CN110264525B - 一种基于车道线与目标车辆的相机标定方法 - Google Patents

一种基于车道线与目标车辆的相机标定方法 Download PDF

Info

Publication number
CN110264525B
CN110264525B CN201910510879.7A CN201910510879A CN110264525B CN 110264525 B CN110264525 B CN 110264525B CN 201910510879 A CN201910510879 A CN 201910510879A CN 110264525 B CN110264525 B CN 110264525B
Authority
CN
China
Prior art keywords
lane line
roll
angle
target vehicle
point
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
Application number
CN201910510879.7A
Other languages
English (en)
Other versions
CN110264525A (zh
Inventor
李方
刘杨
卢金波
胡坤福
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huizhou Desay SV Intelligent Transport Technology Research Institute Co Ltd
Original Assignee
Huizhou Desay SV Intelligent Transport Technology Research Institute Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Huizhou Desay SV Intelligent Transport Technology Research Institute Co Ltd filed Critical Huizhou Desay SV Intelligent Transport Technology Research Institute Co Ltd
Priority to CN201910510879.7A priority Critical patent/CN110264525B/zh
Publication of CN110264525A publication Critical patent/CN110264525A/zh
Application granted granted Critical
Publication of CN110264525B publication Critical patent/CN110264525B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/269—Analysis of motion using gradient-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/277—Analysis of motion involving stochastic approaches, e.g. using Kalman filters
    • 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
    • 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
    • G06T2207/30248—Vehicle exterior or interior
    • G06T2207/30252—Vehicle exterior; Vicinity of vehicle
    • G06T2207/30256—Lane; Road marking

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Traffic Control Systems (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及相机标定方法领域，提供一种基于车道线与目标车辆的相机标定方法，通过深度学习方法提取路面图像中车道线与目标车辆位置信息，利用车道线信息结合静态标定结果设置修正公式，设定修正阈值对相机的外参角度进行动态调整，并运用Opencv提取路面图像中检测框内目标车辆的光流信息，利用上下两帧的检测框内目标车辆光流信息的变化再次对所述外参角度进行动态调整，求解出更为准确的相机外参角度，提高了相机标定的计算精度与准确度、降低了对标定场景要求、增强了算法稳定性与通用性。

Description

一种基于车道线与目标车辆的相机标定方法
技术领域
本发明涉及相机标定方法领域，尤其涉及一种基于车道线与目标车辆的相机标定方法。
背景技术
在图像测量过程以及机器视觉应用中，为确定空间物体表面某点的三维几何位置与其在图像中对应点之间的相互关系，必须建立相机成像的几何模型，这些几何模型参数就是相机参数。在大多数条件下，这些参数必须通过实验与计算才能得到，这个求解参数的过程就称之为相机标定(或摄像机标定)。
相机标定在二维图像中恢复物体的三维信息的过程中至关重要，在相机的成像几何模型中空间点与图像平面上像点之间存在对应关系，这个对应关系是由摄像机参数(包含相机内参与外参)决定的。从广义上来分，目前可将相机标定分为两类，即传统的相机标定法与相机自标定法，具体如下：
1、传统的相机标定法(静态标定)，该标定方法相对简单，利用标定板在图像平面的成像位置,计算出相机的内外参数，但由于车辆在行驶的过程中会产生颠簸，因此使用静态标定结果时，求取的目标距离误差较大，难以满足要求。
2、相机自标定法，该方法无需利用标定板进行标定，主要是利用相机运动的约束。目前动态标定的方法有利用车辆与平行线的距离与消失点进行标定的方法，但需要的条件较多，只适用于特定道路，通用性较低。
目前国内已有利用平坦路面上三条直线进行标定的方法，但是该方法需要地平面上存在三条平行线且知道平行线之间的距离才能进行标定，受限制的条件过多，使得标定过程更为复杂。
发明内容
本发明提供一种基于车道线与目标车辆的相机标定方法，解决了现有标定技术计算误差大、限制条件多、算法通用性差的技术问题。
为解决以上技术问题，本发明提供一种基于车道线与目标车辆的相机标定方法，包括如下步骤：
S1.获取当前路面图像，通过静态标定获取前视摄像头距离地面的高度，并根据所述前视摄像头内参、外参角度求取与目标车辆的理论距离；
S2.提取所述路面图像中的车道线，并结合预设的修正公式修正所述前视摄像头的外参角度参数；
S3.根据提取的目标车辆边框内的光流信息推算出目标车辆实际距离；
S4.根据所述目标车辆实际距离与所述目标车辆理论距离动态调整所述前视摄像头的角度参数。
作为本发明的一种实施方式，当所述路面图像中包括至少两条相互平行的车道线时，所述步骤S2具体包括步骤：
S21.根据车辆所在车道左车道线和右车道线像素点的世界坐标进行曲线拟合，截取拟合后的部分车道线曲线建立切线方程；
S22.根据所述切线方程推导出所述俯仰角、偏航角、滚动角的约束方程，通过所述约束方程求解出所述俯仰角、偏航角、滚动角。
S23.输入多帧路面图像计算出多组中间变量(q0、q1、q2)的值，并求取对应的多组正切函数tan(pitchi)、tan(rolli)的平均值，最后通过反正切函数求解tan(pitchi)、tan(rolli)的最小二乘解，得出所述俯仰角pitchi、滚动角rolli的修正值。
在所述步骤S21中，
所述左车道线、所述右车道线的切线方程分别如下：
x＝a0+a1y (1)；
x＝b0+b1y (2)；
其中，x表示横坐标、y表示纵坐标；a0表示左车道线切线方程的常数项，a1表示左车道线切线方程的一次项系数；b0表示左车道线切线方程的常数项，b1表示左车道线切线方程的一次项系数。
在所述步骤S22中，
所述俯仰角、偏航角、滚动角的约束方程如下：
q1tan(pitchi)+q2tan(rolli)＝q0 (3)；
yawi＝tan-1(a1) (4)；
其中：
q0＝(b1-a1)cos(rolli-1)h (5)；
q1＝(b0-a0) (6)；
q2＝(a0*b1-a1*b0)cos(rolli-1) (7)；
其中，pitchi为当前修正的俯仰角，yawi为当前修正的偏航角，rolli为当前修正的滚动角，rolli-1为相机滚动角的初始值或前一次计算值；h为前视摄像头距离地面的高度；q0、q1、q2均为中间变量。
优选地，当所述车道线包括邻近车道线时，还可通过如下步骤计算滚动角rolli的值：
S221.根据车辆所在车道的左车道线和右车道线以及左邻近车道线或右邻近车道线标定出所述前视摄像头相对于所述左车道线和右车道线的滚动角修正方式。
在所述左车道线上任选两点L1、L2，所述右车道线上任选两点R1、R2，所述左邻近车道线或所述右邻近车道线上任选两点N1、N2；
当选择所述左邻近车道线时，所述滚动角rolli的修正公式如下：
rolli＝(N1.x+R1.x+N2.x+R2.x-2*L1.x-2*L2.x)*beta+rolli-1 (8)；
当选择所述右邻近车道线时，所述滚动角rolli的修正公式如下：
rolli＝(N1.x+L1.x+N2.x+L2.x-2*R1.x-2*R2.x)*beta+rolli-1(9)；
其中，L1.x为点L1的横向坐标值，L1.y为点L1的纵向坐标值，L2.x为点L2的横向坐标值，L2.y为点L2的纵向坐标值；R1.x为点R1的横向坐标值，R1.y为点R1的纵向坐标值，R2.x为点R2的横向坐标值，R2.y为点R2的纵向坐标值；N1.x为点N1的横向坐标值，N1.y为点N1的纵向坐标值，N2.x为点N2的横向坐标值，N2.y为点N2的纵向坐标值，beta为设置的滚动角修正率。
所述步骤S3具体包括步骤：
S31.标记出一帧路面图像的第一跟踪点；
S32.标记出下一帧路面图像与第一跟踪点相匹配的第二跟踪点；
S33.计算所述一帧路面图像与所述下一帧路面图像之间的像素宽比；
S34.根据所述像素宽比与所述一帧路面图像的目标车辆实际距离求得所述下一帧路面的目标车辆实际距离。
所述步骤S4具体为：
判断所述目标车辆实际距离与所述目标车辆理论距离的距离差值是否大于预设的距离修正阈值，若是则调整所述角度参数，使得连续前后两次修正的角度参数差值小于设定的修正阈值后，输出调整后的所述角度参数。
所述使得连续两次修正的角度参数差值小于设定的修正阈值，具体为：
使得pitchi-pitchi-1<Th、yawi-yawi-1<Th且rolli-rolli-1<Th，Th为设置的修正阈值。
优选地，采用深度学习方法提取路面图像中车道线与目标车辆位置信息；
优选地，采用OpenCV跨平台计算机视觉库提取路面图像中目标车辆光流信息；
优选地，采用Kalman滤波器进行所述滤波处理。
本发明采用深度学习方法提取路面图像中车道线与目标车辆位置信息，利用车道线信息结合静态标定结果设置修正公式，设定修正阈值对相机的外参角度进行动态调整，并运用Opencv提取路面图像中检测框内目标车辆的光流信息，利用上下两帧的检测框内目标车辆光流信息的变化再次对所述外参角度进行动态调整，求解出更为准确的相机外参角度，提高了相机标定的计算精度与准确度、降低了对标定场景要求、增强了算法稳定性与通用性。
附图说明
图1是本发明实施例提供的一种基于车道线与目标车辆的相机标定方法的系统流程图；
图2是本发明实施例1提供的工作流程图；
图3是本发明实施例提供的光流调整算法的算法流程图；
图4是本发明实施例提供的技术效果实现过程图；
图5是本发明实施例提供的技术效果图。
具体实施方式
下面结合附图具体阐明本发明的实施方式，实施例的给出仅仅是为了说明目的，并不能理解为对本发明的限定，包括附图仅供参考和说明使用，不构成对本发明专利保护范围的限制，因为在不脱离本发明精神和范围基础上，可以对本发明进行许多改变。
本发明实施例提供的一种基于车道线与目标车辆的相机标定方法，适用于国标高速公路、快速路以及市区直道等路面弯度变化较小的车道线标定，不适用于匝道等弯道、衔接路段车道线标定，如图1所示，在本实施例中，包括如下步骤：
S1.获取当前路面图像，通过静态标定获取前视摄像头距离地面的高度，并根据所述前视摄像头内参、外参角度求取与目标车辆的理论距离；
S2.提取所述路面图像中的车道线，并结合预设的修正公式修正所述前视摄像头的外参角度参数；
S3.根据提取的目标车辆边框内的光流信息推算出目标车辆实际距离；
S4.根据所述目标车辆实际距离与所述目标车辆理论距离动态调整所述前视摄像头的角度参数。
参见图2，作为本发明的一种实施方式，当所述路面图像中包括至少两条相互平行的车道线时，所述步骤S2具体包括步骤：
S21.根据车辆所在车道左车道线和右车道线像素点的世界坐标进行曲线拟合，截取拟合后的部分车道线曲线建立切线方程；
S22.根据所述切线方程推导出所述俯仰角、偏航角、滚动角的约束方程，通过所述约束方程求解出所述俯仰角、偏航角、滚动角。
S23.输入多帧路面图像计算出多组中间变量(q0、q1、q2)的值，并求取对应的多组正切函数tan(pitchi)、tan(rolli)的平均值，最后通过反正切函数求解tan(pitchi)、tan(rolli)的最小二乘解，得出所述俯仰角pitchi、滚动角rolli的修正值。
在所述步骤S21中，
所述左车道线、所述右车道线的切线方程分别如下：
x＝a0+a1y (1)；
x＝b0+b1y (2)；
其中，x表示横坐标、y表示纵坐标；a0表示左车道线切线方程的常数项，a1表示左车道线切线方程的一次项系数；b0表示左车道线切线方程的常数项，b1表示左车道线切线方程的一次项系数。
在所述步骤S22中，所述仰角、偏航角、滚动角的约束方程如下：
q1tan(pitchi)+q2tan(rolli)＝q0 (3)；
yawi＝tan-1(a1) (4)；
其中：
q0＝(b1-a1)cos(rolli-1)h (5)；
q1＝(b0-a0) (6)；
q2＝(a0*b1-a1*b0)cos(rolli-1) (7)；
其中，pitchi为当前修正的俯仰角，yawi为当前修正的偏航角，rolli为当前修正的滚动角，rolli-1为相机滚动角的初始值或前一次计算值；h为前视摄像头距离地面的高度；q0、q1、q2均为中间变量。
优选地，当所述车道线包括邻近车道线时，还可通过如下步骤计算滚动角rolli的值：
S221.根据车辆所在车道的左车道线和右车道线以及左邻近车道线或右邻近车道线标定出所述前视摄像头相对于所述左车道线和右车道线的滚动角修正方式。
在所述左车道线上任选两点L1、L2，所述右车道线上任选两点R1、R2，所述左邻近车道线或所述右邻近车道线上任选两点N1、N2；
当选择所述左邻近车道线时，所述滚动角rolli的修正公式如下：
rolli＝(N1.x+R1.x+N2.x+R2.x-2*L1.x-2*L2.x)*beta+rolli-1 (8)；
当选择所述右邻近车道线时，所述滚动角rolli的修正公式如下：
rolli＝(N1.x+L1.x+N2.x+L2.x-2*R1.x-2*R2.x)*beta+rolli-1(9)；
其中，L1.x为点L1的横向坐标值，L1.y为点L1的纵向坐标值，L2.x为点L2的横向坐标值，L2.y为点L2的纵向坐标值；R1.x为点R1的横向坐标值，R1.y为点R1的纵向坐标值，R2.x为点R2的横向坐标值，R2.y为点R2的纵向坐标值；N1.x为点N1的横向坐标值，N1.y为点N1的纵向坐标值，N2.x为点N2的横向坐标值，N2.y为点N2的纵向坐标值，beta为设置的滚动角修正率。
参见图3，所述步骤S3具体包括步骤：
S31.标记出一帧路面图像的第一跟踪点；
S32.标记出下一帧路面图像与第一跟踪点相匹配的第二跟踪点；
S33.计算所述一帧路面图像与所述下一帧路面图像之间的像素宽比；
S34.根据所述像素宽比与所述一帧路面图像的目标车辆实际距离求得所述下一帧路面的目标车辆实际距离。
所述步骤S4具体为：
判断所述目标车辆实际距离与所述目标车辆理论距离的距离差值是否大于预设的距离修正阈值，若是则调整所述角度参数，使得连续前后两次修正的角度参数差值小于设定的修正阈值后，输出调整后的所述角度参数。
所述使得连续两次修正的角度参数差值小于设定的修正阈值，具体为：
使得pitchi-pitchi-1<Th、yawi-yawi-1<Th且rolli-rolli-1<Th，Th为设置的修正阈值。
优选地，采用深度学习方法提取路面图像中车道线与目标车辆位置信息；
优选地，采用OpenCV跨平台计算机视觉库提取路面图像中目标车辆光流信息；
优选地，采用Kalman滤波器进行所述滤波处理。
参见图1至图3，所述相机标定的具体工作流程如下：
第一步，通过安装在车体的所述前视摄像头获取路面图像，将所述前视摄像头的外参角度均赋予初值0，并结合从所述前视摄像头技术手册直接获得的内参角度求取所述前视摄像头与目标车辆的理论距离；并通过静态标定获取前视摄像头距离地面的高度。
第二步，进行第一次修正，采用深度学习方法提取路面图像中的车道线与目标车辆位置信息，并在路面图像目标车辆四周设置对照边框线。首先，判断是否存在邻近车道线，若有，则任意选取两条车道线，并在选取到左右车道线各选取一点；若无，则在左右车道线各选取一点，根据第一步的外参角度计算出将所选点的世界坐标。随后，通过输入多帧路面图像，将所述路面图像中所选点的世界坐标与滚动角的初始值0或前次求得的滚动角rolli-1角度值输入公式(1)～(7)，分别对外参角度俯仰角pitchi、偏航角yawi、滚动角rolli进行动态修正；其中，根据计算出的多组中间变量(q0、q1、q2)，以及反正切函数求解tan(pitchi)、tan(rolli)的最小二乘法解，从而得出所述俯仰角pitchi、偏航角yawi、滚动角rolli的修正值；直到前后两次修正的角度参数差值均小于修正阈值Th时，完成修正。
第三步，进行第二次修正，采用OpenCV跨平台计算机视觉库提取路面图像中目标车辆的光流信息，输入上、下邻近两帧的路面图像，以及所述上一帧路面图像所述前视摄像头到所述目标车辆的距离Z0；
在上、下邻近两帧的路面图像中选取对应的N组跟踪点P1，在所述下一帧路面图像中选取N组跟踪点P2，并获取N组跟踪点两两之间的像素距离，即为N组像素宽w0，对应的在所述上一帧路面图像中获取与所述下一帧路面图像跟踪点P1对应的N组像素宽w1，求得N组上下两帧路面图像之间的像素宽w1、w0之比Ssrc，并取数组Ssrc的中值Smid，将Smid经过Kalman滤波器滤波处理得到的S作为上下两帧路面图像之间最终的像素宽比，具体计算公式如下；
Figure BDA0002093458550000091
上下两帧路面图像的像素宽比是其距离的倒数，利用S与Z0的数量关系求取下一帧路面图像所述目标车辆实际距离Z1,通过相机外参求取的目标距离Zcam对比，最后通过通用的渐进修正方法调整所述相机外参，判断所述目标车辆实际距离与所述目标车辆理论距离的距离差值是否大于预设的距离修正阈值Th，若是则继续调整所述角度参数，使得连续前后两次修正的角度参数差值小于设定的修正阈值后，输出调整后的所述角度参数。
至此，调整结束。
优选地，在进行第一次修正时，当存在邻近车道线时，若具备左侧邻近车道线时，则将参数数据输入系统预设的修正公式(8)，对滚动角rolli进行动态修正，直到前后两次修正的角度参数差值均小于修正阈值Th时，完成修正；若具备右侧邻近车道线时，则将参数数据输入系统预设的修正公式(9)，对滚动角rolli进行动态修正，直到前后两次修正的角度参数差值均小于修正阈值Th时，完成修正。所述修正后的滚动角rolli可作为上述通过反正切函数求得的滚动角rolli的对照验证，也可直接代入约束公式求取俯仰角pitchi。
参见图4，根据相机外参角度计算原理，当所述车道线由图像坐标转换到世界坐标时，如果俯仰角偏大或偏小，如图4的A图，所述车道线在世界坐标中呈现出来“内八”或“外八”的形状；当偏航角不正确时，如图4的B图、C图，所述车道线的中心线将会向一方倾斜；当滚动角不正确时，如图4的D图，所述车道线在世界坐标中两条车道线的宽度不相等。
当相机外参角度全部正确时，如图4的E图，所述车道线由图像坐标投影到世界坐标时所述车道线的中心线与左右车道线“平行”、“等距”、且垂直于路面横切面。
参见图5，此为修正后的路面图像，在图中可以看到前方的货车的车厢边缘与矩形检测框的线条平行、垂直，并未因为图片成像时为保留立体感而形成角度偏移，车厢四面平行、垂直、等距。
本发明实施例采用深度学习方法提取路面图像中车道线与目标车辆位置信息，利用车道线信息结合静态标定结果设置修正公式，设定修正阈值对相机的外参角度进行动态调整，并运用Opencv提取路面图像中检测框内目标车辆的光流信息，利用上下两帧的检测框内目标车辆光流信息的变化再次对所述外参角度进行动态调整，求解出更为准确的相机外参角度，提高了相机标定的计算精度与准确度、降低了对标定场景要求、增强了算法稳定性与通用性。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (8)

1.一种基于车道线与目标车辆的相机标定方法，其特征在于，包括如下步骤：
S1.获取当前路面图像，通过静态标定获取前视摄像头距离地面的高度，并根据所述前视摄像头内参、外参角度求取与目标车辆的理论距离；
S2.提取所述路面图像中的车道线，并结合预设的修正公式修正所述前视摄像头的外参角度参数；
S3.根据提取的目标车辆边框内的光流信息推算出目标车辆实际距离；
S4.根据所述目标车辆实际距离与所述目标车辆理论距离动态调整所述前视摄像头的角度参数；
当所述路面图像中包括至少两条相互平行的车道线时，且还包括邻近车道线时，所述步骤S2具体包括：
根据车辆所在车道的左车道线和右车道线以及左邻近车道线或右邻近车道线标定出所述前视摄像头相对于所述左车道线和右车道线的滚动角修正方式；
在所述左车道线上任选两点L1、L2，所述右车道线上任选两点R1、R2，所述左邻近车道线或所述右邻近车道线上任选两点N1、N2；
当选择所述左邻近车道线时，所述滚动角rolli的修正公式如下：
rolli＝(N1.x+R1.x+N2.x+R2.x-2*L1.x-2*L2.x)*beta+rolli-1 (8)；
当选择所述右邻近车道线时，所述滚动角rolli的修正公式如下：
rolli＝(N1.x+L1.x+N2.x+L2.x-2*R1.x-2*R2.x)*beta+rolli-1 (9)；
其中，L1.x为点L1的横向坐标值，L1.y为点L1的纵向坐标值，L2.x为点L2的横向坐标值，L2.y为点L2的纵向坐标值；R1.x为点R1的横向坐标值，R1.y为点R1的纵向坐标值，R2.x为点R2的横向坐标值，R2.y为点R2的纵向坐标值；N1.x为点N1的横向坐标值，N1.y为点N1的纵向坐标值，N2.x为点N2的横向坐标值，N2.y为点N2的纵向坐标值，beta为设置的滚动角修正率。
2.如权利要求1所述的一种基于车道线与目标车辆的相机标定方法，其特征在于，当所述路面图像中包括两条相互平行的车道线时，所述步骤S2具体包括步骤：
S21.根据车辆所在车道左车道线和右车道线像素点的世界坐标进行曲线拟合，截取拟合后的部分车道线曲线建立切线方程；
S22.根据所述切线方程推导出俯仰角、偏航角、滚动角的约束方程，通过所述约束方程求解出所述俯仰角、偏航角、滚动角。
3.如权利要求2所述的一种基于车道线与目标车辆的相机标定方法，其特征在于，在所述步骤S21中，
所述左车道线、所述右车道线的切线方程分别如下：
x＝a0+a1y (1)；
x＝b0+b1y (2)；
其中，x表示横坐标、y表示纵坐标；a0表示左车道线切线方程的常数项，a1表示左车道线切线方程的一次项系数；b0表示左车道线切线方程的常数项，b1表示左车道线切线方程的一次项系数。
4.如权利要求3所述的一种基于车道线与目标车辆的相机标定方法，其特征在于，在所述步骤S22中，
所述俯仰角、偏航角、滚动角的约束方程如下：
q1 tan(pitchi)+q2 tan(rolli)＝q0 (3)；
yawi＝tan-1(a1) (4)；
其中：
q0＝(b1-a1)cos(rolli-1)h (5)；
q1＝(b0-a0) (6)；
q2＝(a0*b1-a1*b0)cos(rolli-1) (7)；
其中，pitchi为当前修正的俯仰角，yawi为当前修正的偏航角，rolli为当前修正的所述滚动角，rolli-1为相机滚动角的初始值或前一次计算值；h为前视摄像头距离地面的高度；q0、q1、q2均为中间变量。
5.如权利要求4所述的一种基于车道线与目标车辆的相机标定方法，其特征在于，所述步骤S2还包括步骤：
S23.输入多帧路面图像计算出多组中间变量q0、q1、q2的值，并求取对应的多组正切函数tan(pitchi)、tan(rolli)的平均值，最后通过反正切函数求解tan(pitchi)、tan(rolli)的最小二乘解，得出所述俯仰角pitchi、滚动角rolli的修正值。
6.如权利要求1所述的一种基于车道线与目标车辆的相机标定方法，其特征在于，所述步骤S3具体包括步骤：
S31.标记出一帧路面图像的第一跟踪点；
S32.标记出下一帧路面图像与所述第一跟踪点相匹配的第二跟踪点；
S33.计算所述一帧路面图像与所述下一帧路面图像之间的像素宽比；
S34.根据所述像素宽比与所述一帧路面图像的目标车辆实际距离求得所述下一帧路面的目标车辆实际距离。
7.如权利要求1所述的一种基于车道线与目标车辆的相机标定方法，其特征在于，所述步骤S4具体为：
判断所述目标车辆实际距离与所述目标车辆理论距离的距离差值是否大于预设的距离修正阈值，若是则调整所述角度参数，使得连续前后两次修正的角度参数差值小于设定的修正阈值后，输出调整后的所述角度参数。
8.如权利要求7所述的一种基于车道线与目标车辆的相机标定方法，其特征在于，
所述使得连续两次修正的角度参数差值小于设定的修正阈值，具体为：
使得pitchi-pitchi-1<Th、yawi-yawi-1<Th且rolli-rolli-1<Th，Th为设置的修正阈值。
CN201910510879.7A 2019-06-13 2019-06-13 一种基于车道线与目标车辆的相机标定方法 Active CN110264525B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910510879.7A CN110264525B (zh) 2019-06-13 2019-06-13 一种基于车道线与目标车辆的相机标定方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910510879.7A CN110264525B (zh) 2019-06-13 2019-06-13 一种基于车道线与目标车辆的相机标定方法

Publications (2)

Publication Number Publication Date
CN110264525A CN110264525A (zh) 2019-09-20
CN110264525B true CN110264525B (zh) 2021-08-06

Family

ID=67918040

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910510879.7A Active CN110264525B (zh) 2019-06-13 2019-06-13 一种基于车道线与目标车辆的相机标定方法

Country Status (1)

Country Link
CN (1) CN110264525B (zh)

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111060924B (zh) * 2019-12-02 2021-10-15 北京交通大学 一种slam与目标跟踪方法
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、装置及车载环视系统
CN112509054B (zh) * 2020-07-20 2024-05-17 重庆兰德适普信息科技有限公司 一种相机外参动态标定方法
CN111862235B (zh) * 2020-07-22 2023-12-29 中国科学院上海微系统与信息技术研究所 双目相机自标定方法及系统
CN112017249A (zh) * 2020-08-18 2020-12-01 东莞正扬电子机械有限公司 车载摄像头滚转角获取、安装角度校正方法及设备
CN112348752B (zh) * 2020-10-28 2022-08-16 武汉极目智能技术有限公司 一种基于平行约束的车道线消失点补偿方法及装置
CN112529966B (zh) * 2020-12-17 2023-09-15 豪威科技(武汉)有限公司 一种车载环视系统的在线标定方法及其车载环视系统
CN112712708A (zh) * 2020-12-28 2021-04-27 上海眼控科技股份有限公司 信息检测方法、装置、设备及存储介质
CN112800986B (zh) * 2021-02-02 2021-12-07 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
CN112862899B (zh) 2021-02-07 2023-02-28 黑芝麻智能科技(重庆)有限公司 用于图像获取设备的外参标定方法、装置和系统
CN113256742B (zh) * 2021-07-15 2021-10-15 禾多科技（北京）有限公司 界面展示方法、装置、电子设备和计算机可读介质
CN116228834B (zh) * 2022-12-20 2023-11-03 阿波罗智联(北京)科技有限公司 图像深度获取方法、装置、电子设备及存储介质
CN116630436B (zh) * 2023-05-17 2024-01-12 禾多科技（北京）有限公司 相机外参修正方法、装置、电子设备和计算机可读介质
CN117173257B (zh) * 2023-11-02 2024-05-24 安徽蔚来智驾科技有限公司 3d目标检测及其标定参数增强方法、电子设备、介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103745452A (zh) * 2013-11-26 2014-04-23 理光软件研究所（北京）有限公司 相机外参评估方法、装置、相机外参标定方法和装置
CN109859278A (zh) * 2019-01-24 2019-06-07 惠州市德赛西威汽车电子股份有限公司 车载相机系统相机外参的标定方法及标定系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9563951B2 (en) * 2013-05-21 2017-02-07 Magna Electronics Inc. Vehicle vision system with targetless camera calibration

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103745452A (zh) * 2013-11-26 2014-04-23 理光软件研究所（北京）有限公司 相机外参评估方法、装置、相机外参标定方法和装置
CN109859278A (zh) * 2019-01-24 2019-06-07 惠州市德赛西威汽车电子股份有限公司 车载相机系统相机外参的标定方法及标定系统

Also Published As

Publication number Publication date
CN110264525A (zh) 2019-09-20

Similar Documents

Publication Publication Date Title
CN110264525B (zh) 一种基于车道线与目标车辆的相机标定方法
CN109859278B (zh) 车载相机系统相机外参的标定方法及标定系统
CN110569704B (zh) 一种基于立体视觉的多策略自适应车道线检测方法
CN110285793B (zh) 一种基于双目立体视觉系统的车辆智能测轨迹方法
US11113843B2 (en) Method for calibrating the orientation of a camera mounted to a vehicle
WO2022135588A1 (zh) 图像校正方法、装置及系统、电子设备
US8498479B2 (en) Image processing device for dividing an image into a plurality of regions
CN111862234B (zh) 双目相机自标定方法及系统
CN107578430B (zh) 一种基于自适应权值和局部熵的立体匹配方法
CN111862235B (zh) 双目相机自标定方法及系统
CN108805934A (zh) 一种车载摄像机的外部参数标定方法及装置
CN110031829A (zh) 一种基于单目视觉的目标精准测距方法
KR20070051275A (ko) 입체시각 시스템의 자동 보정 방법
WO2008089964A2 (en) Method and system for video-based road lane curvature measurement
CN101887589A (zh) 一种基于立体视觉的实拍低纹理图像重建方法
CN110660105B (zh) 一种全景环视系统的标定参数优化方法及装置
CN112184792B (zh) 一种基于视觉的道路坡度计算方法及装置
CN105718865A (zh) 一种自动驾驶中基于双目摄像头的道路安全检测系统及其方法
CN111126306A (zh) 一种基于边缘特征及滑动窗的车道线检测方法
CN109827502A (zh) 一种标定点图像补偿的线结构光视觉传感器高精度标定方法
CN106340045B (zh) 三维人脸重建中基于双目立体视觉的标定优化方法
CN111862236B (zh) 定焦双目相机自标定方法及系统
CN104167001B (zh) 基于正交补偿的大视场摄像机标定方法
CN101980292B (zh) 一种基于正八边形模板的车载摄像机内参数的标定方法
CN111402593B (zh) 一种基于多项式拟合的视频交通参数获取方法

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