CN111462250A - 校正系统及校正方法 - Google Patents
校正系统及校正方法 Download PDFInfo
- Publication number
- CN111462250A CN111462250A CN202010260742.3A CN202010260742A CN111462250A CN 111462250 A CN111462250 A CN 111462250A CN 202010260742 A CN202010260742 A CN 202010260742A CN 111462250 A CN111462250 A CN 111462250A
- Authority
- CN
- China
- Prior art keywords
- calibration
- candidate
- initial
- quadrilaterals
- images
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000012937 correction Methods 0.000 title claims abstract description 23
- 238000001914 filtration Methods 0.000 claims abstract description 20
- 239000004744 fabric Substances 0.000 claims description 24
- 238000004458 analytical method Methods 0.000 claims description 9
- 230000003044 adaptive effect Effects 0.000 claims description 7
- 230000002146 bilateral effect Effects 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims 1
- 238000009434 installation Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
Images
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/10024—Color image
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20028—Bilateral filtering
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Geometry (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种校正系统及校正方法,适用于360度全景车载环视系统中。校正方法包含:取得多个标定影像;搜寻此多个标定影像中的多个初始四边形;根据多个特征值将此多个初始四边形过滤后,取得多个候选四边形;根据该多个特征值的其中一个特征值将此多个候选四边形进行排序后,将排序第一的候选四边形视为一目标四边形;以及取得目标四边形的四个角的坐标位置。由此,提高了360全景车载环视系统在标定过程的效率及准确率,有效地提高了生产力,降低了人工造成错误的机会,还降低了360全景车载环视系统的安装成本,进而能够提高其市场普及率。
Description
技术领域
本申请关于一种校正系统及校正方法,特别关于一种适用于360度全景车载环视系统中的一种校正系统及校正方法。
背景技术
360度全景车载环视系统是作为驾驶者的视觉辅助,对于从多个车载摄像机获取的图像,在三维模型上进行合成的技术。360度全景车载环视系统可将影像投影到立体的三维曲面,因此能够自由改变视点,可从任意位置以任意角度对任意地方进行特写和识别。
一般而言,360度全景车载环视系统是由车主或提供360度全景车载环视系统的商家在车上进行安装。在安装时,多颗摄像机需要拍摄至少一标定物,以进行摄像机摆放位置的校准。
传统技术是通过人工的方式找到标定物的标记点坐标,再依据标记点坐标进行摄像机的校准。然而,通过人工操作不仅效率低,且精度不能得到有效地保障。另外一些自动找标记点坐标方法的错误率或者误差较高、实现方式比较复杂,或是不能满足流水线上自动校准摄像机摆放位置的需求。
因此,如何减少人工操作,并较精确的找到标记点坐标,已成为本领域需解决的问题之一。
发明内容
本发明的实施例提出一种校正系统,适用于360度全景车载环视系统中,该校正系统包含:多个摄像机以及一处理器。此多个摄像机用以拍摄多个标定物,以取得多个标定影像。处理器用以搜寻此多个标定影像中的多个初始四边形,根据多个特征值将此多个初始四边形过滤后,取得多个候选四边形,根据此多个特征值的其中一个特征值将此多个候选四边形进行排序后,将排序第一的候选四边形视为一目标四边形,并取得目标四边形的四个角的坐标位置。
本发明的实施例提出一种校正方法,适用于360度全景车载环视系统中。校正方法包含:取得多个标定影像;搜寻此多个标定影像中的多个初始四边形;根据多个特征值将此多个初始四边形过滤后,取得多个候选四边形;根据一排序特征将此多个候选四边形进行排序后,将排序第一的候选四边形视为一目标四边形;以及取得目标四边形的四个角的坐标位置。
综上,本申请的校正系统及校正方法提高了360全景车载环视系统在标定过程的效率及准确率,有效地提高了生产力,降低了人工造成错误的机会,还降低了360全景车载环视系统的安装成本,进而能够提高其市场普及率。
附图说明
图1是依照本发明一实施例绘示的校正系统的方块图。
图2是依照本发明一实施例绘示的校正方法的流程图。
图3A~3D是依照本发明一实施例绘示的用以筛选初始四边形以取得候选四边形的判断条件的示意图。
其中,附图中符号的简单说明如下:
100:校正系统;10~40:摄像机;50:处理器;60、70:标定布;62、64、72、74:标定物;CR:车子;200:校正方法;210~250:步骤。
具体实施方式
以下说明为完成发明的较佳实现方式,其目的在于描述本发明的基本精神,但并不用以限定本发明。实际的发明内容必须参考之后的权利要求范围。
必须了解的是,使用于本说明书中的“包含”、“包括”等词,用以表示存在特定的技术特征、数值、方法步骤、作业处理、元件以及/或组件,但并不排除可加上更多的技术特征、数值、方法步骤、作业处理、元件、组件,或以上的任意组合。
于权利要求中使用如“第一”、“第二”、“第三”等词用来修饰权利要求中的元件,并非用来表示之间具有优先权顺序,先行关系,或者是一个元件先于另一个元件,或者是执行方法步骤时的时间先后顺序,仅用来区别具有相同名字的元件。
图1是依照本发明一实施例绘示的校正系统100的方块图。图2是依照本发明一实施例绘示的校正方法200的流程图。校正系统100适用于360度全景车载环视系统中。校正系统100中包含多个摄影机10、20、30、40以及处理器50。
于一实施例中,摄影机10、20、30、40各自可以包含由电荷耦合元件(ChargeCoupled Device,CCD)或互补金属氧化物半导体(Complementary Metal-OxideSemiconductor,CMOS)的摄像装置。
于一实施例中,处理器50可以由集成电路如微控制单元(micro controller)、微处理器(microprocessor)、数字信号处理器(digital signal processor)、专用集成电路(Application Specific Integrated Circuit,ASIC)或一逻辑电路来实施。
于一实施例中,当车子CR停放好后,将标定布60铺放于车头,将标定布70铺放于车尾,标定布60上包含标定物62、64,标定布70上包含标定物72、74。于图1中,标定物62、64、72、74以黑色方形色块呈现。本领域技术人员应可理解,标定物可以应用各种材料、物质或视觉呈现方法,不限于此。
于一实施例中,摄像机10、20、30、40分别设置于一车子的一车头、一车尾、一左后视镜及一右后视镜,摄像机10、20、30、40用以朝向至少一标定布(例如,标定布60、70)进行拍摄,以得到标定影像。
于一实施例中,处理器50用以从标定影像中找到每个标定物(例如,标定物62、64、72、74)的四个角的坐标位置,再依据坐标位置调整摄像机10、20、30、40分别设置的位置,例如,处理器10判断出摄像机10拍摄到的标定物72的四个角的坐标位置,都在标定影像的下方,且至少有一个角邻近超出标定影像最下方的范围时,代表摄像机10拍摄位置过高,则处理器10产生标定结果,标定结果包含摄像机10拍摄到的标定物72的四个角的坐标位置,及将摄像机10往地板的方向旋转一些的提示。于一实施例中,处理器10直接将标定物(例如标定物62、64、72、74)的四个角的坐标位置传给360度全景车载环视系统,360度全景车载环视系统与预设车载系统作沟通,由360度全景车载环视系统提示各个摄像机10~40所需调整的方向,或是由预设车载系统依据标定结果自动调整各个摄像机10~40所需调整的方向,由此完成360度全景车载环视系统各个摄像机10~40的安装位置的确定。以下以图2说明各步骤的详细流程。
于步骤210中,摄像机10~40用以拍摄多个标定物(例如标定物62、64、72、74),以取得多个标定影像。
于一实施例中,标定布60铺于车头的前方约50厘米处,标定布70铺于车尾的后方约50厘米处,标定布60上包含黑色方形色块62、64,标定布70上包含黑色方形色块72、74。在此例中,标定物是黑色方形色块62、64、72、74。然而,标定布60、70与车子CR的距离不限于此,此处仅为一举例。
于步骤220中,处理器50搜寻标定影像中的多个初始四边形。
于一实施例中,处理器50将每张标定影像分别进行一灰度化处理,以产生多个灰阶影像。
于一实施例中,将此多个灰阶影像设置一感兴趣区域(Region Of Interest,ROI),例如,将每个灰阶影像的影像宽度内缩3像素并将影像高度内缩3像素,将影像宽度与影像高度内缩后所剩的灰阶影像区域设为感兴趣区域,处理器50在感兴趣区域内搜寻初始四边形,由此可以防止处理器50将整张灰阶影像的外框视为要找的初始四边形之一。
于一实施例中,处理器50针对感兴趣区域进行一双边滤波,以产生一滤波影像。双边滤波用以除去噪点干扰,同时保留边缘变化梯度。于一实施例中,处理器50执行函数(function)以进行双边滤波,例如为:cv::bilateral Filter(imageIn,imageOut,5,15,15)以进行双边滤波,其中的参数可以依据实际情形预先设定或调整,参数“imageOut”为输出影像(即滤波影像),作为后续关于二值化步骤中的输入影像。此函数为已知方法,此处仅作为双边滤波的应用,故不赘述之。
于一实施例中,处理器50将滤波影像进行一或多个二值化分析,以产生一或多个二值化图像。二值化分析可以将滤波影像中的每个像素转为黑色或白色,以产生二值化图像。于一实施例中,摄像机10~40可以分成两组,一组是左右摄像机10、20,另一组是前后摄像机30、40。针对左右摄像机10、20所拍摄并由处理器50运算后而得到的滤波影像,处理器50执行函数,以进行自适应阈值二值化分析,例如为:cv::adaptive Threshold(gray0,gray,255,cv::ADAPTIVE_THRESH_GAUSSIAN_C,cv::THRESH_BINARY_INV,51,15);针对前后摄像机30、40所拍摄并由处理器50运算后而得到的滤波影像,处理器50执行函数,以进行自适应阈值二值化分析,例如为:cv::adaptive Threshold(gray0,gray,255,cv::ADAPTIVE_THRESH_GAUSSIAN_C,cv::THRESH_BINARY_INV,91,15),其中的参数可以依据实际情形预先设定或调整。此多个函数为已知方法,此处仅作为二值化分析的应用,故不赘述之。由于摄像机10~40可能是在多种环境下进行拍摄标定影像,例如在光线不佳的地下车库、室外明暗交接的树影下、阳光下或明暗交接的半阴影环境下,因此标定影像可能整张过暗或过亮,通过采用不同的预设门槛值可以更准确地将目标黑块与周围图像二值化区分开来,处理器50通过一组预设阈值(例如为60、80、100、120、140)对滤波影像进行固定阈值二值化分析。
于一实施例中,处理器50寻找上一步骤中产生的多个二值化图像中的多个初始轮廓。于一实施例中,处理器50执行函数,以进行寻找初始轮廓,例如为:find Contours(gray,contours,CV_RETR_LIST,CV_CHAIN_APPROX_SIMPLE),此函数为已知方法,此处仅作为寻找初始方形轮廓的应用,故不赘述之。
于一实施例中,处理器50将此多个初始轮廓进行一近似操作,以产生一调整影像,例如近似操作可近似出一多边形轮廓组。于一实施例中,处理器50将此多个初始轮廓视为多个候选轮廓。于一实施例中,摄像机10~40可能是鱼眼镜头,其所拍摄出来的影像可能产生形变,通过近似操作可以将初始轮廓中连续平滑的曲线折线化以对轮廓进行多边形拟合,处理器50执行函数以进行近似操作,例如为:approxPolyDP(cv::Mat(contours[i]),approx,arcLength(cv::Mat(contours[i]),true)*0.025,true),此函数为已知方法,此处仅作为调整初始轮廓,以产生调整轮廓的应用,故不赘述之。
于一实施例中,处理器50将筛选出来的此多个初始轮廓视为多个候选轮廓,并判断每个候选轮廓是否为一凸四边形,并将被判断为凸四边形的此多个候选轮廓视为初始四边形。于一实施例中,由于凸边四边形有四个角各自都小于180度的特性,因此,处理器50可以通过检视每个候选轮廓的四个角的角度,选择候选方形轮廓的四个角的角度都小于180,且有四条边者视为初始四边形。
于步骤230中,处理器50根据多个特征值将初始四边形过滤后,取得多个候选四边形。
于一实施例中,特征值包含一面积范围、该多个初始四边形各自的四个边、四个顶点及四个角,处理器50还用以接收一初始信息,依据初始信息计算出此多个黑色方形色块(例如为黑色方形色块62)的一面积范围,并过滤掉不符合面积范围的此多个初始四边形。
于一实施例中,初始信息包含一车型信息、此多个黑色方形色块之间的一前后距离、此多个黑色方形色块之间的一左右距离、每个标定布的尺寸信息及每个标定布与车身的一固定距离。处理器50可通过此多个初使信息算出黑色方形色块(例如为黑色方形色块62)的面积范围。
于一实施例中,处理器50在过滤掉不符合面积范围的初始四边形后,将没有被过滤掉的进行后续处理。将此多个初始四边形各自的四个边、四个顶点及四个角标上不同的标记,例如将每个初始四边形的四个顶点按照左上顶点为起点,为顺时针依序标上0~3,例如,左上顶点标记为“cords[0]”,按照顺时针的下一个顶点为右上顶点,将右上顶点标记为“cords[1]”,按照顺时针的下一个顶点为右下顶点,将右下顶点标记为“cords[2]”,按照顺时针的下一个顶点为左下顶点,将左下顶点标记为“cords[3]”,并过滤掉四个顶点的其中一者不位于一有效区域的该多个初始四边形。有效区域可以是事先定义的区域或规则。由于会依据不同阈值输出多个二值化图像,并在多个二值化图像中搜寻四边形,因此初始四边形会有重复的现象,依据以下规则判断是否为重复四边形,当两个初始四边形中每两个顶点的距离小于3像素时,则将此两个初始四边形视为近似或重叠,因此将其中一者过滤掉。然而,标记顶点的顺序不限于此。
于一实施例中,处理器50将每个初始四边形的四个边按照上方的边为起点,为顺时针依序标上0~3,例如,上方的边标记为“d[0]”,按照顺时针的下一个边为右侧边,将右侧边标记为“d[1]”,按照顺时针的下一个边为下方的边,将下方的边标记为“d[2]”,按照顺时针的下一个边为左侧边,将左侧边标记为“d[3]”。
于一实施例中,处理器50将每个初始四边形的四个角(内角)按照左上角为起点,为顺时针依序标上0~3,例如,左上角标记为“a[0]”,按照顺时针的下一个角为右上角,将右上角标记为“a[1]”,按照顺时针的下一个角为右下角,将右下角标记为“a[2]”,按照顺时针的下一个角为左下角,将左下角标记为“a[3]”。
于一实施例中,处理器50过滤掉此多个些标记不符合一判断条件的此多个初始四边形,以取得此多个候选四边形。
请参阅图3A~3D,图3A~3D是依照本发明一实施例绘示的用以筛选初始四边形以取得候选四边形的判断条件的示意图。由于每个摄像机10~40摆放的位置不同,因此拍摄到的标定影像也不同。换言之,摄像机10~40分成前摄像机30与后摄像机40一组(称为前后摄像机),左摄像机10与右摄像机20另一组(称为左右摄像机),各自对应到不同的判断条件,判断条件中包含一角度范围、一顶点坐标相对位置条件及一边长条件。
因此,前后摄像机30、40分别拍摄左侧黑色方形色块62、74需要满足图3A所示的判断条件,前后摄像机30、40分别拍摄右侧黑色方形色块64、72需要满足图3B所示的判断条件,左右摄像机10、20拍摄左侧黑色方形色块72、64需要满足图3C所示的判断条件,左右摄像机10、20拍摄右侧黑色方形色块62、74需要满足图3D所示的判断条件。
以下以图3A作为说明,本领域技术人员应可由图3A的对应说明理解图3B~3D的判断条件。
于图3A中,条件式“cords[3].x<(cords[0].x+ImageWidth/const_value)”代表顶点cords[3]的X坐标的值必须小于顶点cords[0]的X坐标加上影像宽度(ImageWidth)除以常数(const_value)的值,常数与黑色方形色块62与车子CR的距离及车型相关,常数是一预设值。条件式“cords[0].y<cords[2].y”代表顶点cords[0]的Y坐标的值必须小于顶点cords[2]的Y坐标的值。条件式“cords[0].y<cords[3].y”代表顶点cords[0]的Y坐标的值必须小于顶点cords[3]的Y坐标的值。条件式“cords[1].y<cords[2].y”代表顶点cords[1]的Y坐标的值必须小于顶点cords[2]的Y坐标的值。条件式“cords[1].y<cords[3].y”代表顶点cords[1]的Y坐标的值必须小于顶点cords[3]的Y坐标的值。条件式“d[1]>d[3]”代表右侧边d[1]长度大于左侧边d[3]长度,条件式“d[0]<d[1]&&d[0]<d[3]&&d[2]<d[1]&&d[2]<d[3]”代表上方的边d[0]长度小于右侧边d[1]长度,及上方的边d[0]小于左侧边d[3]长度,及下方的边d[2]长度小于右侧边d[1]长度,及下方的边d[2]长度小于左侧边d[3]长度。条件式“(a[0]>=90&&a[2]>=90)&&(a[1]<=90&&a[3]<=90)”代表左上角a[0]大于等于九十度且右下角a[2]大于等于九十度,及右上角a[1]小于等于90度且左下角a[3]小于等于90度。满足以上条件的初始四边形,视为候选四边形。
同理,满足图3B~3D的判断条件的初始四边形,视为候选四边形。
于步骤240中,处理器50根据一排序特征将此多个候选四边形进行排序后,将排序第一者视为一目标四边形。
于一实施例中,处理器50计算此多个候选四边形各自的一轮廓颜色。例如,处理器50计算标定布60上黑色方形色块62的四个顶点的几何中心点坐标,连接四个顶点与中心点得到四条直线,取顶点以及顶点往中心点方向的共三个采样点,共12个采样点的颜色平均值,依据颜色平均值以得到轮廓颜色的一颜色灰度值及一灰度平均值。
于一实施例中,排序特征为此多个候选四边形各自的一面积大小。处理器50可以由候选四边形在标定影像中的面积,取得此多个候选四边形各自的面积大小。
于一实施例中,处理器50将每个候选四边形的颜色灰度值与灰度平均值进行比较,过滤掉颜色灰度值大于灰度平均值且灰度平均值大于一预设灰度门槛值的此多个候选四边形(例如过滤掉灰度大于100的候选四边形),将过滤后剩下的候选四边形依据各自对应的面积大小排序,取面积最大者作为目标四边形。
于步骤250中,处理器50取得目标四边形的四个角的坐标位置。
于一实施例中,处理器50对目标四边形的每个顶点周围设置一特定范围(例如,假设将黑色方形色块62视为目标四边形62,设置右上角顶点的特定范围为3x3的像素,设置左下角顶点范围的特定范围为5x5的像素),计算在每个特定范围内的各像素的一灰度梯度值,并将每个特定范围内的灰度梯度值最大者视为一最佳化顶点。由此可以将目标四边形的每个顶点位置作优化,找到最清楚的顶点位置。
综上,本申请的校正系统及校正方法提高了360全景车载环视系统在标定过程中的效率及准确率,有效地提高了生产力,降低了人工造成错误的机会,还降低了360全景车载环视系统的安装成本,进而能够提高其市场普及率。
以上所述仅为本发明较佳实施例,然其并非用以限定本发明的范围,任何熟悉本项技术的人员,在不脱离本发明的精神和范围内,可在此基础上做进一步的改进和变化,因此本发明的保护范围当以本申请的权利要求书所界定的范围为准。
Claims (20)
1.一种校正系统,其特征在于,适用于360度全景车载环视系统中,该校正系统包含:
多个摄像机,用以拍摄多个标定物,以取得多个标定影像;以及
处理器,用以搜寻该多个标定影像中的多个初始四边形,根据多个特征值将该多个初始四边形过滤后,取得多个候选四边形,根据该多个特征值的其中一个特征值将该多个候选四边形进行排序后,将排序第一的候选四边形视为目标四边形,并取得该目标四边形的四个角的坐标位置。
2.根据权利要求1所述的校正系统,其中,该多个摄像机分别设置于车子的车头、车尾、左后视镜及右后视镜,该多个摄像机用以朝向至少一标定布进行拍摄,以得到该多个标定影像。
3.根据权利要求2所述的校正系统,其中,该至少一标定布分别铺于该车头的前方与该车尾的后方,每个该至少一标定布上包含多个黑色方形色块,该多个标定物是以该多个黑色方形色块呈现的。
4.根据权利要求3所述的校正系统,其中,该处理器将该多个标定影像分别进行灰度化处理,以产生多个灰阶影像,将该多个灰阶影像设置感兴趣区域,针对该感兴趣区域进行双边滤波,以产生滤波影像,将该滤波影像进行自适应阈值二值化分析以及预设固定阈值的二值化分析,以产生多个二值化图像,寻找该多个二值化图像中的多个初始轮廓,将该多个初始轮廓进行近似操作,将该多个初始轮廓视为多个候选轮廓,并判断每个该候选轮廓是否为凸四边形,将被判断为该凸四边形的该多个候选轮廓视为该多个初始四边形。
5.根据权利要求3所述的校正系统,其中,该多个特征值包含面积范围、该多个初始四边形各自的四个边、四个顶点及四个角,该处理器还用以接收初始信息,依据该初始信息计算出该多个黑色方形色块的面积范围,过滤掉不符合该面积范围的该多个初始四边形,并将该多个初始四边形各自的该四个边、该四个顶点及该四个角标上不同的标记,过滤掉该四个顶点的其中一个顶点不位于有效区域的该多个初始四边形,过滤掉该多个标记不符合判断条件的该多个初始四边形,以取得该多个候选四边形。
6.根据权利要求5所述的校正系统,其中,该初始信息包含车型信息、该多个黑色方形色块之间的前后距离、该多个黑色方形色块之间的左右距离、每个该至少一标定布的尺寸信息及每个该至少一标定布与车身的固定距离。
7.根据权利要求5所述的校正系统,其中,该多个摄像机各自对应到不同的该判断条件,该判断条件中包含角度范围、顶点坐标相对位置条件及边长条件。
8.根据权利要求1所述的校正系统,其中,该处理器计算该多个候选四边形各自的轮廓颜色。
9.根据权利要求8所述的校正系统,其中,该排序特征为该多个候选四边形各自的面积大小,该处理器计算所有该多个候选四边形的顶点以及顶点往中心点方向的共三个采样点,该处理器至少计算12个采样点的颜色平均值,以得到该轮廓颜色的颜色灰度值及灰度平均值,将每个该候选四边形的该颜色灰度值与该灰度平均值进行比较,过滤掉该颜色灰度值大于该灰度平均值且该灰度平均值大于预设灰度门槛值的该多个候选四边形,将过滤后剩下的该多个候选四边形依据各自对应的该面积大小排序,取面积最大的候选四边形作为该目标四边形。
10.根据权利要求1所述的校正系统,其中,该处理器对该目标四边形的每个顶点周围设置特定范围,计算在每个该特定范围内的各像素的灰度梯度值,并将每个该特定范围内的该灰度梯度值最大的顶点视为最佳化顶点。
11.一种校正方法,其特征在于,适用于360度全景车载环视系统中,该校正方法包含:
取得多个标定影像;
搜寻该多个标定影像中的多个初始四边形;
根据多个特征值将该多个初始四边形过滤后,取得多个候选四边形;
根据该多个特征值的其中一个特征值将该多个候选四边形进行排序后,将排序第一的候选四边形视为目标四边形;以及
取得该目标四边形的四个角的坐标位置。
12.根据权利要求11所述的校正方法,还包含:
通过多个摄像机分别设置于车子的车头、车尾、左后视镜及右后视镜,该多个摄像机用以朝向至少一标定布进行拍摄,以得到该多个标定影像。
13.根据权利要求12所述的校正方法,其中,该至少一标定布分别铺于该车头的前方与该车尾的后方,每个该至少一标定布上包含多个黑色方形色块,多个标定物是以该多个黑色方形色块呈现的。
14.根据权利要求13所述的校正方法,其中,搜寻该多个标定影像中的该多个初始四边形的步骤还包含:
将该多个标定影像分别进行灰度化处理,以产生多个灰阶影像;
将该多个灰阶影像设置感兴趣区域;
针对该感兴趣区域进行双边滤波,以产生滤波影像;
将该滤波影像进行多个二值化分析,以产生多个二值化图像;
寻找该多个二值化图像中的多个初始轮廓;
将该多个初始轮廓进行近似操作,以近似出多边形轮廓组;
将该多个初始轮廓视为多个候选轮廓,并判断每个该候选轮廓是否为凸四边形;以及
将被判断为该凸四边形的该多个候选轮廓视为该多个初始四边形。
15.根据权利要求13所述的校正方法,其中,该多个特征值包含面积范围、该多个初始四边形各自的四个边、四个顶点及四个角,其中根据该多个特征值将该多个初始四边形过滤后,取得多个候选四边形的步骤还包含:
接收初始信息;
依据该初始信息计算出该多个黑色方形色块的该面积范围;
过滤掉不符合该面积范围的该多个初始四边形;
将该多个初始四边形各自的该四个边、该四个顶点及该四个角标上不同的标记;
过滤掉该四个顶点的其中一个顶点不位于有效区域的该多个初始四边形;以及
过滤掉该多个标记不符合判断条件的该多个初始四边形,以取得该多个候选四边形。
16.根据权利要求15所述的校正方法,其中,该初始信息包含车型信息、该多个黑色方形色块之间的前后距离、该多个黑色方形色块之间的左右距离、每个该至少一标定布的尺寸信息及每个该至少一标定布与车身的固定距离。
17.根据权利要求15所述的校正方法,其中,该多个摄像机各自对应到不同的该判断条件,该判断条件中包含角度范围、顶点坐标相对位置条件及边长条件。
18.根据权利要求11所述的校正方法,还包含:
计算该多个候选四边形各自的轮廓颜色。
19.根据权利要求18所述的校正方法,其中,该排序特征为该多个候选四边形各自的面积大小,其中,根据该多个特征值的其中一个特征值将该多个候选四边形进行排序后,将排序第一的候选四边形视为该目标四边形的步骤还包含:
计算所有该多个候选四边形的顶点以及顶点往中心点方向的共三个采样点的,至少计算12个采样点的颜色平均值,以得到该轮廓颜色的颜色灰度值及灰度平均值;
将每个该候选四边形的该颜色灰度值与该灰度平均值进行比较;
过滤掉该颜色灰度值大于该灰度平均值且该灰度平均值大于预设灰度门槛值的该多个候选四边形;以及
将过滤后剩下的该多个候选四边形依据各自对应的该面积大小排序,取面积最大的候选四边形作为该目标四边形。
20.根据权利要求11所述的校正方法,其中,取得该目标四边形的四个角的坐标位置的步骤还包含:
对该目标四边形的每个顶点周围设置特定范围;
计算在每个该特定范围内的各像素的灰度梯度值;以及
将每个该特定范围内的该灰度梯度值最大的顶点视为最佳化顶点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010260742.3A CN111462250A (zh) | 2020-04-03 | 2020-04-03 | 校正系统及校正方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010260742.3A CN111462250A (zh) | 2020-04-03 | 2020-04-03 | 校正系统及校正方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111462250A true CN111462250A (zh) | 2020-07-28 |
Family
ID=71680507
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010260742.3A Pending CN111462250A (zh) | 2020-04-03 | 2020-04-03 | 校正系统及校正方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111462250A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112927300A (zh) * | 2021-01-07 | 2021-06-08 | 深圳市天双科技有限公司 | 一种全景摄像头标定方法 |
CN113255468A (zh) * | 2021-05-06 | 2021-08-13 | 东风汽车集团股份有限公司 | 车载全景影像标定块识别优化方法、系统及可读存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103871070A (zh) * | 2014-04-03 | 2014-06-18 | 深圳市德赛微电子技术有限公司 | 车载全景成像系统的自动标定方法 |
CN103927750A (zh) * | 2014-04-18 | 2014-07-16 | 上海理工大学 | 棋盘格图像角点亚像素的检测方法 |
CN103985118A (zh) * | 2014-04-28 | 2014-08-13 | 无锡观智视觉科技有限公司 | 一种车载环视系统摄像头参数标定方法 |
CN105574485A (zh) * | 2015-11-11 | 2016-05-11 | 北京四象网讯科技有限公司 | 一种车辆信息识别方法及系统 |
CN106780630A (zh) * | 2017-01-09 | 2017-05-31 | 上海商泰汽车信息系统有限公司 | 标定板装置、车载摄像头标定方法及装置、系统 |
CN107993263A (zh) * | 2017-10-27 | 2018-05-04 | 深圳市易成自动驾驶技术有限公司 | 环视系统自动标定方法、汽车、标定装置及存储介质 |
CN108257185A (zh) * | 2018-01-03 | 2018-07-06 | 上海兴芯微电子科技有限公司 | 多棋盘格角点检测方法及摄像机标定方法 |
CN108986129A (zh) * | 2018-06-06 | 2018-12-11 | 上海商泰汽车信息系统有限公司 | 标定板检测方法 |
-
2020
- 2020-04-03 CN CN202010260742.3A patent/CN111462250A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103871070A (zh) * | 2014-04-03 | 2014-06-18 | 深圳市德赛微电子技术有限公司 | 车载全景成像系统的自动标定方法 |
CN103927750A (zh) * | 2014-04-18 | 2014-07-16 | 上海理工大学 | 棋盘格图像角点亚像素的检测方法 |
CN103985118A (zh) * | 2014-04-28 | 2014-08-13 | 无锡观智视觉科技有限公司 | 一种车载环视系统摄像头参数标定方法 |
CN105574485A (zh) * | 2015-11-11 | 2016-05-11 | 北京四象网讯科技有限公司 | 一种车辆信息识别方法及系统 |
CN106780630A (zh) * | 2017-01-09 | 2017-05-31 | 上海商泰汽车信息系统有限公司 | 标定板装置、车载摄像头标定方法及装置、系统 |
CN107993263A (zh) * | 2017-10-27 | 2018-05-04 | 深圳市易成自动驾驶技术有限公司 | 环视系统自动标定方法、汽车、标定装置及存储介质 |
CN108257185A (zh) * | 2018-01-03 | 2018-07-06 | 上海兴芯微电子科技有限公司 | 多棋盘格角点检测方法及摄像机标定方法 |
CN108986129A (zh) * | 2018-06-06 | 2018-12-11 | 上海商泰汽车信息系统有限公司 | 标定板检测方法 |
Non-Patent Citations (4)
Title |
---|
KETAL_N: "OpenCv相机标定——圆形标定板标定", Retrieved from the Internet <URL:https://blog.csdn.net/Ketal_N/article/details/88829741> * |
TIANLONG YANG,ET AL.: "Sub-Pixel Chessboard Corner Localization for Camera Calibration and Pose Estimation", APPLIED SCIENCES, 1 November 2018 (2018-11-01) * |
赵斌;周军;: "基于改进棋盘的角点自动检测与排序", 光学精密工程, no. 01, 31 January 2015 (2015-01-31) * |
高新波, 池峰, 姬红兵: "一种图像测量中标定参照物的快速定位方法", 计算机应用, 28 March 2003 (2003-03-28) * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112927300A (zh) * | 2021-01-07 | 2021-06-08 | 深圳市天双科技有限公司 | 一种全景摄像头标定方法 |
CN113255468A (zh) * | 2021-05-06 | 2021-08-13 | 东风汽车集团股份有限公司 | 车载全景影像标定块识别优化方法、系统及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108256521B (zh) | 用于车身颜色识别的有效区域定位方法 | |
CN111968172B (zh) | 料场物料的体积测量方法及系统 | |
CN107845101B (zh) | 车载环视图像的特征点标定方法、装置和可读存储介质 | |
CN109271937B (zh) | 基于图像处理的运动场地标志物识别方法及系统 | |
CN111968144B (zh) | 一种图像边缘点获取方法及装置 | |
CN111815710B (zh) | 鱼眼相机自动标定方法 | |
CN109784344A (zh) | 一种用于地平面标识识别的图像非目标滤除方法 | |
CN102881006A (zh) | 多投影显示系统中的图像拼接与融合方法 | |
CN111191485A (zh) | 一种车位检测方法及其系统、汽车 | |
WO1998050878A1 (en) | Visual recognition method | |
CN111462250A (zh) | 校正系统及校正方法 | |
CN111583193B (zh) | 基于几何轮廓模板匹配的开心果骨架提取装置及其算法 | |
CN111091507A (zh) | 图像处理方法、装置、电子设备以及存储介质 | |
KR101026778B1 (ko) | 차량 영상 검지 장치 | |
CN110060259A (zh) | 一种基于霍夫变换的鱼眼镜头有效区域提取方法 | |
CN111739031A (zh) | 一种基于深度信息的作物冠层分割方法 | |
CN111080542A (zh) | 图像处理方法、装置、电子设备以及存储介质 | |
CN113421215A (zh) | 一种基于人工智能的汽车自动循迹系统 | |
CN110738604B (zh) | 基于Canny算子和Hough变换的大倾角证件图像矫正方法及系统 | |
US11354794B2 (en) | Deposit detection device and deposit detection method | |
US20210090260A1 (en) | Deposit detection device and deposit detection method | |
US10970592B2 (en) | Adhering substance detection apparatus and adhering substance detection method | |
CN108596981B (zh) | 一种图像的鸟瞰视角重投影方法、装置及便携式终端 | |
EP0834151B1 (en) | Object recognition method | |
CN112669360B (zh) | 一种基于非封闭多维轮廓特征序列的多源图像配准方法 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20210209 Address after: 200131 3rd floor, building 2, No. 200, zhangheng Road, China (Shanghai) pilot Free Trade Zone, Pudong New Area, Shanghai Applicant after: Gryfield Intelligent Technology Co.,Ltd. Address before: Room 301, 2537 Jinke Road, Zhangjiang High Tech Park, Pudong New Area, Shanghai 201203 Applicant before: Shanghai Zhaoxin Integrated Circuit Co.,Ltd. |
|
TA01 | Transfer of patent application right |