根据权利要求4所述的方法,其特征在于,所述确定所述车轮特征点在世界坐标系下的第二坐标,包括:
根据预设的所述目标车辆类型在所述世界坐标系下的车辆长度和车辆宽度,确定所述车轮特征点在所述世界坐标系下的所述第二坐标。
6.根据权利要求4或5所述的方法,其特征在于,所述根据所述车轮特征点在所述图像坐标系下的所述第一坐标,以及在所述世界坐标系下的所述第二坐标,对所述图像采集设备进行标定,确定所述设备参数,包括:
根据所述车轮特征点在所述图像坐标系下的所述第一坐标,以及在所述世界坐标系下的所述第二坐标,构建标定约束函数;
通过对所述标定约束函数进行迭代优化,确定所述设备参数。
7.根据权利要求6所述的方法,其特征在于,所述设备参数包括:所述图像采集设备对应的单应矩阵参数,以及所述目标车辆图像对应的设备外参数;
所述根据所述车轮特征点在所述图像坐标系下的所述第一坐标,以及在所述世界坐标系下的所述第二坐标,构建标定约束函数,包括:
基于所述车轮特征点在所述图像坐标系下的所述第一坐标、以及在所述世界坐标系下的所述第二坐标、所述单应矩阵参数、所述设备外参数,构建所述车轮特征点对应的约束等式;
基于所述车轮特征点对应的所述约束等式,构建所述标定约束函数。
8.根据权利要求7所述的方法,其特征在于,所述通过对所述标定约束函数进行迭代优化,确定所述设备参数,包括:
根据第t个单应矩阵参数,对所述标定约束函数进行第t+1次外参优化,得到第t+1个设备外参数,其中,t是大于或等于0的整数,所述第t个单应矩阵参数是对所述标定约束函数进行第t次内参优化后得到的;
根据所述第t+1个设备外参数,对所述标定约束函数进行第t+1次内参优化,得到第t+1个单应矩阵参数;
在达到预设迭代条件的情况下,根据所述第t+1个单应矩阵参数和所述第t+1个设备外参数,确定所述设备参数。
9.根据权利要求8所述的方法,其特征在于,所述根据第t个单应矩阵参数,对所述标定约束函数进行第t+1次外参优化,得到第t+1个设备外参数,包括:
根据所述第t个单应矩阵参数,利用奇异值分解算法,对所述标定约束函数进行第t+1次外参优化,得到所述第t+1个设备外参数。
10.根据权利要求8或9所述的方法,其特征在于,所述根据所述第t+1个设备外参数,对所述标定约束函数进行第t+1次内参优化,得到第t+1个单应矩阵参数,包括:
根据所述第t+1个设备外参数,利用直接线性转换DLT算法,对所述标定约束函数进行第t+1次内参优化,得到所述第t+1个单应矩阵参数。
11.根据权利要求8至10中任意一项所述的方法,其特征在于,所述预设迭代条件包括:t+1达到预设迭代次数阈值;或,
所述第t+1个单应矩阵参数和所述第t个单应矩阵参数之间的差值小于第一阈值,且所述第t+1个设备外参数和第t个设备外参数之间的差值小于第二阈值,其中,所述第t个设备外参数是对所述标定约束函数进行第t次外参优化后得到的。
12.根据权利要求8至11中任意一项所述的方法,其特征在于,所述方法还包括:
在t=0的情况下,对第0个单应矩阵参数进行初始化,将所述第0个单应矩阵参数初始化为单位矩阵。
13.根据权利要求1至12中任意一项所述的方法,其特征在于,所述方法还包括:
通过所述图像采集设备对测试对象进行图像采集,得到测试图像,所述测试对象在世界坐标系下的尺寸是预设的参考尺寸;
确定所述测试对象在所述测试图像中的图像尺寸,以及根据所述设备参数,对所述图像尺寸进行尺寸转换,得到所述测试对象在世界坐标系下的测量尺寸;
确定所述参考尺寸和所述测量尺寸之间的百分比误差;
根据所述百分比误差,确定所述设备参数的标定准确度。
14.根据权利要求1至12中任意一项所述的方法,其特征在于,所述方法还包括:
通过所述图像采集设备对测试对象进行图像采集,得到测试图像,所述测试对象中包括的测试目标点在世界坐标系下的坐标是预设的参考坐标;
确定所述测试目标点在所述测试图像中的图像坐标,以及根据所述设备参数,对所述图像坐标进行坐标转换,得到所述测试目标点在世界坐标系下的测量坐标;
确定所述参考坐标和所述测量坐标之间的重投影均方误差;
根据所述重投影均方误差,确定所述设备参数的标定准确度。
15.一种图像采集设备的标定装置,其特征在于,包括:
第一确定模块,用于通过对图像采集设备采集得到的视频帧进行车辆检测,确定目标车辆图像;
第二确定模块,用于通过对所述目标车辆图像进行车轮特征点检测,确定所述目标车辆图像中包括的车轮特征点;
标定模块,用于根据所述目标车辆图像中包括的所述车轮特征点,对所述图像采集设备进行标定,确定所述图像采集设备的设备参数。
16.一种电子设备,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为调用所述存储器存储的指令,以执行权利要求1至14中任意一项所述的方法。
17.一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,所述计算机程序指令被处理器执行时实现权利要求1至14中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110454752.5A CN113066135A (zh) | 2021-04-26 | 2021-04-26 | 图像采集设备的标定方法及装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110454752.5A CN113066135A (zh) | 2021-04-26 | 2021-04-26 | 图像采集设备的标定方法及装置、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113066135A true CN113066135A (zh) | 2021-07-02 |
Family
ID=76567706
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110454752.5A Pending CN113066135A (zh) | 2021-04-26 | 2021-04-26 | 图像采集设备的标定方法及装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113066135A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113553955A (zh) * | 2021-07-23 | 2021-10-26 | 上海商汤科技开发有限公司 | 交通检测方法、装置、电子设备及存储介质 |
CN114332977A (zh) * | 2021-10-14 | 2022-04-12 | 北京百度网讯科技有限公司 | 关键点检测方法、装置、电子设备及存储介质 |
WO2023103377A1 (zh) * | 2021-12-09 | 2023-06-15 | 上海商汤智能科技有限公司 | 标定方法及装置、电子设备、存储介质及计算机程序产品 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6134792A (en) * | 1998-11-19 | 2000-10-24 | Hunter Engineering Company | Method and apparatus for determining wheel alignment optical target orientation parameters |
US20160178359A1 (en) * | 2014-12-17 | 2016-06-23 | Snap-On, Incorporated | Live ride height measurement |
CN110648360A (zh) * | 2019-09-30 | 2020-01-03 | 的卢技术有限公司 | 一种基于车载摄像头避让他方车辆的方法及*** |
US20200082183A1 (en) * | 2018-09-07 | 2020-03-12 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method for position detection, device, and storage medium |
CN111274426A (zh) * | 2020-01-19 | 2020-06-12 | 深圳市商汤科技有限公司 | 类别标注方法及装置、电子设备和存储介质 |
CN111681286A (zh) * | 2020-06-09 | 2020-09-18 | 商汤集团有限公司 | 一种标定方法、装置、***、电子设备及存储介质 |
CN111815719A (zh) * | 2020-07-20 | 2020-10-23 | 北京百度网讯科技有限公司 | 图像采集设备的外参数标定方法、装置、设备及存储介质 |
-
2021
- 2021-04-26 CN CN202110454752.5A patent/CN113066135A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6134792A (en) * | 1998-11-19 | 2000-10-24 | Hunter Engineering Company | Method and apparatus for determining wheel alignment optical target orientation parameters |
US20160178359A1 (en) * | 2014-12-17 | 2016-06-23 | Snap-On, Incorporated | Live ride height measurement |
US20200082183A1 (en) * | 2018-09-07 | 2020-03-12 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method for position detection, device, and storage medium |
CN110648360A (zh) * | 2019-09-30 | 2020-01-03 | 的卢技术有限公司 | 一种基于车载摄像头避让他方车辆的方法及*** |
CN111274426A (zh) * | 2020-01-19 | 2020-06-12 | 深圳市商汤科技有限公司 | 类别标注方法及装置、电子设备和存储介质 |
CN111681286A (zh) * | 2020-06-09 | 2020-09-18 | 商汤集团有限公司 | 一种标定方法、装置、***、电子设备及存储介质 |
CN111815719A (zh) * | 2020-07-20 | 2020-10-23 | 北京百度网讯科技有限公司 | 图像采集设备的外参数标定方法、装置、设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
于腾飞;苏维嘉;: "便携式车轮定位参数视觉检测***研究", 计算机测量与控制, no. 06 * |
陆峰;徐友春;李永乐;王德宇;谢德胜;: "基于信息融合的智能车障碍物检测方法", 计算机应用, no. 2 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113553955A (zh) * | 2021-07-23 | 2021-10-26 | 上海商汤科技开发有限公司 | 交通检测方法、装置、电子设备及存储介质 |
CN114332977A (zh) * | 2021-10-14 | 2022-04-12 | 北京百度网讯科技有限公司 | 关键点检测方法、装置、电子设备及存储介质 |
WO2023103377A1 (zh) * | 2021-12-09 | 2023-06-15 | 上海商汤智能科技有限公司 | 标定方法及装置、电子设备、存储介质及计算机程序产品 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111983635B (zh) | 位姿确定方法及装置、电子设备和存储介质 | |
CN111340766B (zh) | 目标对象的检测方法、装置、设备和存储介质 | |
CN113066086B (zh) | 道路病害检测方法及装置、电子设备和存储介质 | |
CN110674719B (zh) | 目标对象匹配方法及装置、电子设备和存储介质 | |
CN111339846A (zh) | 图像识别方法及装置、电子设备和存储介质 | |
CN109522910B (zh) | 关键点检测方法及装置、电子设备和存储介质 | |
US20210097715A1 (en) | Image generation method and device, electronic device and storage medium | |
TWI753348B (zh) | 位姿確定方法、位姿確定裝置、電子設備和電腦可讀儲存媒介 | |
US11301726B2 (en) | Anchor determination method and apparatus, electronic device, and storage medium | |
CN110503689B (zh) | 位姿预测方法、模型训练方法及装置 | |
CN113066135A (zh) | 图像采集设备的标定方法及装置、电子设备和存储介质 | |
CN108010060B (zh) | 目标检测方法及装置 | |
CN110543850B (zh) | 目标检测方法及装置、神经网络训练方法及装置 | |
CN109584362B (zh) | 三维模型构建方法及装置、电子设备和存储介质 | |
CN111881956A (zh) | 网络训练方法及装置、目标检测方法及装置和电子设备 | |
CN114019473A (zh) | 对象检测方法及装置、电子设备和存储介质 | |
CN112945207B (zh) | 目标定位方法及装置、电子设备和存储介质 | |
CN111523485A (zh) | 位姿识别方法及装置、电子设备和存储介质 | |
CN112184787A (zh) | 图像配准方法及装置、电子设备和存储介质 | |
CN112541971A (zh) | 点云地图构建方法及装置、电子设备和存储介质 | |
CN111523555A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN111523599A (zh) | 目标检测方法及装置、电子设备和存储介质 | |
CN113283343A (zh) | 人群定位方法及装置、电子设备和存储介质 | |
CN111832338A (zh) | 对象检测方法及装置、电子设备和存储介质 | |
CN114549983A (zh) | 计算机视觉模型训练方法及装置、电子设备和存储介质 |
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 |