CN114140538B - 车载相机位姿调整方法、装置、设备和计算机可读介质 - Google Patents

车载相机位姿调整方法、装置、设备和计算机可读介质 Download PDF

Info

Publication number
CN114140538B
CN114140538B CN202111470245.7A CN202111470245A CN114140538B CN 114140538 B CN114140538 B CN 114140538B CN 202111470245 A CN202111470245 A CN 202111470245A CN 114140538 B CN114140538 B CN 114140538B
Authority
CN
China
Prior art keywords
lane line
line equation
vehicle
pose
matrix
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202111470245.7A
Other languages
English (en)
Other versions
CN114140538A (zh
Inventor
胡禹超
孙磊
倪凯
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.)
Heduo Technology Guangzhou Co ltd
Original Assignee
HoloMatic Technology Beijing 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 HoloMatic Technology Beijing Co Ltd filed Critical HoloMatic Technology Beijing Co Ltd
Priority to CN202111470245.7A priority Critical patent/CN114140538B/zh
Publication of CN114140538A publication Critical patent/CN114140538A/zh
Application granted granted Critical
Publication of CN114140538B publication Critical patent/CN114140538B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G06F17/12—Simultaneous equations, e.g. systems of linear equations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G06T3/06—
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Operations Research (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Image Analysis (AREA)
  • Traffic Control Systems (AREA)

Abstract

本公开的实施例公开了车载相机位姿调整方法、装置、设备和计算机可读介质。该方法的一具体实施方式包括：获取当前车辆上车载相机组中各个车载相机所拍摄的道路图像，得到道路图像组；对道路图像组中的每个道路图像进行车道线提取处理以生成车道线方程组，得到车道线方程组集合；对车道线方程组集合中各个车道线方程组中的各个车道线方程进行匹配处理，得到匹配车道线方程组集合；确定匹配车道线方程组集合中每个匹配车道线方程组中的各个匹配车道线方程的反投影矩阵以生成反投影矩阵组，得到反投影矩阵组集合；生成位姿修正量矩阵组；得到调整后位姿矩阵组。该实施方式可以实现对车载相机的位姿调整，提高车载相机的位姿的准确度。

Description

车载相机位姿调整方法、装置、设备和计算机可读介质
技术领域
本公开的实施例涉及计算机技术领域，具体涉及车载相机位姿调整方法、装置、设备和计算机可读介质。
背景技术
随着自动驾驶技术的发展，车载相机对于自动驾驶越来越重要，对车载相机的要求也越来越高。目前，在调整车载相机位姿时，通常采用的方式为：在安装车载相机时，对车载相机进行标定，以确定车载相机的位姿。
然而，当采用上述方式进行车载相机位姿调整时，经常会存在如下技术问题：
车辆在运动过程中的颠簸会对相机相对于车体的位姿造成轻微的变化，其中位移变化较小，且感知算法对位移相对不敏感，因此位移变化对感知算法的影响较小，可以忽略其影响；而姿态变化相对较大，且感知算法(如三维数据相关的算法)，对姿态变化相对敏感，因此，仅在安装车载相机时，对车载相机进行标定，随着车辆的行驶，会导致车载相机的位姿的准确度降低，若不对其进行调整，则感知算法的结果会存在较大误差。
发明内容
本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了车载相机位姿调整方法、装置、设备和计算机可读介质，来解决以上背景技术部分提到的技术问题。
第一方面，本公开的一些实施例提供了一种车载相机位姿调整方法，该方法包括：响应于确定预获取的当前车辆的定位信息集满足预设条件，获取上述当前车辆上车载相机组中各个车载相机所拍摄的道路图像，得到道路图像组；对上述道路图像组中的每个道路图像进行车道线提取处理以生成车道线方程组，得到车道线方程组集合；对上述车道线方程组集合中各个车道线方程组中的各个车道线方程进行匹配处理，得到匹配车道线方程组集合；确定上述匹配车道线方程组集合中每个匹配车道线方程组中的各个匹配车道线方程的反投影矩阵以生成反投影矩阵组，得到反投影矩阵组集合；基于上述匹配车道线方程组集合、上述反投影矩阵组集合和预设的初始内参矩阵组与采样横坐标值组，生成位姿修正量矩阵组，其中，上述初始内参矩阵组中的各个初始位姿矩阵对应于上述车载相机组中各个车载相机；基于上述位姿修正量矩阵组，对上述初始位姿矩阵组中的各个初始位姿矩阵进行调整，得到调整后位姿矩阵组。
第二方面，本公开的一些实施例提供了一种车载相机位姿调整装置，该装置包括：获取单元，被配置成响应于确定预获取的当前车辆的定位信息集满足预设条件，获取上述当前车辆上车载相机组中各个车载相机所拍摄的道路图像，得到道路图像组；提取处理单元，被配置成对上述道路图像组中的每个道路图像进行车道线提取处理以生成车道线方程组，得到车道线方程组集合；匹配处理单元，被配置成对上述车道线方程组集合中各个车道线方程组中的各个车道线方程进行匹配处理，得到匹配车道线方程组集合；确定单元，被配置成确定上述匹配车道线方程组集合中每个匹配车道线方程组中的各个匹配车道线方程的反投影矩阵以生成反投影矩阵组，得到反投影矩阵组集合；生成单元，被配置成基于上述匹配车道线方程组集合、上述反投影矩阵组集合和预设的初始内参矩阵组与采样横坐标值组，生成位姿修正量矩阵组，其中，上述初始内参矩阵组中的各个初始位姿矩阵对应于上述车载相机组中各个车载相机；调整单元，被配置成基于上述位姿修正量矩阵组，对上述初始位姿矩阵组中的各个初始位姿矩阵进行调整，得到调整后位姿矩阵组。
第三方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。
第四方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。
本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的车载相机位姿调整方法，可以调整车载相机的位姿，提高车载相机位姿的准确度。进而，降低车载相机位姿的变化，对感知算法结果的影响。具体来说，造成车载相机变化，以及对感知算法结果产生影响的原因在于：车辆在运动过程中的颠簸会对相机相对于车体的位姿造成轻微的变化，其中位移变化较小，且感知算法对位移相对不敏感，因此位移变化对感知算法的影响较小，可以忽略其影响；而姿态变化相对较大，且感知算法(如三维数据相关的算法)，对姿态变化相对敏感，因此，仅在安装车载相机时，对车载相机进行标定，随着车辆的行驶，会导致车载相机的位姿的准确度降低，若不对其进行调整，则感知算法的结果会存在较大误差。基于此，本公开的一些实施例的车载相机位姿调整方法，首先，响应于确定预获取的当前车辆的定位信息集满足预设条件，获取上述当前车辆上车载相机组中各个车载相机所拍摄的道路图像，得到道路图像组。通过确定定位信息集满足预设条件，可以确定车辆所在位置是否符合对车载相机进行位姿调整的条件。通过引入道路图像组，可以作为位姿调整的基础数据。然后，对上述道路图像组中的每个道路图像进行车道线提取处理以生成车道线方程组，得到车道线方程组集合。之后，对上述车道线方程组集合中各个车道线方程组中的各个车道线方程进行匹配处理，得到匹配车道线方程组集合。通过确定多个相机中拍摄的图像中的车道线之间的关联性，可以将多个相机对于车辆的位姿关联到一起。接着，确定上述匹配车道线方程组集合中每个匹配车道线方程组中的各个匹配车道线方程的反投影矩阵以生成反投影矩阵组，得到反投影矩阵组集合。由此，可以得到多个相机之间的相关约束。而后，基于上述匹配车道线方程组集合、上述反投影矩阵组集合和预设的初始内参矩阵组与采样横坐标值组，生成位姿修正量矩阵组，其中，上述初始内参矩阵组中的各个初始位姿矩阵对应于上述车载相机组中各个车载相机。通过生成位姿修正量矩阵组可以确定每个相机与车辆之间的位姿误差。最后，基于上述位姿修正量矩阵组，对上述初始位姿矩阵组中的各个初始位姿矩阵进行调整，得到调整后位姿矩阵组。从而，可以实现对车载相机的位姿调整，以修正相机因颠簸情况产生的变化，提高车载相机的位姿的准确度。进而，可以降低对自动驾驶中的感知算法的影响。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。
图1是本公开的一些实施例的车载相机位姿调整方法的一个应用场景的示意图；
图2是根据本公开的车载相机位姿调整方法的一些实施例的流程图；
图3是根据本公开的车载相机位姿调整方法的另一些实施例的流程图；
图4是根据本公开的车载相机位姿调整装置的一些实施例的结构示意图；
图5是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1是本公开的一些实施例的车载相机位姿调整方法的一个应用场景的示意图。
在图1的应用场景中，首先，计算设备101可以响应于确定预获取的当前车辆的定位信息集102满足预设条件，获取上述当前车辆上车载相机组中各个车载相机所拍摄的道路图像，得到道路图像组103。接着，计算设备101可以对上述道路图像组103中的每个道路图像进行车道线提取处理以生成车道线方程组，得到车道线方程组集合104。然后，计算设备101可以对上述车道线方程组集合104中各个车道线方程组中的各个车道线方程进行匹配处理，得到匹配车道线方程组集合105。之后，计算设备101可以确定上述匹配车道线方程组集合105中每个匹配车道线方程组中的各个匹配车道线方程的反投影矩阵以生成反投影矩阵组，得到反投影矩阵组集合106。而后，计算设备101可以基于上述匹配车道线方程组集合105、上述反投影矩阵组集合106和预设的初始内参矩阵组107与采样横坐标值组108，生成位姿修正量矩阵组109，其中，上述初始内参矩阵组107中的各个初始位姿矩阵对应于上述车载相机组中各个车载相机。最后，计算设备101可以基于上述位姿修正量矩阵组109，对上述初始位姿矩阵组107中的各个初始位姿矩阵进行调整，得到调整后位姿矩阵组110。
需要说明的是，上述计算设备101可以是硬件，也可以是软件。当计算设备为硬件时，可以实现成多个服务器或终端设备组成的分布式集群，也可以实现成单个服务器或单个终端设备。当计算设备体现为软件时，可以安装在上述所列举的硬件设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解，图1中的计算设备的数目仅仅是示意性的。根据实现需要，可以具有任意数目的计算设备。
继续参考图2，示出了根据本公开的车载相机位姿调整方法的一些实施例的流程200。该车载相机位姿调整方法的流程200，包括以下步骤：
步骤201，响应于确定预获取的当前车辆的定位信息集满足预设条件，获取当前车辆上车载相机组中各个车载相机所拍摄的道路图像，得到道路图像组。
在一些实施例中，车载相机位姿调整方法的执行主体(如图1所示的计算设备101)可以响应于确定预获取的当前车辆的定位信息集满足预设条件，通过有线的方式或者无线的方式获取上述当前车辆上车载相机组中各个车载相机所拍摄的道路图像，得到道路图像组。其中，上述预设条件可以是定位信息集表征当前车辆的位置处于预设路段。定位信息集中的定位信息可以是一段时间内(例如，3秒)的、当前车辆的定位信息。预设路段信息可以是预先存储的、平缓路面的道路位置信息。道路图像组中的每个道路图像可以对应一个车载相机。道路图像组中的各个道路图像可以是当前车辆上装载的各个车载相机，在同一时刻拍摄的道路图像。当前车辆可以装载至少一个车载相机。
步骤202，对道路图像组中的每个道路图像进行车道线提取处理以生成车道线方程组，得到车道线方程组集合。
在一些实施例中，上述执行主体可以对上述道路图像组中的每个道路图像进行车道线提取处理以生成车道线方程组，得到车道线方程组集合。其中，可以通过车道线提取算法对道路图像组中的每个道路图像进行车道线提取处理以生成车道线方程组，得到车道线方程组集合。上述车道线提取算法可以包括但不限于：UFLD(Ultra Fast Structure-awareDeep Lane Detection，车道线快速检测算法)，LaneNet(多分支车道线检测网络)等。
步骤203，对车道线方程组集合中各个车道线方程组中的各个车道线方程进行匹配处理，得到匹配车道线方程组集合。
在一些实施例中，上述执行主体可以对上述车道线方程组集合中各个车道线方程组中的各个车道线方程进行匹配处理，得到匹配车道线方程组集合。其中，匹配处理可以是将各个车道线方程组中表征同一车道线的车道线方程作为匹配车道线方程组。由此，可以得到匹配车道线方程组集合，每个匹配车道线方程组可以对应当前车辆所在道路的一条车道线。
步骤204，确定匹配车道线方程组集合中每个匹配车道线方程组中的各个匹配车道线方程的反投影矩阵以生成反投影矩阵组，得到反投影矩阵组集合。
在一些实施例中，上述执行主体可以确定上述匹配车道线方程组集合中每个匹配车道线方程组中的各个匹配车道线方程的反投影矩阵以生成反投影矩阵组，得到反投影矩阵组集合。其中，对于匹配车道线方程组集合中每个匹配车道线方程组中的每个匹配车道线方程，可以通过以下步骤生成反投影矩阵：
第一步，确定上述匹配车道线方程对应的相机投影矩阵。其中，上述匹配车道线方程可以对应一个道路图像。因此，上述匹配车道线方程还可以对应拍摄上述道路图像的车载相机。从而，可以从预设的数据表中选出预先存储的与上述车载相机对应的相机投影矩阵。
在一些实施例中，上述相机投影矩阵可以通过以下方式生成：
首先，可以从上述预设的数据表中选出上述车载相机的内参矩阵、上一次对该车载相机进行位姿调整后的旋转矩阵、平移向量和位姿调整矩阵。然后，可以将旋转矩阵和位姿调整矩阵的乘积确定为新的旋转矩阵。接着，可以将新的旋转矩阵与上述平移向量组合为位姿矩阵。最后，可以将位姿矩阵与上述内参矩阵的乘积确定为上述相机投影矩阵。
作为示例，旋转矩阵可以是3×3的矩阵。上述平移向量可以是3×1的矩阵。那么，上述组合可以是将上述旋转矩阵与上述平移向量组合为3×4的矩阵。从而，位姿矩阵可以是3×4的矩阵。
第二步，利用上述匹配车道线方程中各项的系数，构建曲线矩阵。其中，该曲线矩阵可以是上述匹配车道线方程的二次曲线系数矩阵。从而，可以将上述匹配车道线方程的各项系数代入至二次曲线系数矩阵，得到曲线矩阵。
第三步，将上述相机投影矩阵、上述曲线矩阵和上述相机投影矩阵的转置矩阵的乘积确定为反投影矩阵。
步骤205，基于匹配车道线方程组集合、反投影矩阵组集合和预设的初始内参矩阵组与采样横坐标值组，生成位姿修正量矩阵组。
在一些实施例中，上述执行主体基于上述匹配车道线方程组集合、上述反投影矩阵组集合和预设的初始内参矩阵组与采样横坐标值组，可以通过任何方式生成位姿修正量矩阵组。其中，上述初始内参矩阵组中的各个初始位姿矩阵对应于上述车载相机组中各个车载相机。上述采样横坐标值组中的采样横坐标值可以用于生成采样点。采样点可以用于生成位姿修正量矩阵。
在一些实施例的一些可选的实现方式中，上述执行主体基于上述匹配车道线方程组集合、上述反投影矩阵组集合和预设的初始内参矩阵组与采样横坐标值组，生成位姿修正量矩阵组，可以包括以下步骤：
第一步，基于上述反投影矩阵组集合和预设的初始内参矩阵组与采样横坐标值组，确定与上述匹配车道线方程组集合中每个匹配车道线方程组中各个匹配车道线方程对应的采样坐标点组，得到采样坐标点组集合。其中，可以通过以下子步骤生成上述采样点组集合中每个采样点组中的各个采样点：
第一子步骤，构建与上述匹配车道线方程组集合中每个匹配车道线方程组对应的匹配坐标点组集合。其中，可以按照上述采样横坐标值组中的各个采样横坐标值对每个车道线方程进行匹配坐标点采样，以生成匹配点组。由此，可以得到与每个车道线方程对应匹配坐标点组。具体的，上述各个匹配坐标点的横坐标分别可以是上述采样横坐标值组中的采样横坐标值。因此，与每个匹配车道线方程组中各个匹配车道线方程对应的各个匹配坐标点组中的匹配坐标点可以通过相同的横坐标值呈对应关系。
对于上述匹配坐标点组集合中的每个匹配坐标点组，可以通过以下公式进行构建：
Figure BDA0003391619630000091
其中，X表示上述匹配坐标点组中的匹配坐标点。i表示序号。Xi表示上述匹配坐标点组中的第i个匹配坐标点。x′表示上述匹配坐标点组中匹配坐标点的横坐标值。x′i表示上述匹配坐标点组中第i个匹配坐标点的横坐标值。其中，横坐标值可以为已知量(即，上述采样横坐标值组中的采样横坐标值)。y′i表示上述匹配坐标点组中第i个匹配坐标点的纵坐标值。z′i表示上述匹配坐标点组中第i个匹配坐标点的竖坐标值，其中，纵坐标值和竖坐标值可以是未知量。T表示转置矩阵。
Figure BDA0003391619630000092
表示上述匹配坐标点组中第i个匹配坐标点的转置矩阵。Q表示上述匹配坐标点组对应的上述反投影矩阵组集合中的反投影矩阵。
第二子步骤，对于上述匹配车道线方程组集合中的每个匹配车道线方程组，将上述匹配车道线方程组中各个匹配车道线对应的各个匹配坐标点组中相同横坐标值的一组匹配坐标点(即，目标匹配坐标点组)，和与目标匹配坐标点组中各个目标匹配坐标点对应的反投影矩阵代入至以下公式，以生成上述采样点组集合中的采样点：
Figure BDA0003391619630000101
其中，y表示上述采样点的纵坐标值。Z表示上述采样点的竖坐标值。i表示序号。I表示上述目标匹配坐标点组中目标匹配坐标点的数量。x表示上述目标匹配坐标点组中的目标匹配坐标点。xi表示上述目标匹配坐标点组中第i个目标匹配坐标点的横坐标值。yi表示上述目标匹配坐标点组中第i个目标匹配坐标点的纵坐标值。zi表示上述目标匹配坐标点组中第i个目标匹配坐标点的竖坐标值。Q表示上述目标匹配坐标点组中目标匹配坐标点对应的反投影矩阵。Qi表示上述目标匹配坐标点组中第i个目标匹配坐标点对应的反投影矩阵。|| ||2表示二范数。
具体的，上述目标匹配坐标点组中的目标匹配坐标点可以通过匹配车道线对应反投影矩阵组集合中的反投影矩阵。通过上述方式，可以求解出每个采样点的纵坐标值和竖坐标值。以及将目标匹配坐标点相同的横坐标值作为该采样点的横坐标值，得到采样点坐标。因此，可以将每个目标匹配坐标点组转化为一个采样点。由此，可以得到采样点组集合。
第二步，基于上述采样坐标点组集合，生成位姿修正量矩阵组。其中，可以将上述采样点坐标点组集合中的每个采样坐标点组中的各个采样坐标点输入至以下公式，生成位姿修正量矩阵组中的位姿修正量：
Figure BDA0003391619630000111
其中，ΔR表示上述位姿修正量。P表示预先构建的当前车辆所在地面的平面方程中各项系数所组成的系数向量。d表示上述平面方程的常数项。j表示序号。J表示上述采样坐标点组中采样坐标点组的数量。x1、y1、z1表示上述采样坐标点组中采样坐标点的横坐标值、纵坐标值和竖坐标值。
Figure BDA0003391619630000112
表示上述采样坐标点组中第j个采样坐标点的横坐标值、纵坐标值和竖坐标值所组成的向量。
实践中，当前车辆所在的地面也可以是曲面。则可以构建曲面方程。其中，上述平面方程或上述曲面方程中的参数可以是未知的。可以通过求解上述生成位姿修正量的公式得到。上述公式可以通过非线性优化方法进行求解。上述位姿修正量矩阵组中的每个位姿修正量矩阵可以对应一个车载相机，用于表征该车载相机与当前车辆之间的位姿矩阵中的姿态矩阵的修正量。
在另一些实施例中，上述执行主体还可以执行如下步骤：
第一步，对于每个车载相机对应的、当前的位姿修正量和邻近的、上一次的位姿调整矩阵之间的差值，确定该差值是否小于等于预设调整阈值。
第二步，若该差值小于等于上述预设调整阈值，确定上述当前的、位姿修正量可以用于上述车载相机的位姿修正。
第三步，若该差值大于上述预设调整阈值，则可以通过上述当前位姿修正量调整上述车载相机的位姿。以及通过上述实现方式生成反投影矩阵、相机投影矩阵和采样点，以此再次对上述车载相机的位姿进行调整。从而，可以得到最优的位姿修正量。
上述三个公式及其相关内容作为本公开的实施例的一个发明点，解决了背景技术提及的技术问题。通过对不同的线型均抽象为连续的曲线，使得上述实现方式可以不受线型的限制，适用于实线、虚线或者其它类型的车道线。另外，通过上述三个公式及其相关内容，关联不同车载相机拍摄的图像，使得可以同时对不同视角的多个车载相机进行位姿修正量的生成。最后，通过求得位姿修正量的最优解或者以循环的方式多次生成位姿修正量，可以进一步提高生成的位姿修正量的准确度。
步骤206，基于位姿修正量矩阵组，对初始位姿矩阵组中的各个初始位姿矩阵进行调整，得到调整后位姿矩阵组。
在一些实施例中，上述执行主体可以基于上述位姿修正量矩阵组，对上述初始位姿矩阵组中的各个初始位姿矩阵进行调整，得到调整后位姿矩阵组。
在一些实施例的一些可选的实现方式中，上述执行主体可以将上述初始位姿矩阵组中的每个初始位姿矩阵与上述位姿修正量矩阵组中对应的位姿修正量的乘积确定为调整后位姿矩阵，得到调整后位姿矩阵组。
可选的，上述执行主体还可以将上述调整后位姿矩阵组和上述位姿修正量矩阵组存储至预设的位姿信息表。其中，存储至预设的位姿信息表可以用于下一次位姿调整。
本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的车载相机位姿调整方法，可以调整车载相机的位姿，提高车载相机位姿的准确度。进而，降低车载相机位姿的变化，对感知算法结果的影响。具体来说，造成车载相机变化，以及对感知算法结果产生影响的原因在于：车辆在运动过程中的颠簸会对相机相对于车体的位姿造成轻微的变化，其中位移变化较小，且感知算法对位移相对不敏感，因此位移变化对感知算法的影响较小，可以忽略其影响；而姿态变化相对较大，且感知算法(如三维数据相关的算法)，对姿态变化相对敏感，因此，仅在安装车载相机时，对车载相机进行标定，随着车辆的行驶，会导致车载相机的位姿的准确度降低，若不对其进行调整，则感知算法的结果会存在较大误差。基于此，本公开的一些实施例的车载相机位姿调整方法，首先，响应于确定预获取的当前车辆的定位信息集满足预设条件，获取上述当前车辆上车载相机组中各个车载相机所拍摄的道路图像，得到道路图像组。通过确定定位信息集满足预设条件，可以确定车辆所在位置是否符合对车载相机进行位姿调整的条件。通过引入道路图像组，可以作为位姿调整的基础数据。然后，对上述道路图像组中的每个道路图像进行车道线提取处理以生成车道线方程组，得到车道线方程组集合。之后，对上述车道线方程组集合中各个车道线方程组中的各个车道线方程进行匹配处理，得到匹配车道线方程组集合。通过确定多个相机中拍摄的图像中的车道线之间的关联性，可以将多个相机对于车辆的位姿关联到一起。接着，确定上述匹配车道线方程组集合中每个匹配车道线方程组中的各个匹配车道线方程的反投影矩阵以生成反投影矩阵组，得到反投影矩阵组集合。由此，可以得到多个相机之间的相关约束。而后，基于上述匹配车道线方程组集合、上述反投影矩阵组集合和预设的初始内参矩阵组与采样横坐标值组，生成位姿修正量矩阵组，其中，上述初始内参矩阵组中的各个初始位姿矩阵对应于上述车载相机组中各个车载相机。通过生成位姿修正量矩阵组可以确定每个相机与车辆之间的位姿误差。最后，基于上述位姿修正量矩阵组，对上述初始位姿矩阵组中的各个初始位姿矩阵进行调整，得到调整后位姿矩阵组。从而，可以实现对车载相机的位姿调整，以修正相机因颠簸情况产生的变化，提高车载相机的位姿的准确度。进而，可以降低对自动驾驶中的感知算法的影响。
进一步参考图3，其示出了车载相机位姿调整方法的另一些实施例的流程300。该车载相机位姿调整方法的流程300，包括以下步骤：
步骤301，获取当前车辆的定位信息集。
在一些实施例中，车载相机位姿调整方法的执行主体(如图1所示的计算设备101)可以获取当前车辆的定位信息集。其中，上述定位信息集中的定位信息可以包括车辆角度变化量和时间戳。上述定位信息集中的每两个定位信息之间时间戳间隔相同。
步骤302，将定位信息集中每个定位信息包括的车辆角度变化量与相邻两个定位信息之间时间戳间隔的比值确定为车辆角速度值，得到车辆角速度值组。
在一些实施例中，上述执行主体可以将上述定位信息集中每个定位信息包括的车辆角度变化量与相邻两个定位信息之间时间戳间隔的比值确定为车辆角速度值，得到车辆角速度值组。
步骤303，将车辆角速度值组中各个车辆角速度值的标准差确定为角速度标准差。
在一些实施例中，上述执行主体可以将上述车辆角速度值组中各个车辆角速度值的标准差确定为角速度标准差。
步骤304，利用角速度标准差，确定定位信息集是否满足预设条件。
在一些实施例中，上述执行主体可以利用上述角速度标准差，确定上述定位信息集是否满足预设条件。其中，上述预设条件可以是角速度标准差小于预设角速度阈值，例如，1角度每秒。通过确定角速度标准差是否满足预设条件，可以用于确定上述当前车辆是否处于平缓路段。
步骤305，响应于确定预获取的当前车辆的定位信息集满足预设条件，获取上述当前车辆上车载相机组中各个车载相机所拍摄的道路图像，得到道路图像组。
在一些实施例中，上述执行主体可以响应于确定预获取的当前车辆的定位信息集满足预设条件，获取上述当前车辆上车载相机组中各个车载相机所拍摄的道路图像，得到道路图像组。其中，响应于确定预获取的当前车辆的定位信息集满足预设条件，可以从中间时刻开始，获取上述当前车辆上车载相机组中各个车载相机所拍摄的道路图像，得到道路图像组。上述中间时刻可以是上述定位信息集中各个定位信息包括的时间戳的中位数对应的时间点。
步骤306，对道路图像组中的每个道路图像进行车道线提取处理以生成车道线方程组，得到车道线方程组集合。
在一些实施例中，上述执行主体对上述道路图像组中的每个道路图像进行车道线提取处理以生成车道线方程组，得到车道线方程组集合，可以包括以下步骤：
第一步，对上述道路图像进行车道线提取，得到提取车道线方程组。其中，可以通过车道线提取算法对道路图像组中的每个道路图像进行车道线提取处理以生成车道线方程组，得到车道线方程组集合。上述车道线提取算法可以包括但不限于：UFLD(Ultra FastStructure-aware Deep Lane Detection，车道线快速检测算法)，LaneNet(多分支车道线检测网络)等。另外，上述提取车道线方程组中的提取车道线方程可以是二次曲线方程。
第二步，响应于确定上述提取车道线方程组中存在斜率满足预设斜率条件的提取车道线方程，对斜率满足上述预设斜率条件的提取车道线方程进行变形处理，得到第一车道线方程组。其中，由于提取车道线方程可以是二次曲线，则可以将预设取值范围内二次曲线中点的斜率作为提取车道线方程的斜率。
上述第一车道线方程组中的第一车道线方程的自变量可以为横坐标值，因变量可以为纵坐标值。上述预设斜率条件可以是斜率的绝对值大于预设斜率阈值的提取车道线方程，例如，预设斜率阈值可以是0.5。上述变形处理可以是将纵坐标值作为因变量，横坐标值作为自变量构建的二次多项式，作为第一车道线方程。
实践中，斜率满足预设斜率条件的提取车道线方程可以表示该提取车道线方程所对应的车道线在图像坐标系中与纵坐标轴更相近。
在一些实施例的一些可选的实现方式中，上述执行主体对上述道路图像组中的每个道路图像进行车道线提取处理以生成车道线方程组，还可以包括如下步骤：
第一步，响应于确定上述提取车道线方程组中存在斜率不满足上述预设斜率条件的提取车道线方程，对斜率不满足上述预设斜率条件的提取车道线方程进行变形处理，得到第二车道线方程组。其中，上述第二车道线方程组中的第二车道线方程的自变量可以为纵坐标值，因变量可以为横坐标值。变形处理可以是将横坐标值作为因变量，纵坐标值作为自变量构建的二次多项式，作为第二车道线方程。
第二步，对上述第一车道线方程组和上述第二车道线方程组进行合并处理，得到车道线方程组。其中，合并处理可以是将各个第一车道线方程和各个第二车道线方程作为车道线方程，得到车道线方程组。
步骤307，对车道线方程组集合中各个车道线方程组中的各个车道线方程进行匹配处理，得到匹配车道线方程组集合。
在一些实施例中，步骤307的具体实现方式及所带来的技术效果可以参考图2对应的那些实施例中的步骤203，在此不再赘述。
步骤308，确定匹配车道线方程组集合中每个匹配车道线方程组中的各个匹配车道线方程的反投影矩阵以生成反投影矩阵组，得到反投影矩阵组集合。
在一些实施例中，上述执行主体可以确定上述匹配车道线方程组集合中每个匹配车道线方程组中的各个匹配车道线方程的反投影矩阵以生成反投影矩阵组，得到反投影矩阵组集合。其中，生成反投影矩阵的具体实现方式及所带来的技术效果可以参考图2对应的那些实施例中的步骤204，在此不再赘述。
作为示例，若匹配车道线方程的因变量为纵坐标值。那么，构建的曲线矩阵可以是：
Figure BDA0003391619630000161
其中，C表示曲线矩阵。c1表示上述匹配车道线方程的二次项系数。c2表示上述匹配车道线方程的一次项系数。c3表示上述匹配车道线方程的常数项。
若匹配车道线方程的因变量为横坐标值。那么，构建的曲线矩阵可以是：
Figure BDA0003391619630000162
通过构建不同的曲线矩阵，可以用于区分道路图像中的横向车道线和纵向车道线。对图像中的车道线采用二次曲线建模后，使得上述实现方式不仅适用于直道也适用于弯道。从而，可以用于提高匹配车道线方程组集合的准确度。进而，可以提高车载相机位姿调整的准确度。
步骤309，基于匹配车道线方程组集合、反投影矩阵组集合和预设的初始内参矩阵组与采样横坐标值组，生成位姿修正量矩阵组。
步骤310，基于位姿修正量矩阵组，对初始位姿矩阵组中的各个初始位姿矩阵进行调整，得到调整后位姿矩阵组。
在一些实施例中，步骤309-310的具体实现方式及所带来的技术效果可以参考图2对应的那些实施例中的步骤205-206，在此不再赘述。
从图3中可以看出，与图2对应的一些实施例的描述相比，图3对应的一些实施例中的车载相机位姿调整方法的流程300体现了确定预获取的当前车辆的定位信息集是否满足预设条件的步骤，以及得到车道线方程组集合的步骤。从而，可以提高车载相机位姿调整的准确度。进而，使得减小后续感知算法的结果的误差，以提高驾驶安全。
进一步参考图4，作为对上述各图所示方法的实现，本公开提供了一种车载相机位姿调整装置的一些实施例，这些装置实施例与图2所示的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图4所示，一些实施例的车载相机位姿调整装置400包括：获取单元401、提取处理单元402、匹配单元403、确定单元404、生成单元405和调整单元406。其中，获取单元401，被配置成响应于确定预获取的当前车辆的定位信息集满足预设条件，获取上述当前车辆上车载相机组中各个车载相机所拍摄的道路图像，得到道路图像组；提取处理单元402，被配置成对上述道路图像组中的每个道路图像进行车道线提取处理以生成车道线方程组，得到车道线方程组集合；匹配处理单元403，被配置成对上述车道线方程组集合中各个车道线方程组中的各个车道线方程进行匹配处理，得到匹配车道线方程组集合；确定单元404，被配置成确定上述匹配车道线方程组集合中每个匹配车道线方程组中的各个匹配车道线方程的反投影矩阵以生成反投影矩阵组，得到反投影矩阵组集合；生成单元405，被配置成基于上述匹配车道线方程组集合、上述反投影矩阵组集合和预设的初始内参矩阵组与采样横坐标值组，生成位姿修正量矩阵组，其中，上述初始内参矩阵组中的各个初始位姿矩阵对应于上述车载相机组中各个车载相机；调整单元406，被配置成基于上述位姿修正量矩阵组，对上述初始位姿矩阵组中的各个初始位姿矩阵进行调整，得到调整后位姿矩阵组。
可以理解的是，该装置400中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置400及其中包含的单元，在此不再赘述。
下面参考图5，其示出了适于用来实现本公开的一些实施例的电子设备(例如图1中的计算设备101)500的结构示意图。图5示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。
如图5所示，电子设备500可以包括处理装置(例如中央处理器、图形处理器等)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有电子设备500操作所需的各种程序和数据。处理装置501、ROM 502以及RAM503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
通常，以下装置可以连接至I/O接口505：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置506；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507；包括例如磁带、硬盘等的存储装置508；以及通信装置509。通信装置509可以允许电子设备500与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备500，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图5中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
特别地，根据本公开的一些实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的一些实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中，该计算机程序可以通过通信装置509从网络上被下载和安装，或者从存储装置508被安装，或者从ROM 502被安装。在该计算机程序被处理装置501执行时，执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是，本公开的一些实施例上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述装置中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：响应于确定预获取的当前车辆的定位信息集满足预设条件，获取上述当前车辆上车载相机组中各个车载相机所拍摄的道路图像，得到道路图像组；对上述道路图像组中的每个道路图像进行车道线提取处理以生成车道线方程组，得到车道线方程组集合；对上述车道线方程组集合中各个车道线方程组中的各个车道线方程进行匹配处理，得到匹配车道线方程组集合；确定上述匹配车道线方程组集合中每个匹配车道线方程组中的各个匹配车道线方程的反投影矩阵以生成反投影矩阵组，得到反投影矩阵组集合；基于上述匹配车道线方程组集合、上述反投影矩阵组集合和预设的初始内参矩阵组与采样横坐标值组，生成位姿修正量矩阵组，其中，上述初始内参矩阵组中的各个初始位姿矩阵对应于上述车载相机组中各个车载相机；基于上述位姿修正量矩阵组，对上述初始位姿矩阵组中的各个初始位姿矩阵进行调整，得到调整后位姿矩阵组。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的一些实施例中的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、提取处理单元、匹配单元、确定单元、生成单元和调整单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取道路图像组的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (10)

1.一种车载相机位姿调整方法，包括：
响应于确定预获取的当前车辆的定位信息集满足预设条件，获取所述当前车辆上车载相机组中各个车载相机所拍摄的道路图像，得到道路图像组；
对所述道路图像组中的每个道路图像进行车道线提取处理以生成车道线方程组，得到车道线方程组集合；
对所述车道线方程组集合中各个车道线方程组中的各个车道线方程进行匹配处理，得到匹配车道线方程组集合；
确定所述匹配车道线方程组集合中每个匹配车道线方程组中的各个匹配车道线方程的反投影矩阵以生成反投影矩阵组，得到反投影矩阵组集合；
基于所述匹配车道线方程组集合、所述反投影矩阵组集合和预设的初始内参矩阵组与采样横坐标值组，生成位姿修正量矩阵组，其中，所述初始内参矩阵组中的各个初始位姿矩阵对应于所述车载相机组中各个车载相机；
基于所述位姿修正量矩阵组，对所述初始内参矩阵组中的各个初始位姿矩阵进行调整，得到调整后位姿矩阵组。
2.根据权利要求1所述的方法，其中，所述方法还包括：
将所述调整后位姿矩阵组和所述位姿修正量矩阵组存储至预设的位姿信息表。
3.根据权利要求1所述的方法，其中，在所述响应于确定预获取的当前车辆的定位信息集满足预设条件，获取所述当前车辆上车载相机组中各个车载相机所拍摄的道路图像之前，所述方法还包括：
获取当前车辆的定位信息集，其中，所述定位信息集中的定位信息包括车辆角度变化量和时间戳，所述定位信息集中的相邻两个定位信息之间时间戳间隔相同；
将所述定位信息集中每个定位信息包括的车辆角度变化量与相邻两个定位信息之间时间戳间隔的比值确定为车辆角速度值，得到车辆角速度值组；
将所述车辆角速度值组中各个车辆角速度值的标准差确定为角速度标准差；
利用所述角速度标准差，确定所述定位信息集是否满足预设条件。
4.根据权利要求1所述的方法，其中，所述对所述道路图像组中的每个道路图像进行车道线提取处理以生成车道线方程组，包括：
对所述道路图像进行车道线提取，得到提取车道线方程组；
响应于确定所述提取车道线方程组中存在斜率满足预设斜率条件的提取车道线方程，对斜率满足所述预设斜率条件的提取车道线方程进行变形处理，得到第一车道线方程组，其中，所述第一车道线方程组中的第一车道线方程的自变量为横坐标值，因变量为纵坐标值。
5.根据权利要求4所述的方法，其中，所述对所述道路图像组中的每个道路图像进行车道线提取处理以生成车道线方程组，还包括：
响应于确定所述提取车道线方程组中存在斜率不满足所述预设斜率条件的提取车道线方程，对斜率不满足所述预设斜率条件的提取车道线方程进行变形处理，得到第二车道线方程组，其中，所述第二车道线方程组中的第二车道线方程的自变量为纵坐标值，因变量为横坐标值；
对所述第一车道线方程组和所述第二车道线方程组进行合并处理，得到车道线方程组。
6.根据权利要求1所述的方法，其中，所述基于所述匹配车道线方程组集合、所述反投影矩阵组集合和预设的初始内参矩阵组与采样横坐标值组，生成位姿修正量矩阵组，包括：
基于所述反投影矩阵组集合和预设的初始内参矩阵组与采样横坐标值组，确定与所述匹配车道线方程组集合中每个匹配车道线方程组中各个匹配车道线方程对应的采样坐标点组，得到采样坐标点组集合；
基于所述采样坐标点组集合，生成位姿修正量矩阵组。
7.根据权利要求6所述的方法，其中，所述基于所述位姿修正量矩阵组，对初始位姿矩阵组中的各个初始位姿矩阵进行调整，得到调整后位姿矩阵组，包括：
将初始位姿矩阵组中的每个初始位姿矩阵与所述位姿修正量矩阵组中对应的位姿修正量的乘积确定为调整后位姿矩阵，得到调整后位姿矩阵组。
8.一种车载相机位姿调整装置，包括：
获取单元，被配置成响应于确定预获取的当前车辆的定位信息集满足预设条件，获取所述当前车辆上车载相机组中各个车载相机所拍摄的道路图像，得到道路图像组；
提取处理单元，被配置成对所述道路图像组中的每个道路图像进行车道线提取处理以生成车道线方程组，得到车道线方程组集合；
匹配处理单元，被配置成对所述车道线方程组集合中各个车道线方程组中的各个车道线方程进行匹配处理，得到匹配车道线方程组集合；
确定单元，被配置成确定所述匹配车道线方程组集合中每个匹配车道线方程组中的各个匹配车道线方程的反投影矩阵以生成反投影矩阵组，得到反投影矩阵组集合；
生成单元，被配置成基于所述匹配车道线方程组集合、所述反投影矩阵组集合和预设的初始内参矩阵组与采样横坐标值组，生成位姿修正量矩阵组，其中，所述初始内参矩阵组中的各个初始位姿矩阵对应于所述车载相机组中各个车载相机；
调整单元，被配置成基于所述位姿修正量矩阵组，对所述初始内参矩阵组中的各个初始位姿矩阵进行调整，得到调整后位姿矩阵组。
9.一种电子设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。
10.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1-7中任一所述的方法。
CN202111470245.7A 2021-12-03 2021-12-03 车载相机位姿调整方法、装置、设备和计算机可读介质 Active CN114140538B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111470245.7A CN114140538B (zh) 2021-12-03 2021-12-03 车载相机位姿调整方法、装置、设备和计算机可读介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111470245.7A CN114140538B (zh) 2021-12-03 2021-12-03 车载相机位姿调整方法、装置、设备和计算机可读介质

Publications (2)

Publication Number Publication Date
CN114140538A CN114140538A (zh) 2022-03-04
CN114140538B true CN114140538B (zh) 2022-09-27

Family

ID=80387642

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111470245.7A Active CN114140538B (zh) 2021-12-03 2021-12-03 车载相机位姿调整方法、装置、设备和计算机可读介质

Country Status (1)

Country Link
CN (1) CN114140538B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114663524B (zh) * 2022-03-09 2023-04-07 禾多科技（北京）有限公司 多相机在线标定方法、装置、电子设备和计算机可读介质

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN107704821A (zh) * 2017-09-29 2018-02-16 河北工业大学 一种弯道的车辆位姿计算方法
CN109544635A (zh) * 2018-10-10 2019-03-29 长安大学 一种基于枚举试探的相机自动标定方法
CN111582079A (zh) * 2020-04-24 2020-08-25 杭州鸿泉物联网技术股份有限公司 基于计算机视觉的车道定位方法及装置
CN111854727A (zh) * 2019-04-27 2020-10-30 北京初速度科技有限公司 一种车辆位姿的修正方法和装置
CN112308923A (zh) * 2019-07-25 2021-02-02 北京地平线机器人技术研发有限公司 基于车道线的相机位姿调整方法和装置、存储介质、设备
CN112328731A (zh) * 2021-01-06 2021-02-05 禾多科技（北京）有限公司 车辆车道级定位方法、装置、电子设备和计算机可读介质
CN112347205A (zh) * 2019-08-06 2021-02-09 北京初速度科技有限公司 一种车辆误差状态的更新方法和装置
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
CN112598762A (zh) * 2020-09-16 2021-04-02 禾多科技（北京）有限公司 三维车道线信息生成方法、装置、电子设备和介质
CN112991465A (zh) * 2021-03-26 2021-06-18 禾多科技（北京）有限公司 相机标定方法、装置、电子设备和计算机可读介质
CN113255619A (zh) * 2021-07-09 2021-08-13 禾多科技（北京）有限公司 车道线识别及定位方法、电子设备和计算机可读介质
CN113327318A (zh) * 2021-05-18 2021-08-31 禾多科技（北京）有限公司 图像显示方法、装置、电子设备和计算机可读介质
CN113554712A (zh) * 2021-06-29 2021-10-26 北京百度网讯科技有限公司 自动驾驶车辆的配准方法、装置、电子设备和车辆
CN113673462A (zh) * 2021-08-27 2021-11-19 西安电子科技大学广州研究院 一种基于车道线的物流agv定位方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5906272B2 (ja) * 2014-03-28 2016-04-20 富士重工業株式会社 車両用ステレオ画像処理装置
CN109300159B (zh) * 2018-09-07 2021-07-20 百度在线网络技术（北京）有限公司 位置检测方法、装置、设备、存储介质及车辆
CN112184799A (zh) * 2019-07-05 2021-01-05 北京地平线机器人技术研发有限公司 车道线空间坐标确定方法、装置、存储介质和电子设备
CN113205447A (zh) * 2021-05-11 2021-08-03 北京车和家信息技术有限公司 用于车道线识别的道路图片标注方法和装置

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN107704821A (zh) * 2017-09-29 2018-02-16 河北工业大学 一种弯道的车辆位姿计算方法
CN109544635A (zh) * 2018-10-10 2019-03-29 长安大学 一种基于枚举试探的相机自动标定方法
CN111854727A (zh) * 2019-04-27 2020-10-30 北京初速度科技有限公司 一种车辆位姿的修正方法和装置
CN112308923A (zh) * 2019-07-25 2021-02-02 北京地平线机器人技术研发有限公司 基于车道线的相机位姿调整方法和装置、存储介质、设备
CN112347205A (zh) * 2019-08-06 2021-02-09 北京初速度科技有限公司 一种车辆误差状态的更新方法和装置
CN111582079A (zh) * 2020-04-24 2020-08-25 杭州鸿泉物联网技术股份有限公司 基于计算机视觉的车道定位方法及装置
CN112598762A (zh) * 2020-09-16 2021-04-02 禾多科技（北京）有限公司 三维车道线信息生成方法、装置、电子设备和介质
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
CN112328731A (zh) * 2021-01-06 2021-02-05 禾多科技（北京）有限公司 车辆车道级定位方法、装置、电子设备和计算机可读介质
CN112991465A (zh) * 2021-03-26 2021-06-18 禾多科技（北京）有限公司 相机标定方法、装置、电子设备和计算机可读介质
CN113327318A (zh) * 2021-05-18 2021-08-31 禾多科技（北京）有限公司 图像显示方法、装置、电子设备和计算机可读介质
CN113554712A (zh) * 2021-06-29 2021-10-26 北京百度网讯科技有限公司 自动驾驶车辆的配准方法、装置、电子设备和车辆
CN113255619A (zh) * 2021-07-09 2021-08-13 禾多科技（北京）有限公司 车道线识别及定位方法、电子设备和计算机可读介质
CN113673462A (zh) * 2021-08-27 2021-11-19 西安电子科技大学广州研究院 一种基于车道线的物流agv定位方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Chenghuan Liu 等.A Vision-Based Pipeline for Vehicle Counting,Speed Estimation, and Classification.《IEEE》.2020, *

Also Published As

Publication number Publication date
CN114140538A (zh) 2022-03-04

Similar Documents

Publication Publication Date Title
CN112598762B (zh) 三维车道线信息生成方法、装置、电子设备和介质
CN113869293B (zh) 车道线识别方法、装置、电子设备和计算机可读介质
CN112733820B (zh) 障碍物信息生成方法、装置、电子设备和计算机可读介质
CN113607185B (zh) 车道线信息显示方法、装置、电子设备和计算机可读介质
CN114399589B (zh) 三维车道线生成方法、装置、电子设备和计算机可读介质
CN114399588B (zh) 三维车道线生成方法、装置、电子设备和计算机可读介质
CN115326099B (zh) 局部路径规划方法、装置、电子设备和计算机可读介质
CN113327318B (zh) 图像显示方法、装置、电子设备和计算机可读介质
CN113255619B (zh) 车道线识别及定位方法、电子设备和计算机可读介质
CN115616937B (zh) 自动驾驶仿真测试方法、装置、设备和计算机可读介质
CN116182878B (zh) 道路曲面信息生成方法、装置、设备和计算机可读介质
CN114445597B (zh) 三维车道线生成方法、装置、电子设备和计算机可读介质
CN114140538B (zh) 车载相机位姿调整方法、装置、设备和计算机可读介质
CN114894205A (zh) 三维车道线信息生成方法、装置、设备和计算机可读介质
WO2024056030A1 (zh) 一种图像深度估计方法、装置、电子设备及存储介质
CN115393826A (zh) 三维车道线生成方法、装置、电子设备和计算机可读介质
CN116079697A (zh) 一种基于图像的单目视觉伺服方法、装置、设备及介质
CN114399587A (zh) 三维车道线生成方法、装置、电子设备和计算机可读介质
CN114494428B (zh) 车辆位姿矫正方法、装置、电子设备和计算机可读介质
CN111586295A (zh) 图像生成方法、装置和电子设备
CN114399555B (zh) 数据在线标定方法、装置、电子设备和计算机可读介质
CN111292365A (zh) 生成深度图的方法、装置、电子设备和计算机可读介质
CN114663524B (zh) 多相机在线标定方法、装置、电子设备和计算机可读介质
CN116630436B (zh) 相机外参修正方法、装置、电子设备和计算机可读介质
CN115937046B (zh) 道路地面信息生成方法、装置、设备和计算机可读介质

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
CP03 Change of name, title or address
CP03 Change of name, title or address

Address after: 201, 202, 301, No. 56-4 Fenghuang South Road, Huadu District, Guangzhou City, Guangdong Province, 510806

Patentee after: Heduo Technology (Guangzhou) Co.,Ltd.

Address before: 100099 101-15, 3rd floor, building 9, yard 55, zique Road, Haidian District, Beijing

Patentee before: HOLOMATIC TECHNOLOGY (BEIJING) Co.,Ltd.