CN113432620A - 误差估计方法、装置、车载终端及存储介质 - Google Patents
误差估计方法、装置、车载终端及存储介质 Download PDFInfo
- Publication number
- CN113432620A CN113432620A CN202110623878.0A CN202110623878A CN113432620A CN 113432620 A CN113432620 A CN 113432620A CN 202110623878 A CN202110623878 A CN 202110623878A CN 113432620 A CN113432620 A CN 113432620A
- Authority
- CN
- China
- Prior art keywords
- pitch angle
- image
- error
- lane line
- target
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 73
- 230000003287 optical effect Effects 0.000 claims abstract description 51
- 239000011159 matrix material Substances 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 22
- 238000005070 sampling Methods 0.000 claims description 21
- 230000015654 memory Effects 0.000 claims description 15
- 238000013519 translation Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 14
- 238000006073 displacement reaction Methods 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 5
- 230000008569 process Effects 0.000 abstract description 29
- 230000008859 change Effects 0.000 abstract description 2
- 238000012549 training Methods 0.000 description 16
- 230000002093 peripheral effect Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 6
- 230000001133 acceleration Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 239000000919 ceramic Substances 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C25/00—Manufacturing, calibrating, cleaning, or repairing instruments or devices referred to in the other groups of this subclass
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C1/00—Measuring angles
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Manufacturing & Machinery (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请公开了一种误差估计方法、装置、车载终端及存储介质，属于自动驾驶技术领域。本申请基于拍摄装置拍摄的图像中的车道线，从多个不同的预设俯仰角误差中，确定第一俯仰角误差和第二俯仰角误差的过程中，参考了车辆行驶过程中的车道线信息和不同时刻图像之间的变化关系，进一步通过对第一俯仰角误差和第二俯仰角误差进行处理，综合考虑车道线之间的平行程度以及两个图像之间光流数据的准确程度，从而确定了拍摄装置的目标俯仰角误差，使目标俯仰角误差符合车辆的行驶情况，且由于该方法无需其他传感器辅助，因此，上述技术方案，在保证了目标俯仰角误差的准确性的前提下，不易受到外界因素干扰，能够稳定的对拍摄装置的俯仰角误差进行估计。
Description
技术领域
本申请涉及自动驾驶技术领域，特别涉及一种误差估计方法、装置、车载终端及存储介质。
背景技术
在车辆的自动驾驶系统中，相机对目标物的定位起到了重要的作用。在长期使用过程中，往往会因为车辆的机械振动，使相机的姿态发生变化，导致相机产生俯仰角(pitch)误差，需要对俯仰角误差进行估计，以及时进行误差补偿，保证自动驾驶系统的安全性。相关技术中，采用多传感器结合技术进行俯仰角误差估计，该技术通过多个传感器的相互配合，对地面进行重建，基于重建的地面和相机的姿态得到相机的俯仰角误差。
上述技术中，所用到的多个传感器容易受到外界因素的干扰而产生误差，而对该多个传感器进行维护仍是一个具有挑战性的任务，导致进行俯仰角误差估计的稳定性差。
发明内容
本申请实施例提供了一种误差估计方法、装置、车载终端及存储介质，由车载终端执行，该方法能够在保证俯仰角误差的准确性的前提下，稳定的对拍摄装置的俯仰角误差进行估计。该技术方案如下：
一方面，提供了一种误差估计方法，该方法包括：
基于多个不同的预设俯仰角误差，对拍摄装置的标定俯仰角进行多次补偿，得到多个目标俯仰角；
基于拍摄装置拍摄得到的第一图像中的左车道线、右车道线和该多个目标俯仰角，从该多个不同的预设俯仰角误差中，确定第一俯仰角误差；
基于第二图像、该第一图像和第二图像对应的光流数据和该多个目标俯仰角，从该多个不同的预设俯仰角误差中，确定第二俯仰角误差，该第二图像为该第一图像的上一帧图像，该光流数据用于表示该第一图像中各个像素点与该第二图像中对应像素点之间的位移；
对该第一俯仰角误差和该第二俯仰角误差进行处理，得到目标俯仰角误差。
在一些实施例中，该基于多个不同的预设俯仰角误差，对拍摄装置的标定俯仰角进行多次补偿，得到多个目标俯仰角包括：
获取多个预设俯仰角误差，该多个预设俯仰角误差基于对目标角度范围内进行等间隔采样得到；
分别将该多个不同的预设俯仰角误差与拍摄装置的标定俯仰角相加，得到该多个目标俯仰角。
在一些实施例中，该基于拍摄装置拍摄得到的第一图像中的左车道线、右车道线和该多个目标俯仰角，从该多个不同的预设俯仰角误差中，确定第一俯仰角误差包括：
基于该第一图像，获取该第一图像的车道线掩码组，该车道线掩码组包括左车道线掩码和右车道线掩码；
分别基于该多个目标俯仰角，将该第一图像的车道线掩码组投影到俯视坐标系中，得到多个车道线掩码组；
基于该多个车道线掩码组，获取多个第一误差值；
基于该多个第一误差值，从该多个不同的预设俯仰角误差中，确定该第一俯仰角误差。
在一些实施例中，该基于该多个车道线掩码组，获取多个第一误差值包括：
对于任一该目标俯仰角，对目标车道线掩码组中左车道线掩码内左车道线对应的像素点进行等间隔采样，得到多个第一像素点，该目标车道线掩码组对应于该目标俯仰角；
将该多个第一像素点中相邻的第一像素点相连，得到多个线段；
分别确定该多个线段和该目标车道线掩码组中右车道线掩码内右车道线之间的距离；
将多个该距离的方差，作为该第一误差值。
在一些实施例中，该基于该多个第一误差值，从该多个不同的预设俯仰角误差中，确定该第一俯仰角误差包括：
确定该多个第一误差值中，最小第一误差值对应的车道线掩码组；
确定该最小第一误差值对应的车道线掩码组对应的目标俯仰角；
将该目标俯仰角对应的预设俯仰角误差，确定为该第一俯仰角误差。
在一些实施例中，该基于第二图像、该第一图像和第二图像对应的光流数据和该多个目标俯仰角，从该多个不同的预设俯仰角误差中，确定第二俯仰角误差包括：
基于该第二图像的车道线掩码组，获取多个第二像素点，该第二像素点为该第二图像中位于左车道线和右车道线的对应区域中的像素点；
基于该多个第二像素点和该光流数据，在该第一图像中确定与该多个第二像素点对应的多个第三像素点；
分别基于该多个目标俯仰角，将该多个第二像素点和该多个第三像素点投影到俯视坐标系中，得到多个第三图像和多个第四图像；
基于该多个第三图像和该多个第四图像，获取多个第二误差值；
基于该多个第二误差值，从该多个不同的预设俯仰角误差中，确定该第二俯仰角误差。
在一些实施例中，该基于该多个第三图像和该多个第四图像，获取多个第二误差值包括：
对于任一目标俯仰角，基于该目标俯仰角对应的第三图像和第四图像，获取旋转矩阵和平移矩阵；
基于该旋转矩阵和该平移矩阵，对该第三图像进行旋转平移变换，得到变换后第三图像；
将该第四图像与该变换后第三图像之间的距离，作为该第二误差值。
在一些实施例中，该基于该多个第二误差值，从该多个不同的预设俯仰角误差中，确定该第二俯仰角误差包括：
确定该多个第二误差值中，最小第二误差值对应的第三图像和第四图像；
确定该最小第二误差值对应的第三图像和第四图像对应的目标俯仰角；
将该目标俯仰角对应的预设俯仰角误差，确定为该第二俯仰角误差。
在一些实施例中，该对该第一俯仰角误差和该第二俯仰角误差进行处理，得到目标俯仰角误差包括：
基于该第一俯仰角误差、该第二俯仰角误差和各个俯仰角误差对应的权重，将该第一俯仰角误差和该第二俯仰角误差进行加权求和，得到该目标俯仰角误差。
一方面，提供了一种误差估计装置，该装置包括：
补偿模块，用于基于多个不同的预设俯仰角误差，对拍摄装置的标定俯仰角进行多次补偿，得到多个目标俯仰角；
第一确定模块，用于基于拍摄装置拍摄得到的第一图像中的左车道线、右车道线和该多个目标俯仰角，从该多个不同的预设俯仰角误差中，确定第一俯仰角误差；
第二确定模块，用于基于第二图像、该第一图像和第二图像对应的光流数据和该多个目标俯仰角，从该多个不同的预设俯仰角误差中，确定第二俯仰角误差，该第二图像为该第一图像的上一帧图像，该光流数据用于表示该第一图像中各个像素点与该第二图像中对应像素点之间的位移；
处理模块，用于对该第一俯仰角误差和该第二俯仰角误差进行处理，得到目标俯仰角误差。
在一些实施例中，该补偿模块，用于获取多个预设俯仰角误差，该多个预设俯仰角误差基于对目标角度范围内进行等间隔采样得到；分别将该多个不同的预设俯仰角误差与拍摄装置的标定俯仰角相加，得到该多个目标俯仰角。
在一些实施例中，该第一确定模块包括：
第一获取子模块，用于基于该第一图像，获取该第一图像的车道线掩码组，该车道线掩码组包括左车道线掩码和右车道线掩码；
第一投影子模块，用于分别基于该多个目标俯仰角，将该第一图像的车道线掩码组投影到俯视坐标系中，得到多个车道线掩码组；
该第一获取模块，用于基于该多个车道线掩码组，获取多个第一误差值；
第一确定子模块，用于基于该多个第一误差值，从该多个不同的预设俯仰角误差中，确定该第一俯仰角误差。
在一些实施例中，该第一获取子模块，用于对于任一该目标俯仰角，对目标车道线掩码组中左车道线掩码内左车道线对应的像素点进行等间隔采样，得到多个第一像素点，该目标车道线掩码组对应于该目标俯仰角；将该多个第一像素点中相邻的第一像素点相连，得到多个线段；分别确定该多个线段和该目标车道线掩码组中右车道线掩码内右车道线之间的距离；将多个该距离的方差，作为该第一误差值。
在一些实施例中，该第一确定子模块，用于确定该多个第一误差值中，最小第一误差值对应的车道线掩码组；确定该最小第一误差值对应的车道线掩码组对应的目标俯仰角；将该目标俯仰角对应的预设俯仰角误差，确定为该第一俯仰角误差。
在一些实施例中，该第二确定模块包括：
第二获取子模块，用于基于该第二图像的车道线掩码组，获取多个第二像素点，该第二像素点为该第二图像中位于左车道线和右车道线的对应区域中的像素点；
第二确定子模块，用于基于该多个第二像素点和该光流数据，在该第一图像中确定与该多个第二像素点对应的多个第三像素点；
第二投影子模块，用于分别基于该多个目标俯仰角，将该多个第二像素点和该多个第三像素点投影到俯视坐标系中，得到多个第三图像和多个第四图像；
该第二获取子模块，用于基于该多个第三图像和该多个第四图像，获取多个第二误差值；
该第二确定子模块，用于基于该多个第二误差值，从该多个不同的预设俯仰角误差中，确定该第二俯仰角误差。
在一些实施例中，该第二获取子模块，用于对于任一目标俯仰角，基于该目标俯仰角对应的第三图像和第四图像，获取旋转矩阵和平移矩阵；基于该旋转矩阵和该平移矩阵，对该第三图像进行旋转平移变换，得到变换后第三图像；将该第四图像与该变换后第三图像之间的距离，作为该第二误差值。
在一些实施例中，该第二确定子模块，用于确定该多个第二误差值中，最小第二误差值对应的第三图像和第四图像；确定该最小第二误差值对应的第三图像和第四图像对应的目标俯仰角；将该目标俯仰角对应的预设俯仰角误差，确定为该第二俯仰角误差。
在一些实施例中，该处理模块，用于基于该第一俯仰角误差、该第二俯仰角误差和各个俯仰角误差对应的权重，将该第一俯仰角误差和该第二俯仰角误差进行加权求和，得到该目标俯仰角误差。
一方面，提供了一种车载终端，该车载终端包括一个或多个处理器和一个或多个存储器，该一个或多个存储器中存储有至少一条程序代码，该程序代码由该一个或多个处理器加载并执行，以实现该误差估计方法所执行的操作。
一方面，提供了一种计算机可读存储介质，该计算机可读存储介质中存储有至少一条计算机程序，该至少一条计算机程序由处理器加载并执行以实现该误差估计方法所执行的操作。
一方面，提供了一种计算机程序产品，该计算机程序产品包括至少一条计算机程序，该至少一条计算机程序存储在计算机可读存储介质中。车载终端的处理器从计算机可读存储介质读取该至少一条计算机程序，处理器执行该至少一条计算机程序，使得该车载终端实现该误差估计方法所执行的操作。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，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是本申请实施例提供的一种误差估计方法的实施环境示意图；
图2是本申请实施例提供的一种误差估计方法的流程图；
图3是本申请实施例提供的一种误差估计方法的流程图；
图4是本申请实施例提供的一种误差估计方法的流程图；
图5是本申请实施例提供的一种误差估计装置的结构示意图；
图6是本申请实施例提供的一种车载终端的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通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，都属于本申请保护的范围。
本申请中术语“第一”“第二”等字样用于对作用和功能基本相同的相同项或相似项进行区分，应理解，“第一”、“第二”、“第n”之间不具有逻辑或时序上的依赖关系，也不对数量和执行顺序进行限定。
图1是本申请实施例提供的一种误差估计方法的实施环境示意图，参见图1，该实施环境包括：车载终端101和服务器102。
车载终端101可以与车辆中的拍摄装置进行通信，该拍摄装置可以是单目相机、双目相机、摄像机或者其他拍摄装置，本实施例对此不作限定。该拍摄装置用于在车辆行驶的过程中，拍摄路面环境的图像，并向车载终端101发送所拍摄的图像，车载终端101接收拍摄装置发送的图像，并基于所接收的图像进行俯仰角误差的估计。
在一些实施例中，车载终端101通过有线或无线的方式与服务器102进行通信，本实施例对此不作限定。车载终端101将接收到的图像存储在车载终端的存储装置中，或者，车载终端101将接收到的图像发送给服务器102，由服务器102对接收到的图像进行存储。可选地，车载终端101将基于接收到的图像得到的俯仰角误差也发送给服务器102，由服务器102将俯仰角误差与接收到的图像对应存储。
车载终端101可以泛指多个车载终端中的一个，本实施例仅以车载终端101来举例说明。本领域技术人员可以知晓，上述车载终端的数量可以更多或更少。比如上述车载终端可以仅为几个，或者上述车载终端为几十个或几百个，或者更多数量，本申请实施例对车载终端的数量和设备类型不加以限定。
服务器102可以为一台服务器、多台服务器、云计算平台和虚拟化中心中的至少一种。服务器102接收车载终端101发送的图像，进而对接收到的图像进行存储。可选地，服务器102接收车载终端101发送的基于图像得到的俯仰角误差，进而将俯仰角误差与接收到的图像对应存储。可选地，上述服务器的数量可以更多或更少，本申请实施例对此不作限定。当然，服务器102还可以包括其他功能服务器，以便提供更全面且多样化的服务。
基于图1提供的实施环境，图2是本申请实施例提供的一种误差估计方法的流程图。该方法由车载终端执行，参见图2，在一种可能实现方式中，该实施例包括以下步骤。
201、车载终端基于多个不同的预设俯仰角误差，对拍摄装置的标定俯仰角进行多次补偿，得到多个目标俯仰角。
其中，该多个不同的预设俯仰角误差是通过在目标范围内进行等间隔采样得到的。拍摄装置的标定俯仰角是指：该拍摄装置安装在自动驾驶车辆中时产生的俯仰角，该标定俯仰角通过实验测量得到，作为内置参数存储在车载终端中。
202、车载终端基于拍摄装置拍摄得到的第一图像中的左车道线、右车道线和该多个目标俯仰角，从该多个不同的预设俯仰角误差中，确定第一俯仰角误差。
203、车载终端基于第二图像、该第一图像和第二图像对应的光流数据和该多个目标俯仰角，从该多个不同的预设俯仰角误差中，确定第二俯仰角误差，该第二图像为该第一图像的上一帧图像，该光流数据用于表示该第一图像中各个像素点与该第二图像中对应像素点之间的位移。
204、车载终端对该第一俯仰角误差和该第二俯仰角误差进行处理，得到目标俯仰角误差。
本申请实施例提供的技术方案，基于拍摄装置拍摄的图像中的车道线，从多个不同的预设俯仰角误差中，确定出第一俯仰角误差的过程中，参考了车辆行驶过程中的车道线信息，基于图像的光流数据，从多个不同的预设俯仰角误差中确定出第二俯仰角误差的过程中，参考了车辆行驶过程中不同时刻图像之间的变化关系，进一步通过对第一俯仰角误差和第二俯仰角误差进行处理，综合考虑车道线之间的平行程度以及两个图像之间光流数据的准确程度，从而确定了拍摄装置的目标俯仰角误差，使目标俯仰角误差符合车辆的行驶情况，且由于该方法无需其他传感器辅助，因此，上述技术方案，在保证了目标俯仰角误差的准确性的前提下，不易受到外界因素干扰，能够稳定的对拍摄装置的俯仰角误差进行估计。
本申请实施例结合图3与图4对该误差估计方法进行说明，图3与图4是本申请实施例提供的一种误差估计方法的流程图。该方法由车载终端执行，参见图3与图4，在一种可能实现方式中，该实施例包括以下步骤。
301、车载终端获取拍摄装置拍摄得到的第一图像和第二图像，该第二图像为第一图像的上一帧图像。
在一些实施例中，若该拍摄装置为相机，则车载终端接收拍摄装置当前时刻所发送的图像，将该图像作为第一图像，并在存储装置中获取上一时刻的图像，将该图像作为第二图像。若该拍摄装置为摄像机，则车载终端接收拍摄装置当前时刻发送的视频帧，将该视频帧获取为第一图像，并在存储装置中获取上一时刻截取的图像，将该图像作为第二图像。
需要说明的是，车载终端会将当前时刻获取的第一图像与对应的时间戳进行存储，图像的时间戳用于表示获取该图像的时刻，车载终端能够基于该时间戳获取任一时刻的图像，从而实现在任一时刻对俯仰角误差进行估计。
302、车载终端基于多个不同的预设俯仰角误差，对拍摄装置的标定俯仰角进行多次补偿，得到多个目标俯仰角。
在一些实施例中，车载终端获取多个预设俯仰角误差，该多个预设俯仰角误差基于对目标角度范围内进行等间隔采样得到，分别将多个不同的预设俯仰角误差与拍摄装置的标定俯仰角相加，得到多个目标俯仰角。
其中，获取多个预设俯仰角误差的过程为：车载终端获取预先存储的多个预设俯仰角误差，或者，车载终端在当前时刻，对目标角度范围内进行等间隔采样，得到该多个预设俯仰角误差。
其中，目标角度范围和采样间隔可以为车载终端预设的范围和采样间隔，或者，车载终端根据自动驾驶车辆的行驶情况，实时对目标角度范围和采样间隔进行调整，基于调整后的目标角度范围和采样间隔作为本次误差估计时所采用的的目标角度范围和采样间隔。示例性地，车载终端实时检测自动驾驶车辆在行驶过程中的震动幅度和行驶速度，随震动幅度增大，将目标角度范围扩大，随行驶速度增大，将采样间隔缩小。通过实时调整角度范围和采样间隔，能使得所确定出的目标俯仰角更适应于车辆的行驶情况，提高误差估计的准确程度。
例如，若采用预设的目标角度范围和采样间隔，假设车载终端预设的目标角度范围为-1°至1°，以0.1°为间隔进行等间隔采样，则得到多个预设俯仰角误差为：-1°、-0.9°、-0.8°、……、0.9°、1°，假设拍摄装置的标定俯仰角为2°，则分别将所得到的多个俯仰角误差与拍摄装置的标定的俯仰角相加，得到多个目标俯仰角为1°、1.1°、1.2°、……、2.9°、3°。
303、车载终端基于第一图像，获取第一图像的车道线掩码组，该车道线掩码组包括左车道线掩码和右车道线掩码。
在一些实施例中，车载终端将第一图像输入车道线提取模型，得到第一图像的车道线掩码组。示例性地，以该车道线提取模型为卷积神经网络为例进行说明：该车道线提取模型包括多个卷积层以及至少一个上采样单元，通过多个卷积层，对第一图像进行多次特征提取，得到第一图像的特征图，并将该第一图像的特征图分别映射到左车道线标注空间和右车道线标注空间，得到车道线掩码组，由于特征图是通过多次卷积得到的，基于该特征图得到的车道线掩码组的尺度较低，因此通过至少一个上采样单元，对低尺度的车道线掩码组中的掩码分别进行上采样处理，得到该第一图像的车道线掩码组。
在训练上述车道线提取模型的过程中，车载终端获取训练数据，该训练数据包括样本第一图像和样本车道线掩码组。该训练通过多次迭代实现，在任一次迭代过程中，将样本第一图像输入待训练模型，基于输出的预测车道线掩码组与样本车道线掩码组，确定是否达到训练结束条件，若达到，则将本次迭代对应的模型确定为上述视频分类模型，若未达到，则调整模型参数，基于调整后的模型执行下一次迭代过程，直到达到训练结束条件为止。可选地，上述训练结束条件为：预测车道线掩码组与样本车道线掩码组的差异值小于0.01或者迭代次数达到阈值，则结束训练。
需要说明的是，车载终端会将所获取的第一图像的车道线掩码组进行存储，以进行下一时刻内俯仰角误差的估计。
304、车载终端基于第一图像的车道线掩码组和多个目标俯仰角，从多个不同的预设俯仰角误差中，确定该第一俯仰角误差。
在一些实施例中，本步骤304由以下步骤304A至步骤304C实现：
步骤304A、车载终端分别基于多个目标俯仰角，将第一图像的车道线掩码组投影到俯视坐标系中，得到多个车道线掩码组。
在一些实施例中，对于任一目标俯仰角，车载终端基于该目标俯仰角得到投影矩阵，该投影矩阵为第一图像的角度到俯视角度的投影矩阵，基于该投影矩阵，分别对第一图像的车道线掩码组中，各个像素点的坐标进行变换，得到该各个像素点在俯视坐标系下的坐标，从而将第一图像的车道线掩码组投影到俯视坐标系中，得到该目标俯视角对应的车道线掩码组。
步骤304B、车载终端基于该多个车道线掩码组，获取多个第一误差值。
在一些实施例中，对于任一目标俯仰角，车载终端对目标车道线掩码组中，左车道线掩码内左车道线对应的像素点进行等间隔采样，得到多个第一像素点，目标车道线掩码组对应于该目标俯仰角，将该多个第一像素点中相邻的第一像素点相连，得到多个线段，分别确定该多个线段和目标车道线掩码组中右车道线掩码内右车道线之间的距离，将多个距离的方差作为第一误差值。
其中，对于所得到的任一线段，确定该线段和目标车道线掩码组中右车道线掩码内右车道线之间的距离的方式为：确定该线段的中点与该线段的法线，该法线过该线段的中点，得到该线段的法线与目标车道线掩码组中右车道线掩码内右车道线的交点，基于该线段的中点的坐标与该交点的坐标，确定该线段和目标车道线掩码组中右车道线掩码内右车道线之间的距离。
需要说明的是，对于上述步骤304B，获取多个第一误差值的过程是并行进行的，因此车载终端能够快速获取该多个第一误差值，保证了后续确定目标俯仰角误差的实时性。
步骤304C、车载终端基于该多个第一误差值，从多个不同的预设俯仰角误差中，确定该第一俯仰角误差。
在一些实施例中，车载终端对所得到的多个第一误差值进行排序，确定最小第一误差值对应的车道线掩码组，并确定该最小第一误差值对应的车道线掩码组所对应的目标俯仰角，将该目标俯仰角对应的预设俯仰角误差，确定为该第一俯仰角误差。
通过最小第一误差值，能够从多个不同的预设俯仰角误差中，确定最准确的预设俯仰角误差，也即是，与该预设俯仰角误差对应的目标俯仰角，对第一图像的车道线掩码组的投影最准确，因此，将该预设俯仰角误差确定为第一俯仰角误差，能够保证第一俯仰角误差的准确性。
305、车载终端基于第一图像和第二图像，获取第一图像和第二图像对应的光流数据，该光流数据用于表示第一图像中各个像素点与第二图像中对应像素点之间的位移。
在一些实施例中，车载终端将第一图像和第二图像输入光流计算模型，得到第一图像和第二图像对应的光流数据。示例性地，以该光流计算模型为卷积神经网络为例进行说明：该光流计算模型包括多个第一卷积层、多个第二卷积层和至少一个上采样单元，通过多个第一卷积层，分别对第一图像和第二图像进行多次特征提取，得到第一特征图和第二特征图，通过多个第二卷积层，将第一特征图与第二特征图进行匹配，得到光流数据，由于第一特征图和第二特征图是通过多次卷积得到的，基于该第一特征图和第二特征图得到的光流数据的尺度较低，因此通过至少一个上采样单元，对低尺度的光流数据进行上采样处理，得到第一图像和第二图像对应的光流数据。
在训练上述光流计算模型的过程中，车载终端获取训练数据，该训练数据包括样本第一图像、样本第二图像和样本光流数据。该训练通过多次迭代实现，在任一次迭代过程中，将样本第一图像和样本第二图像输入待训练模型，基于输出的预测光流数据与样本光流数据，确定是否达到训练结束条件，若达到，则将本次迭代对应的模型确定为上述视频分类模型，若未达到，则调整模型参数，基于调整后的模型执行下一次迭代过程，直到达到训练结束条件为止。可选地，上述训练结束条件为：预测光流数据的准确率大于0.95或者迭代次数达到阈值，则结束训练。
306、车载终端基于第二图像、光流数据和多个目标俯仰角，从多个不同的预设俯仰角误差中，确定第二俯仰角误差。
在一些实施例中，车载终端从存储空间中获取该第二图像的车道线掩码组，基于该第二图像的车道线掩码组、光流数据和多个目标俯仰角，从多个不同的预设俯仰角误差中，确定第二俯仰角误差，下面由步骤306A至步骤306E对该确定第二俯仰角误差的过程进行说明。
306A、车载终端基于该第二图像的车道线掩码组，获取多个第二像素点，该第二像素点为该第二图像中位于左车道线和右车道线的对应区域中的像素点。
在一些实施例中，车载终端基于该第二图像的车道线掩码组，确定该第二图像中左车道线和右车道线各个像素点的位置，在该各个像素点的左邻域和右邻域中，随机选择多个像素点作为该多个第二像素点。其中，任一像素的左邻域表示纵坐标与该像素相同且横坐标小于该像素的多个像素点，任一像素的右邻域表示纵坐标与该像素相同且横坐标大于该像素的多个像素点。
在上述步骤306A中，在车道线邻域内选择多个第二像素点，能够使后续进行第二俯仰角误差确定的过程中，同时参考光流数据与图像中的车道线信息，保证了第二俯仰角误差的准确性。
306B、车载终端基于该多个第二像素点和该光流数据，在该第一图像中确定与该多个第二像素点对应的多个第三像素点。
其中，该光流数据为第一图像与第二图像对应像素之间，x轴方向与y轴方向的位移。在一些实施例中，车载终端基于多个第二像素点的光流数据，将每个第二像素点进行相应的移动，确定该多个第二像素点在第一图像中的位置，从而确定该多个第二像素点在第一图像中对应的多个第三像素点。
306C、车载终端分别基于该多个目标俯仰角，将该多个第二像素点和该多个第三像素点投影到俯视坐标系中，得到多个第三图像和多个第四图像。
在一些实施例中，车载终端基于与步骤304A同理的方法，将该多个第二像素点和该多个第三像素点投影到俯视坐标系中，得到多个第三图像和多个第四图像，在此不再赘述。
需要说明的是，俯仰角误差会导致所获取的光流数据出现误差，由于多个第三像素点是基于光流数据对第二像素点进行移动得到的，若存在俯仰角误差，会导致对多个第三像素点位置的确定出现误差，从而导致对多个第二像素点和多个第三像素点的投影出现误差。因此，基于多个经过补偿得到的目标俯仰角，对多个第二像素点和多个第三像素点进行投影的过程，即为通过多个预设俯仰角误差，对光流数据进行补偿的过程。
306D、车载终端基于该多个第三图像和该多个第四图像，获取多个第二误差值。
在一些实施例中，对于任一目标俯仰角所对应的第三图像和第四图像，车载终端基于随机抽样一致(Random Sample Consensus，RANSAC)算法，得到该第三图像和第四图像之间的旋转矩阵和平移矩阵，将所得到的旋转矩阵和平移矩阵，与第三图像中各个像素点的坐标相乘，实现对第三图像的旋转平移变换，得到变换后的第三图像，将第四图像与变换后第三图像之间的距离，作为该第二误差值。可选地，第四图像与变换后第三图像之间的距离为：第四图像各个像素点，与变换后第三图像对应的各个像素点之间距离的平均值。
需要说明的是，对于上述步骤306D，获取多个第二误差值的过程是并行进行的，因此车载终端能够快速获取该多个第二误差值，保证了后续确定目标俯仰角误差的实时性。
306E、基于该多个第二误差值，从该多个不同的预设俯仰角误差中，确定该第二俯仰角误差。
在一些实施例中，车载终端对所得到的多个第二误差值进行排序，确定最小第二误差值对应的第三图像和第四图像，并确定该最小第二误差值对应的第三图像和第四图像对应的第二俯仰角，将该第二俯仰角对应的预设俯仰角误差，确定为第二俯仰角误差。
例如，存在第一组第三图像和第四图像所对应的第二误差值为0.5，所对应的目标俯仰角和预设俯仰角误差分别为1.3°和0.3°，存在第二组第三图像和第四图像所对应的第二误差值为0.2，所对应的目标俯仰角和预设俯仰角误差分别为1.1°和0.1°，则车载终端确定第二组第三图像和第四图像所对应的目标俯仰角为1.1°，将该目标俯仰角对应的预设俯仰角误差0.1°作为第二俯仰角误差。
通过最小第二误差值，能够从多个不同的预设俯仰角误差中，确定对光流数据补偿效果最优的预设俯仰角误差，也即是，与该预设俯仰角误差对应的目标俯仰角，对多个第二像素和多个第三像素的投影最准确，因此，将该预设俯仰角误差确定为第二俯仰角误差，能够保证第二俯仰角误差的准确性。
307、车载终端对第一俯仰角误差和第二俯仰角误差进行处理，得到目标俯仰角误差。
在一些实施例中，车载终端基于该第一俯仰角误差、该第二俯仰角误差和各个俯仰角误差对应的权重，将该第一俯仰角误差和该第二俯仰角误差进行加权求和，得到该目标俯仰角误差。其中，各个俯仰角误差对应的权重相加为1。
例如，第一俯仰角误差为0.6°，第一俯仰角误差对应的权重为0.4，第二俯仰角误差为-0.1°，第二俯仰角误差对应的权重为0.6，则车载终端第一俯仰角误差和第二俯仰角误差进行加权求和，得到目标俯仰角误差为0.18°。
在一些实施例中，响应于车载终端获取到拍摄装置的标定俯仰角，基于所确定的目标俯仰角误差，对标定俯仰角进行补偿，基于经过补偿后的俯仰角和获取的图像，对自动驾驶车辆在道路中的位置进行确定，从而进行精确的路线规划，保障了自动驾驶车辆行驶的安全性。
需要说明的是，车载终端可以实时的接收拍摄装置发送的图像或视频帧，基于所获取的图像进行实时的俯仰角误差估计，或者，车载终端可以间隔一段时间接收一次拍摄装置发送的图像或视频，基于所获取的图像，间隔一段时间进行一次俯仰角误差估计。
本申请实施例提供的技术方案，基于拍摄装置拍摄的图像中的车道线，从多个不同的预设俯仰角误差中，确定第一俯仰角误差的过程中，参考了车辆行驶过程中的车道线信息，基于图像的光流数据，从多个不同的预设俯仰角误差中，确定第二俯仰角误差的过程中，参考了车辆行驶过程中不同时刻图像之间的变化关系，进一步通过对第一俯仰角误差和第二俯仰角误差进行处理，综合考虑车道线之间的平行程度以及两个图像之间光流数据的准确程度，从而确定了拍摄装置的目标俯仰角误差，使目标俯仰角误差符合车辆的行驶情况，且由于该方法无需其他传感器辅助，因此，上述技术方案，在保证了目标俯仰角误差的准确性的前提下，不易受到外界因素干扰，能够稳定的对拍摄装置的俯仰角误差进行估计。
图5是本申请实施例提供的一种误差估计装置的结构示意图，参见图5，该装置包括：补偿模块501、第一确定模块502、第二确定模块503和处理模块504。
补偿模块501，用于基于多个不同的预设俯仰角误差，对拍摄装置的标定俯仰角进行多次补偿，得到多个目标俯仰角；
第一确定模块502，用于基于拍摄装置拍摄得到的第一图像中的左车道线、右车道线和该多个目标俯仰角，从该多个不同的预设俯仰角误差中，确定第一俯仰角误差；
第二确定模块503，用于基于第二图像、该第一图像和第二图像对应的光流数据和该多个目标俯仰角，从该多个不同的预设俯仰角误差中，确定第二俯仰角误差，该第二图像为该第一图像的上一帧图像，该光流数据用于表示该第一图像中各个像素点与该第二图像中对应像素点之间的位移；
处理模块504，用于对该第一俯仰角误差和该第二俯仰角误差进行处理，得到目标俯仰角误差。
在一些实施例中，该补偿模块501，用于获取多个预设俯仰角误差，该多个预设俯仰角误差基于对目标角度范围内进行等间隔采样得到；分别将该多个不同的预设俯仰角误差与拍摄装置的标定俯仰角相加，得到该多个目标俯仰角。
在一些实施例中，该第一确定模块包括502：
第一获取子模块，用于基于该第一图像，获取该第一图像的车道线掩码组，该车道线掩码组包括左车道线掩码和右车道线掩码；
第一投影子模块，用于分别基于该多个目标俯仰角，将该第一图像的车道线掩码组投影到俯视坐标系中，得到多个车道线掩码组；
该第一获取模块，用于基于该多个车道线掩码组，获取多个第一误差值；
第一确定子模块，用于基于该多个第一误差值，从该多个不同的预设俯仰角误差中，确定该第一俯仰角误差。
在一些实施例中，该第一获取子模块，用于对于任一该目标俯仰角，对目标车道线掩码组中左车道线掩码内左车道线对应的像素点进行等间隔采样，得到多个第一像素点，该目标车道线掩码组对应于该目标俯仰角；将该多个第一像素点中相邻的第一像素点相连，得到多个线段；分别确定该多个线段和该目标车道线掩码组中右车道线掩码内右车道线之间的距离；将多个该距离的方差，作为该第一误差值。
在一些实施例中，该第一确定子模块，用于确定该多个第一误差值中，最小第一误差值对应的车道线掩码组；确定该最小第一误差值对应的车道线掩码组对应的目标俯仰角；将该目标俯仰角对应的预设俯仰角误差，确定为该第一俯仰角误差。
在一些实施例中，该第二确定模块503包括：
第二获取子模块，用于基于该第二图像的车道线掩码组，获取多个第二像素点，该第二像素点为该第二图像中位于左车道线和右车道线的对应区域中的像素点；
第二确定子模块，用于基于该多个第二像素点和该光流数据，在该第一图像中确定与该多个第二像素点对应的多个第三像素点；
第二投影子模块，用于分别基于该多个目标俯仰角，将该多个第二像素点和该多个第三像素点投影到俯视坐标系中，得到多个第三图像和多个第四图像；
该第二获取子模块，用于基于该多个第三图像和该多个第四图像，获取多个第二误差值；
该第二确定子模块，用于基于该多个第二误差值，从该多个不同的预设俯仰角误差中，确定该第二俯仰角误差。
在一些实施例中，该第二获取子模块，用于对于任一目标俯仰角，基于该目标俯仰角对应的第三图像和第四图像，获取旋转矩阵和平移矩阵；基于该旋转矩阵和该平移矩阵，对该第三图像进行旋转平移变换，得到变换后第三图像；将该第四图像与该变换后第三图像之间的距离，作为该第二误差值。
在一些实施例中，该第二确定子模块，用于确定该多个第二误差值中，最小第二误差值对应的第三图像和第四图像；确定该最小第二误差值对应的第三图像和第四图像对应的目标俯仰角；将该目标俯仰角对应的预设俯仰角误差，确定为该第二俯仰角误差。
在一些实施例中，该处理模块504，用于基于该第一俯仰角误差、该第二俯仰角误差和各个俯仰角误差对应的权重，将该第一俯仰角误差和该第二俯仰角误差进行加权求和，得到该目标俯仰角误差。
图6是本申请实施例提供的一种车载终端的结构示意图。车载终端600还可能被称为用户设备、便携式车载终端、膝上型车载终端、台式车载终端等其他名称。通常，车载终端600包括有：一个或多个处理器601和一个或多个存储器602。
处理器601可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器601可以采用数字信号处理(Digital Signal Processing，DSP)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)、可编程逻辑阵列(Programmable LogicArray，PLA)中的至少一种硬件形式来实现。处理器601也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称中央处理器(CentralProcessing Unit，CPU)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器601可以在集成有图像处理器(Graphics Processing Unit，GPU)，GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器601还可以包括人工智能(Artificial Intelligence，AI)处理器，该AI处理器用于处理有关机器学习的计算操作。
存储器602可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器602还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中，存储器602中的非暂态的计算机可读存储介质用于存储至少一条程序代码，该至少一条程序代码用于被处理器601所执行以实现本申请中方法实施例提供的误差估计方法。
在一些实施例中，车载终端600还可选包括有：外围设备接口603和至少一个外围设备。处理器601、存储器602和外围设备接口603之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与外围设备接口603相连。具体地，外围设备包括：射频电路604、显示屏605、音频电路606、定位组件607和电源608中的至少一种。
外围设备接口603可被用于将输入/输出(Input/Output，I/O)相关的至少一个外围设备连接到处理器601和存储器602。在一些实施例中，处理器601、存储器602和外围设备接口603被集成在同一芯片或电路板上；在一些其他实施例中，处理器601、存储器602和外围设备接口603中的任意一个或两个可以在单独的芯片或电路板上实现，本实施例对此不加以限定。
射频电路604用于接收和发射射频(Radio Frequency，RF)信号，也称电磁信号。射频电路604通过电磁信号与通信网络以及其他通信设备进行通信。射频电路604将电信号转换为电磁信号进行发送，或者，将接收到的电磁信号转换为电信号。可选地，射频电路604包括：天线系统、RF收发器、一个或多个放大器、调谐器、振荡器、数字信号处理器、编解码芯片组、用户身份模块卡等等。射频电路604可以通过至少一种无线通信协议来与其它车载终端进行通信。该无线通信协议包括但不限于：城域网、各代移动通信网络(2G、3G、4G及5G)、无线局域网和/或无线保真(Wireless Fidelity，WiFi)网络。在一些实施例中，射频电路604还可以包括近距离无线通信(Near Field Communication，NFC)有关的电路，本申请对此不加以限定。
显示屏605用于显示用户界面(User Interface，UI)。该UI可以包括图形、文本、图标、视频及其它们的任意组合。当显示屏605是触摸显示屏时，显示屏605还具有采集在显示屏605的表面或表面上方的触摸信号的能力。该触摸信号可以作为控制信号输入至处理器601进行处理。此时，显示屏605还可以用于提供虚拟按钮和/或虚拟键盘，也称软按钮和/或软键盘。在一些实施例中，显示屏605可以为一个，设置车载终端600的前面板；在另一些实施例中，显示屏605可以为至少两个，分别设置在车载终端600的不同表面或呈折叠设计；在一些实施例中，显示屏605可以是柔性显示屏，设置在车载终端600的弯曲表面上或折叠面上。甚至，显示屏605还可以设置成非矩形的不规则图形，也即异形屏。显示屏605可以采用液晶显示屏(Liquid Crystal Display，LCD)、有机发光二极管(Organic Light-EmittingDiode，OLED)等材质制备。
音频电路606可以包括麦克风和扬声器。麦克风用于采集用户及环境的声波，并将声波转换为电信号输入至处理器601进行处理，或者输入至射频电路604以实现语音通信。出于立体声采集或降噪的目的，麦克风可以为多个，分别设置在车载终端600的不同部位。麦克风还可以是阵列麦克风或全向采集型麦克风。扬声器则用于将来自处理器601或射频电路604的电信号转换为声波。扬声器可以是传统的薄膜扬声器，也可以是压电陶瓷扬声器。当扬声器是压电陶瓷扬声器时，不仅可以将电信号转换为人类可听见的声波，也可以将电信号转换为人类听不见的声波以进行测距等用途。在一些实施例中，音频电路606还可以包括耳机插孔。
定位组件607用于定位车载终端600的当前地理位置，以实现导航或基于位置的服务(Location Based Service，LBS)。定位组件607可以是基于美国的全球定位系统(GlobalPositioning System，GPS)、中国的北斗系统、俄罗斯的格雷纳斯系统或欧盟的伽利略系统的定位组件。
电源608用于为车载终端600中的各个组件进行供电。电源608可以是交流电、直流电、一次性电池或可充电电池。当电源608包括可充电电池时，该可充电电池可以支持有线充电或无线充电。该可充电电池还可以用于支持快充技术。
在一些实施例中，车载终端600还包括有一个或多个传感器609。该一个或多个传感器609包括但不限于：加速度传感器610、陀螺仪传感器611、压力传感器612、指纹传感器613、光学传感器614以及接近传感器615。
加速度传感器610可以检测以车载终端600建立的坐标系的三个坐标轴上的加速度大小，加速度传感器610还可以用于车辆的运动数据的采集。
陀螺仪传感器611可以检测车辆的方向及转动角度，陀螺仪传感器611可以与加速度传感器610协同采集车辆的3D动作。处理器601根据陀螺仪传感器611采集的数据，可以实现对车辆的惯性导航。
压力传感器612可以设置在车载终端显示屏605的下层，由处理器601根据用户对显示屏605的压力操作，实现对UI界面上的可操作性控件进行控制。可操作性控件包括按钮控件、滚动条控件、图标控件、菜单控件中的至少一种。
指纹传感器613用于采集用户的指纹，由处理器601根据指纹传感器613采集到的指纹识别用户的身份，或者，由指纹传感器613根据采集到的指纹识别用户的身份。在识别出用户的身份为可信身份时，由处理器601授权该用户执行相关的敏感操作，该敏感操作包括解锁屏幕、查看加密信息、下载软件、支付及更改设置等。
光学传感器614用于采集环境光强度。在一个实施例中，处理器601可以根据光学传感器614采集的环境光强度，控制显示屏605的显示亮度。具体地，当环境光强度较高时，调高显示屏605的显示亮度；当环境光强度较低时，调低显示屏605的显示亮度。
接近传感器615，也称距离传感器，通常设置在车载终端600的前面板。接近传感器615用于采集用户与车载终端600的正面之间的距离。在一个实施例中，当接近传感器615检测到用户与车载终端600的正面之间的距离逐渐变小时，由处理器601控制显示屏605从亮屏状态切换为息屏状态；当接近传感器615检测到用户与车载终端600的正面之间的距离逐渐变大时，由处理器601控制显示屏605从息屏状态切换为亮屏状态。
本领域技术人员可以理解，图6中示出的结构并不构成对车载终端600的限定，可以包括比图示更多或更少的组件，或者组合某些组件，或者采用不同的组件布置。
在示例性实施例中，还提供了一种计算机可读存储介质，例如包括至少一条程序代码的存储器，上述至少一条程序代码可由处理器执行以完成上述实施例中的误差估计方法。例如，该计算机可读存储介质可以是只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、只读光盘(Compact Disc Read-Only Memory，CD-ROM)、磁带、软盘和光数据存储设备等。
在示例性实施例中，还提供了一种计算机程序产品，该计算机程序产品包括至少一条计算机程序，该至少一条计算机程序存储在计算机可读存储介质中。车载终端的处理器从计算机可读存储介质读取该至少一条计算机程序，处理器执行该至少一条计算机程序，使得该车载终端执行上述误差估计方法所执行的操作。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，该程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
上述仅为本申请的可选实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (12)
1.一种误差估计方法，其特征在于，由车载终端执行，所述方法包括：
基于多个不同的预设俯仰角误差，对拍摄装置的标定俯仰角进行多次补偿，得到多个目标俯仰角；
基于拍摄装置拍摄得到的第一图像中的左车道线、右车道线和所述多个目标俯仰角，从所述多个不同的预设俯仰角误差中，确定第一俯仰角误差；
基于第二图像、所述第一图像和第二图像对应的光流数据和所述多个目标俯仰角，从所述多个不同的预设俯仰角误差中，确定第二俯仰角误差，所述第二图像为所述第一图像的上一帧图像，所述光流数据用于表示所述第一图像中各个像素点与所述第二图像中对应像素点之间的位移；
对所述第一俯仰角误差和所述第二俯仰角误差进行处理，得到目标俯仰角误差。
2.根据权利要求1所述的方法，其特征在于，所述基于多个不同的预设俯仰角误差，对拍摄装置的标定俯仰角进行多次补偿，得到多个目标俯仰角包括：
获取多个预设俯仰角误差，所述多个预设俯仰角误差基于对目标角度范围内进行等间隔采样得到；
分别将所述多个不同的预设俯仰角误差与拍摄装置的标定俯仰角相加，得到所述多个目标俯仰角。
3.根据权利要求1所述的方法，其特征在于，所述基于拍摄装置拍摄得到的第一图像中的左车道线、右车道线和所述多个目标俯仰角，从所述多个不同的预设俯仰角误差中，确定第一俯仰角误差包括：
基于所述第一图像，获取所述第一图像的车道线掩码组，所述车道线掩码组包括左车道线掩码和右车道线掩码；
分别基于所述多个目标俯仰角，将所述第一图像的车道线掩码组投影到俯视坐标系中，得到多个车道线掩码组；
基于所述多个车道线掩码组，获取多个第一误差值；
基于所述多个第一误差值，从所述多个不同的预设俯仰角误差中，确定所述第一俯仰角误差。
4.根据权利要求3所述的方法，其特征在于，所述基于所述多个车道线掩码组，获取多个第一误差值包括：
对于任一所述目标俯仰角，对目标车道线掩码组中左车道线掩码内左车道线对应的像素点进行等间隔采样，得到多个第一像素点，所述目标车道线掩码组对应于所述目标俯仰角；
将所述多个第一像素点中相邻的第一像素点相连，得到多个线段；
分别确定所述多个线段和所述目标车道线掩码组中右车道线掩码内右车道线之间的距离；
将多个所述距离的方差，作为所述第一误差值。
5.根据权利要求3所述的方法，其特征在于，所述基于所述多个第一误差值，从所述多个不同的预设俯仰角误差中，确定所述第一俯仰角误差包括：
确定所述多个第一误差值中，最小第一误差值对应的车道线掩码组；
确定所述最小第一误差值对应的车道线掩码组对应的目标俯仰角；
将所述目标俯仰角对应的预设俯仰角误差，确定为所述第一俯仰角误差。
6.根据权利要求1所述的方法，其特征在于，所述基于第二图像、所述第一图像和第二图像对应的光流数据和所述多个目标俯仰角，从所述多个不同的预设俯仰角误差中，确定第二俯仰角误差包括：
基于所述第二图像的车道线掩码组，获取多个第二像素点，所述第二像素点为所述第二图像中位于左车道线和右车道线的对应区域中的像素点；
基于所述多个第二像素点和所述光流数据，在所述第一图像中确定与所述多个第二像素点对应的多个第三像素点；
分别基于所述多个目标俯仰角，将所述多个第二像素点和所述多个第三像素点投影到俯视坐标系中，得到多个第三图像和多个第四图像；
基于所述多个第三图像和所述多个第四图像，获取多个第二误差值；
基于所述多个第二误差值，从所述多个不同的预设俯仰角误差中，确定所述第二俯仰角误差。
7.根据权利要求6所述的方法，其特征在于，所述基于所述多个第三图像和所述多个第四图像，获取多个第二误差值包括：
对于任一目标俯仰角，基于所述目标俯仰角对应的第三图像和第四图像，获取旋转矩阵和平移矩阵；
基于所述旋转矩阵和所述平移矩阵，对所述第三图像进行旋转平移变换，得到变换后第三图像；
将所述第四图像与所述变换后第三图像之间的距离，作为所述第二误差值。
8.根据权利要求6所述的方法，其特征在于，所述基于所述多个第二误差值，从所述多个不同的预设俯仰角误差中，确定所述第二俯仰角误差包括：
确定所述多个第二误差值中，最小第二误差值对应的第三图像和第四图像；
确定所述最小第二误差值对应的第三图像和第四图像对应的目标俯仰角；
将所述目标俯仰角对应的预设俯仰角误差，确定为所述第二俯仰角误差。
9.根据权利要求1所述的方法，其特征在于，所述对所述第一俯仰角误差和所述第二俯仰角误差进行处理，得到目标俯仰角误差包括：
基于所述第一俯仰角误差、所述第二俯仰角误差和各个俯仰角误差对应的权重，将所述第一俯仰角误差和所述第二俯仰角误差进行加权求和，得到所述目标俯仰角误差。
10.一种误差估计装置，其特征在于，所述装置包括：
补偿模块，用于基于多个不同的预设俯仰角误差，对拍摄装置的标定俯仰角进行多次补偿，得到多个目标俯仰角；
第一确定模块，用于基于拍摄装置拍摄得到的第一图像中的左车道线、右车道线和所述多个目标俯仰角，从所述多个不同的预设俯仰角误差中，确定第一俯仰角误差；
第二确定模块，用于基于第二图像、所述第一图像和第二图像对应的光流数据和所述多个目标俯仰角，从所述多个不同的预设俯仰角误差中，确定第二俯仰角误差，所述第二图像为所述第一图像的上一帧图像，所述光流数据用于表示所述第一图像中各个像素点与所述第二图像中对应像素点之间的位移；
处理模块，用于对所述第一俯仰角误差和所述第二俯仰角误差进行处理，得到目标俯仰角误差。
11.一种车载终端，其特征在于，所述车载终端包括一个或多个处理器和一个或多个存储器，所述一个或多个存储器中存储有至少一条计算机程序，所述至少一条计算机程序由所述一个或多个处理器加载并执行，以实现如权利要求1至权利要求9任一项所述的误差估计方法。
12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有至少一条计算机程序，所述至少一条计算机程序由处理器加载并执行，以实现如权利要求1至权利要求9任一项所述的误差估计方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110623878.0A CN113432620B (zh) | 2021-06-04 | 2021-06-04 | 误差估计方法、装置、车载终端及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110623878.0A CN113432620B (zh) | 2021-06-04 | 2021-06-04 | 误差估计方法、装置、车载终端及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113432620A true CN113432620A (zh) | 2021-09-24 |
| CN113432620B CN113432620B (zh) | 2024-04-09 |
Family
ID=77803684
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110623878.0A Active CN113432620B (zh) | 2021-06-04 | 2021-06-04 | 误差估计方法、装置、车载终端及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113432620B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116740982A (zh) * | 2023-08-15 | 2023-09-12 | 禾多科技（北京）有限公司 | 目标车位的确定方法、装置、存储介质及电子装置 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2711895A2 (en) * | 2012-09-24 | 2014-03-26 | Clarion Co., Ltd. | Calibration method and apparatus for in-vehicle camera |
| CN107490780A (zh) * | 2017-06-01 | 2017-12-19 | 同方电子科技有限公司 | 一种可抑制均匀分布的相位误差的测向方法 |
| 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 |
| CN110490936A (zh) * | 2019-07-15 | 2019-11-22 | 杭州飞步科技有限公司 | 车辆摄像头的标定方法、装置、设备及可读存储介质 |
| CN110567480A (zh) * | 2019-09-12 | 2019-12-13 | 北京百度网讯科技有限公司 | 车辆定位的优化方法、装置、设备及存储介质 |
| US20200082183A1 (en) * | 2018-09-07 | 2020-03-12 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method for position detection, device, and storage medium |
| CN110928324A (zh) * | 2019-12-30 | 2020-03-27 | 北京润科通用技术有限公司 | 无人机飞行参数采集设备及其校准方法 |
| CN111145203A (zh) * | 2019-12-16 | 2020-05-12 | 苏州智加科技有限公司 | 车道线提取方法及装置 |
| CN112529957A (zh) * | 2020-12-08 | 2021-03-19 | 北京地平线信息技术有限公司 | 确定摄像设备位姿的方法和装置、存储介质、电子设备 |
| 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 |
-
2021
- 2021-06-04 CN CN202110623878.0A patent/CN113432620B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2711895A2 (en) * | 2012-09-24 | 2014-03-26 | Clarion Co., Ltd. | Calibration method and apparatus for in-vehicle camera |
| CN107490780A (zh) * | 2017-06-01 | 2017-12-19 | 同方电子科技有限公司 | 一种可抑制均匀分布的相位误差的测向方法 |
| US20200082183A1 (en) * | 2018-09-07 | 2020-03-12 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method for position detection, device, and storage medium |
| 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 |
| CN110490936A (zh) * | 2019-07-15 | 2019-11-22 | 杭州飞步科技有限公司 | 车辆摄像头的标定方法、装置、设备及可读存储介质 |
| CN110567480A (zh) * | 2019-09-12 | 2019-12-13 | 北京百度网讯科技有限公司 | 车辆定位的优化方法、装置、设备及存储介质 |
| CN111145203A (zh) * | 2019-12-16 | 2020-05-12 | 苏州智加科技有限公司 | 车道线提取方法及装置 |
| CN110928324A (zh) * | 2019-12-30 | 2020-03-27 | 北京润科通用技术有限公司 | 无人机飞行参数采集设备及其校准方法 |
| CN112529957A (zh) * | 2020-12-08 | 2021-03-19 | 北京地平线信息技术有限公司 | 确定摄像设备位姿的方法和装置、存储介质、电子设备 |
| 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 |
Non-Patent Citations (1)
| Title |
|---|
| 陈军;徐友春;彭永胜;赵玉凡;: "基于道路特征的车载相机标定动态补偿算法", 机械工程学报, no. 20 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116740982A (zh) * | 2023-08-15 | 2023-09-12 | 禾多科技（北京）有限公司 | 目标车位的确定方法、装置、存储介质及电子装置 |
| CN116740982B (zh) * | 2023-08-15 | 2023-12-01 | 禾多科技（北京）有限公司 | 目标车位的确定方法、装置、存储介质及电子装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113432620B (zh) | 2024-04-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110967024A (zh) | 可行驶区域的检测方法、装置、设备及存储介质 | |
| CN109522863B (zh) | 耳部关键点检测方法、装置及存储介质 | |
| CN109886208B (zh) | 物体检测的方法、装置、计算机设备及存储介质 | |
| CN110570460A (zh) | 目标跟踪方法、装置、计算机设备及计算机可读存储介质 | |
| CN114170349A (zh) | 图像生成方法、装置、电子设备及存储介质 | |
| CN111126276B (zh) | 车道线检测方法、装置、计算机设备及存储介质 | |
| CN113763228A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
| CN111982305A (zh) | 温度测量方法、装置及计算机存储介质 | |
| CN112749590B (zh) | 目标检测方法、装置、计算机设备和计算机可读存储介质 | |
| CN109754439B (zh) | 标定方法、装置、电子设备及介质 | |
| CN111753606A (zh) | 一种智能模型的升级方法及装置 | |
| CN111354378B (zh) | 语音端点检测方法、装置、设备及计算机存储介质 | |
| CN111179628B (zh) | 自动驾驶车辆的定位方法、装置、电子设备及存储介质 | |
| CN113432620B (zh) | 误差估计方法、装置、车载终端及存储介质 | |
| CN111898535A (zh) | 目标识别方法、装置及存储介质 | |
| CN112882094B (zh) | 初至波的获取方法、装置、计算机设备及存储介质 | |
| CN113326800B (zh) | 车道线位置确定方法、装置、车载终端及存储介质 | |
| CN111127539B (zh) | 视差确定方法、装置、计算机设备及存储介质 | |
| CN111982293B (zh) | 体温测量方法、装置、电子设备及存储介质 | |
| CN111723615B (zh) | 对检测物图像进行检测物匹配判定的方法和装置 | |
| CN114623836A (zh) | 车辆位姿确定方法、装置及车辆 | |
| CN110443841B (zh) | 地面深度的测量方法、装置及系统 | |
| CN111984755A (zh) | 确定目标停车点的方法、装置、电子设备及存储介质 | |
| CN112990424A (zh) | 神经网络模型训练的方法和装置 | |
| CN111583339A (zh) | 获取目标位置的方法、装置、电子设备及介质 |
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 |