CN112581541A - 参数的评估方法、装置和电子设备 - Google Patents

参数的评估方法、装置和电子设备 Download PDF

Info

Publication number
CN112581541A
CN112581541A CN202011543477.6A CN202011543477A CN112581541A CN 112581541 A CN112581541 A CN 112581541A CN 202011543477 A CN202011543477 A CN 202011543477A CN 112581541 A CN112581541 A CN 112581541A
Authority
CN
China
Prior art keywords
parameters
edge map
value
parameter
edge
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
Application number
CN202011543477.6A
Other languages
English (en)
Inventor
赖福辉
周玲
韦松
韩志华
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.)
Suzhou Zhitu Technology Co Ltd
Original Assignee
Suzhou Zhitu 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 Suzhou Zhitu Technology Co Ltd filed Critical Suzhou Zhitu Technology Co Ltd
Priority to CN202011543477.6A priority Critical patent/CN112581541A/zh
Publication of CN112581541A publication Critical patent/CN112581541A/zh
Pending legal-status Critical Current

Links

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
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/86—Combinations of lidar systems with systems other than lidar, radar or sonar, e.g. with direction finders
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
    • G01S7/497—Means for monitoring or calibrating
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/50—Depth or shape recovery
    • G06T7/55—Depth or shape recovery from multiple images
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Electromagnetism (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明提供了一种参数的评估方法、装置和电子设备，获取目标场景的第一边缘图和第二边缘图；其中，第一边缘图通过摄像装置得到；第二边缘图通过激光雷达得到；获取多组参数，确定每组参数对应的第一边缘图与第二边缘图之间的关联度；其中的多组参数包括当前参数，以及通过对当前参数进行扰动分析得到的多组扰动参数；该参数用于指示摄像装置与激光雷达之间的位姿关系；根据每组参数对应的关联度，确定当前参数的评估结果。该方式中，通过扰动分析获取多组参数，基于每组参数确定对应的关联度，可以实时确定当前参数的准确性，相较于离线状态下的评估和标记方式，实现了实时评估当前参数的准确性，进而提高了感知数据的准确性。

Description

参数的评估方法、装置和电子设备
技术领域
本发明涉及人工智能技术领域，尤其是涉及一种参数的评估方法、装置和电子设备。
背景技术
为了适应复杂环境下的准确感知，智能车、机器人等设备通常需要结合相机和激光雷达两种传感器，感知复杂环境中的数据；为了使感知数据更加标准，需要评估标定相机和激光雷达之间参数的准确性。相关技术中，通常在离线状态下，利用反光标记、棋盘或手工标记的方法，对相机和激光雷达之间的参数进行标定；但是，在实际使用过程中，如果相机和激光雷达之间的相对位置发生变化，不能实时对参数进行检测和评估；此时，如果仍然将离线情况下的标定结果，应用在当前运行的设备中，会导致感知数据的准确性降低。
发明内容
有鉴于此，本发明的目的在于提供一种参数的评估方法、装置和电子设备，以实时检测以及评估摄像装置与激光雷达之间的参数，进而提高感知数据的准确性降低。
第一方面，本发明实施例提供了一种参数的评估方法，包括：获取目标场景的第一边缘图和第二边缘图；其中，第一边缘图通过摄像装置得到；第二边缘图通过激光雷达得到；获取多组参数，确定每组参数对应的第一边缘图与第二边缘图之间的关联度；多组参数包括当前参数，以及通过对当前参数进行扰动分析得到的多组扰动参数；参数用于指示摄像装置与激光雷达之间的位姿关系；根据每组参数对应的关联度，确定当前参数的评估结果。
进一步的，获取多组参数，确定每组参数对应的第一边缘图与第二边缘图之间的关联度的步骤，包括：针对每组参数，将第二边缘图通过参数投影至第一边缘图，将位于第一边缘图外的第二边缘图的点去除，得到第二边缘图对应的第三边缘图；根据第二边缘图和第二边缘图对应的第三边缘图，计算每组参数对应的第一边缘图与第二边缘图之间的关联度。
进一步的，第二边缘图包括多张；根据第二边缘图和第二边缘图对应的第三边缘图，计算每组参数对应的第一边缘图与第二边缘图之间的关联度的步骤，包括：针对每组参数，计算每张第二边缘图中每个像素点的深度值与每张第二边缘图对应的第三边缘图中对应位置的像素点的深度值的乘积值；将每张第二边缘图对应的乘积值的和，确定为该参数对应的第一边缘图与第二边缘图之间的关联度。
进一步的，关联度包括：当前参数对应的关联度和扰动参数对应的关联度；根据每组参数对应的关联度，确定当前参数的评估结果的步骤，包括：从扰动参数对应的关联度中，获取目标关联度；其中，目标关联度小于当前参数对应的关联度；计算目标关联度的数量与扰动参数对应的关联度的数量的比值；将比值确定为当前参数的评估结果。
进一步的，获取目标场景的第一边缘图和第二边缘图的步骤，包括：通过摄像装置采集目标场景的原始图像，将原始图像转换为灰度图；按照预设的顺序，获取灰度图中每个指定区域内灰度值最大的像素点；基于灰度值最大的像素点，确定灰度图的边缘图；将边缘图进行逆距离变换处理，得到第一边缘图。
进一步的，获取目标场景的第一边缘图和第二边缘图的步骤，包括：通过激光雷达采集目标场景的点云数据；根据点云数据中的每个位置点的深度值，将点云数据中的噪点滤除，得到滤波后的点云数据；通过滤波后的点云数据中的每个位置点与邻近位置点的深度连续性，获取滤波后的点云数据中的边缘点；基于边缘点，确定第二边缘图。
进一步的，根据点云数据中的每个位置点的深度值，将点云数据中的噪点滤除，得到滤波后的点云数据的步骤，包括：针对点云数据中的每个位置点，计算该位置点的深度值和前一个位置点的深度值的第一深度差值的绝对值，以及该位置点的深度值与后一个位置点的深度值的第二深度差值的绝对值；如果第一深度差值的绝对值与第二深度差值的绝对值均大于第一指定深度阈值，将位置点滤除，得到滤波后的点云数据。
进一步的，通过滤波后的点云数据中的每个位置点与邻近位置点的深度连续性，获取滤波后的点云数据中的边缘点；基于边缘点，确定第二边缘图的步骤，包括：针对滤波后的点云数据中的每个位置点，计算该位置点的深度值和前一个位置点的深度值的第三深度差值的绝对值，以及该位置点的深度值与后一个位置点的深度值的第四深度差值的绝对值；获取第三深度差值的绝对值和第四深度差值的绝对值中的最大值；如果最大值大于第二指定深度阈值，将位置点确定为边缘点；基于边缘点，确定第二边缘图。
进一步的，评估结果包括评估指标；根据每组参数对应的关联度，确定当前参数的评估结果的步骤之后，方法还包括：基于预设的正确参数对应的评估指标的均值和标准差，以及预设的错误参数对应的评估指标的均值和标准差，计算当前参数的正确率；如果当前参数的正确率小于指定阈值，通过对当前参数进行指定扰动半径的扰动分析，得到多组指定参数；基于当前参数对应的关联度和每组指定参数对应的关联度，校准当前参数。
进一步的，基于当前参数对应的关联度和每组指定参数对应的关联度，校准当前的步骤，包括：针对每组指定参数对应的关联度，计算该指定参数下的多个评估指标；计算多个评估指标的均值和标准差，将满足预设均值以及预设标准差的指定参数，确定为目标参数；将目标参数校准为当前参数。
第二方面，本发明实施例提供了一种参数的评估装置，包括：获取模块，用于获取目标场景的第一边缘图和第二边缘图；其中，第一边缘图通过摄像装置得到；第二边缘图通过激光雷达得到；确定模块，用于基于多组参数，确定每组参数对应的第一边缘图与第二边缘图之间的关联度；其中，多组参数包括当前参数，以及通过对当前参数进行扰动分析得到的多组扰动参数；评估模块，用于根据每组参数对应的关联度，确定当前参数的评估结果。
第三方面，本发明实施例提供了一种电子设备，包括处理器和存储器，存储器存储有能够被处理器执行的机器可执行指令，处理器执行机器可执行指令以实现第一方面任一项的参数的评估方法。
第四方面，本发明实施例提供了一种机器可读存储介质，机器可读存储介质存储有机器可执行指令，机器可执行指令在被处理器调用和执行时，机器可执行指令促使处理器实现第一方面任一项的参数的评估方法。
本发明实施例带来了以下有益效果：
本发明提供了一种参数的评估方法、装置和电子设备，获取目标场景的第一边缘图和第二边缘图；其中，第一边缘图通过摄像装置得到；第二边缘图通过激光雷达得到；获取多组参数，确定每组参数对应的第一边缘图与第二边缘图之间的关联度；其中的多组参数包括当前参数，以及通过对当前参数进行扰动分析得到的多组扰动参数；该参数用于指示摄像装置与激光雷达之间的位姿关系；根据每组参数对应的关联度，确定当前参数的评估结果。该方式中，通过扰动分析获取多组参数，基于每组参数确定对应的关联度，可以实时确定当前参数的准确性，相较于离线状态下的评估和标记方式，实现了实时评估当前参数的准确性，进而提高了感知数据的准确性。
本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种参数的评估方法的流程图；
图2为本发明实施例提供的另一种参数的评估方法的流程图；
图3为本发明实施例提供的一种参数的校准方法的流程图；
图4为本发明实施例提供的一种参数的评估装置的结构示意图；
图5为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，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做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为了适应复杂环境下的准确感知，智能车或机器人等设备配置的传感器的数量和形式组件逐渐增多。与单一传感器的设备相比，更高层次的任务可以将多传感器进行融合以执行感知任务，其中多传感器系统可直接应用于三维环境扫描。例如，结合相机和激光雷达的方式，激光雷达可以直接提供精准的距离测量信息，相机可以提供高空间分辨率和有价值的颜色信息，通过两种传感器的互补信息，就可以对距离图像进行颜色映射，激光雷达点云中的每个彩色点可以用来建立更丰富的区域模型。因此，激光雷达和相机之间的精确校准显得尤为重要。
但是，由于传感器的不同形式和输出信息的性质，传感器外参校准相当具有挑战性，相关技术中，通常是通过手工标定的方式对传感器外参进行校准。对于依赖于多传感器模式的移动机器人或者智能车来说，自动标定是非常重要的。目前通常的方法是，在离线状态下使用手动方法进行一次校准，并假定这种校准在一段时间内保持不变。但是这些方法都只适用于相当小范围的情况和激光雷达类型。这种离线状态下的算法，缺乏泛化能力，在实际运行过程中，如果相机和激光雷达之间的相对位置发生变化，不能实时对参数进行检测和评估；此时，如果仍然将离线情况下的标定结果，应用在当前运行的设备中，会导致感知数据的准确性降低。基于此，本发明实施例提供的一种参数的评估方法、装置和电子设备，该技术可以应用于具有感知功能的设备，尤其可以应用于智能车或机器人等设备。
为便于对本实施例进行理解，首先对本发明实施例所公开的一种参数的评估方法进行详细介绍，该方法应用于电子设备，该电子设备可以是智能车、机器人等；如图1所示，该方法包括如下步骤：
步骤S102，获取目标场景的第一边缘图和第二边缘图；其中，第一边缘图通过摄像装置得到；第二边缘图通过激光雷达得到；
上述目标场景可以是设备在运行过程中需要感知的场景，比如道路、货架等对象。上述第一边缘图可以利用摄像装置拍摄的图像，进行图像处理得到的；上述第二边缘图可以是利用激光雷达采集的点云数据，进行数据处理得到的。具体的，在包括摄像装置和激光雷达的设备运过程中，基于当前摄像装置和激光雷达实时获取目标场景的第一边缘图和第二边缘图。
步骤S104，获取多组参数，确定每组参数对应的第一边缘图与第二边缘图之间的关联度；多组参数包括当前参数，以及通过对当前参数进行扰动分析得到的多组扰动参数；参数用于指示摄像装置与激光雷达之间的位姿关系；
上述参数通常包括旋转矩阵和平移矩阵，该参数也可以称为外参数，用于指示摄像装置与激光雷达之间的位姿关系，即可以通过该参数，将摄像装置采集的到的图像与激光雷达采集到的点云数据进行融合。通常设备在开始运行前会对摄像装置和激光雷达之间的参数进行标定，即上述当前参数，在实际运行过程中，或在运行之前，可以基于当前参数，获取多组参数，具体的，可以对当前参数进行扰动分析得到的多组扰动参数，比如，对当前参数的x个自由度分别进行正负方向的小量扰动，每个自由度可以产生三组参数，即正方向、负方向、当前位置，总共可以得到3x组参数。
上述关联度用于表示当前激光雷达点的第二边缘图与第一边缘图的对齐程度。该对齐程度可以是每个对齐像素点的乘积值或相加值。实际实现时，可以通过正在运行的摄像装置实际采集到的第一边缘图，以及正在运行的激光雷达实际采集到的第二边缘图，由于第一边缘图与第二边缘图是针对同一个目标场景在同一时间采集的到，因此第一边缘图与第二边缘图之间是相互对应的，该对应关系可以由上述参数进行转换；具体的，因此可以将第一边缘图与第二边缘图通过上述多组参数进行转换，将第一边缘图与第二边缘图进行对齐处理，利用处理后的图像计算该组参数对应的第一边缘图与第二边缘图的关联度。
可以理解的是，各组参数都不相同，基于每组参数，对第一边缘图与第二边缘图进行对齐处理，得到的结果也会有所偏差。
步骤S106，根据每组参数对应的关联度，确定当前参数的评估结果。
上述评估结果可以包括当前参数的准确度。具体的，根据步骤S104，可以得到当前参数对应的关联度，以及扰动参数对应的关联度。可以理解的是，如果当前参数为准确的参数，在实际运行中，摄像装置与激光雷达之间的位置没有发生变化，则可以确定，当前参数对应的关联度最大，即对齐程度对大，此时可以确定当前参数赵薇准确的参数。如果当前参数为准确的参数，在实际运行中，摄像装置与激光雷达之间的位置发生一定的变化，则可以确定，当前参数对应的关联度在所有扰动外参对应的关联度中，并不是最大的；此时可以确定当前参数并不是准确的参数。
具体的，可以将当前参数对应的关联度，与所有扰动参数对应的关联度进行比较，如果当前参数对应的关联度大于指定数量的扰动参数对应的关联度，比如，指定数量可以是90％以上的扰动参数的数量。
本发明提供了一种参数的评估方法，获取目标场景的第一边缘图和第二边缘图；其中，第一边缘图通过摄像装置得到；第二边缘图通过激光雷达得到；获取多组参数，确定每组参数对应的第一边缘图与第二边缘图之间的关联度；其中的多组参数包括当前参数，以及通过对当前参数进行扰动分析得到的多组扰动参数；该参数用于指示摄像装置与激光雷达之间的位姿关系；根据每组参数对应的关联度，确定当前参数的评估结果。该方式中，通过扰动分析获取多组参数，基于每组参数确定对应的关联度，可以实时确定当前参数的准确性，相较于离线状态下的评估和标记方式，实现了实时评估当前参数的准确性，进而提高了感知数据的准确性。
本实施例还提供了另一种参数的评价方法，该方法在上述实施例的基础上实现，本实施例重点描述获取多组参数，确定每组参数对应的第一边缘图与第二边缘图之间的关联度的步骤的具体实现过程(通过步骤S204-S206实现)，以及根据每组参数对应的关联度，确定当前参数的评估结果的步骤的具体实现过程(通过步骤S208-S210实现)，如图2所示，该方法包括如下步骤：
步骤S202，获取目标场景的第一边缘图和第二边缘图；其中，第一边缘图通过摄像装置得到；第二边缘图通过激光雷达得到；
步骤S204，获取多组参数，针对每组参数，将第二边缘图通过参数投影至第一边缘图，将位于第一边缘图外的第二边缘图的点去除，得到第二边缘图对应的第三边缘图；
举例说明，对当前参数的6个自由度分别进行正负方向的小量扰动，得到36＝729组参数，其中一组参数为当前参数，其他728组参数为扰动参数；针对729组参数中的每组参数，首先将第二边缘图通过当前参数投影至第一边缘图，具体的，利用当前参数中的旋转矩阵和平移矩阵，将第二边缘图中的每个像素点，投影至第一边缘图上，可能会由于当前参数不准确等原因，会产生一定的偏差，或者第二边缘图较大等原因，会在第一边缘图外产生多余的像素点，此时需要将位于第一边缘图外的第二边缘图的点去除，将投影至第一边缘图的像素点确定为第三边缘图。然后针对其他扰动参数执行上述步骤，得到第二图像对应的每组参数的第三边缘图。
步骤S206，根据第二边缘图和第二边缘图对应的第三边缘图，计算每组参数对应的第一边缘图与第二边缘图之间的关联度。
具体的，可以通过计算第二边缘图对应的第三边缘图每个像素点的像素值，与第二边缘图中对应像素点的像素值的匹配度，比如，计算第二边缘图对应的第三边缘图每个像素点的像素值，与第二边缘图中对应像素点的像素值的差值，如果差值越小，则说明第一边缘图与第二边缘图之间的关联度越高。
再如，计算第二边缘图对应的第三边缘图每个像素位置的像素值，与第二边缘图中对应像素位置的像素值的乘积，如果乘积值越大，则说明第一边缘图与第二边缘图之间的关联度越高。可以理解，对于像素位置没有对应上的像素点，第三边缘图中该像素位置的像素值为零，或者较小的值，此时第二边缘图上该像素位置的像素值与第三边缘图上该像素位置的像素值的乘积相比于，该像素位置对齐的像素点的像素值的乘积会小很多。
进一步的，第二边缘图包括多张；即，可以在实际运行中持续对目标场景进行拍摄，得到多张第一边缘图和第二边缘图；一种可能的实施方式：
(1)针对每组参数，计算每张第二边缘图中每个像素点的深度值与每张第二边缘图对应的第三边缘图中对应位置的像素点的深度值的乘积值；
(2)将每张第二边缘图对应的乘积值的和，确定为该参数对应的第一边缘图与第二边缘图之间的关联度。
为了增加关联度的可信度，可以针对多张第一边缘图和第二边缘图进行计算；具体的，可以在设备运行时，在当前指定一段时间内获取多张第一边缘图和第二边缘图，将当前指定一段时间内获取的图像，保存为当前数据集；具体可以通过下述公式计算每组参数对应的关联度：
Figure BDA0002853391220000101
上式中，n表示当前数据集中的总图像帧数；w表示距离当前帧最近的帧数；m表示当前数据集的起始帧的帧数；|xf|表示第二边缘图中像素点的总个数，p表示第二边缘图上像素点的索引；
Figure BDA0002853391220000102
表示第二边缘图上索引为p的像素点的深度值；
Figure BDA0002853391220000103
表示第三边缘图上像素位置为i，j像素点的深度值，其中i，j表示与第二边缘图上索引为p的像素点，对应的第三边缘图上的像素位置。
具体的，针对每张第二边缘图，获取该第二边缘图对应的第三边缘图；然后针对每张第二边缘图，计算该第二边缘图中的每个像素位置的深度值，与该像素位置对应的第三边缘图中的该像素位置的深度值的乘积，并将每张第二边缘图对应的乘积值相加，得到每组参数对应的关联度。
上述关联度包括：当前参数对应的关联度和扰动参数对应的关联度；
步骤S208，从扰动参数对应的关联度中，获取目标关联度；其中，目标关联度小于当前参数对应的关联度；
步骤S210，计算目标关联度的数量与扰动参数对应的关联度的数量的比值；将比值确定为当前参数的评估结果。
上述目标关联度通常包括多个。以多组参数包括729组参数为例，进行说明，将728组扰动参数对应的关联度与当前参数对应的关联度进行对比，从728组扰动参数对应的关联度中，获取小于当前参数对应的关联度的目标关联度；统计目标关联度的个数，将目标关联度的数量与扰动参数对应的关联度的数量的比值确定为当前参数的评估结果；具体公式如下：
Figure BDA0002853391220000111
上式中，Fworse表示目标关联度的数量；Ftotal表示扰动参数对应的关联度的数量(或扰动参数的数量)；FC表示当前参数的评估结果，其中，如果FC近似于1(百分之百)，则说明当前参数为正确参数，如果FC显著小于1，则说明当前参数不准确。
上述方式中，可以自动在运行状态下评估摄像装置和激光雷达外参数的准确度，无需手动标记，无需复杂的装置以及标定流程，无需固定标志或特征的场景，相较于离线标定的方法更加灵活和通用，实现了实时评估当前参数的准确性，通过实时评估可以发出告警通知，消耗很少的CPU时间，反应速度快。另外，相比直接解非线性问题，节约了更多的时间和计算资源，大大提高了评估效率。
本实施例主要描述获取目标场景的第一边缘图和第二边缘图的步骤，具体的获取目标场景的第一边缘图的步骤包括如下步骤：
步骤A1，通过摄像装置采集目标场景的原始图像，将原始图像转换为灰度图；按照预设的顺序，获取灰度图中每个指定区域内灰度值最大的像素点；基于该灰度值最大的像素点，确定灰度图的边缘图；
上述指定区域可以是以目标像素点为中心的3×3区域。具体的，对原始图像的灰度图中的像素点，按照从左至右，从上至下的顺序，每隔指定像素点，选取一个目标像素点，在该目标像素点的指定区域内获取灰度值最大的像素点，将该灰度图中每个指定区域内获取的灰度值最大的像素点，确定为灰度图的边缘图。
以指定区域的大小为3×3为例，从上至下的顺序，每隔3个像素点，选取一个目标像素点，在该目标像素点的3×3区域内获取灰度值最大的像素点，将该灰度图中每个3×3区域内获取的灰度值最大的像素点，确定为灰度图的边缘图。
步骤A2，将边缘图进行逆距离变换处理，得到第一边缘图。
具体的，可以通过下述公式对边缘图进行处理：
Figure BDA0002853391220000121
上式中，Di,j表示第一边缘图中坐标为i，j的像素点的灰度值；Ei,j表示上述边缘图中坐标为x，y的像素点的灰度值；i，j表示上述边缘图中当前像素位置的坐标；x，y表示上述边缘图中当前像素位置邻域中灰度值最大的像素点的坐标，其中(|x-i|,|y-j|)表示当前像素位置的邻域；α表示当前像素位置的灰度值所占的权重，通常α＝1/3；γ表示指数平滑因子，通常γ＝0.98，γ可以使图像的边缘更加平滑。
另外，具体的获取目标场景的第二边缘图的步骤包括如下步骤：
步骤B1，通过激光雷达采集目标场景的点云数据；
步骤B2，根据点云数据中的每个位置点的深度值，将点云数据中的噪点滤除，得到滤波后的点云数据；
具体的，可以利用点云数据每帧点云数据的深度值，通过降噪方法，将点云数据中的噪点滤除，得到滤波后的点云数据，比如，平滑滤波、去除奇异点等方法。
一种可能的实施方式：
针对点云数据中的每个位置点，计算该位置点的深度值和前一个位置点的深度值的第一深度差值的绝对值，以及该位置点的深度值与后一个位置点的深度值的第二深度差值的绝对值；如果第一深度差值的绝对值与第二深度差值的绝对值均大于第一指定深度阈值，将该位置点滤除，得到滤波后的点云数据。
上述第一指定深度阈值可以根据实际需要进行设置，比如，20、30等数值。通常如果第一深度差值的绝对值与第二深度差值的绝对值均大于第一指定深度阈值，则说明该位置点为噪声点，排除该点不进行下述计算。
步骤B3，通过滤波后的点云数据中的每个位置点与邻近位置点的深度连续性，获取滤波后的点云数据中的边缘点；基于边缘点，确定第二边缘图。
具体的，可以计算每个位置点的深度值与邻近位置点的深度值的差值，根据该差值确定是否具有连续性，通过具有连续性的点，确定第二边缘图。
一种可能的实施方式：
基于边缘点，确定第二边缘图的步骤，包括：针对滤波后的点云数据中的每个位置点，计算该位置点的深度值和前一个位置点的深度值的第三深度差值的绝对值，以及该位置点的深度值与后一个位置点的深度值的第四深度差值的绝对值；获取第三深度差值的绝对值和第四深度差值的绝对值中的最大值；如果最大值大于第二指定深度阈值，将位置点确定为边缘点；基于边缘点，确定第二边缘图。
上述点云数据中的每个位置点可以由点云数据的每帧点云数据中像素点的索引表示。实际实现时，可以通过下述公式获取滤波后的点云数据中第三深度差值的绝对值和第四深度差值的绝对值中的最大值：
Figure BDA0002853391220000141
上式中，
Figure BDA0002853391220000142
表示第三深度差值的绝对值和第四深度差值的绝对值中的最大值；i表示激光雷达水平仪的第i帧点云数据；
Figure BDA0002853391220000143
表示第i帧点云数据中索引为p的点的深度值，
Figure BDA0002853391220000144
表示第i帧点云数据中索引为p-1的点的深度值，
Figure BDA0002853391220000145
表示第i帧点云数据中索引为p+1的点的深度值，γ表示深度连续性评价因子，通常γ＝0.5，可以使图像的边缘更加平滑。
上式中的
Figure BDA0002853391220000146
可以表示p位置点的深度值和前一个位置点的深度值的第三深度差值的绝对值；上式中
Figure BDA0002853391220000147
可以表示p位置点的深度值与后一个位置点的深度值的第四深度差值的绝对值；通过max获取第三深度差值的绝对值和第四深度差值的绝对值中的最大值
Figure BDA0002853391220000148
通常当
Figure BDA0002853391220000149
大于30cm时，确定索引为p的点为第二边缘图的边缘点。
本实施例还提供了一种参数的校准方法，本实施例在上述实施例的基础上实现，上述评估结果包括评估指标；本实施例主要描述，根据每组参数对应的关联度，确定当前参数的评估结果的步骤之后的具体步骤，如图3所示，该方法包括如下步骤：
步骤S302，基于预设的正确参数对应的评估指标的均值和标准差，以及预设的错误参数对应的评估指标的均值和标准差，计算当前参数的正确率；
上述预设的正确参数以及错误对应的评估指标的均值和标准差，具体可以通过下述方式确定：
对于同一组摄像装置和激光雷达，可以在实际运行前，基于正确参数，采集大量的点云数据和图像数据(可以调整传感器姿态)并进行时间同步匹配得到多张第一边缘图和第二边缘图，具体的，将多张第一边缘图和第二边缘图进行分组，每组会对应一组正确参数(可通过离线标定获得)，对于错误参数可以通过随机扰动来产生，分别算出多组正确参数对应的FC值，以及多组错误参数对应的FC值。然后统计出两种参数情况下关于FC的分布，即均值和标准差。
具体的，可以通过下述公式计算当前参数的正确率：
Figure BDA0002853391220000151
上式中，x代表当前参数对应的准确性评估指标(及上述步骤S210得到的Fc)；μ1和σ1分别表示正确参数对应的准确性评估指标的分布的均值和标准差，μ2和σ2分别表示错误参数对应的准确性评估指标的分布的均值和标准差；PCalibrated表示当前参数的正确率。
步骤S304，如果当前参数的正确率小于指定阈值，通过对当前参数进行指定扰动半径的扰动分析，得到多组指定参数；
步骤S306，基于当前参数对应的关联度和每组指定参数对应的关联度，校准当前参数。
上述指定阈值可以根据实际需要进行设置，比如指定阈值诶0.5当PCalibrated大于0.5时，表示当前参数是正确的。当PCalibrated小于0.5时，则表示当前参数失效。上述指定扰动半径，通常比评估当前参数时进行的扰动分析的扰动半径大；上述指定参数也可以称为扰动参数。如果当前参数的正确率小于指定阈值，可以对当前参数进行校准。具体的，可以计算每组指定参数对应的评估结果，即每组指定参数的准确性评估指标，将准确性评估指标最大的参数确定为当前参数；还可以计算每组指定参数对应关联度，将关联度最大的参数确定为当前参数等。
一种可能的实施方式：
针对每组指定参数对应的关联度，计算该指定参数下的多个评估指标；计算多个评估指标的均值和标准差，将满足预设均值以及预设标准差的指定参数，确定为目标参数；将目标参数校准为当前参数。
具体的，可以针对每组指定参数，获取多组第一边缘图和第二边缘图，针对每组图像，可以计算该指定参数对应的关联度，即每组指定参数可得到对应的多个关联度；基于每个关联度计算该指定参数下的多个评估指标。然后计算多个评估指标的均值和标准差，最后得到多个指定参数对应的评估指标的均值和标准差；从多个指定参数对应的评估指标的均值和标准差中，获取满足预设的正确参数对应的均值以及标准差的评估指标对应的指定参数，确定为目标参数；将目标参数校准为当前参数。
需要说明的是，如果上述方法没有得到有效的正确参数，可以通过下述方式对当前参数进行校准：
法一：使用贪心算法，根据当前参数生成的729组扰动参数中选取准确性评估指标FC最大的参数值作为新的起点，不断循环上述步骤S304余步骤S306的过程，直至得到准确的参数。
法二：使用概率采样和贪心算法相结合的搜索方法。对当前参数生成的729组扰动参数，根据准确性评估指标FC值生成概率分布，例如采用轮盘赌的方法，从生成的概率分布中随机采样一组参数值，然后通过对采样到的参数值分别进行贪心算法搜索找到参数候选值，从最终找到的参数候选值中选取准确性评估指标FC最大值、准确性评估指标FC平均值或者采取其他的评价标准得到正确的外参。也可以考虑在多帧图中做上述处理，然后得到参数候选值的一组数据，通过统计的方式选取这组数据中最稳定的参数。
上述方式中，使用轮廓信息对图像和激光雷达数据进行融合，建立优化目标函数，达到评估当前参数的目的；使用扰动分析和概率分析模型求解信息融合目标函数，评估当前是否是最优解，从而可以评估当前参数；使用搜索算法求解目标函数最优解，达到当前参数校准的目标。以自动在线标定相机和激光雷达之前参数的方法，无需手动标记，无需复杂的装置以及标定流程，无需固定标志或特征的场景，相较于以前的方法更加灵活和通用，参数可以在线更新，在当前参数不准确时可以进行校准，提高了标定效率。以响应一个传感器的外部位姿的缓慢变化，消耗很少的CPU时间，反应速度快，显著提高感知数据的准确性。无需提前知道当前校准外参，并通过实时评估发出告警通知以及做修复处理。相比直接解非线性问题，节约了更多的时间和计算资源，大大提高了评估和标定效率。
对应上述的方法实施例，本实施例还提供了一种参数的评估装置，如图4所示，该装置包括：
获取模块41，用于获取目标场景的第一边缘图和第二边缘图；其中，第一边缘图通过摄像装置得到；第二边缘图通过激光雷达得到；
确定模块42，用于基于多组参数，确定每组参数对应的第一边缘图与第二边缘图之间的关联度；其中，多组参数包括当前参数，以及通过对当前参数进行扰动分析得到的多组扰动参数；
评估模块43，用于根据每组参数对应的关联度，确定当前参数的评估结果。
本发明提供了一种参数的评估装置，获取目标场景的第一边缘图和第二边缘图；其中，第一边缘图通过摄像装置得到；第二边缘图通过激光雷达得到；获取多组参数，确定每组参数对应的第一边缘图与第二边缘图之间的关联度；其中的多组参数包括当前参数，以及通过对当前参数进行扰动分析得到的多组扰动参数；该参数用于指示摄像装置与激光雷达之间的位姿关系；根据每组参数对应的关联度，确定当前参数的评估结果。该方式中，通过扰动分析获取多组参数，基于每组参数确定对应的关联度，可以实时确定当前参数的准确性，相较于离线状态下的评估和标记方式，实现了实时评估当前参数的准确性，进而提高了感知数据的准确性。
进一步的，上述确定模块还用于：针对每组参数，将第二边缘图通过参数投影至第一边缘图，将位于第一边缘图外的第二边缘图的点去除，得到第二边缘图对应的第三边缘图；根据第二边缘图和第二边缘图对应的第三边缘图，计算每组参数对应的第一边缘图与第二边缘图之间的关联度。
进一步的，上述第二边缘图包括多张；上述确定模块还用于：针对每组参数，计算每张第二边缘图中每个像素点的深度值与每张第二边缘图对应的第三边缘图中对应位置的像素点的深度值的乘积值；将每张第二边缘图对应的乘积值的和，确定为参数对应的第一边缘图与第二边缘图之间的关联度。
进一步的，上述关联度包括：当前参数对应的关联度和扰动参数对应的关联度；上述评估模块还用于：从扰动参数对应的关联度中，获取目标关联度；其中，目标关联度小于当前参数对应的关联度；计算目标关联度的数量与扰动参数对应的关联度的数量的比值；将比值确定为当前参数的评估结果。
进一步的，上述获取模块还用于：通过摄像装置采集目标场景的原始图像，将原始图像转换为灰度图；按照预设的顺序，获取灰度图中每个指定区域内灰度值最大的像素点；基于灰度值最大的像素点，确定灰度图的边缘图；将边缘图进行逆距离变换处理，得到第一边缘图。
进一步的，上述获取模块还用于：通过激光雷达采集目标场景的点云数据；根据点云数据中的每个位置点的深度值，将点云数据中的噪点滤除，得到滤波后的点云数据；通过滤波后的点云数据中的每个位置点与邻近位置点的深度连续性，获取滤波后的点云数据中的边缘点；基于边缘点，确定第二边缘图。
进一步的，上述获取模块还用于：针对点云数据中的每个位置点，计算该位置点的深度值和前一个位置点的深度值的第一深度差值的绝对值，以及该位置点的深度值与后一个位置点的深度值的第二深度差值的绝对值；如果第一深度差值的绝对值与第二深度差值的绝对值均大于第一指定深度阈值，将位置点滤除，得到滤波后的点云数据。
进一步的，上述获取模块还用于：针对滤波后的点云数据中的每个位置点，计算该位置点的深度值和前一个位置点的深度值的第三深度差值的绝对值，以及该位置点的深度值与后一个位置点的深度值的第四深度差值的绝对值；获取第三深度差值的绝对值和第四深度差值的绝对值中的最大值；如果最大值大于第二指定深度阈值，将位置点确定为边缘点；基于边缘点，确定第二边缘图。
进一步的，上述评估结果包括评估指标；上述装置还包括校准模块，用于基于预设的正确参数对应的评估指标的均值和标准差，以及预设的错误参数对应的评估指标的均值和标准差，计算当前参数的正确率；如果当前参数的正确率小于指定阈值，通过对当前参数进行指定扰动半径的扰动分析，得到多组指定参数；基于当前参数对应的关联度和每组指定参数对应的关联度，校准当前参数。
进一步的，上述校准模块还用于：针对每组指定参数对应的关联度，计算该指定参数下的多个评估指标；计算多个评估指标的均值和标准差，将满足预设均值以及预设标准差的指定参数，确定为目标参数；将目标参数校准为当前参数。
本发明实施例提供的参数的评估装置，与上述实施例提供的参数的评估方法具有相同的技术特征，所以也能解决相同的技术问题，达到相同的技术效果。
本实施例还提供一种电子设备，包括处理器和存储器，存储器存储有能够被处理器执行的机器可执行指令，处理器执行机器可执行指令以实现上述参数的评估方法。
参见图5所示，该电子设备包括处理器100和存储器101，该存储器101存储有能够被处理器100执行的机器可执行指令，该处理器100执行机器可执行指令以实现上述参数的评估方法。
进一步地，图5所示的电子设备还包括总线102和通信接口103，处理器100、通信接口103和存储器101通过总线102连接。
其中，存储器101可能包含高速随机存取存储器(RAM，Random Access Memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口103(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。总线102可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图5中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
处理器100可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器100中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器100可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DigitalSignal Processor，简称DSP)、专用集成电路(Application Specific IntegratedCircuit，简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器101，处理器100读取存储器101中的信息，结合其硬件完成前述实施例的方法的步骤。
本实施例还提供一种机器可读存储介质，机器可读存储介质存储有机器可执行指令，机器可执行指令在被处理器调用和执行时，机器可执行指令促使处理器实现上述参数的评估方法。
本发明实施例所提供的参数的评估方法、装置和电子设备的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
另外，在本发明实施例的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品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)执行本发明各个实施例所述方法的全部或部分步骤。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。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
最后应说明的是：以上实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (13)

1.一种参数的评估方法，其特征在于，包括：
获取目标场景的第一边缘图和第二边缘图；其中，所述第一边缘图通过摄像装置得到；所述第二边缘图通过激光雷达得到；
获取多组参数，确定每组参数对应的所述第一边缘图与所述第二边缘图之间的关联度；所述多组参数包括当前参数，以及通过对所述当前参数进行扰动分析得到的多组扰动参数；所述参数用于指示所述摄像装置与所述激光雷达之间的位姿关系；
根据每组所述参数对应的关联度，确定所述当前参数的评估结果。
2.根据权利要求1所述的方法，其特征在于，获取多组参数，确定每组参数对应的所述第一边缘图与所述第二边缘图之间的关联度的步骤，包括：
针对每组所述参数，将所述第二边缘图通过所述参数投影至所述第一边缘图，将位于所述第一边缘图外的所述第二边缘图的点去除，得到所述第二边缘图对应的第三边缘图；
根据所述第二边缘图和所述第二边缘图对应的第三边缘图，计算每组所述参数对应的所述第一边缘图与所述第二边缘图之间的关联度。
3.根据权利要求2所述的方法，其特征在于，所述第二边缘图包括多张；所述根据所述第二边缘图和所述第二边缘图对应的第三边缘图，计算每组所述参数对应的所述第一边缘图与所述第二边缘图之间的关联度的步骤，包括：
针对每组所述参数，计算每张所述第二边缘图中每个像素点的深度值与每张所述第二边缘图对应的第三边缘图中对应位置的像素点的深度值的乘积值；
将每张所述第二边缘图对应的所述乘积值的和，确定为所述参数对应的所述第一边缘图与所述第二边缘图之间的关联度。
4.根据权利要求1所述的方法，其特征在于，所述关联度包括：当前参数对应的关联度和扰动参数对应的关联度；所述根据每组所述参数对应的关联度，确定所述当前参数的评估结果的步骤，包括：
从所述扰动参数对应的关联度中，获取目标关联度；其中，所述目标关联度小于所述当前参数对应的关联度；
计算所述目标关联度的数量与所述扰动参数对应的关联度的数量的比值；将所述比值确定为所述当前参数的评估结果。
5.根据权利要求1所述的方法，其特征在于，获取目标场景的第一边缘图和第二边缘图的步骤，包括：
通过所述摄像装置采集所述目标场景的原始图像，将所述原始图像转换为灰度图；
按照预设的顺序，获取所述灰度图中每个指定区域内灰度值最大的像素点；基于所述灰度值最大的像素点，确定所述灰度图的边缘图；
将所述边缘图进行逆距离变换处理，得到第一边缘图。
6.根据权利要求1所述的方法，其特征在于，获取目标场景的第一边缘图和第二边缘图的步骤，包括：
通过所述激光雷达采集所述目标场景的点云数据；
根据所述点云数据中的每个位置点的深度值，将所述点云数据中的噪点滤除，得到滤波后的点云数据；
通过所述滤波后的点云数据中的每个位置点与邻近位置点的深度连续性，获取所述滤波后的点云数据中的边缘点；基于所述边缘点，确定所述第二边缘图。
7.根据权利要求6所述的方法，其特征在于，根据所述点云数据中的每个位置点的深度值，将所述点云数据中的噪点滤除，得到滤波后的点云数据的步骤，包括：
针对所述点云数据中的每个位置点，计算该位置点的深度值和前一个位置点的深度值的第一深度差值的绝对值，以及该位置点的深度值与后一个位置点的深度值的第二深度差值的绝对值；
如果所述第一深度差值的绝对值与第二深度差值的绝对值均大于第一指定深度阈值，将所述位置点滤除，得到滤波后的点云数据。
8.根据权利要求6所述的方法，其特征在于，通过所述滤波后的点云数据中的每个位置点与邻近位置点的深度连续性，获取所述滤波后的点云数据中的边缘点；基于所述边缘点，确定所述第二边缘图的步骤，包括：
针对所述滤波后的点云数据中的每个位置点，计算该位置点的深度值和前一个位置点的深度值的第三深度差值的绝对值，以及该位置点的深度值与后一个位置点的深度值的第四深度差值的绝对值；
获取所述第三深度差值的绝对值和所述第四深度差值的绝对值中的最大值；如果所述最大值大于第二指定深度阈值，将所述位置点确定为所述边缘点；基于所述边缘点，确定所述第二边缘图。
9.根据权利要求1所述的方法，其特征在于，所述评估结果包括评估指标；所述根据每组所述参数对应的关联度，确定所述当前参数的评估结果的步骤之后，所述方法还包括：
基于预设的正确参数对应的评估指标的均值和标准差，以及预设的错误参数对应的评估指标的均值和标准差，计算所述当前参数的正确率；
如果所述当前参数的正确率小于指定阈值，通过对所述当前参数进行指定扰动半径的扰动分析，得到多组指定参数；
基于所述当前参数对应的关联度和每组所述指定参数对应的关联度，校准所述当前参数。
10.根据权利要求9所述的方法，其特征在于，基于所述当前参数对应的关联度和每组所述指定参数对应的关联度，校准所述当前的步骤，包括：
针对每组所述指定参数对应的关联度，计算该指定参数下的多个评估指标；
计算所述多个评估指标的均值和标准差，将满足预设均值以及预设标准差的指定参数，确定为目标参数；将所述目标参数校准为所述当前参数。
11.一种参数的评估装置，其特征在于，包括：
获取模块，用于获取目标场景的第一边缘图和第二边缘图；其中，所述第一边缘图通过摄像装置得到；所述第二边缘图通过激光雷达得到；
确定模块，用于基于多组参数，确定每组参数对应的所述第一边缘图与所述第二边缘图之间的关联度；其中，所述多组参数包括当前参数，以及通过对所述当前参数进行扰动分析得到的多组扰动参数；
评估模块，用于根据每组所述参数对应的关联度，确定所述当前参数的评估结果。
12.一种电子设备，其特征在于，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的机器可执行指令，所述处理器执行所述机器可执行指令以实现权利要求1至10任一项所述的参数的评估方法。
13.一种机器可读存储介质，其特征在于，所述机器可读存储介质存储有机器可执行指令，所述机器可执行指令在被处理器调用和执行时，所述机器可执行指令促使所述处理器实现权利要求1至10任一项所述的参数的评估方法。
CN202011543477.6A 2020-12-23 2020-12-23 参数的评估方法、装置和电子设备 Pending CN112581541A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011543477.6A CN112581541A (zh) 2020-12-23 2020-12-23 参数的评估方法、装置和电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011543477.6A CN112581541A (zh) 2020-12-23 2020-12-23 参数的评估方法、装置和电子设备

Publications (1)

Publication Number Publication Date
CN112581541A true CN112581541A (zh) 2021-03-30

Family

ID=75139161

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011543477.6A Pending CN112581541A (zh) 2020-12-23 2020-12-23 参数的评估方法、装置和电子设备

Country Status (1)

Country Link
CN (1) CN112581541A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113012265A (zh) * 2021-04-22 2021-06-22 中国平安人寿保险股份有限公司 针式打印字符图像生成方法、装置、计算机设备和介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113012265A (zh) * 2021-04-22 2021-06-22 中国平安人寿保险股份有限公司 针式打印字符图像生成方法、装置、计算机设备和介质
CN113012265B (zh) * 2021-04-22 2024-04-30 中国平安人寿保险股份有限公司 针式打印字符图像生成方法、装置、计算机设备和介质

Similar Documents

Publication Publication Date Title
CN110476056B (zh) 一种视觉检测方法、检测设备以及机器人
CN109543665B (zh) 图像定位方法及装置
CN113674273B (zh) 一种基于产品缺陷的光学检测方法、系统和可读存储介质
CN111710000B (zh) 一种相机行偏差自检方法及系统
CN110634138A (zh) 一种基于视觉感知的桥梁变形的监测方法、装置及设备
CN112861870B (zh) 指针式仪表图像矫正方法、系统及存储介质
CN110634137A (zh) 一种基于视觉感知的桥梁变形的监测方法、装置及设备
CN115376109B (zh) 障碍物检测方法、障碍物检测装置以及存储介质
CN109035170A (zh) 基于单网格图分段映射的自适应广角图像校正方法及装置
CN116862910B (zh) 基于自动化裁切生产的视觉检测方法
CN115097419A (zh) 一种激光雷达到imu的外参标定方法及装置
CN112581541A (zh) 参数的评估方法、装置和电子设备
CN113188509B (zh) 一种测距方法、装置、电子设备及存储介质
EP4375924A1 (en) Cell alignment degree measurement method, controller, detection system, and storage medium
CN112924037A (zh) 基于图像配准的红外体温检测系统及检测方法
CN117434568A (zh) 一种基于遥感卫星的智能定位系统
CN110310239B (zh) 一种基于特性值拟合消除光照影响的图像处理方法
CN112784633A (zh) 一种车道边界的处理方法、装置、电子设备和存储介质
CN113379816B (zh) 结构变动检测方法、电子设备及存储介质
CN114299533A (zh) 基于人工智能的电网接线图元件和线路识别系统及方法
CN114283081A (zh) 基于金字塔加速的深度恢复方法、电子设备及存储介质
CN111435080B (zh) 一种水位测量方法、装置及系统
CN112818993A (zh) 一种用于摄像直读抄表器的字轮读数表端识别方法及设备
CN113052886A (zh) 一种采用双目原理的双tof相机深度信息获取方法
TWI645997B (zh) Obstacle detection credibility evaluation method

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