CN110378966B - 车路协同相机外参标定方法、装置、设备及存储介质 - Google Patents
车路协同相机外参标定方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN110378966B CN110378966B CN201910499966.7A CN201910499966A CN110378966B CN 110378966 B CN110378966 B CN 110378966B CN 201910499966 A CN201910499966 A CN 201910499966A CN 110378966 B CN110378966 B CN 110378966B
- Authority
- CN
- China
- Prior art keywords
- calibration
- feature point
- camera
- points
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06T2207/10028—Range image; Depth image; 3D point clouds
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 Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了相机外参标定方法、装置、计算机设备及存储介质,其中方法可包括:对相机拍摄的当前帧图像进行特征点提取,作为初始特征点;从初始特征点中筛选出符合要求的特征点,作为标定特征点;获取标定特征点对应的世界坐标;根据标定特征点对应的世界坐标确定出当前的相机外参。应用本发明所述方案,可提高处理结果的准确性等。
Description
【技术领域】
本发明涉及计算机应用技术,特别涉及相机外参标定方法、装置、计算机设备及存储介质。
【背景技术】
在车对外界(V2X,Vehicle to everything)车路协同场景中,路侧感知设备需要识别出场景内的车辆、行人及其它物体的位置等信息,而目前使用相机来进行路侧感知已经成为共识。而相机在运行过程中由于刮风等因素可能会有晃动抖动,因此还需要进行在线标定来校正相机外参。相机外参决定了相机坐标系与世界坐标系之间的相对位置关系。
利用相机来检测物体的位置依赖于前期对相机的离线标定得到的相机外参,如可通过在相机拍摄的图像中选取一些车道线边缘等较特殊且容易在高精地图找到对应点的点,通过几组对应点来离线求解得到相机外参,并保存在外参文件中。
相机在线运行启动时,读取外参文件中的相机外参,并假设此时相机的位姿与离线标定时的位姿一样,即假设相机处在离线标定时的位姿,而后运行时利用实时视觉里程计(VO,Visual Odometry)计算得到相机运动的变换T,并将变化T与先前得到的相机外参相结合,得到校正后的相机外参。
但上述方式在实际应用中会存在一定的问题,如:上述方式中,假设相机在线运行启动时,此时相机的位姿与离线标定时的位姿一样,但实际上相机可能一直处于晃动抖动中,因此上述假设并不成立,可能此时相机的位姿与离线标定时的位姿已经有了一定的偏差,那么后续计算得到变化T,再与离线标定得到的相机外参进行结合得到校正后的相机外参则是不准确的。
【发明内容】
有鉴于此,本发明提供了相机外参标定方法、装置、计算机设备及存储介质。
具体技术方案如下:
一种相机外参标定方法,包括:
对相机拍摄的当前帧图像进行特征点提取,作为初始特征点;
从所述初始特征点中筛选出符合要求的特征点,作为标定特征点;
获取所述标定特征点对应的世界坐标;
根据所述标定特征点对应的世界坐标确定出当前的相机外参。
根据本发明一优选实施例,所述从所述初始特征点中筛选出符合要求的特征点,作为标定特征点包括:针对任一初始特征点,若确定参考映射表中记录的各参考特征点中存在与所述初始特征点相匹配的参考特征点,则将所述初始特征点作为标定特征点;
所述获取所述标定特征点对应的世界坐标包括:针对任一标定特征点,获取所述参考映射表中记录的与所述标定特征点相匹配的参考特征点对应的世界坐标,作为所述标定特征点对应的世界坐标。
根据本发明一优选实施例,所述对相机拍摄的当前帧图像进行特征点提取之前,进一步包括:
将相机拍摄的一帧图像确定为参考帧图像;
对所述参考帧图像进行特征点提取,作为参考特征点;
获取所述参考特征点对应的世界坐标;
利用所述参考特征点及对应的世界坐标生成所述参考映射表。
根据本发明一优选实施例,所述对所述参考帧图像进行特征点提取包括:确定出所述参考帧图像中的感兴趣区域,对所述感兴趣区域进行特征点提取;
对所述当前帧图像进行特征点提取包括:对所述当前帧图像中的所述感兴趣区域进行特征点提取。
根据本发明一优选实施例,所述获取所述参考特征点对应的世界坐标包括:
根据所述参考帧图像对应的高精地图稠密点云获取所述参考特征点对应的世界坐标。
根据本发明一优选实施例,所述确定参考映射表中记录的各参考特征点中存在与所述初始特征点相匹配的参考特征点包括:针对任一初始特征点,若确定任一参考特征点的特征描述子与所述初始特征点的特征描述子的相似度大于或等于预定阈值,则将所述参考特征点作为与所述初始特征点相匹配的参考特征点。
根据本发明一优选实施例,所述根据所述标定特征点对应的世界坐标确定出当前的相机外参包括:
根据所述标定特征点对应的世界坐标、所述标定特征点在相机坐标系下的坐标以及相机外参之间的函数关系,确定出当前的相机外参。
根据本发明一优选实施例,所述函数关系包括:对于任一标定特征点,所述标定特征点对应的世界坐标等于所述标定特征点在相机坐标系下的坐标与相机外参之间的乘积;
所述确定出当前的相机外参包括:获取各标定特征点在相机坐标系下的坐标,结合各标定特征点对应的世界坐标及所述函数关系,构建方程组,通过最小二乘法最小化全局误差来线性回归,得到最优的相机外参,作为当前的相机外参。
一种相机外参标定装置,包括:标定单元;
所述标定单元,用于对相机拍摄的当前帧图像进行特征点提取,作为初始特征点,从所述初始特征点中筛选出符合要求的特征点,作为标定特征点,获取所述标定特征点对应的世界坐标,根据所述标定特征点对应的世界坐标确定出当前的相机外参。
根据本发明一优选实施例,所述标定单元针对任一初始特征点,若确定参考映射表中记录的各参考特征点中存在与所述初始特征点相匹配的参考特征点,则将所述初始特征点作为标定特征点;
所述标定单元针对任一标定特征点,获取所述参考映射表中记录的与所述标定特征点相匹配的参考特征点对应的世界坐标,作为所述标定特征点对应的世界坐标。
根据本发明一优选实施例,所述装置中进一步包括:预处理单元;
所述预处理单元,用于将相机拍摄的一帧图像确定为参考帧图像,对所述参考帧图像进行特征点提取,作为参考特征点,获取所述参考特征点对应的世界坐标,利用所述参考特征点及对应的世界坐标生成所述参考映射表。
根据本发明一优选实施例,所述预处理单元进一步用于,确定出所述参考帧图像中的感兴趣区域,对所述感兴趣区域进行特征点提取;
所述标定单元进一步用于,对所述当前帧图像中的所述感兴趣区域进行特征点提取。
根据本发明一优选实施例,所述预处理单元根据所述参考帧图像对应的高精地图稠密点云获取所述参考特征点对应的世界坐标。
根据本发明一优选实施例,所述标定单元针对任一初始特征点,若确定任一参考特征点的特征描述子与所述初始特征点的特征描述子的相似度大于或等于预定阈值,则将所述参考特征点作为与所述初始特征点相匹配的参考特征点。
根据本发明一优选实施例,所述标定单元根据所述标定特征点对应的世界坐标、所述标定特征点在相机坐标系下的坐标以及相机外参之间的函数关系,确定出当前的相机外参。
根据本发明一优选实施例,所述函数关系包括:对于任一标定特征点,所述标定特征点对应的世界坐标等于所述标定特征点在相机坐标系下的坐标与相机外参之间的乘积;
所述标定单元获取各标定特征点在相机坐标系下的坐标,结合各标定特征点对应的世界坐标及所述函数关系,构建方程组,通过最小二乘法最小化全局误差来线性回归,得到最优的相机外参,作为当前的相机外参。
一种计算机设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序时实现如以上所述的方法。
一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现如以上所述的方法。
基于上述介绍可以看出,采用本发明所述方案,不需要进行任何假设,针对每一当前帧图像,可分别通过特征点分析等对应确定出当前的相机外参,从而相比于现有方式提升了处理结果的准确性等。
【附图说明】
图1为本发明所述相机外参标定方法第一实施例的流程图。
图2为本发明所述相机外参标定方法第二实施例的流程图。
图3为本发明所述相机外参标定装置实施例的组成结构示意图。
图4示出了适于用来实现本发明实施方式的示例性计算机系统/服务器12的框图。
【具体实施方式】
为了使本发明的技术方案更加清楚、明白,以下参照附图并举实施例,对本发明所述方案进行进一步说明。
显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
另外,应理解,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,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
图1为本发明所述相机外参标定方法第一实施例的流程图。如图1所示,包括以下具体实现方式。
在101中,对相机拍摄的当前帧图像进行特征点提取,作为初始特征点。
在102中,从初始特征点中筛选出符合要求的特征点,作为标定特征点。
在103中,获取标定特征点对应的世界坐标。
在104中,根据标定特征点对应的世界坐标确定出当前的相机外参。
对从当前帧图像中提取出的初始特征点,可进一步从中筛选出符合要求的标定特征点。比如,针对任一初始特征点,若确定预先生成的参考映射表中记录的各参考特征点中存在与该初始特征点相匹配的参考特征点,那么则可将该初始特征点作为标定特征点。参考映射表中还可记录有各参考特征点对应的世界坐标,即在世界坐标系下的3D坐标。相应地,在获取标定特征点对应的世界坐标时,针对任一标定特征点,可分别获取参考映射表中记录的与该标定特征点相匹配的参考特征点对应的世界坐标,将获取到的世界坐标作为该标定特征点对应的世界坐标。
为此,可预先进行以下离线处理:将相机拍摄的一帧图像确定为参考帧图像;对参考帧图像进行特征点提取,作为参考特征点;获取参考特征点对应的世界坐标;利用参考特征点及对应的世界坐标生成参考映射表。
可从相机拍摄的图像中选出一帧图像作为参考帧图像,参考帧图像通常具有以下特征:图像内动态物体尽量少,以避免动态物体干扰,并需要有足够多的静态特征点。
为了减少后续处理的工作量等,可先在参考帧图像中选定感兴趣区域(ROI,Region of Interest)。ROI区域中需要尽可能地包含比较稳定的静态物体,如高楼、车道线等,以便进行特征点的提取,而尽可能地避免包含容易受到动态干扰的动态物体,如树,树在刮风时会出现晃动,而且不同时间可能会呈现出不同的状态,如冬天没有树叶,其它季节有树叶等,这样,如果特征点位于树叶上,冬天就会没有了,很不稳定。在确定出ROI区域之后,可对ROI区域进行特征点提取,相比于从整幅图像中提取特征点,可减少提取出的特征点数量,而位于ROI区域之外的特征点通常为干扰特征点,对于后续处理的帮助不大,反而会增大后续处理的工作量,带来额外的开销等,因此,可仅对ROI区域进行特征点提取。
可将从ROI区域中提取出的特征点作为参考特征点,或者,为进一步减少后续处理的工作量等,可对从ROI区域中提取出的特征点进行进一步筛选,如进行人工筛选,去掉一些干扰特征点,如位于道路上行驶的车辆上的特征点等,进而可将剩余的特征点作为参考特征点。
对于各参考特征点,可按照现有方式,根据参考帧图像对应的高精地图稠密点云获取各参考特征点对应的世界坐标(3D坐标),并可利用各参考特征点及对应的世界坐标生成参考映射表,如可按key-map映射关系保存为参考映射表。
完成上述离线处理后,在线运行时,可对相机拍摄的当前帧图像进行特征点提取,优选地,可基于参考帧图像中的ROI区域,对当前帧图像中的ROI区域进行特征点提取,并可将提取出的特征点作为初始特征点。
针对每个初始特征点,可分别确定参考映射表中记录的各参考特征点中是否存在与该初始特征点相匹配的参考特征点,若是,则可将该初始特征点作为标定特征点。比如,若确定任一参考特征点的特征描述子与该初始特征点的特征描述子之间的相似度大于或等于预定阈值,则可将该参考特征点作为与该初始特征点相匹配的参考特征点,进而可将该初始特征点作为标定特征点。
优选地,本实施例中所述的特征点可为面向Fast算法和旋转BRIEF(ORB,OrientedFAST and Rotated BRIEF)特征点,ORB特征点是对加速分割检测特征(FAST,Featuresfrom Accelerated Segment Test)特征点与BREIF特征描述子的一种结合与改进。针对提取出的初始特征点和参考特征点,可分别获取其特征描述子,相应地,可通过计算不同特征点的特征描述子之间的相似度,确定出与初始特征点相匹配的参考特征点。所述阈值的具体取值可根据实际需要而定,如可为百分之百,也可为小于百分之百的一个值。
如前所述,可将从初始特征点中筛选出的特征点作为标定特征点,针对每个标定特征点,可分别获取参考映射表中记录的与该标定特征点相匹配的参考特征点对应的世界坐标,作为该标定特征点对应的世界坐标。
进一步地,可根据各标定特征点对应的世界坐标、各标定特征点在相机坐标系下的坐标以及相机外参之间的函数关系,确定出当前的相机外参。
其中,所述函数关系包括:对于任一标定特征点,该标定特征点对应的世界坐标等于该标定特征点在相机坐标系下的坐标与相机外参之间的乘积。
即有:Pw(x,y,z)=Mcur_c2w·Pc(x,y,z); (1)
其中,Pw(x,y,z)表示世界坐标,Pc(x,y,z)表示相机坐标系下的坐标,Mcur_c2w表示相机外参。
可按照现有方式获取各标定特征点在相机坐标系下的坐标,并可结合各标定特征点对应的世界坐标及上述函数关系,构建方程组,进而可通过最小二乘法最小化全局误差来线性回归,得到最优的相机外参,作为当前的相机外参。
假设共得到了n(大于一)个标定特征点,那么针对每个标定特征点,可分别按照公式(1)生成一个方程式,Pw(x,y,z)和Pc(x,y,z)均为已知的,而相机外参是未知的,是待求解的。
可通过现有的最小二乘法最小化全局误差来线性回归,所述误差可如下所示:
选出使得上述误差最小的相机外参,即为最优的相机外参,进而可将该最优的相机外参作为确定出的当前的相机外参。
确定出当前的相机外参之后,可基于当前的相机外参对当前帧图像进行处理,如确定出图像中的车辆、行人的准确位置等。
综合上述介绍,图2为本发明所述相机外参标定方法第二实施例的流程图。如图2所示,包括以下具体实现方式。
在201中,将相机拍摄的一帧图像确定为参考帧图像。
可从相机拍摄的图像中选出一帧图像作为参考帧图像,参考帧图像通常具有以下特征:图像内动态物体尽量少,以避免动态物体干扰,并需要有足够多的静态特征点。
在202中,确定出参考帧图像中的ROI区域,对ROI区域进行ORB特征点提取,将提取出的各ORB特征点作为参考特征点。
ROI区域中需要尽可能地包含比较稳定的静态物体,如高楼、车道线等,以便进行特征点的提取,而尽可能地避免包含容易受到动态干扰的动态物体。
在203中,获取各参考特征点对应的世界坐标。
可根据参考帧图像对应的高精地图稠密点云获取各参考特征点对应的世界坐标。
在204中,利用各参考特征点及对应的世界坐标生成参考映射表。
如可将各参考特征点及对应的世界坐标按key-map映射关系保存为参考映射表。
在205中,对当前帧图像中的ROI区域进行ORB特征点提取,将提取出的各ORB特征点作为初始特征点。
可基于参考帧图像中的ROI区域,确定出当前帧图像中的对应ROI区域,并可对ROI区域进行ORB特征点提取。
在206中,针对每个初始特征点,若确定参考映射表中记录的各参考特征点中存在与该初始特征点相匹配的参考特征点,则将该初始特征点作为标定特征点。
比如,针对每个初始特征点,若确定任一参考特征点的特征描述子与该初始特征点的特征描述子的相似度大于或等于预定阈值,则可将该参考特征点作为与该初始特征点相匹配的参考特征点,进而可将该初始特征点作为标定特征点。
在207中,针对每个标定特征点,分别获取参考映射表中记录的与该标定特征点相匹配的参考特征点对应的世界坐标,作为该标定特征点对应的世界坐标。
在208中,根据各标定特征点对应的世界坐标、各标定特征点在相机坐标系下的坐标以及相机外参之间的函数关系,确定出当前的相机外参。
其中,所述函数关系可包括:对于任一标定特征点,该标定特征点对应的世界坐标等于该标定特征点在相机坐标系下的坐标与相机外参之间的乘积。
相应地,可获取各标定特征点在相机坐标系下的坐标,并结合各标定特征点对应的世界坐标及所述函数关系,构建方程组,进而可通过最小二乘法最小化全局误差来线性回归,得到最优的相机外参,作为当前的相机外参。
本实施例中,201-204为离线处理过程,205-208为在线运行过程,针对不同时刻拍摄到的当前帧图像,可分别按照205-208所示方式进行处理。
需要说明的是,对于前述的各方法实施例,为了简单描述,将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其它顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本发明所必须的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其它实施例的相关描述。
总之,采用本发明方法实施例所述方案,不需要进行任何假设,针对每一当前帧图像,可分别通过特征点分析等对应确定出当前的相机外参,从而相比于现有方式提升了处理结果的准确性,即提升了获取到的相机外参的准确性。
另外,采用本发明方法实施例所述方案,在离线处理过程中仅需选取ROI区域,并提取ORB特征点及构建参考映射表等,处理方式简单,便于实现。
再有,采用本发明方法实施例所述方案,通过选取ROI区域,减少了大量的干扰特征点,从而减少了后续处理如匹配的工作量等,提升了匹配速度,对于在线标定速度提升明显,可以满足实时性要求。
以上是关于方法实施例的介绍,以下通过装置实施例,对本发明所述方案进行进一步说明。
图3为本发明所述相机外参标定装置实施例的组成结构示意图。如图3所示,包括:标定单元301。
标定单元301,用于对相机拍摄的当前帧图像进行特征点提取,作为初始特征点,从初始特征点中筛选出符合要求的特征点,作为标定特征点,获取标定特征点对应的世界坐标,根据标定特征点对应的世界坐标确定出当前的相机外参。
具体地,标定单元301针对任一初始特征点,若确定参考映射表中记录的各参考特征点中存在与该初始特征点相匹配的参考特征点,则可将该初始特征点作为标定特征点;针对任一标定特征点,可获取参考映射表中记录的与该标定特征点相匹配的参考特征点对应的世界坐标,作为该标定特征点对应的世界坐标。
相应地,图3所示装置中还可进一步包括:预处理单元300,用于将相机拍摄的一帧图像确定为参考帧图像,对参考帧图像进行特征点提取,作为参考特征点,获取参考特征点对应的世界坐标,利用参考特征点及对应的世界坐标生成参考映射表。
为了减少后续处理的工作量等,预处理单元300可先在参考帧图像中选定ROI区域。ROI区域中需要尽可能地包含比较稳定的静态物体,如高楼、车道线等,以便进行特征点的提取,而尽可能地避免包含容易受到动态干扰的动态物体。
预处理单元300可对ROI区域进行特征点提取,将提取出的特征点作为参考特征点。相应地,标定单元301可基于参考帧图像中的ROI区域,对当前帧图像中的相应ROI区域进行特征点提取。
对于各参考特征点,预处理单元300可根据参考帧图像对应的高精地图稠密点云获取各参考特征点对应的世界坐标,并可利用各参考特征点及对应的世界坐标生成参考映射表,如可按key-map映射关系保存为参考映射表。
针对提取出的初始特征点,标定单元301可进一步从初始特征点中筛选出符合要求的特征点,作为标定特征点。其中,针对任一初始特征点,若确定参考映射表中记录的各参考特征点中存在与该初始特征点相匹配的参考特征点,则可将该初始特征点作为标定特征点。具体地,针对任一初始特征点,若确定任一参考特征点的特征描述子与该初始特征点的特征描述子的相似度大于或等于预定阈值,则可将该参考特征点作为与该初始特征点相匹配的参考特征点。
针对任一标定特征点,标定单元301可获取参考映射表中记录的与该标定特征点相匹配的参考特征点对应的世界坐标,作为该标定特征点对应的世界坐标。
进一步地,标定单元301可根据各标定特征点对应的世界坐标、各标定特征点在相机坐标系下的坐标以及相机外参之间的函数关系,确定出当前的相机外参。
其中,所述函数关系包括:对于任一标定特征点,该标定特征点对应的世界坐标等于该标定特征点在相机坐标系下的坐标与相机外参之间的乘积。标定单元301可获取各标定特征点在相机坐标系下的坐标,结合各标定特征点对应的世界坐标及函数关系,构建方程组,通过最小二乘法最小化全局误差来线性回归,得到最优的相机外参,作为当前的相机外参。
图3所示装置实施例的具体工作流程请参照前述方法实施例中的相关说明,不再赘述。
总之,采用本发明装置实施例所述方案,不需要进行任何假设,针对每一当前帧图像,可分别通过特征点分析等对应确定出当前的相机外参,从而相比于现有方式提升了处理结果的准确性,即提升了获取到的相机外参的准确性。
另外,采用本发明装置实施例所述方案,在离线处理过程中仅需选取ROI区域,并提取ORB特征点及构建参考映射表等,处理方式简单,便于实现。
再有,采用本发明装置实施例所述方案,通过选取ROI区域,减少了大量的干扰特征点,从而减少了后续处理如匹配的工作量等,提升了匹配速度,对于在线标定速度提升明显,可以满足实时性要求。
图4示出了适于用来实现本发明实施方式的示例性计算机系统/服务器12的框图。图4显示的计算机系统/服务器12仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图4所示,计算机系统/服务器12以通用计算设备的形式表现。计算机系统/服务器12的组件可以包括但不限于:一个或者多个处理器(处理单元)16,存储器28,连接不同系统组件(包括存储器28和处理器16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
计算机系统/服务器12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机系统/服务器12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
存储器28可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(RAM)30和/或高速缓存存储器32。计算机系统/服务器12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统34可以用于读写不可移动的、非易失性磁介质(图4未显示,通常称为“硬盘驱动器”)。尽管图4中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如存储器28中,这样的程序模块42包括——但不限于——操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
计算机系统/服务器12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该计算机系统/服务器12交互的设备通信,和/或与使得该计算机系统/服务器12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且,计算机系统/服务器12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图4所示,网络适配器20通过总线18与计算机系统/服务器12的其它模块通信。应当明白,尽管图中未示出,可以结合计算机系统/服务器12使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理器16通过运行存储在存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现图1或图2所示实施例中的方法。
本发明同时公开了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时将实现如图1或图2所示实施例中的方法。
可以采用一个或多个计算机可读的介质的任意组合。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。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、或半导体的系统、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(非穷举的列表)包括: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)、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。在本文件中,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系统、装置或者器件使用或者与其结合使用。
计算机可读的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。计算机可读的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,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、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——无线、电线、光缆、RF等等,或者上述的任意合适的组合。
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发明操作的计算机程序代码,所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)。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置和方法等,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明保护的范围之内。
Claims (12)
1.一种相机外参标定方法,其特征在于,包括:
基于参考帧图像中的感兴趣区域,对相机拍摄的当前帧图像中的感兴趣区域进行特征点提取,作为初始特征点,所述感兴趣区域中包含静态物体;
从所述初始特征点中筛选出符合要求的特征点,作为标定特征点,包括:针对任一初始特征点,若确定预先生成的参考映射表中记录的各参考特征点中存在与所述初始特征点相匹配的参考特征点,则将所述初始特征点作为标定特征点;所述参考特征点为将相机拍摄的一帧图像确定为所述参考帧图像并确定出所述参考帧图像中的感兴趣区域后、对从所述感兴趣区域中提取出的特征点进行筛选后得到的;其中,确定参考映射表中记录的各参考特征点中存在与所述初始特征点相匹配的参考特征点包括:针对任一初始特征点,若确定任一参考特征点的特征描述子与所述初始特征点的特征描述子的相似度大于或等于预定阈值,则将所述参考特征点作为与所述初始特征点相匹配的参考特征点;所述特征点为ORB特征点;
获取所述标定特征点对应的世界坐标,包括:针对任一标定特征点,获取所述参考映射表中记录的与所述标定特征点相匹配的参考特征点对应的世界坐标,作为所述标定特征点对应的世界坐标;
根据所述标定特征点对应的世界坐标确定出当前的相机外参。
2.根据权利要求1所述的方法,其特征在于,还包括:
获取所述参考特征点对应的世界坐标;
利用所述参考特征点及对应的世界坐标生成所述参考映射表。
3.根据权利要求2所述的方法,其特征在于,
所述获取所述参考特征点对应的世界坐标包括:
根据所述参考帧图像对应的高精地图稠密点云获取所述参考特征点对应的世界坐标。
4.根据权利要求1所述的方法,其特征在于,
所述根据所述标定特征点对应的世界坐标确定出当前的相机外参包括:
根据所述标定特征点对应的世界坐标、所述标定特征点在相机坐标系下的坐标以及相机外参之间的函数关系,确定出当前的相机外参。
5.根据权利要求4所述的方法,其特征在于,
所述函数关系包括:对于任一标定特征点,所述标定特征点对应的世界坐标等于所述标定特征点在相机坐标系下的坐标与相机外参之间的乘积;
所述确定出当前的相机外参包括:获取各标定特征点在相机坐标系下的坐标,结合各标定特征点对应的世界坐标及所述函数关系,构建方程组,通过最小二乘法最小化全局误差来线性回归,得到最优的相机外参,作为当前的相机外参。
6.一种相机外参标定装置,其特征在于,包括:标定单元;
所述标定单元,用于基于参考帧图像中的感兴趣区域,对相机拍摄的当前帧图像中的感兴趣区域进行特征点提取,作为初始特征点,所述感兴趣区域中包含静态物体;从所述初始特征点中筛选出符合要求的特征点,作为标定特征点,包括:针对任一初始特征点,若确定预先生成的参考映射表中记录的各参考特征点中存在与所述初始特征点相匹配的参考特征点,则将所述初始特征点作为标定特征点;所述参考特征点为将相机拍摄的一帧图像确定为所述参考帧图像并确定出所述参考帧图像中的感兴趣区域后、对从所述感兴趣区域中提取出的特征点进行筛选后得到的;其中,确定参考映射表中记录的各参考特征点中存在与所述初始特征点相匹配的参考特征点包括:针对任一初始特征点,若确定任一参考特征点的特征描述子与所述初始特征点的特征描述子的相似度大于或等于预定阈值,则将所述参考特征点作为与所述初始特征点相匹配的参考特征点;所述特征点为ORB特征点;获取所述标定特征点对应的世界坐标,包括:针对任一标定特征点,获取所述参考映射表中记录的与所述标定特征点相匹配的参考特征点对应的世界坐标,作为所述标定特征点对应的世界坐标,根据所述标定特征点对应的世界坐标确定出当前的相机外参。
7.根据权利要求6所述的装置,其特征在于,
所述装置中进一步包括:预处理单元;
所述预处理单元,用于将相机拍摄的一帧图像确定为参考帧图像,确定出所述参考帧图像中的感兴趣区域,对所述感兴趣区域进行特征点提取,并对提取出的特征点进行筛选,将剩余的特征点作为参考特征点,获取所述参考特征点对应的世界坐标,利用所述参考特征点及对应的世界坐标生成所述参考映射表。
8.根据权利要求7所述的装置,其特征在于,
所述预处理单元根据所述参考帧图像对应的高精地图稠密点云获取所述参考特征点对应的世界坐标。
9.根据权利要求6所述的装置,其特征在于,
所述标定单元根据所述标定特征点对应的世界坐标、所述标定特征点在相机坐标系下的坐标以及相机外参之间的函数关系,确定出当前的相机外参。
10.根据权利要求9所述的装置,其特征在于,
所述函数关系包括:对于任一标定特征点,所述标定特征点对应的世界坐标等于所述标定特征点在相机坐标系下的坐标与相机外参之间的乘积;
所述标定单元获取各标定特征点在相机坐标系下的坐标,结合各标定特征点对应的世界坐标及所述函数关系,构建方程组,通过最小二乘法最小化全局误差来线性回归,得到最优的相机外参,作为当前的相机外参。
11.一种计算机设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1~5中任一项所述的方法。
12.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1~5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910499966.7A CN110378966B (zh) | 2019-06-11 | 2019-06-11 | 车路协同相机外参标定方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910499966.7A CN110378966B (zh) | 2019-06-11 | 2019-06-11 | 车路协同相机外参标定方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110378966A CN110378966A (zh) | 2019-10-25 |
CN110378966B true CN110378966B (zh) | 2023-01-06 |
Family
ID=68250075
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910499966.7A Active CN110378966B (zh) | 2019-06-11 | 2019-06-11 | 车路协同相机外参标定方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110378966B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110793544B (zh) * | 2019-10-29 | 2021-12-14 | 北京百度网讯科技有限公司 | 路侧感知传感器参数标定方法、装置、设备及存储介质 |
CN111340890B (zh) * | 2020-02-20 | 2023-08-04 | 阿波罗智联(北京)科技有限公司 | 相机外参标定方法、装置、设备和可读存储介质 |
CN112212788A (zh) * | 2020-11-17 | 2021-01-12 | 华南农业大学 | 基于多台手机的视觉空间点三维坐标测量方法 |
CN112381889B (zh) * | 2020-11-19 | 2024-05-07 | 阿波罗智联(北京)科技有限公司 | 相机检验方法、装置、设备及存储介质 |
CN112819886B (zh) * | 2021-02-23 | 2023-01-03 | 中国人民解放军军事科学院国防科技创新研究院 | 基于倾角传感器的动态绳索摆角测量方法及系统 |
CN113313770A (zh) * | 2021-06-29 | 2021-08-27 | 智道网联科技(北京)有限公司 | 行车记录仪的标定方法及其装置 |
CN113658268A (zh) * | 2021-08-04 | 2021-11-16 | 智道网联科技(北京)有限公司 | 摄像头标定结果的验证方法、装置及电子设备、存储介质 |
CN114092916B (zh) * | 2021-11-26 | 2023-07-18 | 阿波罗智联(北京)科技有限公司 | 图像处理方法、装置、电子设备、自动驾驶车辆及介质 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN100453966C (zh) * | 2005-01-10 | 2009-01-21 | 北京航空航天大学 | 一种摄像机空间三维位置姿态测量方法 |
CN101425185B (zh) * | 2008-12-08 | 2011-03-30 | 北京航空航天大学 | 一种基于复合型平面靶标的小尺寸视觉测量的摄像机标定方法 |
CN102980528B (zh) * | 2012-11-21 | 2015-07-08 | 上海交通大学 | 无位姿约束线激光单目视觉三维测量传感器参数标定方法 |
CN104933755B (zh) * | 2014-03-18 | 2017-11-28 | 华为技术有限公司 | 一种静态物体重建方法和系统 |
CN106846409B (zh) * | 2016-10-28 | 2020-05-01 | 北京鑫洋泉电子科技有限公司 | 鱼眼相机的标定方法及装置 |
CN107256570A (zh) * | 2017-06-12 | 2017-10-17 | 浙江理工大学 | 一种基于最优化估计的摄像机外参数标定方法 |
CN113822939A (zh) * | 2017-07-06 | 2021-12-21 | 华为技术有限公司 | 车载传感器的外部参数标定的方法和设备 |
CN108010086A (zh) * | 2017-12-04 | 2018-05-08 | 深圳市赢世体育科技有限公司 | 基于网球场标志线交点的摄像机标定方法、装置和介质 |
CN108805936B (zh) * | 2018-05-24 | 2021-03-26 | 北京地平线机器人技术研发有限公司 | 摄像机外参标定方法、装置和电子设备 |
CN109859278B (zh) * | 2019-01-24 | 2023-09-01 | 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 |
-
2019
- 2019-06-11 CN CN201910499966.7A patent/CN110378966B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110378966A (zh) | 2019-10-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110378966B (zh) | 车路协同相机外参标定方法、装置、设备及存储介质 | |
US10984556B2 (en) | Method and apparatus for calibrating relative parameters of collector, device and storage medium | |
CN109214238B (zh) | 多目标跟踪方法、装置、设备及存储介质 | |
CN110163903B (zh) | 三维图像的获取及图像定位方法、装置、设备和存储介质 | |
CN109116374B (zh) | 确定障碍物距离的方法、装置、设备及存储介质 | |
JP2018063236A (ja) | 点群データにアノテーションを付与する方法および装置 | |
CN108229364B (zh) | 建筑物轮廓生成方法、装置、计算机设备及存储介质 | |
CN110660102B (zh) | 基于人工智能的说话人识别方法及装置、系统 | |
US11106933B2 (en) | Method, device and system for processing image tagging information | |
US20230214989A1 (en) | Defect detection method, electronic device and readable storage medium | |
CN111325798A (zh) | 相机模型纠正方法、装置、ar实现设备及可读存储介质 | |
CN112232311A (zh) | 人脸跟踪方法、装置及电子设备 | |
CN110956131B (zh) | 单目标追踪方法、装置及系统 | |
CN110796108A (zh) | 一种人脸质量检测的方法、装置、设备及存储介质 | |
CN111368860A (zh) | 重定位方法及终端设备 | |
CN113762455A (zh) | 检测模型训练方法、单字检测方法、装置、设备及介质 | |
CN111723799A (zh) | 坐标定位方法、装置、设备及存储介质 | |
US11599743B2 (en) | Method and apparatus for obtaining product training images, and non-transitory computer-readable storage medium | |
CN113009884B (zh) | 无人设备的作业控制方法、装置、设备及存储介质 | |
CN114708420A (zh) | 基于局部方差和后验概率分类器的视觉定位方法及装置 | |
CN111124862B (zh) | 智能设备性能测试方法、装置及智能设备 | |
CN109815307B (zh) | 位置确定方法、装置、设备和介质 | |
CN112966671A (zh) | 一种合同检测方法、装置、电子设备及存储介质 | |
US20230401691A1 (en) | Image defect detection method, electronic device and readable storage medium | |
CN113537199B (zh) | 图像边界框筛选方法、系统、电子装置及介质 |
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 |