CN110490936A - 车辆摄像头的标定方法、装置、设备及可读存储介质 - Google Patents

车辆摄像头的标定方法、装置、设备及可读存储介质 Download PDF

Info

Publication number
CN110490936A
CN110490936A CN201910633938.XA CN201910633938A CN110490936A CN 110490936 A CN110490936 A CN 110490936A CN 201910633938 A CN201910633938 A CN 201910633938A CN 110490936 A CN110490936 A CN 110490936A
Authority
CN
China
Prior art keywords
lane line
pixel
image
point
pitch angle
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.)
Granted
Application number
CN201910633938.XA
Other languages
English (en)
Other versions
CN110490936B (zh
Inventor
孙想
钟学贤
黄玉辉
姚万超
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.)
Hangzhou Feibao Technology Co Ltd
Hangzhou Fabu Technology Co Ltd
Original Assignee
Hangzhou Feibao Technology 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 Hangzhou Feibao Technology Co Ltd filed Critical Hangzhou Feibao Technology Co Ltd
Priority to CN201910633938.XA priority Critical patent/CN110490936B/zh
Publication of CN110490936A publication Critical patent/CN110490936A/zh
Application granted granted Critical
Publication of CN110490936B publication Critical patent/CN110490936B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • 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

Abstract

本公开提供一种车辆摄像头的标定方法、装置、设备及可读存储介质，包括：获取通过前置摄像头拍摄预设区域的图像；其中，预设区域设置有车道线；识别图像中包括的车道线，并确定车道线对应的车道线方程；根据车道线对应的方程获取多组对应的平行点；确定一俯仰角度值，以使各组平行点包括的像素点之间的空间距离相等；其中，每组平行点中包括第一像素点、第二像素点，第一像素点与第二像素点位于同一高度。本公开提供的车辆摄像头的标定方法、装置、设备及可读存储介质，车辆根据摄像头获取的图像能够自动标定摄像头的俯仰角，标定过程无需人为参与，自动化程度高，更加准确且效率高。

Description

车辆摄像头的标定方法、装置、设备及可读存储介质
技术领域
本公开涉及摄像头的标定技术，尤其涉及一种车辆摄像头的标定方法、装置、设备及可读存储介质。
背景技术
随着ADAS(Advanced Driver Assistance System，高级驾驶辅助系统)产品以及计算机视觉相关技术的发展和普及，车载摄像头的使用也愈发普遍。随之而来的，利用前置摄像头更加准确地估计前方障碍物以及车道线与自身车辆的距离成为非常重要的一个课题。因此，需要对前置摄像头进行标定，从而通过前置摄像头获取准确的图像。
目前对摄像头进行标定的方案主要有以下几种：(1)利用道路图像的灭点自动标定；(2)利用额外的硬件来测量俯仰角；(3)使用标定板进行标定。
现有技术中的标定方案中，面临着人工干预较多、额外硬件成本多、实际应用中不易部署等技术问题。因此，如何准确、简便且快速地标定ADAS前置摄像头的俯仰角是本领域技术人员亟待解决的技术问题。
发明内容
本公开提供一种车辆摄像头的标定方法、装置、设备及可读存储介质，以解决现有技术中对摄像头标定时面临着人工干预较多、额外硬件成本多、实际应用中不易部署等技术问题。
本公开的第一个方面是提供一种车辆摄像头的标定方法，包括：
获取通过前置摄像头拍摄预设区域的图像；其中，所述预设区域设置有车道线；
识别所述图像中包括的车道线，并确定所述车道线对应的车道线方程；
根据所述车道线对应的方程获取多组对应的平行点；
确定一俯仰角度值，以使各组平行点对应的空间距离相等；
其中，每组平行点中包括第一像素点、第二像素点，所述第一像素点与所述第二像素点位于同一高度。
本公开的另一个方面是提供一种车辆摄像头的标定装置，包括：
图像获取模块，用于获取通过前置摄像头拍摄预设区域的图像；其中，所述预设区域设置有车道线；
识别模块，用于识别所述图像中包括的车道线，并确定所述车道线对应的车道线方程；
点获取模块，根据所述车道线对应的方程获取多组对应的平行点；
确定模块，用于确定一俯仰角度值，以使各组平行点对应的空间距离相等；
其中，每组平行点中包括第一像素点、第二像素点，所述第一像素点与所述第二像素点位于同一高度。
本公开的又一个方面是提供一种车辆摄像头的标定设备，包括：
存储器；
处理器；以及
计算机程序；
其中，所述计算机程序存储在所述存储器中，并配置为由所述处理器执行以实现如上述第一方面所述的车辆摄像头的标定方法。
本公开的又一个方面是提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行以实现如上述第一方面所述的车辆摄像头的标定方法。
本公开提供的车辆摄像头的标定方法、装置、设备及可读存储介质的技术效果是：
本公开提供的车辆摄像头的标定方法、装置、设备及可读存储介质，包括：获取通过前置摄像头拍摄预设区域的图像；其中，预设区域设置有车道线；识别图像中包括的车道线，并确定车道线对应的车道线方程；根据车道线对应的方程获取多组对应的平行点；确定一俯仰角度值，以使各组平行点对应的空间距离相等；其中，每组平行点中包括第一像素点、第二像素点，第一像素点与第二像素点位于同一高度。本公开提供的车辆摄像头的标定方法、装置、设备及可读存储介质，车辆根据摄像头获取的图像能够自动标定摄像头的俯仰角，标定过程无需人为参与，自动化程度高，更加准确且效率高。
附图说明
图1为本发明一示例性实施例示出的车辆摄像头的标定方法的流程图；
图2为本发明另一示例性实施例示出的车辆摄像头的标定方法的流程图；
图3为本发明一示例性实施例示出的车辆摄像头的标定装置的结构图；
图4为本发明另一示例性实施例示出的车辆摄像头的标定装置的结构图；
图5为本发明一示例性实施例示出的车辆摄像头的标定设备的结构图。
具体实施方式
在车辆上路之前，需要对其车辆上设置的传感器进行标定，尤其需要对摄像头标定，从而在根据摄像头拍摄的图像进行处理时，能够得到准确的环境信息。
本公开实施例提供的方案，能够自动对车辆的摄像头俯仰角进行标定，该俯仰角可以用于将图像中的坐标系转换为世界坐标系。例如，车辆可以获取周围环境的图像，并通过该俯仰角，将图像中一物体的位置坐标转换为世界坐标系中的三维坐标。
图1为本发明一示例性实施例示出的车辆摄像头的标定方法的流程图。
如图1所示，本实施例提供的车辆摄像头的标定方法包括：
步骤101，获取通过前置摄像头拍摄预设区域的图像；其中，预设区域设置有车道线。
其中，本实施例提供的标定方法可以由具备计算功能的电子设备执行，例如可以是车载电脑、计算机等。该电子设备与车辆的摄像头连接，例如可以通过CAN(ControllerArea Network，控制器局域网络)总线连接。电子设备可以向摄像头发送请求，以使摄像头反馈其拍摄的图像。摄像头在采集到图像后，还可以主动将图像发送给电子设备，以使电子设备可以根据接收的图像进行标定。
该电子设备还可以设置在一车辆上，该车辆例如可以是自动驾驶车辆、设置有ADAS的车辆。
具体的，电子设备还可以具备感知功能，在车辆在路上实际行驶时，该电子设备可以基于摄像头采集的环境图像识别车辆周围的物体，进而确定车辆的行驶策略。
进一步的，在标定时，摄像头采集的图像可以是视频图像，电子设备可以对视频图像中的每帧图像进行处理，或者在视频图像中筛选出需要处理的图像，例如每隔几帧采集一图像进行处理。
实际应用时，摄像头采集的图像还可以是图片，摄像头可以每隔几秒中拍摄一张图片，并将其发送给电子设备。
其中，可以预先设置预设区域，用于对车辆进行自动标定。该预设区域设置有车道线，车道线的规格可以与实际道路相似，例如，车道线之间的距离可以是3.5米。预设区域可以设置有多条平行的车道线。
具体的，本实施例提供的方法中，可以控制车辆在预设区域内的车道中行驶，并通过识别摄像头拍摄的图像中的车道线，根据确定的车道线确定摄像头的俯仰角。
步骤102，识别图像中包括的车道线，并确定车道线对应的车道线方程。
进一步的，电子设备中可以具有图像识别功能，具体可以在电子设备中设置一预先训练的图像识别模块，并通过该图像识别模块对图像进行识别。
实际应用时，可以预先采集大量的训练图像，例如可以是包括各种车道线的图像，还可以是不包括车道线的图像，并对训练图像进行标记，具体可以标记其中的车道线位置。可以通过训练图像训练深度学习网络，从而通过训练能够得到上述图像识别模块。
其中，深度学习网络中可以包括多个深度学习中的卷积层、池化层、批归一化层、空洞卷积层等。
具体的，深度学习网络可以提取图像中每个像素点的特征，并通过像素点特征确定出属于车道线的像素点。例如，可以识别出一像素点属于左一车道线，或属于右一车道线。可以将属于同一车道线的像素点进行拟合，得到车道线方程。
进一步的，若预设区域中的包括虚线车道线，则深度学习网络还可以根据提取的像素特征，将虚线中空白位置对应的像素点也确定为属于该车道线的像素点，该空白位置是指虚线车道线中没画车道线的位置。
实际应用时，在图像中，每个像素点都可以具备像素坐标。可以以图像左上角为原点，每个像素点具有一组坐标值(x，y)。生成车道线方程时，可以根据属于同一车道线的像素点的坐标，确定一直线方程，即该车道线的方程。
其中，若拍摄的图像中包括多条车道线，则可以根据本实施例提供的方法，拟合出多个车道线方程。
步骤103，根据车道线对应的方程获取多组对应的平行点。
具体的，每组平行点中包括第一像素点、第二像素点，第一像素点与第二像素点位于同一高度。
进一步的，预设区域中设置有平行的车道线，通过摄像头采集的图像中，这两条车道线不是平行的，但是其在三维的世界坐标系中是平行的。因此，可以通过这一平行关系，确定摄像头的俯仰角。
实际应用时，可以根据确定的车道线方程获取多组平行点，每组平行点包括两个像素点，即第一像素点和第像素二点。这两个点位于同一高度。
其中，可以认为图像中横向坐标为x，纵向坐标为y(以摄像头拍摄图像的方位为正向)，因此，可以确定一y值，并根据相互平行的车道线方程，确定对应的x值，从而确定出一组平行点。例如对于车道线“左一”来说，确定第一像素点P11(x1、y1)，对于车道线“右一”来说，确定第二像素点P21(x2、y1)。还可以设置另一个y值，再确定另一组平行点P12(x1＇、y2)、P22(x2＇、y2)。
具体的，对于一对空间平行的车道线来说，可以获取多组平行点，例如可以设置两组平行点。
步骤104，确定一俯仰角度值，以使各组平行点包括的像素点之间的空间距离相等。
进一步的，在世界坐标系中，每组平行点包括的第一像素点、第二像素点都能够对应于相应的位置点，即世界坐标系中的第一位置点、第二位置点。同时，由于第一像素点与第二像素点在图像中处于同一高度，因此，对应的两个位置点的间距等于其所在的车道线间距。
实际应用时，相互平行的两条车道线在三维空间中间不同位置测量的间距应当相等，即相互平行的两条车道线对应的两组平行点对应的空间距离应当相等。
例如，可以根据第一组平行点确定P11、P21第一位置点P11＇、第二位置点P21＇，根据第二组平行点确定P12、P22第一位置-点P12＇、第二位置点P22＇。根据第一组平行点确定对应的空间距离P11＇-P21＇，根据第二组平行点确定对应的空间距离P12＇-P22＇。
其中，在将图像中的像素点转换为空间位置点时，可以设置一未知俯仰角参数，从而使得空间位置点中包括未知俯仰角参数。基于此，能够得到每组像素点对应的空间位置点，进而根据空间位置点确定的空间距离中也包括俯仰角。
具体的，可以认为确定的空间距离相等，例如P11＇-P21＇与P12＇-P22＇相等。进而能够计算得到未知俯仰角参数对应的值，即俯仰角度值。
本实施例提供的方法用于标定车辆的摄像头，该方法由设置有本实施例提供的方法的设备执行，该设备通常以硬件和/或软件的方式来实现。
本实施例提供的车辆摄像头的标定方法，包括：获取通过前置摄像头拍摄预设区域的图像；其中，预设区域设置有车道线；识别图像中包括的车道线，并确定车道线对应的车道线方程；根据车道线对应的方程获取多组对应的平行点；确定一俯仰角度值，以使各组平行点包括的像素点之间的空间距离相等；其中，每组平行点中包括第一像素点、第二像素点，第一像素点与第二像素点位于同一高度。本实施例提供的方法，通过车辆根据摄像头获取的图像能够自动标定摄像头的俯仰角，标定过程无需人为参与，自动化程度高，更加准确且效率高。
图2为本发明另一示例性实施例示出的车辆摄像头的标定方法的流程图。
如图2所示，本实施例提供的车辆摄像头的标定方法包括：
步骤201，控制车辆行驶至目标位置，并提示开始自动标定。
其中，执行本实施例提供的方法电子设备还能够控制车辆前往目标位置，该目标位置例如可以是预设区域中的一指定位置。例如可以是预设区域的入口位置。
具体的，当车辆处于目标位置时，其上设置的摄像头能够拍摄到平行的车道线，从而能够在其拍摄的图像中识别出车道线，并根据车道线间的平行关系确定俯仰角。
进一步的，车辆行驶到目标位置后，还可以通过语音的方式提示用户开始自动标定。可以预先在电子设备中存储音频信息，该音频信息用于提示用户即将进行标定，从而使坐在车辆中的用户能够获知标定进度。
步骤202，获取通过前置摄像头拍摄预设区域的图像；其中，预设区域设置有车道线。
步骤202与步骤101的具体原理和实现方式类似，此处不再赘述。
步骤203，确定图像对应的多通道特征图；其中，多通道特征图包括每个像素点与每种车道线类型的对应信息。
具体的，可以在电子设备中设置车道线检测网络，车道线检测网络能够确定图像对应的多通道特征图。例如，可以将摄像头获取的图像输入车道线检测网络，以使车道线检测网络输出该图像对应的车道线信息。
车道线类型是指车道线具体的位置信息，例如车道线位于车辆的左侧，位于车量的右侧等。像素点与每种车道线类型的对应信息可以是一像素点属于每种车道线类型的概率值，例如一像素点的对应关系可以包括属于左侧第一条车道线的概率值，属于右侧第一条车道线的概率值。每个通道可以是指像素点属于一种类型车道线的概率值，例如，可以共包括两个通道，一个为“左一”车道线，另一个为“右一”车道线，则其中一个通道为各个像素点属于“左一”车道线的概率值，另一个通道为各个像素点属于“右一”车道线的概率值。
进一步的，车道线检测网络可以是一预先训练的深度学习网络。通过深度学习网络能够提取图像中每个像素点的特征，并通过像素特征确定各个像素点属于各个车道线位置的概率值，例如一像素点属于“左一”车道线的概率是80％，属于“背景”的概率是20％，属于“右一”车道线的概率是0％。深度学习网络可以根据每个像素点属于不同车道线位置的概率值，输出一多通道特征图。
实际应用时，车道线位置是相对于车辆的位置，例如，距离车辆左侧的最近的车道线为“左一”车道线，距离车辆左侧的次近的车道线为“左二”车道线。
其中，可以预先采集通过车辆摄像头拍摄的图像，并在图像中标注出车道线对应的位置信息，例如“左一”车道线、“左二”车道线，可以通过这些图像对一深度学习网络进行训练，得到车道线检测网络。
可以根据softmax函数将网络输出的结果中，每个像素点的对应信息转换为置信度得分，该置信度得分可以用于表示一个像素点属于不同类型车道线的概率值。
步骤204，根据多通道特征图确定图像对应的单通道特征图；其中，单通道特征图包括每个像素点所属的车道线类型的标识信息。
具体的，可以根据多通道特征图中，每个像素点与每种车道线类型的对应信息确定出每个像素点所属的车道线类型的标识信息，进而得到单通道特征图。
进一步的，在单通道特征图中，每个像素点具有一个其所属的车道线类型的标识信息，例如一像素点A属于“左1”车道线，一像素点B属于“右1”车道线，一像素点C属于背景。图像中除了车道线以外的部分，都可以认为是背景。例如黑色的道路本身、路边的树木、车辆、行人等。
实际应用时，若每个像素点与每种车道线类型的对应信息是像素点属于各个车道线位置的概率值，则可以根据概率值高低确定出该像素点具体属于的车道线。例如一像素点属于“左一”车道线的概率是80％，属于“背景”的概率是20％，属于“右一”车道线的概率是0％，则可以将概率值最高的车道线认为是该像素点所属的车道线，即该像素点属于“左一”车道线。
其中，为了便于计算机读取各个像素点与每种车道线类型的对应信息，可以设置每种车道线类型的标识信息，例如“左一”车道线的标识是1，“右一”车道线的标识信息是2，背景的标识信息是0。具体的标识可以根据需求进行设置，本实施例不对此进行限制。
具体的，可以将概率值最高的车道线标识，确定为像素点所属的车道线类型的标识信息。例如一像素点与每种车道线类型的对应关系为：1，80％；0，20％；2,0％。则确定的单通道特征图中，该像素点所属的车道线类型的标识信息为80％。
可以采用argmax函数取置信度最高的类型表示当前像素点所属的车道线类型。
可选的，多通道特征图可以是相较于原图来说，宽和高各缩小2倍的特征图。在对多通道特征图处理之前，可以将其缩放至与原图尺寸一致的图，进而得到的单通道特征图也是与原图尺寸一致的特征图。
步骤205，根据单通道特征图确定车道线，并确定车道线对应的车道线方程。
进一步的，可以根据单通道特征图中，各个像素点对应的车道线类型标识信息确定出图像中包括的车道线。
实际应用时，可以认为相连像素点具有相同的车道线类型标识信息时，这两个像素点是连通的。因此，可以根据每个像素点所属的车道线类型的标识信息确定特征图中的连通区域。连通区域可以具有相应的属性，例如一个连通区域属于“左一”车道线，另一连通区域属于“右一”车道线。
其中，还可以过滤掉不合格的连通区域。例如，可以判断一连通区域是否面积较小，或者一连通区域是否不符合车道线的形状，进而可以将误识别为车道线的其他物体剔除掉。
具体的，对于合格的连通区域，可以根据各个连通区域属于的车道线类别，对其进行拟合，得到完整的车道线。连通区域所属于的车道线类别，与该连图区域内像素点所属车道线的类别一致。
进一步的，在确定连通区域时，可以先根据单通道特征图生成与原图尺寸相同的灰度图；在灰度图中确定连通区域，并根据连通区域确定车道线。
实际应用时，可以根据单通道特征图生成与原图尺寸相同的灰度图，具体可以根据车道线的类别生成对应的灰度图。例如可以生成“左一”车道线对应的灰度图，可以根据单通道特征图中属于“左一”车道线的像素点生成该灰度图，生成的灰度图中，可以将“左一”车道线对应的像素点设置为黑色，其他像素点的颜色设置为白色。
其中，可以通过各个像素点的颜色确定连通区域，例如，可以将连续的黑色像素点区域作为连通区域，可以根据灰度图确定对应的车道线，例如将黑色区域确定为“左一”车道线。
进一步的，还可以生成包括多个车道线类型对应的灰度图，例如，可以根据单特征通道图生成一灰度图，该灰度图中，属于不同类型车道线的像素点的灰度值可以不同，例如，属于“左一”车道线的像素点灰度值可以m，属于“右一”车道线的像素点灰度值可以是n，属于背景的像素点的灰度值可以是k。
可以根据各个像素点的灰度值在其中确定连通区域，连通区域内的像素点灰度值相同。
具体的，还可以对灰度图中的连通区域进行拟合，从而得到车道线对应的车道线方程。若灰度图对应于一个车道线，则可以直接对该灰度图中的连通区域进行拟合，得到该车道线类型的方程。若灰度图对应于多个类型的车道线，则可以对其中包括的不同连通区域进行拟合，得到多条车道线对应的方程。
步骤206，根据车道线方程确定候选点，并根据候选点在单通道特征图中的位置确定相应的映射点。
进一步的，本实施例提供的方法还可以检测确定的车道线方程是否合格，具体可以根据车道线方程确定候选点，例如，可以选取一个y值，并根据车道线方程确定其对应的x值，进而得到一个候选点。选取的y值应当属于图像范围内，例如，图像的在纵向的尺寸是300，则y值的绝对值应当小于等于300。
其中，可以针对每个车道线方程都确定对的候选点。该候选点还可以包括多个像素点，即可以是一候选点集。
实际应用时，可以在单通道特征图中确定候选点的位置。可以将候选点预设范围内的点作为其映射点，具体可以根据候选点的位置确定其周围的点。
步骤207，判断候选点与映射点所属的车道线类型的标识信息是否一致。
其中，可以根据单通道特征图，确定候选点与映射点所属的车道线类型。本实施例提供的方法中，候选点与映射点均为一个像素点，而单通道特征图中包括每个像素所属车道线的类型标识，因此，候选点与映射点也具有相应的类型标识。
具体的，可以判断候选点与其对应的映射点所属的车道线类型的标识信息是否一致，可以比对候选点与其对应的每个映射点的类型标识，从而得到与每个映射点对应的判断结果。例如共确定了10个映射点，则可以得到十个比对一致或不一致的结果。
步骤208，根据判断结果确定候选点所在的车道线方程是否有误。
进一步的，由于实际路面中的车道线具有一定的宽度，在拍摄的图像中，属于车道线的像素点不会独立存在，在其周边必定有与其临近的其他也属于同一车道线的像素点。因此，若一个候选点与其对应的所有映射点的车道线类型均不一致，例如一个候选点的车道线类别是1，其对应的10个映射点的车道线类别是0，则可以认为该候选点所在的车道线方程有误。
实际应用时，还可以设置预设比值，若在多个映射点中，占比超出预设比值的映射点与候选点的类型标识比值，可以认为候选点所在的车道线方程正确。例如一个像素点位于车道线边缘位置，此时，其周围的像素点不会都属于车道线。
步骤209，若确定车道线的方程有误，则丢弃用于确定车道线方程的图像。
其中，若确定一车道线方程有误，可以丢弃其对应的图像，例如可以丢弃对应的帧图像。同时，还可以丢弃根据该帧图像确定的其他车道线方程。
例如，根据一个帧图像确定出两条车道线，分别为“左一”车道线、“右一”车道线，若基于步骤206-208确定“左一”车道线有误，则可以丢弃该帧图像，同时，也不对该帧图像确定出的“右一”车道线进行进一步的处理。
步骤210，根据车道线对应的方程获取多组对应的平行点；其中，每组平行点中包括第一像素点、第二像素点，第一像素点与第二像素点位于同一高度。
步骤210与步骤103的具体原理和实现方式类似，此处不再赘述。
步骤211，根据平行点在图像中的像素坐标，确定平行点的世界坐标；其中，世界坐标中包括未知俯仰角参数。
其中，本实施例提供的方法中，平行点与上述候选点可以是相同的点，也可以是不同的点。若是相同的点，则可以根据平行点的要求确定候选点。
具体的，在一图像中，每个像素点都有对应的像素坐标，例如，可以将图像左上角作为原点，则每个像素点具有一组坐标值(x，y)。x用于表示一个像素点在横向的位置，y用于表示一个像素点在纵向的位置。通过一组坐标(x，y)能够在图像中确定出唯一的像素点。
进一步的，可以根据像素点在图像中的坐标，确定该像素点在空间的坐标。
实际应用时，可以基于下式将一个像素点通过图像采集装置，例如通过摄像头自身的投影矩阵投影到平面图像上：
其中，s表示像素点的高和宽，一般情况下，一个像素点的高和宽是相等的，因此，可以用s统一表示；u、v分别代表像素点在像素坐标系下的横坐标和纵坐标，即上述提到的一个像素点的坐标(x，y)；fx、fy分别代表相机的横坐标和纵坐标的像素焦距，(Ox，Oy)是指图像的中心点；(Xc、Yc、Zc)表示在摄像机坐标系下的坐标。
具体的，下式为相机坐标系与时间坐标系的变化矩阵：
其中，(Xw、Yw、Zw)表示在世界坐标系下的坐标，θy表示俯仰角，该俯仰角可以是一未知值。
进一步的，可以通过上面的逆透视矩阵、相机坐标系与世界坐标系的变换矩阵，将平行点在图像中的像素坐标转换为世界坐标系中的坐标，并且，确定出的世界坐标中包括未知俯仰角参数θy。
步骤212，根据世界坐标确定每组平行点中的第一像素点、第二像素点之间的空间距离。
实际应用时，可以确定每组平行点中的第一像素点与第二像素点的世界坐标，并根据世界坐标确定这两个像素点的空间距离。
其中，由于在图像中确定的每组平行点中，第一像素点与第二像素点位于同一高度，因此，可以认为每组平行点连接后的直线之间是平行的关系，而车道线之间也是平行的，因此，通过各组平行点中两个点确定的空间距离也是相等的。可以根据这一关系确定出俯仰角。
针对每组平行点都可以确定出对应的空间距离。由于像素点的世界坐标中携带未知的俯仰角参数，因此，确定出的空间距离中也携带有这一参数。
步骤213，根据每组平行点对应的空间距离确定未知俯仰角参数的值，以使多个空间距离的值相等。
具体的，可以认为通过不同组平行点确定的空间距离相等，因此，可以根据这一相等的关系确定出俯仰角参数对应的值。
进一步的，若从大于两条车道线的方程中获取平行点，则还可以根据相邻两条车道线中获取的像素点确定俯仰角。
例如，共识别出三条车道线“左一”、“右一”、“右二”，则可以从“左一”车道线、“右一”车道线上分别取两个像素点形成两组平行点，例如A1、B1，A2、B2，其中，A1、B1为一组平行点，A2、B2为一组平行点。可以认为A1、B1对应的空间距离与A2、B2对应的空间距离相等，进而能够确定出一俯仰角。还可以从“右一”车道线、“右二”车道线上分别取两个像素点形成两组平行点，例如B3、C3，B4、C4(Cx表示属于“右二”车道线的点)，其中，B3、C3为一组平行点，B4、C4为一组平行点。可以认为B3、C3对应的空间距离与B4、C4对应的空间距离相等，进而能够确定出另一俯仰角。在这种情况下，还可以通过两个俯仰角度确定一最终的俯仰角，比如可以计算二者的平均值。
通过步骤203-213能够通过一个图像确定出对应的俯仰角，例如是一张图片，或是一个帧图片等。本实施例提供的方法，还可以通过图像采集装置获取更多的图像，进而根据每张图像都可以执行步骤203-213，从而确定出每张图像对应的俯仰角度值。
其中，例如可以是设置一预设值N，可以执行步骤203-213N次，当循环N次之后，也可以认为处理了N个图像之后，执行步骤214。
步骤214，根据多个俯仰角度值确定目标俯仰角度值。
具体的，当对多个图像进行处理后，可以得到多个俯仰角度值，例如，可能共处理了N张图像，最后得到M个俯仰角度值(M≤N)。
进一步的，可以确定多个俯仰角度值的平均值，作为目标俯仰角度值。还可以在多个俯仰角度值中确定中位值，将中位值确定为目标俯仰角度值。中位值是指在多个俯仰角度值对应的数值中，确定一中位数，作为中位值。
实际应用时，在确定了目标俯仰角度值之后，还可以将其写入车辆的配置文件中，以使车辆能够根据这一数据对拍摄的图像进行处理。
可选的，本实施例提供的方法还可以包括：
步骤2151，获取通过前置摄像头拍摄测试区域的第二图像，并根据目标俯仰角度值确定车辆与位于测试区域的预设物体之间的测试距离。
确定目标俯仰角度值之后，还可以对这一数值的准确性进行判断。可以获取通过前置摄像头拍摄测试区域的第二图像，拍摄的第二图像中可以包括设置在测试区域内的预设物体。例如可以是一标杆等。
其中，可以根据目标俯仰角度值确定第二图像预设物体在世界坐标系中的坐标，再根据车辆当前位置可以确定出该预设物体距离车辆的测试距离。
具体的，可以控制车辆行驶至一指定位置，并在该指定位置拍摄第二图像，再根据第二图像确定测试距离。
步骤2152，获取通过前置摄像头拍摄测试区域的第二图像，并根据目标俯仰角度值确定与预设车道的测试间距。
本实施方式也可以用来检测目标俯仰角度值是否符合预设规则。
可以获取通过前置摄像头拍摄测试区域的第二图像，拍摄的第二图像中可以包括预设区域内绘制的车道线，可以通过电子设备中设置的预先训练的网络识别第二图像中的车道线，并根据目标俯仰角度值确定识别出车道线在世界坐标系中的位置，再根据车辆当前位置可以确定出车道线距离车辆的测试距离。例如可以是“左一”车道线与车辆之间的测试距离，还可以是“右一”车道线与车辆之间的测试距离。
其中，该测试距离例如可以是车道线与车辆的直线距离。可以根据识别出的车道线确定车道线方程，根据该车道线方程能够在世界坐标系中确定出车道线的具体位置，例如可以是车道线中心线在世界坐标系中的空间位置，此时，可以根据车辆在世界坐标系的位置确定其距离车道线中心线的距离。
具体的，还可以控制车辆行驶至一指定位置，并在该指定位置拍摄第二图像，再根据第二图像确定测试距离。
步骤2151或步骤2152之后，可以执行步骤216。
步骤216，比对测试距离与实际距离，并根据比对结果确定目标俯仰角度值是否符合预设规则。
进一步的，该实际距离可以通过人工测得，例如，可以测量车辆拍摄第二图像时所在位置距离预设物体或车道线的距离。再例如，可以控制车辆行驶至指定位置再拍摄第二图像，在这情况下，可以预先测量指定位置距离预设物体或车道线的距离，进而可以得到一个可多次利用的实际距离。
实际应用时，可以比对测试距离与实际距离，例如可以计算二者差值，并根据比对结果确定目标俯仰角度值是否符合预设规则。若符合，则可以认为目标俯仰角度值是准确的，否则，可以继续执行步骤201-214，确定出新的目标俯仰角度值。
其中，该预设规则可以是一个范围，当测试距离与实际距离之间的差值落入该范围内，则可以认为目标俯仰角度值符合预设规则。
图3为本发明一示例性实施例示出的车辆摄像头的标定装置的结构图。
如图3所示，本实施例提供的车辆摄像头的标定装置，包括：
图像获取模块31，用于获取通过前置摄像头拍摄预设区域的图像；其中，所述预设区域设置有车道线；
识别模块32，用于识别所述图像中包括的车道线，并确定所述车道线对应的车道线方程；
点获取模块33，根据所述车道线对应的方程获取多组对应的平行点；
确定模块34，用于确定一俯仰角度值，以使各组平行点包括的像素点之间的空间距离相等；
其中，每组平行点中包括第一像素点、第二像素点，所述第一像素点与所述第二像素点位于同一高度。
本实施例提供的车辆摄像头的标定装置，包括：图像获取模块，用于获取通过前置摄像头拍摄预设区域的图像；其中，预设区域设置有车道线；识别模块，用于识别图像中包括的车道线，并确定车道线对应的车道线方程；点获取模块，根据车道线对应的方程获取多组对应的平行点；确定模块，用于确定一俯仰角度值，以使各组平行点包括的像素点之间的空间距离相等；其中，每组平行点中包括第一像素点、第二像素点，第一像素点与第二像素点位于同一高度。本实施例提供的车辆摄像头的标定装置，通过车辆根据摄像头获取的图像能够自动标定摄像头的俯仰角，标定过程无需人为参与，自动化程度高，更加准确且效率高。
本实施例提供的车辆摄像头的标定装置的具体原理和实现方式均与图1所示的实施例类似，此处不再赘述。
图4为本发明另一示例性实施例示出的车辆摄像头的标定装置的结构图。
如图4所示，在上述实施例的基础上，本实施例提供的车辆摄像头的标定装置，可选的，所述识别模块32包括：
特征图确定单元321，用于确定所述图像对应的多通道特征图；其中，所述多通道特征图包括每个像素点与每种车道线类型的对应信息；
所述特征图确定单元321还用于根据所述多通道特征图确定所述图像对应的单通道特征图；其中，所述单通道特征图包括每个像素点所属的车道线类型的标识信息；
车道线确定单元322，用于根据所述单通道特征图确定所述车道线。
可选的，所述车道线确定单元322具体用于：
根据所述单通道特征图生成与所述图像尺寸相同的灰度图；
在所述灰度图中确定连通区域，并根据所述连通区域确定所述车道线。
可选的，所述识别模块32还包括方程确定单元323，用于：
对每个所述连通区域进行拟合确定所述车道线对应的车道线方程。
可选的，所述装置还包括筛选模块35，用于：
根据所述车道线方程确定候选点，并根据所述候选点在所述单通道特征图中的位置确定相应的映射点；
判断所述候选点与所述映射点在所述单通道特征图中所属的车道线类型的标识信息是否一致；
根据所述判断结果确定所述候选点所在的车道线方程是否有误。
可选的，所述筛选模块35具体用于若确定所述车道线的方程有误，则丢弃用于确定所述车道线方程的图像。
可选的，所述确定模块34，包括：
坐标确定单元341，用于根据所述平行点在所述图像中的像素坐标，确定所述平行点的世界坐标；其中，所述世界坐标中包括未知俯仰角参数；
距离确定单元342，用于根据所述世界坐标确定每组平行点中的所述第一像素点、所述第二像素点之间的空间距离；
角度确定单元343，用于根据每组平行点对应的所述空间距离确定所述未知俯仰角参数的值，以使多个所述空间距离的值相等。
可选的，本实施例提供的装置中，图像获取模块31获取多张所述图像；
所述确定模块34还用于确定每张所述图像对应的所述俯仰角度值，并根据多个所述俯仰角度值确定目标俯仰角度值。
可选的，所述确定模块34具体用于：
在多个所述俯仰角度值中确定中位值，将所述中位值确定为所述目标俯仰角度值。
可选的，所述装置还包括测试模块36，用于：
获取通过所述前置摄像头拍摄测试区域的第二图像，并根据所述目标俯仰角度值确定车辆与位于所述测试区域的预设物体之间的测试距离；
比对所述测试距离与实际距离，并根据比对结果确定所述目标俯仰角度值是否符合预设规则。
可选的，所述装置还包括测试模块36还用于：
获取通过所述前置摄像头拍摄测试区域的第二图像，并根据所述目标俯仰角度值确定与预设车道的测试间距；
比对所述测试间距与实际间距，并根据比对结果确定所述目标俯仰角度值是否符合预设规则。
可选的，所述装置还包括准备模块37，用于：
控制车辆行驶至目标位置，并提示开始自动标定。
本实施例提供的车辆摄像头的标定装置的具体原理和实现方式均与图2所示的实施例类似，此处不再赘述。
图5为本发明一示例性实施例示出的车辆摄像头的标定设备的结构图。
如图5所示，本实施例提供的车辆摄像头的标定设备包括：
存储器51；
处理器52；以及
计算机程序；
其中，所述计算机程序存储在所述存储器51中，并配置为由所述处理器52执行以实现如上所述的任一种车辆摄像头的标定方法。
本实施例还提供一种计算机可读存储介质，其上存储有计算机程序，
所述计算机程序被处理器执行以实现如上所述的任一种车辆摄像头的标定方法。
本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (15)

1.一种车辆摄像头的标定方法，其特征在于，包括：
获取通过前置摄像头拍摄预设区域的图像；其中，所述预设区域设置有车道线；
识别所述图像中包括的车道线，并确定所述车道线对应的车道线方程；
根据所述车道线对应的方程获取多组对应的平行点；
确定一俯仰角度值，以使各组平行点包括的像素点之间的空间距离相等；
其中，每组平行点中包括第一像素点、第二像素点，所述第一像素点与所述第二像素点位于同一高度。
2.根据权利要求1所述的方法，其特征在于，所述识别所述图像中包括的车道线，包括：
确定所述图像对应的多通道特征图；其中，所述多通道特征图包括每个像素点与每种车道线类型的对应信息；
根据所述多通道特征图确定所述图像对应的单通道特征图；其中，所述单通道特征图包括每个像素点所属的车道线类型的标识信息；
根据所述单通道特征图确定所述车道线。
3.根据权利要求2所述的方法，其特征在于，所述根据所述单通道特征图确定所述车道线，包括：
根据所述单通道特征图生成与所述图像尺寸相同的灰度图；
在所述灰度图中确定连通区域，并根据所述连通区域确定所述车道线。
4.根据权利要求3所述的方法，其特征在于，所述确定所述车道线对应的车道线方程，包括：
对每个所述连通区域进行拟合确定所述车道线对应的车道线方程。
5.根据权利要求2所述的方法，其特征在于，所述确定所述车道线对应的车道线方程之后，还包括：
根据所述车道线方程确定候选点，并根据所述候选点在所述单通道特征图中的位置确定相应的映射点；
判断所述候选点与所述映射点在所述单通道特征图中所属的车道线类型的标识信息是否一致；
根据所述判断结果确定所述候选点所在的车道线方程是否有误。
6.根据权利要求5所述的方法，其特征在于，若确定所述车道线的方程有误，则丢弃用于确定所述车道线方程的图像。
7.根据权利要求1所述的方法，其特征在于，所述确定一俯仰角度值，以使各组平行点包括的像素点之间的空间距离相等，包括：
根据所述平行点在所述图像中的像素坐标，确定所述平行点的世界坐标；其中，所述世界坐标中包括未知俯仰角参数；
根据所述世界坐标确定每组平行点中的所述第一像素点、所述第二像素点之间的所述空间距离；
根据每组平行点对应的所述空间距离确定所述未知俯仰角参数的值，以使多个所述空间距离的值相等。
8.根据权利要求1所述的方法，其特征在于，包括多张所述图像；
所述方法还包括：
确定每张所述图像对应的所述俯仰角度值，并根据多个所述俯仰角度值确定目标俯仰角度值。
9.根据权利要求8所述的方法，其特征在于，所述根据多个所述俯仰角度值确定目标俯仰角度值，包括：
在多个所述俯仰角度值中确定中位值，将所述中位值确定为所述目标俯仰角度值。
10.根据权利要求8或9所述的方法，其特征在于，所述根据多个所述俯仰角度值确定目标俯仰角度值之后，还包括：
获取通过所述前置摄像头拍摄测试区域的第二图像，并根据所述目标俯仰角度值确定车辆与位于所述测试区域的预设物体之间的测试距离；
比对所述测试距离与实际距离，并根据比对结果确定所述目标俯仰角度值是否符合预设规则。
11.根据权利要求8或9所述的方法，其特征在于，所述多个所述俯仰角度值确定目标俯仰角度值之后，还包括：
获取通过所述前置摄像头拍摄测试区域的第二图像，并根据所述目标俯仰角度值确定与预设车道的测试间距；
比对所述测试间距与实际间距，并根据比对结果确定所述目标俯仰角度值是否符合预设规则。
12.根据权利要求1-9任一项所述的方法，其特征在于，所述获取通过前置摄像头拍摄预设区域的图像之前，还包括：
控制车辆行驶至目标位置，并提示开始自动标定。
13.一种车辆摄像头的标定装置，其特征在于，包括：
图像获取模块，用于获取通过前置摄像头拍摄预设区域的图像；其中，所述预设区域设置有车道线；
识别模块，用于识别所述图像中包括的车道线，并确定所述车道线对应的车道线方程；
点获取模块，根据所述车道线对应的方程获取多组对应的平行点；
确定模块，用于确定一俯仰角度值，以使各组平行点包括的像素点之间的空间距离相等；
其中，每组平行点中包括第一像素点、第二像素点，所述第一像素点与所述第二像素点位于同一高度。
14.一种车辆摄像头的标定设备，其特征在于，包括：
存储器；
处理器；以及
计算机程序；
其中，所述计算机程序存储在所述存储器中，并配置为由所述处理器执行以实现如权利要求1-12任一种所述的方法。
15.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，
所述计算机程序被处理器执行以实现如权利要求1-12任一种所述的方法。
CN201910633938.XA 2019-07-15 2019-07-15 车辆摄像头的标定方法、装置、设备及可读存储介质 Active CN110490936B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910633938.XA CN110490936B (zh) 2019-07-15 2019-07-15 车辆摄像头的标定方法、装置、设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910633938.XA CN110490936B (zh) 2019-07-15 2019-07-15 车辆摄像头的标定方法、装置、设备及可读存储介质

Publications (2)

Publication Number Publication Date
CN110490936A true CN110490936A (zh) 2019-11-22
CN110490936B CN110490936B (zh) 2021-09-07

Family

ID=68547121

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910633938.XA Active CN110490936B (zh) 2019-07-15 2019-07-15 车辆摄像头的标定方法、装置、设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN110490936B (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110991317A (zh) * 2019-11-29 2020-04-10 中山大学 一种基于多尺度透视感知型网络的人群计数方法
CN111563936A (zh) * 2020-04-08 2020-08-21 蘑菇车联信息科技有限公司 一种相机外部参数自动标定方法及行车记录仪
CN112068567A (zh) * 2020-09-16 2020-12-11 上海振华重工(集团)股份有限公司 一种基于超宽带和视觉图像的定位方法及定位系统
CN112633151A (zh) * 2020-12-22 2021-04-09 浙江大华技术股份有限公司 一种确定监控图像中斑马线的方法、装置、设备及介质
CN112837352A (zh) * 2021-04-20 2021-05-25 腾讯科技（深圳）有限公司 基于图像的数据处理方法、装置及设备、汽车、存储介质
CN113227708A (zh) * 2021-03-30 2021-08-06 深圳市锐明技术股份有限公司 确定俯仰角的方法、装置及终端设备
CN113432620A (zh) * 2021-06-04 2021-09-24 苏州智加科技有限公司 误差估计方法、装置、车载终端及存储介质
CN113727064A (zh) * 2020-05-26 2021-11-30 北京罗克维尔斯科技有限公司 一种摄像头视场角的确定方法及装置
CN113763483A (zh) * 2021-09-10 2021-12-07 智道网联科技(北京)有限公司 行车记录仪俯仰角标定方法及装置

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1537749A (zh) * 2003-10-22 2004-10-20 西安交通大学 一种车载摄像机外部参数三线标定方法
CN1564581A (zh) * 2004-04-15 2005-01-12 上海交通大学 交通监视环境下的摄像机标定方法
CN101727671A (zh) * 2009-12-01 2010-06-09 湖南大学 基于路面共线三点及其平行线的单摄像机标定方法
CN106875448A (zh) * 2017-02-16 2017-06-20 武汉极目智能技术有限公司 一种车载单目摄像头外部参数自标定方法
CN106981082A (zh) * 2017-03-08 2017-07-25 驭势科技（北京）有限公司 车载摄像头标定方法、装置及车载设备
CN108062774A (zh) * 2017-10-24 2018-05-22 智车优行科技（北京）有限公司 车辆俯仰角确定方法、装置及其汽车
CN109061610A (zh) * 2018-09-11 2018-12-21 杭州电子科技大学 一种摄像头与雷达的联合标定方法
CN109087361A (zh) * 2018-07-19 2018-12-25 北京航空航天大学 一种基于单目摄像头的前向物体横向距离标定方法
CN109141347A (zh) * 2017-06-28 2019-01-04 京东方科技集团股份有限公司 车载摄像机测距方法及装置、存储介质和电子设备
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

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1537749A (zh) * 2003-10-22 2004-10-20 西安交通大学 一种车载摄像机外部参数三线标定方法
CN1564581A (zh) * 2004-04-15 2005-01-12 上海交通大学 交通监视环境下的摄像机标定方法
CN101727671A (zh) * 2009-12-01 2010-06-09 湖南大学 基于路面共线三点及其平行线的单摄像机标定方法
CN106875448A (zh) * 2017-02-16 2017-06-20 武汉极目智能技术有限公司 一种车载单目摄像头外部参数自标定方法
CN106981082A (zh) * 2017-03-08 2017-07-25 驭势科技（北京）有限公司 车载摄像头标定方法、装置及车载设备
CN109141347A (zh) * 2017-06-28 2019-01-04 京东方科技集团股份有限公司 车载摄像机测距方法及装置、存储介质和电子设备
CN108062774A (zh) * 2017-10-24 2018-05-22 智车优行科技（北京）有限公司 车辆俯仰角确定方法、装置及其汽车
CN109087361A (zh) * 2018-07-19 2018-12-25 北京航空航天大学 一种基于单目摄像头的前向物体横向距离标定方法
CN109061610A (zh) * 2018-09-11 2018-12-21 杭州电子科技大学 一种摄像头与雷达的联合标定方法
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

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110991317A (zh) * 2019-11-29 2020-04-10 中山大学 一种基于多尺度透视感知型网络的人群计数方法
CN110991317B (zh) * 2019-11-29 2023-05-16 中山大学 一种基于多尺度透视感知型网络的人群计数方法
CN111563936A (zh) * 2020-04-08 2020-08-21 蘑菇车联信息科技有限公司 一种相机外部参数自动标定方法及行车记录仪
CN113727064A (zh) * 2020-05-26 2021-11-30 北京罗克维尔斯科技有限公司 一种摄像头视场角的确定方法及装置
CN113727064B (zh) * 2020-05-26 2024-03-22 北京罗克维尔斯科技有限公司 一种摄像头视场角的确定方法及装置
CN112068567B (zh) * 2020-09-16 2023-11-24 上海振华重工(集团)股份有限公司 一种基于超宽带和视觉图像的定位方法及定位系统
CN112068567A (zh) * 2020-09-16 2020-12-11 上海振华重工(集团)股份有限公司 一种基于超宽带和视觉图像的定位方法及定位系统
CN112633151A (zh) * 2020-12-22 2021-04-09 浙江大华技术股份有限公司 一种确定监控图像中斑马线的方法、装置、设备及介质
CN112633151B (zh) * 2020-12-22 2024-04-12 浙江大华技术股份有限公司 一种确定监控图像中斑马线的方法、装置、设备及介质
CN113227708A (zh) * 2021-03-30 2021-08-06 深圳市锐明技术股份有限公司 确定俯仰角的方法、装置及终端设备
WO2022204953A1 (zh) * 2021-03-30 2022-10-06 深圳市锐明技术股份有限公司 确定俯仰角的方法、装置及终端设备
CN112837352B (zh) * 2021-04-20 2021-11-02 腾讯科技（深圳）有限公司 基于图像的数据处理方法、装置及设备、汽车、存储介质
CN112837352A (zh) * 2021-04-20 2021-05-25 腾讯科技（深圳）有限公司 基于图像的数据处理方法、装置及设备、汽车、存储介质
CN113432620A (zh) * 2021-06-04 2021-09-24 苏州智加科技有限公司 误差估计方法、装置、车载终端及存储介质
CN113432620B (zh) * 2021-06-04 2024-04-09 苏州智加科技有限公司 误差估计方法、装置、车载终端及存储介质
CN113763483A (zh) * 2021-09-10 2021-12-07 智道网联科技(北京)有限公司 行车记录仪俯仰角标定方法及装置
CN113763483B (zh) * 2021-09-10 2024-04-02 智道网联科技(北京)有限公司 行车记录仪俯仰角标定方法及装置

Also Published As

Publication number Publication date
CN110490936B (zh) 2021-09-07

Similar Documents

Publication Publication Date Title
CN110490936A (zh) 车辆摄像头的标定方法、装置、设备及可读存储介质
CN104766058B (zh) 一种获取车道线的方法和装置
CN110096059A (zh) 自动驾驶方法、装置、设备及存储介质
EP2940656B1 (en) Vehicle periphery monitoring device
CN106845487A (zh) 一种端到端的车牌识别方法
WO2022121283A1 (zh) 车辆关键点信息检测和车辆控制
CN110969064B (zh) 一种基于单目视觉的图像检测方法、装置及存储设备
WO2021051344A1 (zh) 高精度地图中车道线的确定方法和装置
CN109961013A (zh) 车道线的识别方法、装置、设备及计算机可读存储介质
CN112818990B (zh) 目标检测框的生成方法、图像数据自动标注方法及系统
CN113221648B (zh) 一种基于移动测量系统的融合点云序列影像路牌检测方法
CN111860072A (zh) 泊车控制方法、装置、计算机设备及计算机可读存储介质
CN111539484A (zh) 训练神经网络的方法及装置
EP3980969A1 (en) Cross-modal sensor data alignment
CN109871829A (zh) 一种基于深度学习的检测模型训练方法和装置
CN111626241B (zh) 一种人脸检测方法及装置
CN116279592A (zh) 一种用于无人物流车的可行驶区域划分方法
CN110007764B (zh) 一种手势骨架识别方法、装置、系统及存储介质
CN111898552B (zh) 一种判别人员关注目标物的方法、装置及计算机设备
CN116052120A (zh) 基于图像增强和多传感器融合的挖掘机夜间物体检测方法
CN114842443A (zh) 一种基于机器视觉的目标物识别和测距方法、装置、设备及存储介质
CN113326715B (zh) 一种目标关联方法及装置
CN111860084B (zh) 图像特征的匹配、定位方法及装置、定位系统
CN116205983A (zh) 一种标定方法、装置、电子设备及存储介质
Du et al. Validation of vehicle detection and distance measurement method using virtual vehicle approach

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