CN116630436B - 相机外参修正方法、装置、电子设备和计算机可读介质 - Google Patents
相机外参修正方法、装置、电子设备和计算机可读介质 Download PDFInfo
- Publication number
- CN116630436B CN116630436B CN202310558550.4A CN202310558550A CN116630436B CN 116630436 B CN116630436 B CN 116630436B CN 202310558550 A CN202310558550 A CN 202310558550A CN 116630436 B CN116630436 B CN 116630436B
- Authority
- CN
- China
- Prior art keywords
- lane line
- matrix
- vanishing
- sequence
- vector
- 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.)
- Active
Links
- 238000012937 correction Methods 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 44
- 239000011159 matrix material Substances 0.000 claims abstract description 126
- 238000001514 detection method Methods 0.000 claims abstract description 49
- 238000012545 processing Methods 0.000 claims abstract description 23
- 239000013598 vector Substances 0.000 claims description 106
- 238000004590 computer program Methods 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 8
- 230000004044 response Effects 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 description 25
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000006243 chemical reaction Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
-
- 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
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Algebra (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本公开的实施例公开了相机外参修正方法、装置、电子设备和计算机可读介质。该方法的一具体实施方式包括:对预获取的道路图像进行车道线检测,以生成车道线坐标矩阵;基于上述车道线坐标矩阵和预设的相机内参矩阵,生成车道线方程序列;基于上述车道线方程序列,对预设的相机外参矩阵进行修正处理,得到修正后相机外参矩阵。该实施方式可以减少计算资源的消耗。
Description
技术领域
本公开的实施例涉及计算机技术领域,具体涉及相机外参修正方法、装置、电子设备和计算机可读介质。
背景技术
自动驾驶中常用的计算机视觉算法,例如视觉定位、环境感知和地图重建等,依赖于准确的相机外参数。而车辆行驶过程产生的晃动,会持续改变相机外参数,由此引发自动驾驶***的严重故障。在进行相机外参修正时,通常采用的方式为:从道路图像中识别出车道线和固定标志物(例如,路牌,灯杆等)坐标,同时结合车道线的先验信息对相机外参进行调整,另外,还可以基于虚车道线或停止线,对相机外参进行调整。
然而,发明人发现,当采用上述方式进行相机外参修正时,经常会存在如下技术问题:
第一,在识别车道线的同时对图像中的固定标识进行信息提取,由此利用车道线、固定标识和车道线的先验信息对相机外参进行修正,需要消耗更多的计算资源;
第二,若基于虚车道线或停止线的方法进行相机外参修正,则难以适用于高速道路场景,降低了相机外参修正的适应性,从而,导致难以及时对相机外参进行修正。
该背景技术部分中所公开的以上信息仅用于增强对本发明构思的背景的理解,并因此,其可包含并不形成本国的本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的内容部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了相机外参修正方法、装置、电子设备和计算机可读介质,来解决以上背景技术部分提到的技术问题中的一项或多项。
第一方面,本公开的一些实施例提供了一种相机外参修正方法,该方法包括:对预获取的道路图像进行车道线检测,以生成车道线坐标矩阵;基于上述车道线坐标矩阵和预设的相机内参矩阵,生成车道线方程序列;基于上述车道线方程序列,对预设的相机外参矩阵进行修正处理,得到修正后相机外参矩阵。
第二方面,本公开的一些实施例提供了一种相机外参修正装置,该装置包括:车道线检测单元,被配置成对预获取的道路图像进行车道线检测,以生成车道线坐标矩阵;生成单元,被配置成基于上述车道线坐标矩阵和预设的相机内参矩阵,生成车道线方程序列;修正处理单元,被配置成基于上述车道线方程序列,对预设的相机外参矩阵进行修正处理,得到修正后相机外参矩阵。
第三方面,本公开的一些实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。
第四方面,本公开的一些实施例提供了一种计算机可读介质,其上存储有计算机程序,其中,程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。
本公开的上述各个实施例具有如下有益效果:通过本公开的一些实施例的相机外参修正方法,可以减少计算资源的消耗。具体来说,造成消耗更多的计算资源的原因在于:在识别车道线的同时对图像中的固定标识进行信息提取,由此利用车道线、固定标识和车道线的先验信息对相机外参进行修正。基于此,本公开的一些实施例的相机外参修正方法,首先,响应于确定当前车辆所在道路满足预设道路条件,对预获取的道路图像进行车道线检测,以生成车道线坐标矩阵。通过引入预设道路条件,使得可以选出适合进行相机外参修正的道路。另外,通过生成车道线坐标矩阵,可以便于后续利用车道线坐标进行相机外参修正。之后,基于上述车道线坐标矩阵和预设的相机内参矩阵,生成车道线方程序列。通过生成车道线方程序列,使得可以仅利用车道线方程进行相机外参矩阵修正。最后,基于上述车道线方程序列,对预设的相机外参矩阵进行修正处理,得到修正后相机外参矩阵。从而,可以无需从道路图像中提取固定标识且无需车道线的先验信息,而仅通过识别到的车道线即可实现相机外参修正。进而,减少了计算资源的消耗。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,元件和元素不一定按照比例绘制。
图1是根据本公开的相机外参修正方法的一些实施例的流程图;
图2是根据本公开的相机外参修正装置的一些实施例的结构示意图;
图3是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例。相反,提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1示出了根据本公开的相机外参修正方法的一些实施例的流程100。该相机外参修正方法,包括以下步骤:
步骤101,响应于确定当前车辆所在道路满足预设道路条件,对预获取的道路图像进行车道线检测,以生成车道线坐标矩阵。
在一些实施例中,相机外参修正方法的执行主体可以响应于确定当前车辆所在道路满足预设道路条件,对预获取的道路图像进行车道线检测,以生成车道线坐标矩阵。其中,预设道路条件可以是当前车辆所在道路为直行道路,即道路上的车道线近似为直线。以便于利用车道线进行相机外参修正。预获取的道路图像可以是车载相机拍摄的道路图像。
在一些实施例的一些可选的实现方式中,上述执行主体对预获取的道路图像进行车道线检测,以生成车道线坐标矩阵,可以包括以下步骤:
第一步,对预获取的道路图像进行车道线检测,以生成车道线检测信息序列。其中,可以通过预设的车道线检测算法对道路图像进行车道线检测。车道线检测信息序列中的每个车道线检测信息可以包括车道线检测坐标序列。每个车道线检测坐标序列可以用于表征一条车道线。车道线检测坐标序列中的各个车道线检测坐标可以是连续的坐标点。
作为示例,上述车道线检测算可以包括但不限于以下至少一项:Resnet(ResidualNetwork,残差神经网络)模型、VGG(Visual Geometry Group Network,卷积神经网络)模型和GoogLeNet(深度神经网络)模型等。
第二步,将上述车道线检测信息序列中每个车道线检测信息包括的车道线检测坐标序列确定为车道线坐标向量,得到车道线坐标向量序列。其中,车道线坐标向量中可以包括车道线检测坐标序列中连续的车道线检测坐标。
第三步,将上述车道线坐标向量序列中的各个车道线坐标向量组合为车道线坐标矩阵。其中,上述车道线坐标矩阵中的第一列可以对应道路图像中检测到的最左侧车道线的车道线坐标向量。上述车道线坐标矩阵中的最后一列对应道路图像中检测到的最右侧车道线的车道线坐标向量。这里,车道线坐标矩阵中的各个向量可以用于表征各个车道线。同时从左到右分别可以与车道线在车道上从左到右的顺序对应。以此便于进行相机外参修正。
步骤102,基于车道线坐标矩阵和预设的相机内参矩阵,生成车道线方程序列。
在一些实施例中,上述执行主体可以基于上述车道线坐标矩阵和预设的相机内参矩阵,通过各种方式生成车道线方程序列。
在一些实施例的一些可选的实现方式中,上述执行主体基于上述车道线坐标矩阵和预设的相机内参矩阵,生成车道线方程序列,可以包括以下步骤:
第一步,对上述车道线坐标矩阵中的各个车道线坐标进行反投影,以生成反投影坐标矩阵。其中,可以通过反投影算法,将各个车道线坐标从图像坐标系投影到归一化平面上,得到反投影坐标。归一化平面可以是预设的相机坐标系内的平面。其次,可以按照对应的车道线坐标的位置,将各个反投影坐标组合成反投影坐标矩阵。因此,反投影坐标矩阵中的每列向量中的各个反投影坐标也可以对应一条车道线。
第二步,对上述反投影坐标矩阵中的每列反投影坐标进行拟合处理以生成车道线方程,得到车道线方程序列。其中,可以每列向量中的各个反投影坐标拟合成一个车道线方程。这里,车道线方程可以是标准型的直线方程。因此,每个车道线方程中可以包括横坐标系数、纵坐标系数和常数项。另外,每个车道线方程可以用于表征一条车道线。
步骤103,基于车道线方程序列,对预设的相机外参矩阵进行修正处理,得到修正后相机外参矩阵。
在一些实施例中,上述执行主体可以基于上述车道线方程序列,通过各种方式对预设的相机外参矩阵进行修正处理,得到修正后相机外参矩阵。
在一些实施例的一些可选的实现方式中,上述执行主体基于上述车道线方程序列,对预设的相机外参矩阵进行修正处理,得到修正后相机外参矩阵,可以包括以下步骤:
第一步,基于上述相机外参矩阵、上述车道线方程序列和预设的地面坐标系横轴基向量,构建消影点误差函数。
可选的,上述执行主体基于上述相机外参矩阵、上述车道线方程序列和预设的地面坐标系横轴基向量,构建消影点误差函数,可以包括以下步骤:
步骤一,利用上述相机外参矩阵,将上述地面坐标系横轴基向量转换至相机坐标系,以生成转换后横轴基向量。
作为示例,地面坐标系横轴基向量可以是(1,0,0)。
步骤二,利用上述车道线方程序列中每个车道线方程的系数构建消影向量,得到消影向量序列。其中,可以将每个车道线方程包括的横坐标系数、纵坐标系数和常数项作为消影向量中的数据,以此构建消影向量。
步骤三,基于上述转换后横轴基向量和上述消影向量序列,构建消影点误差函数。其中,首先,可以将转换后横轴基向量与每个消影向量的乘积确定为消影点误差值,得到消影点误差值序列。其次,可以将消影点误差值序列中各个消影点误差值绝对值的平方的累和确定为消影点误差函数值。
作为示例,消影点误差函数可以通过以下公式表示:
其中,fp表示消影点误差函数值。N表示消影向量序列中消影向量的数量。i表示序号。E表示消影点误差值。ei表示消影点误差序列中的第i个误差值。qx表示转换后横向基向量。v表示消影向量序列中的消影向量。vi表示消影向量序列中的第i个消影向量。
第二步,基于上述相机外参矩阵、上述车道线方程序列和预设的地面坐标系竖轴基向量,构建消影线误差函数。
可选的,上述执行主体基于上述相机外参矩阵、上述车道线方程序列和预设的地面坐标系竖轴基向量,构建消影线误差函数,可以包括以下步骤:
步骤一,利用上述相机外参矩阵,将上述地面坐标系竖轴基向量转换至相机坐标系,以生成转换后竖轴基向量。
作为示例,地面坐标系竖轴基向量可以是(0,0,1)。
步骤二,对上述消影向量序列进行筛选,得到目标消影向量序列。其中,筛选可以是从消影向量序列中选出目标数量(例如,3)个消影向量。实践中,目标数量可以根据实际算法设定。
步骤三,利用上述目标消影向量序列中的各个目标消影向量,生成消影线方程。其中,可以通过以下公式生成消影线向量:L=((v1×v3)T×(v2×v3))×v2+2×((v1×v2)T×(v3×v2))×v3。
其中,L表示上述消影线向量。v1表示上述目标消影向量序列中的第1个目标消影向量。v2表示上述目标消影向量序列中的第2个目标消影向量。v3表示上述目标消影向量序列中的第3个目标消影向量。T表示转置矩阵。
步骤四,基于上述转换后竖轴基向量和上述消影线向量,构建消影线误差函数。其中,首先,可以将上述转换后竖轴基向量与上述消影线方程的乘积确定为消影线误差值。其次,可以将消影线误差值绝对值的平方确定为消影线误差函数值。
第三步,将上述消影点误差函数、消影线误差函数添加至预设的因子图,得到添加后因子图。其中,上述添加后因子图可以包括以上述相机外参矩阵为初始值的各项优化数据。其次,因子图可以是预设的用于调整相机外参矩阵的优化模型。各项优化数据可以是优化相机外参矩阵所需要的数据。
第四步,对上述添加后因子图中相机外参矩阵为初始值的进行优化处理,以生成修正后相机外参矩阵。其中,可以通过预设的优化求解算法,对上述添加后因子图中相机外参矩阵为初始值的进行优化处理,以生成修正后相机外参矩阵。
作为示例,优化求解算法可以是梯度下降算法等。
上述各个公式及其相关内容作为本公开的实施例的一个发明点,解决了背景技术提及的技术问题二“若基于虚车道线或停止线的方法进行相机外参修正,则难以适用于高速道路场景,降低了相机外参修正的适应性,从而,导致难以及时对相机外参进行修正”。导致难以及时对相机外参进行修正的因素往往如下:若基于虚车道线或停止线的方法进行相机外参修正,则难以适用于高速道路场景,降低了相机外参修正的适应性。如果解决了上述因素,就能提高相机外参修正方法的适应性,以便及时对相机外参进行修正。为了达到这一效果,首先,因为通过满足上述预设道路条件时,即可进行相机外参修正,因此,无需限定于基于虚车道线或停止线的场景,也提高了相机外参修正的适应性。从而,也可以适用于高速道路场景。具体的,在地面坐标系横轴基向量不变的情况下,通过生成转换后横轴基向量,可以将相机坐标系外参矩阵存在的误差引导于转换后横轴基向量中。其次,通过利用消影向量序列和转换后横轴基向量构建消影点误差函数。可以通过消影点误差函数,量化相机坐标系外参矩阵对坐标方面产生的误差。相同的,在地面坐标系竖轴基向量不变的情况下,通过生成转换后竖轴基向量,可以将相机坐标系外参矩阵存在的误差引导于转换后竖轴基向量中。然后,通过利用目标消影向量序列和转换后竖轴基向量构建消影线误差函数。可以通过消影线误差函数,量化相机坐标系外参矩阵对消影线方面产生的误差。最后,通过将消影点误差函数和消影线误差函数添加至因子图,可以因子图中进行优化处理。以便极大的消除误差,修正相机外参矩阵。实践中,通过三条等距离车道线直接计算消影线,进而构造约束项,与“车道线两两组合计算多个消影点”的方法相比,场景依赖小,计算量明显减小,且计算结果的稳定性更高。进而,可以及时对相机外参进行修正,以提高修正后相机外参矩阵的准确度。
可选的,上述执行主体还可以执行以下步骤:
第一步,利用上述修正后相机外参矩阵,对上述车道线检测信息序列中的各个车道线检测信息进行转换处理,得到转换后车道线检测信息序列,以及对上述修正后相机外参矩阵进行存储。其中,转换处理,可以是将车道线检测信息包括的车道线检测坐标序列中的各个车道线检测坐标,从图像坐标系转换至相机坐标系,得到转换后车道线坐标序列。其次,可以将转换后车道线坐标序列中的各个转换后车道线坐标拟合成转换后车道线方程以作为转换后车道线检测信息。通过修正之后的相机外参矩阵,可以提高转换后车道线方程的准确度。
第二步,将上述转换后车道线信息序列发送至目标显示终端以供显示。其中,可以将转换后车道线信息序列发送至目标终端以供显示相机坐标系中的三维车道线。这里,目标显示终端可以是当前车辆的显示终端。
本公开的上述各个实施例具有如下有益效果:通过本公开的一些实施例的相机外参修正方法,可以减少计算资源的消耗。具体来说,造成消耗更多的计算资源的原因在于:在识别车道线的同时对图像中的固定标识进行信息提取,由此利用车道线、固定标识和车道线的先验信息对相机外参进行修正。基于此,本公开的一些实施例的相机外参修正方法,首先,响应于确定当前车辆所在道路满足预设道路条件,对预获取的道路图像进行车道线检测,以生成车道线坐标矩阵。通过引入预设道路条件,使得可以选出适合进行相机外参修正的道路。另外,通过生成车道线坐标矩阵,可以便于后续利用车道线坐标进行相机外参修正。之后,基于上述车道线坐标矩阵和预设的相机内参矩阵,生成车道线方程序列。通过生成车道线方程序列,使得可以仅利用车道线方程进行相机外参矩阵修正。最后,基于上述车道线方程序列,对预设的相机外参矩阵进行修正处理,得到修正后相机外参矩阵。从而,可以无需从道路图像中提取固定标识且无需车道线的先验信息,而仅通过识别到的车道线即可实现相机外参修正。进而,减少了计算资源的消耗。
进一步参考图2,作为对上述各图所示方法的实现,本公开提供了一种相机外参修正装置的一些实施例,这些装置实施例与图1所示的那些方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图2所示,一些实施例的相机外参修正装置200包括:车道线检测单元201、生成单元202和修正处理单元203。其中,车道线检测单元201,被配置成对预获取的道路图像进行车道线检测,以生成车道线坐标矩阵;生成单元202,被配置成基于上述车道线坐标矩阵和预设的相机内参矩阵,生成车道线方程序列;修正处理单元203,被配置成基于上述车道线方程序列,对预设的相机外参矩阵进行修正处理,得到修正后相机外参矩阵。
可以理解的是,该装置200中记载的诸单元与参考图1描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置200及其中包含的单元,在此不再赘述。
下面参考图3,其示出了适于用来实现本公开的一些实施例的电子设备300的结构示意图。图3示出的电子设备仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图3所示,电子设备300可以包括处理装置301(例如中央处理器、图形处理器等),其可以根据存储在只读存储器(ROM)302中的程序或者从存储装置308加载到随机访问存储器(RAM)303中的程序而执行各种适当的动作和处理。在RAM 303中,还存储有电子设备300操作所需的各种程序和数据。处理装置301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出(I/O)接口305也连接至总线304。
通常,以下装置可以连接至I/O接口305:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置306;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置307;包括例如磁带、硬盘等的存储装置308;以及通信装置309。通信装置309可以允许电子设备300与其他设备进行无线或有线通信以交换数据。虽然图3示出了具有各种装置的电子设备300,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图3中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的一些实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的一些实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中,该计算机程序可以通过通信装置309从网络上被下载和安装,或者从存储装置308被安装,或者从ROM 302被安装。在该计算机程序被处理装置301执行时,执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是,本公开的一些实施例上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(Hyper Text TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述装置中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:响应于确定当前车辆所在道路满足预设道路条件,对预获取的道路图像进行车道线检测,以生成车道线坐标矩阵;基于上述车道线坐标矩阵和预设的相机内参矩阵,生成车道线方程序列;基于上述车道线方程序列,对预设的相机外参矩阵进行修正处理,得到修正后相机外参矩阵。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码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)。
附图中的流程图和框图,图示了按照本公开各种实施例的***、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、或代码的一部分,该模块、程序段、或代码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。也应当注意,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,两个接连地表示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操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。
描述于本公开的一些实施例中的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括车道线检测单元、生成单元和修正处理单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,修正处理单元还可以被描述为“对预设的相机外参矩阵进行修正处理的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(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)等等。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开的实施例中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (7)
1.一种相机外参修正方法,包括:
响应于确定当前车辆所在道路满足预设道路条件,对预获取的道路图像进行车道线检测,以生成车道线坐标矩阵;
基于所述车道线坐标矩阵和预设的相机内参矩阵,生成车道线方程序列;
基于所述车道线方程序列,对预设的相机外参矩阵进行修正处理,得到修正后相机外参矩阵;
其中,所述基于所述车道线方程序列,对预设的相机外参矩阵进行修正处理,得到修正后相机外参矩阵,包括:
基于所述相机外参矩阵、所述车道线方程序列和预设的地面坐标系横轴基向量,构建消影点误差函数;
基于所述相机外参矩阵、所述车道线方程序列和预设的地面坐标系竖轴基向量,构建消影线误差函数;
将所述消影点误差函数、消影线误差函数添加至预设的因子图,得到添加后因子图,其中,所述添加后因子图包括以所述相机外参矩阵为初始值的各项优化数据;
对所述添加后因子图中相机外参矩阵为初始值的进行优化处理,以生成修正后相机外参矩阵;
其中,所述基于所述相机外参矩阵、所述车道线方程序列和预设的地面坐标系横轴基向量,构建消影点误差函数,包括:
利用所述相机外参矩阵,将所述地面坐标系横轴基向量转换至相机坐标系,以生成转换后横轴基向量;
利用所述车道线方程序列中每个车道线方程的系数构建消影向量,得到消影向量序列;
基于所述转换后横轴基向量和所述消影向量序列,构建消影点误差函数;
其中,所述基于所述相机外参矩阵、所述车道线方程序列和预设的地面坐标系竖轴基向量,构建消影线误差函数,包括:
利用所述相机外参矩阵,将所述地面坐标系竖轴基向量转换至相机坐标系,以生成转换后竖轴基向量;
对所述消影向量序列进行筛选,得到目标消影向量序列;
利用所述目标消影向量序列中的各个目标消影向量,生成消影线向量;
基于所述转换后竖轴基向量和所述消影线向量,构建消影线误差函数。
2.根据权利要求1所述的方法,其中,所述对预获取的道路图像进行车道线检测,以生成车道线坐标矩阵,包括:
对预获取的道路图像进行车道线检测,以生成车道线检测信息序列;
将所述车道线检测信息序列中每个车道线检测信息包括的车道线检测坐标序列确定为车道线坐标向量,得到车道线坐标向量序列;
将所述车道线坐标向量序列中的各个车道线坐标向量组合为车道线坐标矩阵,其中,所述车道线坐标矩阵中的第一列对应道路图像中检测到的最左侧车道线的车道线坐标向量,最后一列对应道路图像中检测到的最右侧车道线的车道线坐标向量。
3.根据权利要求2所述的方法,其中,所述方法还包括:
利用所述修正后相机外参矩阵,对所述车道线检测信息序列中的各个车道线检测信息进行转换处理,得到转换后车道线检测信息序列,以及对所述修正后相机外参矩阵进行存储;
将所述转换后车道线信息序列发送至目标显示终端以供显示。
4.根据权利要求1所述的方法,其中,所述基于所述车道线坐标矩阵和预设的相机内参矩阵,生成车道线方程序列,包括:
对所述车道线坐标矩阵中的各个车道线坐标进行反投影,以生成反投影坐标矩阵;
对所述反投影坐标矩阵中的每列反投影坐标进行拟合处理以生成车道线方程,得到车道线方程序列。
5.一种相机外参修正装置,包括:
车道线检测单元,被配置成对预获取的道路图像进行车道线检测,以生成车道线坐标矩阵;
生成单元,被配置成基于所述车道线坐标矩阵和预设的相机内参矩阵,生成车道线方程序列;
修正处理单元,被配置成基于所述车道线方程序列,对预设的相机外参矩阵进行修正处理,得到修正后相机外参矩阵;
其中,所述基于所述车道线方程序列,对预设的相机外参矩阵进行修正处理,得到修正后相机外参矩阵,包括:
基于所述相机外参矩阵、所述车道线方程序列和预设的地面坐标系横轴基向量,构建消影点误差函数;
基于所述相机外参矩阵、所述车道线方程序列和预设的地面坐标系竖轴基向量,构建消影线误差函数;
将所述消影点误差函数、消影线误差函数添加至预设的因子图,得到添加后因子图,其中,所述添加后因子图包括以所述相机外参矩阵为初始值的各项优化数据;
对所述添加后因子图中相机外参矩阵为初始值的进行优化处理,以生成修正后相机外参矩阵;
其中,所述基于所述相机外参矩阵、所述车道线方程序列和预设的地面坐标系横轴基向量,构建消影点误差函数,包括:
利用所述相机外参矩阵,将所述地面坐标系横轴基向量转换至相机坐标系,以生成转换后横轴基向量;
利用所述车道线方程序列中每个车道线方程的系数构建消影向量,得到消影向量序列;
基于所述转换后横轴基向量和所述消影向量序列,构建消影点误差函数;
其中,所述基于所述相机外参矩阵、所述车道线方程序列和预设的地面坐标系竖轴基向量,构建消影线误差函数,包括:
利用所述相机外参矩阵,将所述地面坐标系竖轴基向量转换至相机坐标系,以生成转换后竖轴基向量;
对所述消影向量序列进行筛选,得到目标消影向量序列;
利用所述目标消影向量序列中的各个目标消影向量,生成消影线向量;
基于所述转换后竖轴基向量和所述消影线向量,构建消影线误差函数。
6.一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-4中任一所述的方法。
7.一种计算机可读介质,其上存储有计算机程序,其中,所述计算机程序被处理器执行时实现如权利要求1-4中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310558550.4A CN116630436B (zh) | 2023-05-17 | 2023-05-17 | 相机外参修正方法、装置、电子设备和计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310558550.4A CN116630436B (zh) | 2023-05-17 | 2023-05-17 | 相机外参修正方法、装置、电子设备和计算机可读介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116630436A CN116630436A (zh) | 2023-08-22 |
CN116630436B true CN116630436B (zh) | 2024-01-12 |
Family
ID=87609210
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310558550.4A Active CN116630436B (zh) | 2023-05-17 | 2023-05-17 | 相机外参修正方法、装置、电子设备和计算机可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116630436B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110264525A (zh) * | 2019-06-13 | 2019-09-20 | 惠州市德赛西威智能交通技术研究院有限公司 | 一种基于车道线与目标车辆的相机标定方法 |
CN111412856A (zh) * | 2019-12-31 | 2020-07-14 | 吉林大学 | 基于双矩形标识的汽车形貌单目主动视觉重建***与方法 |
CN112614192A (zh) * | 2020-12-24 | 2021-04-06 | 湖北亿咖通科技有限公司 | 一种车载相机的在线标定方法和车载信息娱乐*** |
CN112785655A (zh) * | 2021-01-28 | 2021-05-11 | 中汽创智科技有限公司 | 一种基于车道线检测的环视相机外参自动标定方法、装置、设备及计算机存储介质 |
CN113674357A (zh) * | 2021-08-04 | 2021-11-19 | 禾多科技(北京)有限公司 | 相机外参标定方法、装置、电子设备和计算机可读介质 |
CN113706624A (zh) * | 2020-05-20 | 2021-11-26 | 杭州海康威视数字技术股份有限公司 | 相机外参修正方法、装置及车载环视*** |
CN114022561A (zh) * | 2021-10-18 | 2022-02-08 | 武汉中海庭数据技术有限公司 | 一种基于gps约束和动态校正的城区单目测图方法和*** |
CN114663529A (zh) * | 2022-03-22 | 2022-06-24 | 阿波罗智能技术(北京)有限公司 | 一种外参确定方法、装置、电子设备及存储介质 |
CN114742914A (zh) * | 2022-04-15 | 2022-07-12 | 苏州挚途科技有限公司 | 车道线生成的方法、装置及电子设备 |
CN114842436A (zh) * | 2022-04-24 | 2022-08-02 | 禾多科技(北京)有限公司 | 三维车道线生成方法、装置、电子设备和计算机可读介质 |
CN115578706A (zh) * | 2022-10-25 | 2023-01-06 | 毫末智行科技有限公司 | 一种车道线修正方法、装置、整车控制器及可读存储介质 |
CN115661299A (zh) * | 2022-12-27 | 2023-01-31 | 安徽蔚来智驾科技有限公司 | 车道线地图的构建方法、计算机设备及存储介质 |
-
2023
- 2023-05-17 CN CN202310558550.4A patent/CN116630436B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110264525A (zh) * | 2019-06-13 | 2019-09-20 | 惠州市德赛西威智能交通技术研究院有限公司 | 一种基于车道线与目标车辆的相机标定方法 |
CN111412856A (zh) * | 2019-12-31 | 2020-07-14 | 吉林大学 | 基于双矩形标识的汽车形貌单目主动视觉重建***与方法 |
CN113706624A (zh) * | 2020-05-20 | 2021-11-26 | 杭州海康威视数字技术股份有限公司 | 相机外参修正方法、装置及车载环视*** |
CN112614192A (zh) * | 2020-12-24 | 2021-04-06 | 湖北亿咖通科技有限公司 | 一种车载相机的在线标定方法和车载信息娱乐*** |
CN112785655A (zh) * | 2021-01-28 | 2021-05-11 | 中汽创智科技有限公司 | 一种基于车道线检测的环视相机外参自动标定方法、装置、设备及计算机存储介质 |
CN113674357A (zh) * | 2021-08-04 | 2021-11-19 | 禾多科技(北京)有限公司 | 相机外参标定方法、装置、电子设备和计算机可读介质 |
CN114022561A (zh) * | 2021-10-18 | 2022-02-08 | 武汉中海庭数据技术有限公司 | 一种基于gps约束和动态校正的城区单目测图方法和*** |
CN114663529A (zh) * | 2022-03-22 | 2022-06-24 | 阿波罗智能技术(北京)有限公司 | 一种外参确定方法、装置、电子设备及存储介质 |
CN114742914A (zh) * | 2022-04-15 | 2022-07-12 | 苏州挚途科技有限公司 | 车道线生成的方法、装置及电子设备 |
CN114842436A (zh) * | 2022-04-24 | 2022-08-02 | 禾多科技(北京)有限公司 | 三维车道线生成方法、装置、电子设备和计算机可读介质 |
CN115578706A (zh) * | 2022-10-25 | 2023-01-06 | 毫末智行科技有限公司 | 一种车道线修正方法、装置、整车控制器及可读存储介质 |
CN115661299A (zh) * | 2022-12-27 | 2023-01-31 | 安徽蔚来智驾科技有限公司 | 车道线地图的构建方法、计算机设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
"一种车轮轮廓的自动提取方法";谭博怡等;《自动化学报》;516-522页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116630436A (zh) | 2023-08-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112598762B (zh) | 三维车道线信息生成方法、装置、电子设备和介质 | |
CN112348029B (zh) | 局部地图调整方法、装置、设备和计算机可读介质 | |
CN113674357B (zh) | 相机外参标定方法、装置、电子设备和计算机可读介质 | |
CN113607185B (zh) | 车道线信息显示方法、装置、电子设备和计算机可读介质 | |
CN114993328B (zh) | 车辆定位评估方法、装置、设备和计算机可读介质 | |
CN114399588B (zh) | 三维车道线生成方法、装置、电子设备和计算机可读介质 | |
CN113327318B (zh) | 图像显示方法、装置、电子设备和计算机可读介质 | |
CN114445597B (zh) | 三维车道线生成方法、装置、电子设备和计算机可读介质 | |
CN116182878B (zh) | 道路曲面信息生成方法、装置、设备和计算机可读介质 | |
CN115620264B (zh) | 车辆定位方法、装置、电子设备和计算机可读介质 | |
CN114723640B (zh) | 障碍物信息生成方法、装置、电子设备和计算机可读介质 | |
CN116630436B (zh) | 相机外参修正方法、装置、电子设备和计算机可读介质 | |
CN116740382A (zh) | 障碍物信息生成方法、装置、电子设备和计算机可读介质 | |
CN116311155A (zh) | 障碍物信息生成方法、装置、电子设备和计算机可读介质 | |
CN115393826A (zh) | 三维车道线生成方法、装置、电子设备和计算机可读介质 | |
CN114663524B (zh) | 多相机在线标定方法、装置、电子设备和计算机可读介质 | |
CN115170674B (zh) | 基于单张图像的相机主点标定方法、装置、设备和介质 | |
CN114399555B (zh) | 数据在线标定方法、装置、电子设备和计算机可读介质 | |
CN114494428B (zh) | 车辆位姿矫正方法、装置、电子设备和计算机可读介质 | |
CN117373024B (zh) | 标注图像生成方法、装置、电子设备和计算机可读介质 | |
CN114863025B (zh) | 三维车道线生成方法、装置、电子设备和计算机可读介质 | |
CN113542800B (zh) | 视频画面定标方法、装置、终端设备 | |
CN115307652B (zh) | 车辆位姿确定方法、装置、设备及介质 | |
CN115937046B (zh) | 道路地面信息生成方法、装置、设备和计算机可读介质 | |
CN114708336A (zh) | 多相机在线标定方法、装置、电子设备和计算机可读介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |