CN116168090B - 一种设备参数标定方法及装置 - Google Patents

Abstract

本公开提供了一种设备参数标定方法及装置，所述方法包括：获取目标车辆对应的环境图像和点云数据；基于图像采集设备的预设初始外参和预设内参，对点云数据和环境图像进行匹配并确定第一外参；基于第一回归分析网络并根据预设初始外参和预设内参，对点云数据和环境图像进行匹配并确定第二外参；根据第一外参和第二外参确定第一优化外参并将第一优化外参标定为图像采集设备的目标外参。采用该方法，不仅可以避免因图像采集设备的位置变化导致图像采集设备标定参数失效的问题，还使得标定出的目标外参更为精确。

Description

一种设备参数标定方法及装置

技术领域

本公开涉及参数标定技术领域，尤其涉及一种设备参数标定方法及装置。

背景技术

随着自动驾驶技术的发展自动驾驶车辆的应用场景越来越广泛。为了使自动驾驶车辆能够行驶，通常需要在自动驾驶车辆上安装用于采集环境数据的传感器，而对传感器的参数进行精确标定则是无人驾驶***能够正常工作的先决条件之一。

虽然无人驾驶车辆在出厂前会进行初始化标定，然而在长期行驶过程中无人驾驶车辆的传感器的位置可能会发生变化，比如传感器可能因安装结构松动导致位置发生变化，而传感器的位置变化会导致无人驾驶车辆在出厂前所标定的传感器参数失效，从而导致传感器采集的环境数据不准确，进而影响自动驾驶车辆的正常行驶。

因此，如何设计出一种能够精确标定无人驾驶车辆的传感器参数的方法对自动驾驶车辆的正常行驶至关重要。

发明内容

本公开提供了一种设备参数标定方法及装置，以至少解决现有技术中存在的以上技术问题。

根据本公开的第一方面，提供了一种设备参数标定方法，所述方法包括：

获取目标车辆对应的环境图像和点云数据，其中，所述环境图像和所述点云数据分别为针对目标环境所采集的图像和空间点；

基于图像采集设备的预设初始外参和预设内参，对所述点云数据和所述环境图像进行匹配，并确定第一外参；

基于第一回归分析网络并根据所述预设初始外参和所述预设内参，对所述点云数据和所述环境图像进行匹配，并确定第二外参；

根据所述第一外参和所述第二外参确定第一优化外参，并将所述第一优化外参标定为所述图像采集设备的目标外参，其中，所述目标外参表征所述图像采集设备相对于雷达的姿态信息。

在一可实施方式中，所述方法还包括：

基于第二回归分析网络并根据所述第一优化外参和所述预设内参，对所述点云数据和所述环境图像进行匹配，并确定第二优化外参；

根据所述第二优化外参和所述预设内参，对所述点云数据和所述环境图像进行匹配，并确定第三优化外参，将所述第三优化外参标定为所述图像采集设备的目标外参。

在一可实施方式中，所述根据所述第二优化外参和所述预设内参，对所述点云数据和所述环境图像进行匹配，并确定第三优化外参，将所述第三优化外参标定为所述图像采集设备的目标外参，包括：

基于所述第二优化外参和所述预设内参，确定所述点云数据中的空间点与所述环境图像相匹配的匹配点数量；

根据所述匹配点数量确定所述点云数据的空间点中与所述环境图像相匹配的当前最大空间点数量；

如果所述匹配点数量大于所述当前最大空间点数量，将所述第二优化外参确定为第三优化外参，并将当前最大空间点数量更新为所述匹配点数量；

如果所述匹配点数量不大于所述当前最大空间点数量，将所述第一优化外参确定为第三优化外参；

确定所述第二回归分析网络的迭代次数是否达到预设迭代次数；

如果是，将所述第三优化外参标定为所述图像采集设备的目标外参并终止本次迭代；

如果否，根据所述匹配点数量调整所述第二回归分析网络的参数，并在采用所述第三优化外参更新所述预设初始外参后，返回执行所述基于图像采集设备的预设初始外参和预设内参，对所述点云数据和所述环境图像进行匹配的步骤。

在一可实施方式中，所述基于所述第二优化外参和所述预设内参，确定所述点云数据中的空间点与所述环境图像相匹配的匹配点数量，包括：

根据所述第二优化外参和所述预设内参，将所述点云数据中的空间点投影到像素平面；

确定投影到所述像素平面上的空间点中与所述环境图像相匹配的空间点数量，作为匹配点数量。

在一可实施方式中，在所述基于图像采集设备的预设初始外参和预设内参，对所述点云数据和所述环境图像进行匹配，并确定第一外参之前，所述方法还包括：

提取所述点云数据的点云特征和所述环境图像的图像特征；

所述基于图像采集设备的预设初始外参和预设内参，对所述点云数据和所述环境图像进行匹配，并确定第一外参，包括：

基于图像采集设备的预设初始外参和预设内参，将所述点云数据中的空间点投影到像素平面；

根据所述图像特征和所述点云特征，确定投影到所述像素平面上的空间点中与所述环境图像相匹配的第一空间点数量，并将所述第一空间点数量对应的匹配参数确定为第一外参。

在一可实施方式中，所述基于第一回归分析网络并根据所述预设初始外参和所述预设内参，对所述点云数据和所述环境图像进行匹配，并确定第二外参，包括：

将所述预设初始外参、所述预设内参、所述点云特征和所述图像特征输入第一回归分析网络，得到所述点云数据的空间点中与所述环境图像相匹配的第二空间点数量，并将所述第一回归分析网络的当前参数确定为第二外参。

在一可实施方式中，所述根据所述第一外参和所述第二外参确定第一优化外参，包括：

比较所述第一空间点数量和所述第二空间点数量的大小；

如果所述第一空间点数量大于所述第二空间点数量，将所述第一外参确定为第一优化外参；

如果所述第一空间点数量不大于所述第二空间点数量，将所述第二外参确定为第一优化外参。

在一可实施方式中，所述方法还包括：

如果所述第一空间点数量大于所述第二空间点数量，调整所述第一回归分析网络的参数，并采用所述第一优化外参更新所述预设初始外参，返回执行所述基于图像采集设备的预设初始外参和预设内参，对所述点云数据和所述环境图像进行匹配的步骤。

根据本公开的第二方面，提供了一种设备参数标定方法，应用于车载计算平台，所述方法包括：

获取目标车辆对应的环境图像和点云数据，其中，所述环境图像和所述点云数据分别为针对目标环境所采集的图像和空间点；

基于图像采集设备的预设初始外参和预设内参，对所述点云数据和所述环境图像进行匹配，并确定第一外参；

基于第一回归分析网络并根据所述预设初始外参和所述预设内参，对所述点云数据和所述环境图像进行匹配，并确定第二外参；

根据所述第一外参和所述第二外参确定第一优化外参；

将所述第一优化外参发送至云端计算平台，以使所述云端计算平台在基于第二回归分析网络并根据所述第一优化外参和所述预设内参，对所述点云数据和所述环境图像进行匹配，并确定第二优化外参之后，根据所述第二优化外参和所述预设内参，对所述点云数据和所述环境图像进行匹配，并确定第三优化外参，并向所述车载计算平台发送所述第三优化外参；

接收所述车载计算平台发送的所述第三优化外参，并将所述第三优化外参标定为所述图像采集设备的目标外参，其中，所述目标外参表征所述图像采集设备相对于雷达的姿态信息。

根据本公开的第三方面，提供了一种设备参数标定装置，所述装置包括：

第一数据获取模块，用于获取目标车辆对应的环境图像和点云数据，其中，所述环境图像和所述点云数据分别为针对目标环境所采集的图像和空间点；

第一匹配模块，用于基于图像采集设备的预设初始外参和预设内参，对所述点云数据和所述环境图像进行匹配，并确定第一外参；

第二匹配模块，用于基于第一回归分析网络并根据所述预设初始外参和所述预设内参，对所述点云数据和所述环境图像进行匹配，并确定第二外参；

第一参数标定模块，用于根据所述第一外参和所述第二外参确定第一优化外参，并将所述第一优化外参标定为所述图像采集设备的目标外参，其中，所述目标外参表征所述图像采集设备相对于雷达的姿态信息。

根据本公开的第四方面，提供了一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本公开所述的方法。

根据本公开的第五方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使计算机执行本公开所述的方法。

采用本公开实施例提供的方法及装置，获取目标车辆对应的环境图像和点云数据；基于图像采集设备的预设初始外参和预设内参，对点云数据和环境图像进行匹配并确定第一外参；基于第一回归分析网络并根据预设初始外参和预设内参，对点云数据和环境图像进行匹配并确定第二外参；根据第一外参和第二外参确定第一优化外参并将第一优化外参标定为图像采集设备的目标外参。即对图像采集设备的外参进行标定时不受图像采集设备的位置影响，因此可以避免因图像采集设备的位置变化导致图像采集设备标定参数失效的问题。并且，采用了回归分析网络优化图像采集设备的外参，使得标定出的目标外参更为精确。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

通过参考附图阅读下文的详细描述，本公开示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本公开的若干实施方式，其中：

在附图中，相同或对应的标号表示相同或对应的部分。

图1示出了本公开实施例提供的设备参数标定方法的一种实现流程示意图；

图2示出了本公开实施例提供的一种点云与图像匹配流程图；

图3示出了本公开实施例提供的一种点云与图像匹配示意图；

图4示出了本公开实施例提供的一种优化外参确定流程图；

图5示出了本公开实施例提供的一种外参标定流程示意图；

图6示出了本公开实施例提供的设备参数标定方法的一种流程示意图；

图7示出了本公开实施例提供的应用于车载计算平台的设备参数标定方法的一种实现流程示意图；

图8示出了本公开实施例提供的设备参数标定装置的一种结构示意图；

图9示出了本公开实施例提供的应用于车载计算平台的设备参数标定装置的一种结构示意图；

图10示出了本公开实施例一种电子设备的组成结构示意图。

具体实施方式

为使本公开的目的、特征、优点能够更加的明显和易懂，下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本公开一部分实施例，而非全部实施例。基于本公开中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。

由于现有的传感器参数标定方法会因传感器的位置变化导致标定参数失效，影响自动驾驶车辆的正常行驶。因此，为了避免这种问题，本公开实施例提供了一种设备参数标定方法及装置。本公开实施例提供的方法可以应用于配置于车辆内的车载计算平台，也可以应用于云端计算平台。

下面将结合本公开实施例中的附图，对本公开实施例的技术方案进行描述。

图1示出了本公开实施例提供的设备参数标定方法的一种实现流程示意图，如图1所示，所述方法包括：

S101，获取目标车辆对应的环境图像和点云数据。

其中，所述环境图像和所述点云数据分别为针对目标环境所采集的图像和空间点，目标环境为目标车辆所处的环境。

本公开中，可以通过被配置于目标车辆上的图像采集设备采集针对目标环境的环境图像，和/或，通过被配置于边缘感知终端中的图像采集设备采集针对目标环境的环境图像。其中，边缘感知终端在采集到环境图像后，如果执行本公开提供的设备参数标定方法的电子设备为车载计算平台，则边缘感知终端可以将采集的环境图像通过物联网发送给车载计算平台，如果执行本公开提供的设备参数标定方法的电子设备为云端计算平台，则边缘感知终端可以将采集的环境图像通过物联网发送给云端计算平台。

本公开中，点云数据是指雷达设备针对目标环境采集的雷达点云。

S102，基于图像采集设备的预设初始外参和预设内参，对所述点云数据和所述环境图像进行匹配，并确定第一外参。

本公开中，预设初始外参是指根据实际应用场景对目标外参人为设置的初始参数。预设内参是指被配置于目标车辆上的图像采集设备的内参，例如，若图像采集设备为车载相机，则预设内参为目标车辆的车载相机的内参。

在一可实施方式中，在所述基于图像采集设备的预设初始外参和预设内参，对所述点云数据和所述环境图像进行匹配，并确定第一外参之前，所述设备参数标定方法还包括步骤A1：

步骤A1，提取所述点云数据的点云特征和所述环境图像的图像特征。

本公开中，可以采用任意一种特征提取算法提取点云数据的点云特征和环境图像的图像特征，例如，可以采用卷积神经网络提取环境图像的卷积特征作为图像特征，提取点云数据的卷积特征作为点云特征。或者，也可以采用语义分割算子，提取点云数据的点云特征和环境图像的图像特征。

本公开中，点云特征反映了点云数据中各个不同目标对应的点云区域的语义信息，图像特征反映了环境图像中各个不同目标对应的图像区域的语义信息。

在步骤A1的基础上，图2示出了本公开实施例提供的一种点云与图像匹配流程图，如图2所示，所述基于图像采集设备的预设初始外参和预设内参，对所述点云数据和所述环境图像进行匹配，并确定第一外参，可以包括：

S201，基于图像采集设备的预设初始外参和预设内参，将所述点云数据中的空间点投影到像素平面。

本步骤中，可以利用图像采集设备的预设初始外参和预设内参在环境图像上构建像素平面。举例说明，图3示出了本公开实施例提供的一种点云与图像匹配示意图，如图3所示，可以利用图像采集设备的预设初始外参和预设内参在环境图像301上构建像素平面，将点云数据302中的空间点投影到像素平面上，得到空间点与环境图像重合的图像303。

S202，根据所述图像特征和所述点云特征，确定投影到所述像素平面上的空间点中与所述环境图像相匹配的第一空间点数量，并将所述第一空间点数量对应的匹配参数确定为第一外参。

由于点云特征反映了不同目标对应的点云区域的语义信息，图像特征反映了不同目标对应的图像区域的语义信息，因此，本步骤中，针对每个空间点，可以根据图像特征和点云特征，确定该空间点的语义信息与该空间点对应的环境图像中的像素点的语义信息是否匹配，如果相匹配，确定该空间点为投影到像素平面上的空间点中与环境图像相匹配的第一空间点。具体的，可以根据图像特征和点云特征，采用PnP（Perspective-n-Point）算法计算图像采集设备与雷达的空间参数。具体的，可以根据每个空间点的语义信息与该空间点对应的环境图像中的像素点的语义类别是否匹配，确定出第一空间点数量，将求解第一空间点数量的算法参数确定为第一外参。

仍以图3为例进行说明书，在将点云数据302中的空间点投影到像素平面上，得到空间点与环境图像重合的图像303后，根据点云数据302的点云特征和环境图像301的图像特征，可以确定空间点与环境图像重合的图像303中每个空间点与该空间点在环境图像301中对应的像素点所表示的语义类别是否一致，如果一致表示该空间点为与环境图像相匹配的第一空间点。例如，若空间点与环境图像重合的图像303中在人物目标上的空间点A304的语义类别是人物，则可以确定空间点A304与空间点A304在环境图像301中对应的像素点对应的语义类别相同，都表示人物，则可以确定空间点A304为与环境图像301相匹配的第一空间点；若空间点与环境图像重合的图像303中在人物目标上的空间点B305的语义类别是车辆，则可以确定空间点B305与空间点B305在环境图像301中对应的像素点对应的语义类别不同，空间点B305的语义类别是车辆而空间点B305在环境图像301中对应的像素点对应的语义类别是人物，则可以确定空间点B305为与环境图像301不相匹配，即可以确定空间点B305为错误投影点。

在另一可实施方式中，所述基于图像采集设备的预设初始外参和预设内参，对所述点云数据和所述环境图像进行匹配，并确定第一外参，可以包括：采用预先训练的点云与图像匹配模型，将图像采集设备的预设初始外参和预设内参以及点云数据和环境图像均输入点云与图像匹配模型中，通过调整点云与图像匹配模型的模型参数，使得输出的点云数据中的空间点中与环境图像相匹配的第一空间点数量最大，第一空间点数量最大时对应的点云与图像匹配模型的模型参数确定为第一外参。

S103，基于第一回归分析网络并根据所述预设初始外参和所述预设内参，对所述点云数据和所述环境图像进行匹配，并确定第二外参。

本公开中，基于第一回归分析网络并根据所述预设初始外参和所述预设内参，对所述点云数据和所述环境图像进行匹配，并确定第二外参，具体可以包括步骤B1：

步骤B1，将所述预设初始外参、所述预设内参、所述点云特征和所述图像特征输入第一回归分析网络，得到所述点云数据的空间点中与所述环境图像相匹配的第二空间点数量，并将所述第一回归分析网络的当前参数确定为第二外参。

本公开中，第一回归分析网络可以采用轻量级回归分析网络，然后将预设初始外参、预设内参、点云特征和图像特征输入轻量级回归分析网络，输出结果为点云数据的空间点中与环境图像相匹配的第二空间点，然后可以确定出第二空间点数量，并且，将轻量级回归分析网络的当前参数作为第二外参。

S104，根据所述第一外参和所述第二外参确定第一优化外参，并将所述第一优化外参标定为所述图像采集设备的目标外参。

其中，所述目标外参表征所述图像采集设备相对于雷达的姿态信息。

本公开中，根据所述第一外参和所述第二外参确定第一优化外参，具体可以包括如下步骤C1-C3：

步骤C1，比较所述第一空间点数量和所述第二空间点数量的大小。

步骤C2，如果所述第一空间点数量大于所述第二空间点数量，将所述第一外参确定为第一优化外参。

步骤C3，如果所述第一空间点数量不大于所述第二空间点数量，将所述第二外参确定为第一优化外参。

如果第一空间点数量大于第二空间点数量，表示第一外参对环境图像与点云数据的匹配效果更好，因此可以将第一外参确定为第一优化外参，利用第一优化外参标定目标参数。如果第一空间点数量不大于第二空间点数量，表示第二外参对环境图像与点云数据的匹配效果更好，因此可以将第二外参确定为第一优化外参，利用第一优化外参标定目标参数。

并且，在一可实施方式中，所述方法还包括步骤D1：

步骤D1，如果所述第一空间点数量大于所述第二空间点数量，调整所述第一回归分析网络的参数，并采用所述第一优化外参更新所述预设初始外参，返回执行所述基于图像采集设备的预设初始外参和预设内参，对所述点云数据和所述环境图像进行匹配的步骤。

具体的，如果第一空间点数量大于第二空间点数量，也表明当前第一回归分析网络对应的第二外参对环境图像与点云数据的匹配效果不如第一外参，因此，为了进一步迭代第一回归分析网络使其匹配正准确，可以将当前基于第一回归分析网络确定的第二空间点数量判定为负样本反馈至第一回归分析网络，以根据负样本的方向调整第一回归分析网络的参数。如果第一空间点数量不大于第二空间点数量，也表明当前第一回归分析网络对应的第二外参对环境图像与点云数据的匹配效果强于第一外参，因此，为了进一步迭代第一回归分析网络使其匹配正准确，可以将当前基于第一回归分析网络确定的第二空间点数量判定为正样本反馈至第一回归分析网络，以根据正样本的方向调整第一回归分析网络的参数。并在将第一优化外参标定为图像采集设备的目标外参后，继续返回执行S102，直至基于第一回归分析网络确定的第二空间点数量大于第一空间点数量，且第一回归分析网络多次迭代后确定出的第二空间点数量处于一个稳定的区间内时，可以确定第一回归分析网络迭代完成，将第一回归分析网络最后一次迭代确定出的第二参数标定为图像采集设备的目标外参。

采用本公开实施例提供的方法，获取目标车辆对应的环境图像和点云数据；基于图像采集设备的预设初始外参和预设内参，对点云数据和环境图像进行匹配并确定第一外参；基于第一回归分析网络并根据预设初始外参和预设内参，对点云数据和环境图像进行匹配并确定第二外参；根据第一外参和第二外参确定第一优化外参并将第一优化外参标定为图像采集设备的目标外参。即对图像采集设备的外参进行标定时不受图像采集设备的位置影响，因此可以避免因图像采集设备的位置变化导致图像采集设备标定参数失效的问题。并且，采用了回归分析网络优化图像采集设备的外参，使得标定出的目标外参更为精确。

在一可实施方式中，图4示出了本公开实施例提供的一种优化外参确定流程图，如图4所示，所述设备参数标定方法还可以包括：

S401，基于第二回归分析网络并根据所述第一优化外参和所述预设内参，对所述点云数据和所述环境图像进行匹配，并确定第二优化外参。

本公开中，第二回归分析网络可以采用复杂回归分析网络，然后将预设初始外参、预设内参、点云数据和环境图像输入复杂回归分析网络，输出结果为点云数据的空间点中与环境图像相匹配的空间点，然后可以确定出相匹配的空间的数量，并且，将复杂回归分析网络的当前参数作为第二优化外参。

S402，根据所述第二优化外参和所述预设内参，对所述点云数据和所述环境图像进行匹配，并确定第三优化外参，将所述第三优化外参标定为所述图像采集设备的目标外参。

本公开中，图5示出了本公开实施例提供的一种外参标定流程示意图，如图5所示，所述根据所述第二优化外参和所述预设内参，对所述点云数据和所述环境图像进行匹配，并确定第三优化外参，将所述第三优化外参标定为所述图像采集设备的目标外参，可以包括：

S501，基于所述第二优化外参和所述预设内参，确定所述点云数据中的空间点与所述环境图像相匹配的匹配点数量。

具体的，在一可实施方式中，所述基于所述第二优化外参和所述预设内参，确定所述点云数据中的空间点与所述环境图像相匹配的匹配点数量，可以包括如下步骤E1-E2：

步骤E1，根据所述第二优化外参和所述预设内参，将所述点云数据中的空间点投影到像素平面。

步骤E2，确定投影到所述像素平面上的空间点中与所述环境图像相匹配的空间点数量，作为匹配点数量。

由于点云特征反映了不同目标对应的点云区域的语义信息，图像特征反映了不同目标对应的图像区域的语义信息，因此，本实施方式中，可以预先提取环境图像的图像特征以及点云数据的点云特征。根据第二优化外参和预设内参，将点云数据中的空间点投影到环境图像所在的像素平面上。然后，针对每个空间点，可以根据图像特征和点云特征，确定该空间点对应的语义类别与该空间点对应的环境图像中的像素点所属的语义类别是否匹配，如果相匹配，确定该空间点为与环境图像相匹配的匹配点。具体的，可以根据图像特征和点云特征，采用PnP算法求解图像采集设备与雷达的空间参数，具体的，可以求解每个空间点的语义类别与该空间点对应的环境图像中的像素点的语义类别匹配时的位置参数，根据位置参数确定出匹配点数量。

在另一可实施方式中，所述基于所述第二优化外参和所述预设内参，确定所述点云数据中的空间点与所述环境图像相匹配的匹配点数量，可以包括：采用预先训练的点云与图像匹配模型，将预设初始外参和预设内参以及点云数据和环境图像均输入点云与图像匹配模型中，通过调整点云与图像匹配模型的模型参数，使得输出的点云数据中的空间点中与环境图像相匹配的空间点数量最大，将输出的最大的空间点数量确定为点云数据中的空间点与环境图像相匹配的匹配点数量。

S502，根据所述匹配点数量确定所述点云数据的空间点中与所述环境图像相匹配的当前最大空间点数量。

具体的，若当前的匹配点数量为基于第二回归分析网络初次迭代后输出的第二优化外参所确定出的数量，则可以将当前的匹配点数量确定为当前最大空间点数量；若当前的匹配点数量为基于第二回归分析网络多次迭代后输出的第二优化外参所确定出的数量，则表示在当前的匹配点数量之前，已根据第二回归分析网络前次迭代后输出的第二优化外参确定出了一个匹配点数量，则可以将当前的匹配点数量与前一次得到的匹配点数量中最大的数量确定为当前最大空间点数量。

S503，如果所述匹配点数量大于所述当前最大空间点数量，将所述第二优化外参确定为第三优化外参，并将当前最大空间点数量更新为所述匹配点数量。

S504，如果所述匹配点数量不大于所述当前最大空间点数量，将所述第一优化外参确定为第三优化外参。

S505，确定所述第二回归分析网络的迭代次数是否达到预设迭代次数。

其中，预设迭代次数可以根据实际应用场景进行设定，例如可以设定为1000次或2000次等。

S506，如果是，将所述第三优化外参标定为所述图像采集设备的目标外参并终止本次迭代。

S507，如果否，根据所述匹配点数量调整所述第二回归分析网络的参数，并在采用所述第三优化外参更新所述预设初始外参后，返回执行所述基于图像采集设备的预设初始外参和预设内参，对所述点云数据和所述环境图像进行匹配的步骤。

本步骤中，如果当前的匹配点数量大于所述当前最大空间点数量，可以将当前的匹配点数量标记为正样本反馈给第二回归分析网络，以使第二回归分析网络可以按照正样本的方向调整网络参数，使得调整参数后的第二回归分析网络输出的第二优化外参在进行点云和图像的匹配是可以起到更好的效果，并将第二优化外参确定为第三优化外参，利用第三优化外参更新预设初始外参后，返回执行所述基于图像采集设备的预设初始外参和预设内参，对所述点云数据和所述环境图像进行匹配的步骤，以优化第二回归分析网络。

如果当前的匹配点数量不大于所述当前最大空间点数量，表明第二回归分析网络输出的第二优化外参对于点云和图像的匹配效果存在很大的提升空间，则可以将当前的匹配点数量标记为负样本反馈给第二回归分析网络，以使第二回归分析网络可以按照负样本的方向调整网络参数，使得调整参数后的第二回归分析网络输出的第二优化外参在进行点云和图像的匹配是可以起到更好的效果，并将第一优化外参确定为第三优化外参，利用第三优化外参更新预设初始外参后，返回执行所述基于图像采集设备的预设初始外参和预设内参，对所述点云数据和所述环境图像进行匹配的步骤，以优化第二回归分析网络。

直至第二回归分析网络的迭代次数达到预设迭代次数，或者，基于多次迭代后的第二回归分析网络输出的多个第二优化外参所确定出的多个匹配点数量处于稳定的区间内时，可以将第三优化外参标定为图像采集设备的目标外参。

采用本公开实施例提供的方法，对图像采集设备的外参进行标定时不受图像采集设备的位置影响，因此可以避免因图像采集设备的位置变化导致图像采集设备标定参数失效的问题。并且，在利用第一回归分析网络优化图像采集设备的外参的基础上，又利用第二回归分析网络进一步优化图像采集设备的外参，更进一步地提高了标定出的目标外参的精确性。

图6展示了本公开实施例提供的设备参数标定方法的一个具体实施例，图6示出了本公开实施例提供的设备参数标定方法的一种流程示意图。如图6所示，执行本公开提供的设备参数标定方法的电子设备可以为车载计算平台或云端计算平台。

仍如图6所示，可以通过被配置于目标车辆上的车载传感器601获取环境图像和点云数据，环境图像是被配置于目标车辆中的图像采集设备针对目标环境所采集的图像，点云数据为雷达设备采集的，和/或，通过被配置于边缘感知终端602中的图像采集设备的雷达设备采集针对目标环境的环境图像和点云数据，其中，边缘感知终端602在采集到环境图像后，如果执行本公开提供的设备参数标定方法的电子设备为车载计算平台603，则边缘感知终端可以将采集的环境图像和点云数据通过物联网604发送至车载网关605，再由车载网关将环境图像和点云数据发送给车载计算平台，如果执行本公开提供的设备参数标定方法的电子设备为云端计算平台606，则边缘感知终端可以将采集的环境图像和点云数据通过物联网发送给云端计算平台。

仍如图6所示，图像数据是指环境图像，雷达点云是指点云数据。本实施例可以将参数标定分为三个阶段：语义感知阶段、外参计算优化阶段和外参细化调整优化阶段。其中，语义感知阶段即利用图像语义分割算子对数据云中的环境图像进行图像语义特征的提取，以及利用点云语义分割算子对数据云中的点云数据进行点云语义特征的提取，所提取的图像语义特征即环境图像的图像特征，所提取的点云语义特征即点云数据的点云特征。

仍如图6所示，外参计算优化阶段：利用预设内参、图像语义特征、点云语义特征、预设初始外参以及轻量级回归分析网络确定第二外参，具体是将轻量级回归分析网络输出的优化外参确定为第二外参，具体的确定第二外参的过程可以参照前述实施例，此处不再赘述。以及，利用预设初始外参和预设内参，将点云数据中的空间点投影到像素平面，根据包括图像语义特征和点云语义特征的语义信息确定投影到像素平面上的空间点中与环境图像相匹配的第一空间点数量，并将第一空间点数量对应的匹配参数确定为第一外参。具体的可以根据投影到像素平面上的空间点中与环境图像的匹配关系进行PnP计算从而确定出第一空间点数量，然后将第一空间点数量对应的匹配参数确定为第一外参。更为具体的确定第一外参的方法可以参照前述实施例，此处不再赘述。并且，可以根据图6中轻量级回归分析网络输出的第二外参与基于PnP算法确定的第一外参，将使用两条匹配路径输出的第一外参和第二外参中进行投影匹配所对应的匹配点数量最多的外参确定为第一优化外参。并且，可以根据第一优化外参判断正负样本并调整训练网络参数，具体的，是指当使用第一外参进行投影匹配的匹配点数量大于使用第二外参进行投影匹配的匹配点数量，表明当前轻量级回归分析网络对应的第二外参对环境图像与点云数据的匹配效果不如第一外参，因此，为了进一步迭代轻量级回归分析网络使其匹配正准确，可以将当前基于轻量级回归分析网络确定的第二外参判定为负样本反馈至轻量级回归分析网络，以根据负样本的方向调整轻量级回归分析网络的参数；当使用第一外参进行投影匹配的匹配点数量不大于使用第二外参进行投影匹配的匹配点数量，可以将当前轻量级回归分析网络对应的第二外参标记为正样本反馈至轻量级回归分析网络，以使轻量级回归分析网络根据正样本的方向调整网络参数。并且，还可以采用第一优化外参作为最优外参更新预设初始外参，在更新返回执行外参计算优化阶段的初始步骤，直至当使用第一外参进行投影匹配的匹配点数量大于使用第二外参进行投影匹配的匹配点数量，且轻量级回归分析网络多次迭代后确定出的匹配点数量处于一个稳定的区间内时可以确定轻量级回归分析网络迭代完成，将轻量级回归分析网络最后一次迭代确定出的第二参数标定为图像采集设备的目标外参。

仍如图6所示，外参细化调整优化阶段包括：基于复杂回归分析网络并根据第一优化外参和预设内参，对点云数据和环境图像进行匹配，并确定第二优化外参。然后根据第二优化外参和预设内参以及点云数据和环境图像进行投影计算匹配点数处理，并判断匹配点数相较当前最大空间点数量是否增加，如果匹配点数相较当前最大空间点数量未增加，将匹配点数标记为负样本反馈至复杂回归分析网络，以使复杂回归分析网络根据负样本的方向调整网络参数，使得调整参数后的复杂回归分析网络输出的第二优化外参在进行点云和图像的匹配是可以起到更好的效果，并采用第一优化外参作为最优外参更新预设初始参数；如果匹配点数相较当前最大空间点数量增加，将当前最大空间点数量更新为所述匹配点数，同时将匹配点数标记为正样本反馈至复杂回归分析网络，以使复杂回归分析网络根据正样本的方向调整网络参数，使得调整参数后的复杂回归分析网络输出的第二优化外参在进行点云和图像的匹配是可以起到更好的效果，并采用第二优化外参作为最优外参更新预设初始参数；并返回执行外参计算优化阶段的初始步骤，以优化复杂回归分析网络，直至复杂回归分析网络的迭代次数达到预设迭代次数，或者，基于多次迭代后的复杂回归分析网络输出的多个第二优化外参所确定出的多个匹配点数量处于稳定的区间内时，可以将第二优化外参标定为图像采集设备的预设初始参数。

采用本公开的设备参数标定方法，可以在更新目标外参的过程中生成针对回归分析网络的正、负样本不断更新回归分析网络，保证整个外参优化算法的长期有效性，并且，针对不同使用场景可以采用不同阶段的优化外参，例如选择第一优化外参或第二优化外参，具有较强的灵活性。

本公开实施例还提供了一种应用于车载计算平台的设备参数标定方法。下面将结合本公开实施例中的附图，对本公开实施例的技术方案进行描述。

图7示出了本公开实施例提供的应用于车载计算平台的设备参数标定方法的一种实现流程示意图，如图7所示，所述方法包括：

S701，获取目标车辆对应的环境图像和点云数据。

其中，所述环境图像和所述点云数据分别为针对目标环境所采集的图像和空间点。

S702，基于图像采集设备的预设初始外参和预设内参，对所述点云数据和所述环境图像进行匹配，并确定第一外参。

在一可实施方式中，车载计算平台可以提取所述点云数据的点云特征和所述环境图像的图像特征。在提取出点云特征和图像特征后，车载计算平台基于图像采集设备的预设初始外参和预设内参，对所述点云数据和所述环境图像进行匹配，并确定第一外参的步骤可以包括：基于图像采集设备的预设初始外参和预设内参，将所述点云数据中的空间点投影到像素平面；根据所述图像特征和所述点云特征，确定投影到所述像素平面上的空间点中与所述环境图像相匹配的第一空间点数量，并将所述第一空间点数量对应的匹配参数确定为第一外参。

S703，基于第一回归分析网络并根据所述预设初始外参和所述预设内参，对所述点云数据和所述环境图像进行匹配，并确定第二外参。

在一可实施方式中，车载计算平台基于第一回归分析网络并根据所述预设初始外参和所述预设内参，对所述点云数据和所述环境图像进行匹配，并确定第二外参的步骤，可以包括：将所述预设初始外参、所述预设内参、所述点云特征和所述图像特征输入第一回归分析网络，得到所述点云数据的空间点中与所述环境图像相匹配的第二空间点数量，并将所述第一回归分析网络的当前参数确定为第二外参。

S704，根据所述第一外参和所述第二外参确定第一优化外参。

在一可实施方式中，车载计算平台根据所述第一外参和所述第二外参确定第一优化外参的步骤，可以包括：比较所述第一空间点数量和所述第二空间点数量的大小；如果所述第一空间点数量大于所述第二空间点数量，将所述第一外参确定为第一优化外参；如果所述第一空间点数量不大于所述第二空间点数量，将所述第二外参确定为第一优化外参。

在一可实施方式中，如果车载计算平台确定出所述第一空间点数量大于所述第二空间点数量，可以调整所述第一回归分析网络的参数，并采用所述第一优化外参更新所述预设初始外参，返回执行所述基于图像采集设备的预设初始外参和预设内参，对所述点云数据和所述环境图像进行匹配的步骤。

S705，将所述第一优化外参发送至云端计算平台，以使所述云端计算平台在基于第二回归分析网络并根据所述第一优化外参和所述预设内参，对所述点云数据和所述环境图像进行匹配，并确定第二优化外参之后，根据所述第二优化外参和所述预设内参，对所述点云数据和所述环境图像进行匹配，并确定第三优化外参，并向所述车载计算平台发送所述第三优化外参。

在一可实施方式中，云端计算平台确定第三优化外参的步骤包括：基于所述第二优化外参和所述预设内参，确定所述点云数据中的空间点与所述环境图像相匹配的匹配点数量；根据所述匹配点数量确定所述点云数据的空间点中与所述环境图像相匹配的当前最大空间点数量；如果所述匹配点数量大于所述当前最大空间点数量，将当前最大空间点数量更新为所述匹配点数量，并将所述第二优化外参确定为第三优化外参；如果所述匹配点数量不大于所述当前最大空间点数量，将所述第一优化外参确定为第三优化外参。

在一可实施方式中，云端计算平台确定所述点云数据中的空间点与所述环境图像相匹配的匹配点数量的步骤包括：根据第二优化外参和预设内参，将点云数据中的空间点投影到像素平面；确定投影到像素平面上的空间点中与环境图像相匹配的空间点数量，作为匹配点数量。

S706，接收所述车载计算平台发送的所述第三优化外参，并将所述第三优化外参标定为所述图像采集设备的目标外参。

其中，所述目标外参表征所述图像采集设备相对于雷达的姿态信息。

具体的，车载计算平台确定目标外参的步骤可以包括：确定所述第二回归分析网络的迭代次数是否达到预设迭代次数；如果是，将所述第三优化外参标定为所述图像采集设备的目标外参；如果否，根据所述匹配点数量调整所述第二回归分析网络的参数，并在采用所述第三优化外参更新所述预设初始外参后，返回执行所述基于图像采集设备的预设初始外参和预设内参，对所述点云数据和所述环境图像进行匹配的步骤。

采用本公开实施例提供的方法，对图像采集设备的外参进行标定时不受图像采集设备的位置影响，因此可以避免因图像采集设备的位置变化导致图像采集设备标定参数失效的问题。而且采用了回归分析网络优化图像采集设备的外参，使得标定出的目标外参更为精确。并且，还可以将优化外参的部分算法转移至云端计算设备，利用云端计算设备丰富的计算资源可以加快优化外参的速度，降低了外参优化时延，提高了优化外参的效率。

基于同一发明构思，根据本公开上述实施例提供的设备参数标定方法，相应地，本公开另一实施例还提供了一种设备参数标定装置，该装置可以应用于云端计算平台或车载计算平台，其结构示意图如图8所示，具体包括：

第一数据获取模块801，用于获取目标车辆对应的环境图像和点云数据，其中，所述环境图像和所述点云数据分别为针对目标环境所采集的图像和空间点；

第一匹配模块802，用于基于图像采集设备的预设初始外参和预设内参，对所述点云数据和所述环境图像进行匹配，并确定第一外参；

第二匹配模块803，用于基于第一回归分析网络并根据所述预设初始外参和所述预设内参，对所述点云数据和所述环境图像进行匹配，并确定第二外参；

第一参数标定模块804，用于根据所述第一外参和所述第二外参确定第一优化外参，并将所述第一优化外参标定为所述图像采集设备的目标外参，其中，所述目标外参表征所述图像采集设备相对于雷达的姿态信息。

采用本公开实施例提供的装置，对图像采集设备的外参进行标定时不受图像采集设备的位置影响，因此可以避免因图像采集设备的位置变化导致图像采集设备标定参数失效的问题。并且，在利用第一回归分析网络优化图像采集设备的外参的基础上，又利用第二回归分析网络进一步优化图像采集设备的外参，更进一步地提高了标定出的目标外参的精确性。

在一可实施方式中，所述装置还包括：

第二参数标定模块（图中未示出），用于基于第二回归分析网络并根据所述第一优化外参和所述预设内参，对所述点云数据和所述环境图像进行匹配，并确定第二优化外参；根据所述第二优化外参和所述预设内参，对所述点云数据和所述环境图像进行匹配，并确定第三优化外参，将所述第三优化外参标定为所述图像采集设备的目标外参。

在一可实施方式中，所述第二参数标定模块，具体用于基于所述第二优化外参和所述预设内参，确定所述点云数据中的空间点与所述环境图像相匹配的匹配点数量；根据所述匹配点数量确定所述点云数据的空间点中与所述环境图像相匹配的当前最大空间点数量；如果所述匹配点数量大于所述当前最大空间点数量，将所述第二优化外参确定为第三优化外参，并将当前最大空间点数量更新为所述匹配点数量；如果所述匹配点数量不大于所述当前最大空间点数量，将所述第一优化外参确定为第三优化外参；确定所述第二回归分析网络的迭代次数是否达到预设迭代次数；如果是，将所述第三优化外参标定为所述图像采集设备的目标外参并终止本次迭代；如果否，根据所述匹配点数量调整所述第二回归分析网络的参数，并在采用所述第三优化外参更新所述预设初始外参后，返回执行所述基于图像采集设备的预设初始外参和预设内参，对所述点云数据和所述环境图像进行匹配的步骤。

在一可实施方式中，所述第二参数标定模块，具体用于根据所述第二优化外参和所述预设内参，将所述点云数据中的空间点投影到像素平面；确定投影到所述像素平面上的空间点中与所述环境图像相匹配的空间点数量，作为匹配点数量。

在一可实施方式中，所述装置还包括：

特征提取模块（图中未示出），用于提取所述点云数据的点云特征和所述环境图像的图像特征；

所述第一匹配模块802，具体用于基于图像采集设备的预设初始外参和预设内参，将所述点云数据中的空间点投影到像素平面；根据所述图像特征和所述点云特征，确定投影到所述像素平面上的空间点中与所述环境图像相匹配的第一空间点数量，并将所述第一空间点数量对应的匹配参数确定为第一外参。

在一可实施方式中，所述第二匹配模块803，具体用于将所述预设初始外参、所述预设内参、所述点云特征和所述图像特征输入第一回归分析网络，得到所述点云数据的空间点中与所述环境图像相匹配的第二空间点数量，并将所述第一回归分析网络的当前参数确定为第二外参。

在一可实施方式中，所述第一参数标定模块804，具体用于比较所述第一空间点数量和所述第二空间点数量的大小；如果所述第一空间点数量大于所述第二空间点数量，将所述第一外参确定为第一优化外参；如果所述第一空间点数量不大于所述第二空间点数量，将所述第二外参确定为第一优化外参。

在一可实施方式中，所述第一参数标定模块804，还用于如果所述第一空间点数量大于所述第二空间点数量，调整所述第一回归分析网络的参数，并采用所述第一优化外参更新所述预设初始外参，返回执行所述基于图像采集设备的预设初始外参和预设内参，对所述点云数据和所述环境图像进行匹配的步骤。

基于同一发明构思，根据本公开上述实施例提供的应用于车载计算平台的设备参数标定方法，相应地，本公开另一实施例还提供了一种应用于车载计算平台的设备参数标定装置，其结构示意图如图9所示，具体包括：

第二数据获取模块901，用于获取目标车辆对应的环境图像和点云数据，其中，所述环境图像和所述点云数据分别为针对目标环境所采集的图像和空间点；

第三匹配模块902，用于基于图像采集设备的预设初始外参和预设内参，对所述点云数据和所述环境图像进行匹配，并确定第一外参；

第四匹配模块903，用于基于第一回归分析网络并根据所述预设初始外参和所述预设内参，对所述点云数据和所述环境图像进行匹配，并确定第二外参；

第三参数标定模块904，用于根据所述第一外参和所述第二外参确定第一优化外参；将所述第一优化外参发送至云端计算平台，以使所述云端计算平台在基于第二回归分析网络并根据所述第一优化外参和所述预设内参，对所述点云数据和所述环境图像进行匹配，并确定第二优化外参之后，根据所述第二优化外参和所述预设内参，对所述点云数据和所述环境图像进行匹配，并确定第三优化外参，并向所述车载计算平台发送所述第三优化外参；接收所述车载计算平台发送的所述第三优化外参；并将所述第三优化外参标定为所述图像采集设备的目标外参，其中，所述目标外参表征所述图像采集设备相对于雷达的姿态信息。

采用本公开实施例提供的装置，对图像采集设备的外参进行标定时不受图像采集设备的位置影响，因此可以避免因图像采集设备的位置变化导致图像采集设备标定参数失效的问题。而且采用了回归分析网络优化图像采集设备的外参，使得标定出的目标外参更为精确。并且，还可以将优化外参的部分算法转移至云端计算设备，利用云端计算设备丰富的计算资源可以加快优化外参的速度，提高了优化外参的效率。

根据本公开的实施例，本公开还提供了一种电子设备和一种可读存储介质。

图10示出了可以用来实施本公开的实施例的示例电子设备1000的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图10所示，电子设备1000包括计算单元1001，其可以根据存储在只读存储器（ROM）1002中的计算机程序或者从存储单元1008加载到随机访问存储器（RAM）1003中的计算机程序，来执行各种适当的动作和处理。在RAM 1003中，还可存储电子设备1000操作所需的各种程序和数据。计算单元1001、ROM 1002以及RAM 1003通过总线1004彼此相连。输入/输出（I/O）接口1005也连接至总线1004。

电子设备1000中的多个部件连接至I/O接口1005，包括：输入单元1006，例如键盘、鼠标等；输出单元1007，例如各种类型的显示器、扬声器等；存储单元1008，例如磁盘、光盘等；以及通信单元1009，例如网卡、调制解调器、无线通信收发机等。通信单元1009允许电子设备1000通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元1001可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1001的一些示例包括但不限于中央处理单元（CPU）、图形处理单元（GPU）、各种专用的人工智能（AI）计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器（DSP）、以及任何适当的处理器、控制器、微控制器等。计算单元1001执行上文所描述的各个方法和处理，例如设备参数标定方法。例如，在一些实施例中，设备参数标定方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元1008。在一些实施例中，计算机程序的部分或者全部可以经由ROM 1002和/或通信单元1009而被载入和/或安装到电子设备1000上。当计算机程序加载到RAM 1003并由计算单元1001执行时，可以执行上文描述的设备参数标定方法的一个或多个步骤。备选地，在其他实施例中，计算单元1001可以通过其他任何适当的方式（例如，借助于固件）而被配置为执行设备参数标定方法。

本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列（FPGA）、专用集成电路（ASIC）、专用标准产品（ASSP）、片上***（SOC）、复杂可编程逻辑设备（CPLD）、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦除可编程只读存储器（EPROM或快闪存储器）、光纤、便捷式紧凑盘只读存储器（CD-ROM）、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的***和技术，该计算机具有：用于向用户显示信息的显示装置（例如，CRT（阴极射线管）或者LCD（液晶显示器）监视器）；以及键盘和指向装置（例如，鼠标或者轨迹球），用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈（例如，视觉反馈、听觉反馈、或者触觉反馈）；并且可以用任何形式（包括声输入、语音输入或者、触觉输入）来接收来自用户的输入。

可以将此处描述的***和技术实施在包括后台部件的计算***（例如，作为数据服务器）、或者包括中间件部件的计算***（例如，应用服务器）、或者包括前端部件的计算***（例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互）、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信（例如，通信网络）来将***的部件相互连接。通信网络的示例包括：局域网（LAN）、广域网（WAN）和互联网。

计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式***的服务器，或者是结合了区块链的服务器。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或隐含地包括至少一个该特征。在本公开的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

以上所述，仅为本公开的具体实施方式，但本公开的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本公开揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种设备参数标定方法，其特征在于，所述方法包括：

获取目标车辆对应的环境图像和点云数据，其中，所述环境图像和所述点云数据分别为针对目标环境所采集的图像和空间点；

基于图像采集设备的预设初始外参和预设内参，对所述点云数据和所述环境图像进行匹配，并确定第一外参；

基于第一回归分析网络并根据所述预设初始外参和所述预设内参，对所述点云数据和所述环境图像进行匹配，并确定第二外参；

根据所述第一外参和所述第二外参确定第一优化外参，并将所述第一优化外参标定为所述图像采集设备的目标外参，其中，所述目标外参表征所述图像采集设备相对于雷达的姿态信息。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

基于第二回归分析网络并根据所述第一优化外参和所述预设内参，对所述点云数据和所述环境图像进行匹配，并确定第二优化外参；

根据所述第二优化外参和所述预设内参，对所述点云数据和所述环境图像进行匹配，并确定第三优化外参，将所述第三优化外参标定为所述图像采集设备的目标外参。

3.根据权利要求2所述的方法，其特征在于，所述根据所述第二优化外参和所述预设内参，对所述点云数据和所述环境图像进行匹配，并确定第三优化外参，将所述第三优化外参标定为所述图像采集设备的目标外参，包括：

基于所述第二优化外参和所述预设内参，确定所述点云数据中的空间点与所述环境图像相匹配的匹配点数量；

根据所述匹配点数量确定所述点云数据的空间点中与所述环境图像相匹配的当前最大空间点数量；

如果所述匹配点数量大于所述当前最大空间点数量，将所述第二优化外参确定为第三优化外参，并将当前最大空间点数量更新为所述匹配点数量；

如果所述匹配点数量不大于所述当前最大空间点数量，将所述第一优化外参确定为第三优化外参；

确定所述第二回归分析网络的迭代次数是否达到预设迭代次数；

如果是，将所述第三优化外参标定为所述图像采集设备的目标外参并终止本次迭代；

如果否，根据所述匹配点数量调整所述第二回归分析网络的参数，并在采用所述第三优化外参更新所述预设初始外参后，返回执行所述基于图像采集设备的预设初始外参和预设内参，对所述点云数据和所述环境图像进行匹配的步骤。

4.根据权利要求3所述的方法，其特征在于，所述基于所述第二优化外参和所述预设内参，确定所述点云数据中的空间点与所述环境图像相匹配的匹配点数量，包括：

根据所述第二优化外参和所述预设内参，将所述点云数据中的空间点投影到像素平面；

确定投影到所述像素平面上的空间点中与所述环境图像相匹配的空间点数量，作为匹配点数量。

5.根据权利要求1所述的方法，其特征在于，在所述基于图像采集设备的预设初始外参和预设内参，对所述点云数据和所述环境图像进行匹配，并确定第一外参之前，所述方法还包括：

提取所述点云数据的点云特征和所述环境图像的图像特征；

所述基于图像采集设备的预设初始外参和预设内参，对所述点云数据和所述环境图像进行匹配，并确定第一外参，包括：

基于图像采集设备的预设初始外参和预设内参，将所述点云数据中的空间点投影到像素平面；

根据所述图像特征和所述点云特征，确定投影到所述像素平面上的空间点中与所述环境图像相匹配的第一空间点数量，并将所述第一空间点数量对应的匹配参数确定为第一外参。

6.根据权利要求5所述的方法，其特征在于，所述基于第一回归分析网络并根据所述预设初始外参和所述预设内参，对所述点云数据和所述环境图像进行匹配，并确定第二外参，包括：

将所述预设初始外参、所述预设内参、所述点云特征和所述图像特征输入第一回归分析网络，得到所述点云数据的空间点中与所述环境图像相匹配的第二空间点数量，并将所述第一回归分析网络的当前参数确定为第二外参。

7.根据权利要求6所述的方法，其特征在于，所述根据所述第一外参和所述第二外参确定第一优化外参，包括：

比较所述第一空间点数量和所述第二空间点数量的大小；

如果所述第一空间点数量大于所述第二空间点数量，将所述第一外参确定为第一优化外参；

如果所述第一空间点数量不大于所述第二空间点数量，将所述第二外参确定为第一优化外参。

8.根据权利要求7所述的方法，其特征在于，所述方法还包括：

如果所述第一空间点数量大于所述第二空间点数量，调整所述第一回归分析网络的参数，并采用所述第一优化外参更新所述预设初始外参，返回执行所述基于图像采集设备的预设初始外参和预设内参，对所述点云数据和所述环境图像进行匹配的步骤。

9.一种设备参数标定方法，其特征在于，应用于车载计算平台，所述方法包括：

获取目标车辆对应的环境图像和点云数据，其中，所述环境图像和所述点云数据分别为针对目标环境所采集的图像和空间点；

基于图像采集设备的预设初始外参和预设内参，对所述点云数据和所述环境图像进行匹配，并确定第一外参；

基于第一回归分析网络并根据所述预设初始外参和所述预设内参，对所述点云数据和所述环境图像进行匹配，并确定第二外参；

根据所述第一外参和所述第二外参确定第一优化外参；

将所述第一优化外参发送至云端计算平台，以使所述云端计算平台在基于第二回归分析网络并根据所述第一优化外参和所述预设内参，对所述点云数据和所述环境图像进行匹配，并确定第二优化外参之后，根据所述第二优化外参和所述预设内参，对所述点云数据和所述环境图像进行匹配，并确定第三优化外参，并向所述车载计算平台发送所述第三优化外参；

接收所述车载计算平台发送的所述第三优化外参，并将所述第三优化外参标定为所述图像采集设备的目标外参，其中，所述目标外参表征所述图像采集设备相对于雷达的姿态信息。

10.一种设备参数标定装置，其特征在于，所述装置包括：

第一数据获取模块，用于获取目标车辆对应的环境图像和点云数据，其中，所述环境图像和所述点云数据分别为针对目标环境所采集的图像和空间点；

第一匹配模块，用于基于图像采集设备的预设初始外参和预设内参，对所述点云数据和所述环境图像进行匹配，并确定第一外参；

第二匹配模块，用于基于第一回归分析网络并根据所述预设初始外参和所述预设内参，对所述点云数据和所述环境图像进行匹配，并确定第二外参；

第一参数标定模块，用于根据所述第一外参和所述第二外参确定第一优化外参，并将所述第一优化外参标定为所述图像采集设备的目标外参，其中，所述目标外参表征所述图像采集设备相对于雷达的姿态信息。