CN114202588A - 一种车载环视相机快速自动标定方法和装置 - Google Patents

Abstract

本公开的一方面涉及一种车载环视相机的标定方法，包括获得由安装在一车辆上的多个位置的多个相机拍摄的一个或多个帧，其中每一帧包括由该多个相机同时拍摄的多个图像；对于每一帧，检测由该多个相机拍摄的该多个图像中与标定图案有关的图像点，该标定图案包括一个或多个特征点；对于每一帧，将由该多个相机中的相同或不同相机拍摄的一张或多张图像中对应于该标定图案中的有相对物理关系的特征点的多个图像点确定为一组匹配点；使用每组匹配点各自的图像坐标，建立基于该标定图案的特征点的相对物理关系的多个约束方程；以及同时对该多个约束方程进行非线性优化求解以同时确定该多个相机各自的待求外参。本公开还涉及其他相关方面。

Description

一种车载环视相机快速自动标定方法和装置

技术领域

本申请一般涉及智能驾驶中的感知技术，尤其涉及车载环视相机的标定。

背景技术

在智能驾驶使用的传感器中，相机以其价格低廉，适应性好等优点得到了广泛应用。大多ADAS(高级驾驶辅助系统)功能都是基于视觉影像处理开发的。车载相机也就成为了实现众多预警、识别等感知功能的硬件基础。

车载相机根据不同的功能，特性，安装位置，又可以分为众多种类，例如环视相机，前视双目或多目相机，侧视相机等等，通常一辆汽车上会搭载多个甚至十几个相机。为了合理地对相机的感知信息加以利用，相机标定就成了不可或缺的步骤，而标定的精度也直接影响到视觉感知的精度。

发明内容

本公开的一示例性方面包括一种车载环视相机的标定方法，包括获得由安装在一车辆上的多个位置的多个相机拍摄的一个或多个帧，其中每一帧包括由所述多个相机同时拍摄的多个图像；对于每一帧，检测由所述多个相机拍摄的所述多个图像中与标定图案有关的图像点，所述标定图案包括一个或多个特征点；对于每一帧，将由所述多个相机中的相同或不同相机拍摄的一张或多张图像中对应于所述标定图案中的有相对物理关系的特征点的多个图像点确定为一组匹配点；使用每组匹配点各自的图像坐标，建立基于所述标定图案的特征点的相对物理关系的多个约束方程，其中所述多个约束方程的数量大于或等于所述多个相机各自的待求外参的总数；以及同时对所述多个约束方程进行非线性优化求解以同时确定所述多个相机各自的待求外参。

根据一些示例性实施例，所述标定图案包括地面上已有的非预设图案或设置于地面的预设标定图案，并且所述标定图案包括一个或多个相同或不同的标定图案。

根据一些示例性实施例，所述多个相机包括能组成环视的任意多个相机。

根据一些示例性实施例，所述一个或多个帧是在所述车辆处于行驶状态或处于静止状态时拍摄的。

根据一些示例性实施例，所述标定图案的特征点的相对物理关系包括以下一者或多者或其任何组合：同一帧中在至少两个相机的公共视野中检测到的与所述标定图案的同一特征点对应的至少两个图像点映射到同一物理点；所述标定图案的特征点的已知距离、长度或面积值；以及所述标定图案的特征点的距离、坐标或长度的相对物理关系。

根据一些示例性实施例，所述特征点包括角点，并且可任选地进一步包括以下一者或多者或其任何组合：直线、平行线、以及垂直线。

根据一些示例性实施例，其中对于每一帧，检测由所述多个相机拍摄的所述多个图像中与标定图案有关的图像点进一步包括记录检测出的图像点及其对应的帧号、相机编号、以及图像坐标。

根据一些示例性实施例，其中对于每一帧，将由所述多个相机中的相同或不同相机拍摄的一个或多个图像中对应于所述标定图案中的有相对物理关系的特征点的多个图像点确定为一组匹配点进一步包括记录所确定的一组匹配点中每一个图像点的帧号、相机编号、以及图像坐标。

根据一些示例性实施例，所述相机包括具有畸变的相机，并且其中所述标定方法进一步包括在检测图像点之前，利用所述相机的初始外参将所述相机拍摄的图像转化为环视拼接的俯瞰图；以及在所述环视拼接的俯瞰图上检测所述图像点。

根据一些示例性实施例，利用所述相机的初始外参将所述相机拍摄的图像转化为环视拼接的俯瞰图包括以所述标定图案上的特定点为原点建立世界坐标系；基于所述标定图案的先验信息，确定所述标定图案中的特征点在世界坐标系中应具有的坐标；以及基于检测到的与所述特征点对应的图像点来解算出外参矩阵的初始值。

本公开的其他方面还包括相应的装置、设备以及计算机可读介质等。

附图说明

图1示出了根据本公开的一方面的车载环视相机的标定数据采集方案的示图。

图2示出了根据本公开的一方面的车载环视相机的标定数据处理方案的示图。

图3示出了根据本公开的一方面的角点识别的示例的示图。

图4示出了根据本公开的一些实施例的标定图案的示图。

图5示出了根据本公开的一方面的车辆在标定过程中的示意图。

图6示出了根据本公开的一方面进行车载环视相机快速自动标定的方法的流程图。

图7示出了根据本公开示例性实施例由鱼眼相机拍摄的一张鱼眼图。

图8示出了根据本公开示例性实施例的在相机所拍摄的原始图像上检出的边缘及角点。

图9示出了根据本公开示例性实施例的在使用初始化数据生成的俯瞰图上检出的边缘及角点。

图10示出了根据本公开示例性实施例的分别使用动态和静态标定过程完成标定后的环视效果图。

图11示出了根据本公开的一方面的车载环视相机快速自动标定装置的框图。

具体实施方式

在例如泊车辅助系统中，通过安装在车辆前后左右的广角摄像头(例如，包括但不限于鱼眼相机)采集车辆四周的视频影像，利用图像融合和环视拼接技术合成车身周围的全景视图和/或俯瞰图等，最后在车辆中控台的屏幕上显示。借助于此类泊车辅助系统，驾驶员坐在车中即可直观地看到车辆周围是否存在障碍物以及与障碍物的相对方位与距离，从而可在狭窄拥堵的停车场安全泊车入位，可通过复杂的场地，还可有效防止刮蹭、碰撞、陷落等事故的发生，同时也可以为自动驾驶系统中识别、检测、跟踪等算法提供支持。

根据一种方案，可首先采集预先放置于车辆的至少前后左右四个方位的带有棋盘格的标定图像，利用标定图像分别对前后左右的摄像头各自进行参数标定，求出并保存每个摄像头的图像畸变矫正参数，对标定图像进行畸变矫正，以消除摄像头成像失真。然后，可对经畸变矫正的标定图像进行射影变换，求出并保存射影变换参数。随后，可采集预先放置于车辆前后左右四个方位的带有丰富特征点的特定图像，并通过查找摄像头图像畸变矫正参数进行畸变矫正，通过查找射影变换参数将矫正后的特定图像变换成俯瞰图。进一步，可对俯瞰图提取特征并进行粗匹配，并拟合出单应性矩阵的初始值，并经图像配准、融合和拼接后，可生成俯瞰全景视图。

在实际使用期间，通过查找已保存的摄像头图像畸变矫正参数、射影变换参数以及单应性矩阵参数，便可将前后左右四个摄像头的视频图像拼接并生成虚拟的俯瞰全景视图。

由于摄像头内外参数校正准确性对图像投影效果影响很大，因此相机标定方案直接影响着此类系统的效果和安全性。

相机标定主要包括内参标定和外参标定。相机内参包括偏心，畸变等，在相机生产完成后便不会产生变化，所以在相机出厂时就可完成内参标定，后续如何使用该相机，都无需重新进行内参标定。

另一方面，外参标定则需要相机装车后进行。相机外参包括旋转与位移，即相机坐标系与车身坐标系的转换关系。旋转的表达方式多种多样，例如旋转矩阵，欧拉角，旋转向量等，各表达方式之间可以互相转换，外参标定只需求出一种表达方式的值即可。相机装车后如果相机位置有所变化，或者更换相机等都需要重新标定外参，加之外参标定需要整车进行，标定难度及需求量远大于内参。

目前广泛应用的车载相机标定方案，多数利用标定场地上的特征点在图像上的坐标以及车身坐标系下的物理坐标，求解得到外参矩阵，即旋转矩阵和位移向量。不论是利用什么标定图案，首先都需要知道标定场地的图案具体尺寸、位置，以及车辆在进入标定场地后的停车位置，以此换算出标定图案在当前车身坐标系下的物理坐标，其次需要在环视相机图像上检测出标定所需的特征点及其坐标。根据以上得到的该特征点的物理坐标(X,Y,Z)和归一化平面的图像坐标(u,v)，列出相机成像方程，利用最小二乘法求解出相机的外参矩阵，即旋转矩阵R和位移向量t，如果需要也可求出内参矩阵A。示例的相机成像方程如下式(1)：

其中s为尺度因子，相机外参矩阵(R|t)包括旋转矩阵R和平移矩阵t，旋转矩阵R和平移矩阵t共同描述了如何把点从世界坐标系转换到摄像机坐标系，其中旋转矩阵描述了世界坐标系的坐标轴相对于摄像机坐标轴的方向，而平移矩阵描述了在摄像机坐标系下，空间原点的位置。

由于每一辆车上每一个相机都需要标定，而在相机转动或挪动之后又需要重新标定，因此标定工作量是相当大的。由此，标定成功率也是算法必须考虑的评估项。同时标定对精度要求很高，受环境等因素的影响很大，所以标定效果很大程度上取决于标定场地。

对于车辆的下线标定，车辆生产商通常会建造标定专属的高精度场地，对于地面的平整度，以及标定图案的尺寸都经过精细的调整，同时设置车轮卡正器来固定车辆位置。但是往往这样的高精度场地在一定程度上也无法满足标定高精度、高通过率的要求，尤其是例如鱼眼相机的标定，因其大畸变的自身缺陷，标定效果不佳。

在售后或者后装情况下，假使相机需要维修或者更换，则高质量的标定往往更难以实现。4S店往往没有高精度的标定场地，大多只是找一块空地铺设标定布来进行标定。由于标定的精度与场地息息相关，在这种地面不平整，标定布有褶皱，铺设不标准，光线不佳等恶劣标定环境下，效果自然不言而喻。同时在铺设标定布时因其需要尽量保证场地精度，往往需要花费大量时间布置与测量，标定的效率低下，而效果很难满足要求。这些问题大多是由于传统标定方法需要提供准确的标定点在车身坐标系下的坐标，而该物理坐标对于标定环境以及精度非常敏感，最终导致在恶劣标定环境下，在标定场地搭建繁琐耗时的情况下，标定效果依然不佳。

本公开的一方面涉及一种车载环视相机快速自动标定的方案，其中环视相机在相机种类和相机个数上并不受限定。本公开的下述方案旨在解决传统标定方法受环境影响显著，标定过程繁琐，标定效果不理想等问题。以下描述本公开所实现的自动标定技术，该技术受环境因素影响小、标定效果佳、且快速有效。通过本公开的技术，可以提高标定精度，改善标定效果，同时简化标定流程，提高效率。

图1示出了根据本公开的一方面的车载环视相机的标定数据采集方案100的示图。如图中所示，可在地面设置两个标定图案104-a和104-b。较佳地，这两个标定图案104-a和104-b之间隔开略超过车身宽度的距离，以便于车辆102在从中间开过时能采集到标定图案的完整图像。在此过程中，车辆102上的前后左右等方向上的相机连续地采集多帧图像。尽管图中将两个标定图案示为相同图案，但是本公开的其他实施例可包括使用不同的标定图案。

如所可知，尽管上例中给出了设置两个标定图案104-a和104-b的方案，但是本公开并不被限定于此。实际上，设置两个标定图案是为便于使得车辆能够通过一次驶过就标定所有车载环视相机。本公开也可包括设置更多或更少标定图案的方案。

例如，根据至少一些实施例，可以设置仅一个标定图案(例如，104-a或104-b)，并通过由车辆正反两次驶过该标定图案旁边来完成左右两侧的标定。又如，根据其他实施例，可以设置不止两个标定图案。例如，前后左右各一个，或者左侧右侧各两个，等等，以实现更精确的标定。

由于本公开的方案利用地面上的特征点，通过点与点的相对位置关系完成标定，而无需测量特征点的坐标，因此实际上无需按照相对位置、距离、角度关系等条件设置标定图案。例如，尽管图1的示例中标定图案被示为按与车辆的横轴和纵轴平行的方式放置，但是本公开并不被限定于此。

本公开无需限定车辆在标定时的停靠位置，只需保证标定过程中标定图案曾出现在摄像头公共视野内即可。公共视野指两个或多个相机在同一时刻均能拍摄到的区域。

另外，图1中所示出的标定过程可以为动态的，即标定过程中车辆处于行驶状态。但是如果场地较小，车辆无法行驶，标定过程也可为静态，即车辆静止。例如，根据示例性实施例，在此类条件较为恶劣的场景中，可通过将至少一个标定图案摆放到静止车辆周围的多个不同位置，以便于车辆上的每个相机都能与至少另一个相机具有对该标定图案的公共视野以便在同一帧拍摄到该标定图案的图像即可。

标定过程中，若车辆处于行驶状态，有效行驶过程为相机视野内能够检测到标定图案，采集并收集不同帧时特征点在图像上的位置并记录，该过程可以收集标定图案相对于车辆处于不同位置时的图像点坐标。这在不增加特征点范围或数量的情况下大大增加用于计算外参的数据量，由此可提高标定精度。

在通过例如图1的环视相机的标定数据采集方案100之类完成多个车载环视相机对标定图案的多帧图像的采集之后，可以对所采集的图像数据进行处理。

图2示出了根据本公开的一方面的车载环视相机的标定数据处理方案200的示图。标定数据处理方案200可包括：

1)图像点检测

取决于采用了动态标定过程还是静态标定过程，标定数据采集方案可以通过多个相机在一个或多个(例如，M个)时刻采集到至少部分地包括标定图案的一帧或多帧图像。在同一时刻由该多个(例如，N个)相机采集到的多个(例如，N个)图像即为该时刻i对应的第i帧图像。如所可知，同一时刻的多个图像可以并不全都包括同一标定图案的图像，但是其中至少一些图像帧(例如，来自其中两个或更多个相机)可以包括同一标定图案的图像。

对于静态标定过程，可以在该帧图像的相机1图像、相机2图像、……相机N图像中进行标定图案的图像点检测，并记录在该帧的各相机图像中检测出的图像点的图像坐标和相机编号。

对于动态标定过程，可检测每一帧各相机图像中标定图案的图像点，并记录对应图像点的图像坐标、相机编号及帧号。检测方法可根据不同的标定图案灵活做出调整。

根据一示例性实施例，图像点检测可包括采用边缘检测算法(包括但不限于OpenCV中的findcounters、Hough等边缘检测法、或例如Roberts算子、Prewitt算子、Sobel算子和Laplacian算子等)检测出所拍摄图像中的边缘，并采用角点检测算法(包括但不限于例如将所检测出的边缘的交点作为图像角点，或使用Harris算子、KLT算子、SIFT算子、SUSAN算子、Trajkovic算子、Moravec算子等)检测出角点作为图像点。

图像点	帧号	相机	坐标
				1	1	1	(u<sub>1</sub>,v<sub>1</sub>)
2	1	1	(u<sub>2</sub>,v<sub>2</sub>)
				3	1	2	(u<sub>3</sub>,v<sub>3</sub>)
4	1	2	(u<sub>4</sub>,v<sub>4</sub>)
				5	1	3	(u<sub>5</sub>,v<sub>5</sub>)
6	1	4	(u<sub>6</sub>,v<sub>6</sub>)
				7	2	1	(u<sub>7</sub>,v<sub>7</sub>)
8	2	1	(u<sub>8</sub>,v<sub>8</sub>)
				…	…	…	…
L	M	1	(u<sub>L</sub>,v<sub>L</sub>)

表1

表1示出了按顺序记录的检测出的图像点(例如，图像点1…L)及其各自对应的帧号、相机编号、以及图像坐标。取决于所采用的标定图案和/或检测方案，此时所检测出的图像点具体对应于哪个标定图案中的哪个特征点可以在稍后被标识或确定，也可以在检测的同时被标识或确定。

根据一些示例性实施例，为提高检出率及检测精度，也可利用初始外参将鱼眼图转化为俯瞰图后再检测图像点。例如，可以基于鱼眼图中的特定点建立世界坐标系，并基于标定图案的先验信息，确定标定图案中主要特征点在世界坐标系中应具有的坐标。随后，基于检测到的图像点来解算出外参矩阵，其具体实施例将在下文具体描述。在此基础上，鱼眼图被转化为更加规整的俯瞰图，由此再进行特征点检测将能够提高检出率和检测精度。

标定数据处理方案200可进一步包括：

2)特征点梳理及匹配

在完成图像点检测后，或在进行图像点检测的同时，可对于步骤1)中在同一帧里检测到的图像点进行梳理，即确认检测到的每一个图像点对应于标定图案中的哪一个特征点，并按照对应顺序保存。特征点匹配表示对于同一帧中出现在两个或多个摄像头公共区域的有相对物理关系的特征点，其映射到各相机图像上的图像点即为一组匹配点，将每组匹配点也对应保存。

相对物理关系可以包括但不限于例如属于同一特征点因此坐标相等，属于两个特征点且距离为某一个已知值(例如，边长信息)，或者两对特征点距离相等，等等。

特征点	帧号	相机	坐标
				104-a左上	1	1	(u<sub>a0101</sub>,v<sub>a0101</sub>)
104-a左上	1	2	(u<sub>a0102</sub>,v<sub>a0102</sub>)
				104-a左上	1	3	(u<sub>a0103</sub>,v<sub>a0103</sub>)
104-a左上	1	4	NULL
				104-a左上	2	1	(u<sub>a0201</sub>,v<sub>a0201</sub>)
104-a左上	2	2	(u<sub>a0202</sub>,v<sub>a0202</sub>)
				104-a左上	2	3	NULL
104-a左上	2	4	NULL
				…	…	…	…
104-a左上	M	1	(u<sub>a0M01</sub>,v<sub>a0M01</sub>)
				104-a左上	M	2	NULL
104-a左上	M	3	(u<sub>a0M03</sub>,v<sub>a0M03</sub>)
				104-a左上	M	4	(x<sub>a0M04</sub>,v<sub>a0M04</sub>)

表2

表2示出了根据一示例的特征点梳理及匹配结果。该示例对应于4个相机共拍摄M帧的情形。如所可见，表2中仅示出了对于例如图1的标定图案104-a中的一个图像点(例如，白色外圈左上角)在由该4个相机所拍摄的M帧图像中所梳理和匹配出的的相应图像点的坐标(u,v)。表中有些坐标为空(NULL)，这表明该帧中，对应相机没有拍摄到该特征点(即，图像中不包含对应的图像点)。取决于所布置的标定图案，所检测的特征点可涉及一个或多个标定图案上的一个或多个图像点，这将在下文中详细描述。

特征点的梳理和匹配可以采取各种方式和技术。例如，特征点的梳理和匹配可以基于标定图案的先验知识，和/或通过利用各种图像处理、特征提取和识别技术。

根据一些示例性实施例，特征点的梳理和匹配可包括根据角点存在的相对位置进行一一对应以得到4组匹配点。如果标定图案不规则或者相对复杂，可以利用特征点检测及描述子匹配等方法进行特征点匹配，例如orb特征点检测，再提取特征点的描述子进行匹配，得到匹配点并保存。

附加地或替换地，也可以基于或不基于其他辅助信息(包括但不限于例如，车辆行进方向、车辆行进速度、标定图案摆放相对位置和相对方向、时间信息等中的一项或多项)来识别分别对应于一个或多个标定图案的一个或多个不同的特征点的图像点。

以图1为例，例如，可将车辆行驶方向左侧先越过车头的较近外角点确定为特征点1、较远角点确定为特征点2，并将后越过车头的较近角点确定为特征点3、较远角点确定为特征点4。又如，可将车辆行驶方向右侧先越过车头的较近角点确定为特征点5、较远角点确定为特征点6，并将后越过车头的较近角点确定为特征点7、较远角点确定为特征点8……。图3示出了根据本公开的一方面的对应的角点识别的示例300的示图。

根据其他实施例，例如，若用于标定的特征图案为棋盘格，则可以使用OpenCV中的findChessboard Corners函数在原图上检测棋盘格角点。

以上述任何方式，以及可任选地基于辅助信息，可以进行特征点的梳理和匹配，以将有相对物理关系的特征点的图像点归并为一组匹配点，例如，特征图案在车头左前方时，特征点1在前路和左路鱼眼图上的坐标为一组匹配点。

根据另一些示例性实施例，特征点的梳理和匹配可包括利用具有可标识特征点的标定图案。此类标定图案可包括例如带有数字编号、不同颜色、或不同形状标记等可识别的特征点，这将在下文中具体描述。通过使用此类标定图案，可以直接识别出属于同一特征点的图像点归并为与该特征点对应的一组匹配点。

标定数据处理方案200可进一步包括：

3)建立方程

基于环视相机拥有公共视野的性质，不同相机匹配的图像点实为映射了公共视野中的同一物理点这一原理，本公开的方案在数据采集以及特征点的梳理和匹配后，对于相同帧中在两个或更多个相机的公共视野内检出的对应于某特征点的两个或更多个图像点，可使其经过各自的内外参转换到车身坐标系，根据得到的物理坐标应当相等，便可建立约束方程。约束方程中无需用到车身坐标系下的坐标具体数值，而用这两个或更多个图像点转换后的坐标的相对物理关系来代替。

根据不同图像点映射的地面标定图案的物理点之间存在的相对位置、距离、边长等相对物理关系，可以建立多个约束方程，其中这些方程中不需要出现具体物理坐标数值。可罗列出针对所有帧中全部或至少部分相对物理关系建立的约束方程。一般而言，方程数量越多，结果越鲁棒。方程数量需要至少超过待求的外参变量总个数，且所有外参变量都曾出现在方程中。同样，如果是静止标定状态，则仅罗列出对于在一帧中检测到的点所建立的相对约束方程即可。

根据一些示例性实施例，例如，在某一帧中，分别在第一相机和第二相机的公共视野内检出对应于特征点P的在归一化成像面的图像点p₁(u₁,v₁)和p₂(u₂,v₂)。图像点p₁可通过第一相机的内参和外参矩阵转换到车身坐标系得到(x₁,y₁,z₁)。图像点p₂可通过第二相机的内参和外参矩阵转换到车身坐标系得到(x₂,y₂,z₂)。由于在车身坐标系中，这两个点对应于同一个特征点并且因此物理坐标应当相等，因此便可建立约束方程，例如，如式(2)所示：

其中R₁是与第一相机相关联的旋转矩阵，A₁是第一相机的内参矩阵，

是与第一相机相关联的平移向量；R₂是与第二相机相关联的旋转矩阵，A₂是第二相机的内参矩阵，

是与第二相机相关联的平移向量；

如此，可基于如以上步骤2)中经特征点梳理及匹配后的数据，对每一组匹配点两两建立类似于式(2)的约束方程，如此便可获得足够多的约束方程。以此方式，本公开的方案无需求解相机之间的相对空间位移，而可通过同时对所述多个约束方程进行非线性优化求解来直接同时确定所述多个相机各自的外参。

作为补充或替换，根据其他示例性实施例，例如，在采用如以上结合图1所描述的标定图案时，也可以事先确定标定图案的尺寸，例如正方形边长为1.5米。此信息便可在建立方程时利用。例如，基于以上例示的特征点编号，关于特征点1可以建立的关系可包括但不限于例如以下一个或多个关系：

特征点1与特征点2距离＝1.5米；

特征点1与特征点3距离＝1.5米；

特征点2与特征点4距离＝特征点1与特征点3距离；

特征点1与特征点2距离＝特征点3与特征点4距离；等等。

对于其他特征点，也可建立相应的相对物理关系。上述距离基于对已知标定图案的尺寸的简单几何运算即可获得。本公开并不被限定于使用距离来建立关系，而是也可以附加地或替换地包括使用其他参数，例如长度关系、相对位置等等来建立关系。通过此类关系，也可建立约束方程。

根据其他示例性实施例，假使已知标定图案的形状或几何性质，即便不知道标定图案的具体尺寸，也可以建立相应的关系。例如，来自两个相机的图像点映射物理世界中同一特征点，利用图像点经过各自内外参换算后的坐标相等建立方程。

尽管以上以“点”为示例来描述图像点和特征点，但是本公开并不被限定于点状的图像点和特征点。实际上，图像点和特征点可以指其他特征，例如，直线、平行线、垂直线、直角、面积、特定角度、颜色、字符等等。例如，根据其他实施例，对于直线类型的特征点，可以建立的方程可包括所检测到的直线之间的平行或垂直关系、或其他几何关系等，或可进一步包括平行线之间的距离等等。

标定数据处理方案200可进一步包括：

4)非线性优化求解

利用步骤3)中建立的所有方程，用非线性优化的方法可以同时解算出所有未知变量，即所有相机外参。外参的表达方式多样，例如可以用角度和位移形式求解，用矩阵形式求解，用四元数求解，用旋转向量形式求解等。如本领域技术人员所知，这些方式之间可以现成地相互转换。

非线性优化方法一般采用迭代方法，即给定任意一个起始点，通过不断迭代产生新的解，并最终收敛至最优解。常用的非线性优化求解方式有例如梯度下降法、最速下降法、高斯牛顿法，Levenberg-Marquardt法，非线性最小二乘法等。本公开在此方面不受限定。

本公开的方案可以建立的方程数量大，因此可以减小某些检测误差带来的影响。传统标定方法都是单个摄像头独立进行标定，即使标定再精确也无法保证环视效果，因为标定过程没有考虑环视拼接错位的因素。而本公开创造性地利用环视相机组成闭环的特点，用非线性求解方式全局优化外参，可大大提高标定精度，增强标定结果的鲁棒性。

在求解出全局优化外参后，便可使各相机图像经过标定数据转换到俯瞰图的点重合，以此减小环视的拼接错位。

图4示出了根据本公开的一些实施例的标定图案400的示图。根据各种实施例，标定图案400可以包括地面上的特征点、已有特征点(例如车道线、车位线等)、人为制作的特征点(例如标定布、标定板等)，或者一些不规则的图案(例如数字、字母等)。不同的标定图案、颜色、大小皆可使用本方案，只要标定图案中有特征点即可。

如图4中所示，标定图案可以包括各种几何形状、字符、或其组合等，并且可以包括用不同的颜色、字符、数字、或者符号来标识的特征点等。特征点可以包括但不限于角点、交点、平行线、垂直线等易于识别的图像特征。

本公开的标定图案在标定场地的设置简单，无需知道特征点的坐标，无需按照位置、距离等条件设置标定图案，也无需限定车辆在标定时的停靠位置，或行驶经过标定图案的严格路线，只需保证标定过程中标定图案曾出现在摄像头公共视野内即可。

本公开的标定过程可以为动态的，即标定过程车辆处于行驶状态。图5示出了根据本公开的一方面的车辆在标定过程中的示意图500。如图所示，可在车辆侧前方铺设至少一块(或两块或更多块)标定布，或利用地面已有的图案作为标定图案，从车头在标定图案后方或侧后方起始，车辆从标定图案侧边驶过，至车尾离开标定图案结束，标定数据采集即完成。视具体情况，该过程可以一次完成，或可重复数次。经标定数据处理后，标定即完成。该过程保证了在某些时段内标定图案出现在各相机视野中，车辆到标定布距离，行驶速度，行驶轨迹不影响本案例实施。

如果场地较小，车辆无法行驶，标定过程也可为静态，即车辆静止。例如将车辆停靠在四周有特征图案的环境中，如车位、标定间等，但无需限制车辆位置或者事先已知特征图案的尺寸、位置等。再比如，可在车辆周围设置标定图案，但无需利用任何道具按照位置、距离等条件设置。

图6示出了根据本公开的一方面进行车载环视相机快速自动标定的方法600的流程图。方法600可包括例如在框602，进行特征点检测。

方法600进一步包括在框604，进行特征点梳理及匹配。

方法600进一步包括在框606，建立方程。

方法600进一步包括在框608，对所建立的所有方程进行非线性优化求解以确定相机外参。

对于框602，根据至少一些示例性实施例，若使用动态标定过程，可检测每一帧中各相机图像的地面特征并记录对应特征点的图像坐标、相机编号及帧号。

根据至少另一些示例性实施例，若使用静态标定过程，可检出同一帧中各相机图像中的特征点并记录记录对应特征点的图像坐标、相机编号及帧号。本公开的检测方法多种多样，可根据不同的标定图案灵活做出调整。

图7示出了根据本公开示例性实施例由鱼眼相机拍摄的一张环视鱼眼图700。在此示例中，标定图案仅使用图案中的黑块，也可以使用以上参照图4描述的标定图案或其他合适的标定图案等。

为了确定标定图案中的特征点，可以使用轮廓提取算法，例如OpenCV中的findcounters算法、或例如Roberts算子、Prewitt算子、Sobel算子和Laplacian算子等。

通过使用轮廓提取算法，可在该原图上检测出黑色方块轮廓。随后，可根据轮廓的角点数量筛选出四边形并得到角点在相机坐标系中的坐标。角点检测可采用检测算法(包括但不限于例如Harris算子、KLT算子、SIFT算子、SUSAN算子、Trajkovic算子、Moravec算子等)。

图8示出了根据本公开示例性实施例的在相机所拍摄的原始图像上检出的一个黑块的边缘及其角点。如所可见，当使用例如鱼眼相机之类作为车辆的环视相机时，会引起相当大的畸变。

根据至少一些进一步的实施例，在使用了诸如鱼眼相机之类的畸变较为严重的相机时，为提高检出率及检测精度，也可利用初始外参将鱼眼图转化为俯瞰图，进而在俯瞰图上检测标定图案。

可利用Hough等边缘检测法检测黑块边缘，边缘交点即可被检测为特征角点，若标定图案为车位线，也可使用该方法进行检测。

根据一示例性实施例，初始外参求解方式可为例如：以标定图案上的特定点(例如，黑块左上角点)为原点即(0,0)点，通过(0,0)的两条边为X，Y轴建立世界坐标系，用方块边长信息，将4个角点在世界坐标系中的坐标罗列出来，结合以上步骤3)中检测到的图像点，解算出黑塞矩阵H为初始值(如使用OpenCV中的findHomography函数)，H＝A[R t]，A为内参矩阵，本申请中默认为已知。

如此，很容易求解得到R、t，即外参的旋转矩阵和位移向量。例如，用于标定的特征图案为棋盘格，那么可以用OpenCV中的findChessboard Corners函数在原图上检测棋盘格角点，或者在同上方法生成的俯瞰图上检测。再比如，假使标定图案为不规则图案，可以用orb特征点检测法等来检测特征点。

图9示出了根据本公开示例性实施例的在使用初始化数据生成的俯瞰图上检出的黑块的边缘及角点。如所可见，通过利用初始外参将鱼眼图转化为俯瞰图，进而在俯瞰图上检测标定图案，可以显著提高检出率及检测精度。

对于框604，可对在框602中在同一帧中检测到的特征点进行梳理。根据示例性实施例，可确认检测到的每一个图像点对应于标定图案中的哪一个特征点。根据一些示例性实施例，可将经确认的图像点按照与特征点对应的顺序保存。

特征点匹配表示对于同一帧中出现在两个或多个摄像头公共区域的特征点，其映射到各相机图像上的图像点即为一组匹配点，将每组匹配点也对应保存。

如果用于标定的图案相对简单或规则，例如图9所示标定图案为一个黑色方块，只有左上、右上、左下、右下四个角点，即使存在于不同相机图像上，根据角点存在的相对位置就可一一对应，即可得到4组匹配点。

如果标定图案不规则或者相对复杂，可以利用特征点检测及描述子匹配等方法进行特征点匹配，例如orb特征点检测，再提取特征点的描述子进行匹配，得到匹配点并保存。

对于框606，若使用动态标定过程，可根据各帧中不同图像点映射的物理点之间存在的位置、距离等相对物理关系建立方程。方程中无需出现具体物理坐标数值。

类似地，若使用静止标定过程，则只需罗列出基于在同一帧中检测到的点建立的相对物理关系方程即可。方程数量至少需要超过待求的外参变量总个数，且所有外参变量都曾出现在方程中。

物理点之间存在的相对关系众多，这里列举几个典型例子：

例1同一帧中相机公共视野内检测到的某特征点的两个或多个图像点(即框604中存储的匹配点)实为映射了同一物理点，即物理坐标相等。两图像点经过各自的内外参矩阵，得到车身坐标系下的物理坐标，两物理坐标相等建立方程。

例2两图像点映射了同一帧正方形黑块的相邻角点，两角点距离即等于边长也可建立方程，该方程建立在已知简单图案尺寸的前提下进行。

例3不知具体距离或尺寸数值，但知某些距离、尺寸或面积的相对关系(例如，相等或相差值)也可建立方程。例如已知标定图案是正方形，但不知道该正方形的边长。那么可以利用正方形边长相等关系来建立方程。

对于不同的特征图案，特征点之间的相对物理关系不尽相同，可以灵活运用。但每一组映射同一特征点的图像匹配点在经过各自的内外参转换后的物理坐标相等这一约束，任何特征图案均可用。

对于框608，可利用框610中建立的所有方程，用非线性优化的方法同时解算出所有未知变量，即所有相机外参。外参的表达方式多样，例如以角度和位移形式求解，以矩阵形式求解，以四元数，旋转向量形式求解等。非线性优化的方式多种多样，例如高斯牛顿法，Levenberg-Marquardt法，非线性最小二乘法等，求解没有特定方法要求。

图10示出了根据本公开示例性实施例的分别使用动态和静态标定过程完成标定后的环视效果图1000，其中左图示出了使用动态标定过程完成标定后的环视效果图，右图示出了使用静态标定过程完成标定后的环视效果图。

图11示出了根据本公开的一方面的车载环视相机快速自动标定装置1100的框图。

如图11中所示，根据本公开的一方面的车载环视相机快速自动标定装置1100可包括但不限于一个或多个相机1102、处理器1104、存储器1106、显示器1108、图像处理模块1110、图像点检测模块1112、特征点梳理及匹配模块1114以及约束方程建立及求解模块1116等。

根据示例性实施例，一个或多个相机1102可包括车载环视相机。例如，该一个或多个相机1102可包括安装在车辆前后左右的广角摄像头(例如，鱼眼相机)等。该一个或多个相机1102可采集车辆四周的视频影像并将其以图像帧的形式提供给图像处理模块1110。

图像处理模块1110可进行各种图像预处理，包括去噪、初始鱼眼图俯瞰图转换等。经预处理的图像可被提供给图像点检测模块1112。

图像点检测模块1112可采用以上结合本公开各实施例所描述的方式来检测各帧图像中的图像点，并记录对应图像点的图像坐标、相机编号及帧号等信息。例如，所记录的信息可被保存在存储器1106中和/或被传递给特征点梳理及匹配模块1114。

特征点梳理及匹配模块1114可对所检测出的图像点进行梳理，以确定在每帧里检测到的图像点对应于标定图案中的哪一个特征点，并将同一帧中对应于标定图案的同一个特征点的各图像点作为一组匹配点，并记录其帧号、相机编号以及图像坐标等信息。例如，所记录的信息可被保存在存储器1106中和/或被传递给约束方程建立及求解模块1116。

约束方程建立及求解模块1116可基于关于特征点的先验知识建立约束方程，并采用非线性优化求解方式来解算出相机外参。解算出的相机外参可被提供给图像处理模块1110和/或存储在存储器1106中。

此后，当车辆正常形式时，一个或多个相机1102可采集车辆四周的视频影像并将其以图像帧的形式提供给图像处理模块1110。图像处理模块1110可以基于相机外参以及例如存储在存储器中的相机内参等数据对所采集到的图像帧进行处理(例如，预畸变等)。根据示例性实施例，经处理获得的数据可被提供给自动驾驶系统(未示出)用于自动驾驶。根据其他示例性实施例，经处理获得的数据可被环视拼接。所获得的结果被提供给显示器1108供向用户(例如，驾驶员)显示以辅助驾驶/泊车等。

在图11的示例中，图像处理模块1110、图像点检测模块1112、特征点梳理及匹配模块1114以及约束方程建立及求解模块1116被描述为独立的模块，其可由例如专用硬件、固件、可编程电路、ASIC等实现。但是在替换实施例中，图像处理模块1110、图像点检测模块1112、特征点梳理及匹配模块1114以及约束方程建立及求解模块1116中的一者或多者或全部也可作为软件模块被存储在存储器1106中并由处理器1104执行，以用于实现以上结合各个模块所描述的功能。另外，以上对模块的功能划分是示例性的。即，上述各模块的功能可被合并在同一个模块中，或可被进一步拆分以由不同模块来执行。

本发明利用环视相机之间具有公共视野、环视相机组成闭环等特性，利用物理点之间的相对关系，绕开了传统标定法中必须的但难以精确得到的物理点坐标值，使特征点存在的位置这一约束得到释放，并解决了传统标定中标定场地影响物理坐标精度带来的问题，减小标定环境对标定的影响。

由于该方法不再需要物理坐标，在布置标定场地时，也无需测量坐标值，或者按照位置、距离等条件设置标定图案，以此简化了标定流程，提高了标定精度与结果的鲁棒性，提高了标定效率，减少环境因素对标定产生的影响，改善了环视拼接效果，简化了标定流程，提高了标定效率。

本发明收集的标定图案数据量大，建立的约束方程多，所以标定精度高且结果非常鲁棒。采用环视相机联合全局优化的方法，环视拼接效果得到了优化。同时由于解算过程中无需用到标定点在车身坐标系下的坐标，以此解绑了场地精度与标定精度的绝对约束，减小标定环境带来的负面影响，使标定过程得到极大的简化。

本发明无需精确的标定场地，无需测量特征点的坐标，无需按照位置或者距离等条件设置标定图案，无需限定车辆在标定时的停靠位置。标定环境搭建方法简单，不用任何其他测量道具，标定条件易于实现。标定过程快速便捷，无需人工干预自动标定，标定精度高，环视图拼接优秀。本发明可用于产线大批量标定，售后或者后装等在恶劣环境的标定。

本公开的实施例可以通过相应的方法、装置、设备以及程序(例如，存储在计算机可读介质上，并可由处理器执行的程序)等来实现。例如，本公开的方法、装置、设备等和/或检测方法、装置、设备等可被实现在客户端、企业端、第三方服务器等设备上。包含或实现本公开的实施例的方法、装置、设备等可以通过软件、硬件、或固件等形式来实现，这些均在本公开的范围之内。当采用软件或固件等形式来实现时，相应的程序代码可被存储在软盘、光盘、DVD、硬盘、闪存、U盘、CF卡、SD卡、MMC卡、SM卡、记忆棒、XD卡、SDHC卡等介质上，或可通过通信介质进行传输，并由例如处理器等来执行以实现相应的功能或其部分、或功能的任何组合。

以上所述的仅为本发明的示例性具体实施例。但本发明的保护范围并不局限于此。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，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

结合本公开所描述的各种解说性逻辑块、模块、以及电路可用设计成执行本文描述的功能的通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或其他可编程逻辑器件(PLD)、分立的门或晶体管逻辑、分立的硬件组件、或其任何组合来实现或执行。通用处理器可以是微处理器，但在替换方案中，处理器可以是任何市售的处理器、控制器、微控制器、或状态机。处理器还可以被实现为计算设备的组合，例如，DSP与微处理器的组合、多个微处理器、与DSP核心协同的一个或多个微处理器、或任何其他此类配置。

结合本公开描述的方法或算法的步骤可直接在硬件中、在由处理器执行的软件模块中、或在这两者的组合中实施。软件模块可驻留在本领域所知的任何形式的存储介质中。可使用的存储介质的一些示例包括随机存取存储器(RAM)、只读存储器(ROM)、闪存、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动盘、CD-ROM，等等。软件模块可以包括单条指令、或许多条指令，且可分布在若干不同的代码段上，分布在不同的程序间以及跨多个存储介质分布。存储介质可被耦合到处理器以使得该处理器能从/向该存储介质读写信息。替换地，存储介质可以被整合到处理器。

本文中所公开的方法包括用于达成所描述的方法的一个或多个步骤或动作。这些方法步骤和/或动作可以彼此互换而不会脱离权利要求的范围。换言之，除非指定了步骤或动作的特定次序，否则具体步骤和/或动作的次序和/或使用可以改动而不会脱离权利要求的范围。

处理器可执行存储在机器可读介质上的软件。处理器可用一个或多个通用和/或专用处理器来实现。示例包括微处理器、微控制器、DSP处理器、以及其他能执行软件的电路系统。软件应当被宽泛地解释成意指指令、数据、或其任何组合，无论是被称作软件、固件、中间件、微代码、硬件描述语言、或其他。作为示例，机器可读介质可包括RAM(随机存取存储器)、闪存、ROM(只读存储器)、PROM(可编程只读存储器)、EPROM(可擦式可编程只读存储器)、EEPROM(电可擦式可编程只读存储器)、寄存器、磁盘、光盘、硬驱动器、或者任何其他合适的存储介质、或其任何组合。机器可读介质可被实施在计算机程序产品中。该计算机程序产品可以包括包装材料。

在硬件实现中，机器可读介质可以是处理系统中与处理器分开的一部分。然而，如本领域技术人员将容易领会的，机器可读介质或其任何部分可在处理系统外部。作为示例，机器可读介质可包括传输线、由数据调制的载波、和/或与无线节点分开的计算机产品，所有这些都可由处理器通过总线接口来访问。替换地或补充地，机器可读介质或其任何部分可被集成到处理器中，诸如高速缓存和/或通用寄存器文件可能就是这种情形。

处理系统可以被配置成通用处理系统，该通用处理系统具有一个或多个提供处理器功能性的微处理器、以及提供机器可读介质中的至少一部分的外部存储器，它们都通过外部总线架构与其他支持电路系统链接在一起。替换地，处理系统可以用带有集成在单块芯片中的处理器、总线接口、用户接口(在接入终端情形中)、支持电路系统、和至少一部分机器可读介质的ASIC(专用集成电路)来实现，或者用一个或多个FPGA(现场可编程门阵列)、PLD(可编程逻辑器件)、控制器、状态机、门控逻辑、分立硬件组件、或者任何其他合适的电路系统、或者能执行本公开通篇所描述的各种功能性的电路的任何组合来实现。取决于具体应用和加诸于整体系统上的总设计约束，本领域技术人员将认识到如何最佳地实现关于处理系统所描述的功能性。

机器可读介质可以包括数个软件模块。这些软件模块包括当由装置(诸如处理器)执行时使处理系统执行各种功能的指令。这些软件模块可以包括传送模块和接收模块。每个软件模块可以驻留在单个存储设备中或者跨多个存储设备分布。作为示例，当触发事件发生时，可以从硬驱动器中将软件模块加载到RAM中。在软件模块执行期间，处理器可以将一些指令加载到高速缓存中以提高访问速度。可随后将一个或多个高速缓存行加载到通用寄存器文件中以供处理器执行。在以下述及软件模块的功能性时，将理解此类功能性是在处理器执行来自该软件模块的指令时由该处理器来实现的。

如果以软件实现，则各功能可作为一条或多条指令或代码存储在计算机可读介质上或藉其进行传送。计算机可读介质包括计算机存储介质和通信介质两者，这些介质包括促成计算机程序从一地向另一地转移的任何介质。存储介质可以是能被计算机访问的任何可用介质。作为示例而非限定，此类计算机可读介质可包括RAM、ROM、EEPROM、CD-ROM或其他光盘存储、磁盘存储或其他磁存储设备、或能用于携带或存储指令或数据结构形式的期望程序代码且能被计算机访问的任何其他介质。任何连接也被正当地称为计算机可读介质。例如，如果软件是使用同轴电缆、光纤电缆、双绞线、数字订户线(DSL)、或无线技术(诸如红外(IR)、无线电、以及微波)从web网站、服务器、或其他远程源传送而来，则该同轴电缆、光纤电缆、双绞线、DSL或无线技术(诸如红外、无线电、以及微波)就被包括在介质的定义之中。如本文中所使用的盘(disk)和碟(disc)包括压缩碟(CD)、激光碟、光碟、数字多用碟(DVD)、软盘、和

碟，其中盘(disk)常常磁性地再现数据，而碟(disc)用激光来光学地再现数据。因此，在一些方面，计算机可读介质可以包括非瞬态计算机可读介质(例如，有形介质)。另外，对于其他方面，计算机可读介质可以包括瞬态计算机可读介质(例如，信号)。上述的组合应当也被包括在计算机可读介质的范围内。

因此，某些方面可以包括用于执行本文中给出的操作的计算机程序产品。例如，此类计算机程序产品可以包括其上存储(和/或编码)有指令的计算机可读介质，这些指令能由一个或多个处理器执行以执行本文中所描述的操作。在某些方面，计算机程序产品可包括包装材料。

将理解，权利要求并不被限于以上所解说的精确配置和组件。可在以上所描述的方法和装置的布局、操作和细节上做出各种改动、更换和变形而不会脱离权利要求的范围。

Claims (14)

1.一种车载环视相机的标定方法，包括：

获得由安装在一车辆上的多个位置的多个相机拍摄的一个或多个帧，其中每一帧包括由所述多个相机同时拍摄的多个图像；

对于每一帧，检测由所述多个相机拍摄的所述多个图像中与标定图案有关的图像点，所述标定图案包括一个或多个特征点；

对于每一帧，将由所述多个相机中的相同或不同相机拍摄的一张或多张图像中对应于所述标定图案中的有相对物理关系的特征点的多个图像点确定为一组匹配点；

使用每组匹配点各自的图像坐标，建立基于所述标定图案的特征点的相对物理关系的多个约束方程，其中所述多个约束方程的数量大于或等于所述多个相机各自的待求外参的总数；以及

同时对所述多个约束方程进行非线性优化求解以同时确定所述多个相机各自的待求外参。

2.如权利要求1所述的标定方法，其中，所述标定图案包括地面上已有的非预设图案或设置于地面的预设标定图案，并且所述标定图案包括一个或多个相同或不同的标定图案。

3.如权利要求1所述的标定方法，其中，所述多个相机包括能组成环视的任意多个相机。

4.如权利要求1所述的标定方法，其中，所述一个或多个帧是在所述车辆处于行驶状态或处于静止状态时拍摄的。

5.如权利要求1所述的标定方法，其中，所述标定图案的特征点的相对物理关系包括以下一者或多者或其任何组合：

同一帧中在至少两个相机的公共视野中检测到的与所述标定图案的同一特征点对应的至少两个图像点映射到同一物理点；

所述标定图案的特征点的已知距离、长度或面积值；以及

所述标定图案的特征点的距离、坐标或长度的相对物理关系。

6.如权利要求1所述的标定方法，其中，所述特征点包括角点，并且可任选地进一步包括以下一者或多者或其任何组合：直线、平行线、以及垂直线。

7.如权利要求1所述的标定方法，其中，对于每一帧，检测由所述多个相机拍摄的所述多个图像中与标定图案有关的图像点进一步包括：

记录检测出的图像点及其对应的帧号、相机编号、以及图像坐标。

8.如权利要求7所述的标定方法，其中，对于每一帧，将由所述多个相机中的相同或不同相机拍摄的一个或多个图像中对应于所述标定图案中的有相对物理关系的特征点的多个图像点确定为一组匹配点进一步包括：

记录所确定的一组匹配点中每一个图像点的帧号、相机编号、以及图像坐标。

9.如权利要求1所述的标定方法，其中，所述相机包括具有畸变的相机，并且所述标定方法进一步包括，

在检测图像点之前，利用所述相机的初始外参将所述相机拍摄的图像转化为环视拼接的俯瞰图；以及

在所述环视拼接的俯瞰图上检测所述图像点。

10.如权利要求9所述的标定方法，其中，利用所述相机的初始外参将所述相机拍摄的图像转化为环视拼接的俯瞰图包括：

以所述标定图案上的特定点为原点建立世界坐标系；

基于所述标定图案的先验信息，确定所述标定图案中的特征点在世界坐标系中应具有的坐标；以及

基于检测到的与所述特征点对应的图像点来解算出外参矩阵的初始值。

11.如权利要求1所述的标定方法，进一步包括，确定对应于所述标定图案中的有相对物理关系的特征点的多个图像点。

12.一种车载环视相机的标定装置，包括：

用于获得由安装在一车辆上的多个位置的多个相机拍摄的一个或多个帧的模块，其中每一帧包括由所述多个相机同时拍摄的多个图像；

用于对于每一帧，检测由所述多个相机拍摄的所述多个图像中与标定图案有关的图像点的模块，所述标定图案包括一个或多个特征点；

用于对于每一帧，将由所述多个相机中的相同或不同相机拍摄的一张或多张图像中对应于所述标定图案中的有相对物理关系的特征点的多个图像点确定为一组匹配点的模块；

用于使用每组匹配点各自的图像坐标，建立基于所述标定图案的特征点的相对物理关系的多个约束方程的模块，其中所述多个约束方程的数量大于或等于所述多个相机各自的待求外参的总数；以及

用于同时对所述多个约束方程进行非线性优化求解以同时确定所述多个相机各自的待求外参的模块。

13.一种车载环视相机的标定设备，包括：

存储器；以及

处理器，所述处理器耦合到所述存储器并被配置成：

获得由安装在一车辆上的多个位置的多个相机拍摄的一个或多个帧，其中每一帧包括由所述多个相机同时拍摄的多个图像；

对于每一帧，检测由所述多个相机拍摄的所述多个图像中与标定图案有关的图像点，所述标定图案包括一个或多个特征点；

对于每一帧，将由所述多个相机中的相同或不同相机拍摄的一张或多张图像中对应于所述标定图案中的有相对物理关系的特征点的多个图像点确定为一组匹配点；

使用每组匹配点各自的图像坐标，建立基于所述标定图案的特征点的相对物理关系的多个约束方程，其中所述多个约束方程的数量大于或等于所述多个相机各自的待求外参的总数；以及

同时对所述多个约束方程进行非线性优化求解以同时确定所述多个相机各自的待求外参。

14.一种存储有处理器可执行指令的计算机可读介质，所述处理器可执行指令在由处理器执行时使所述处理器进行以下操作：

获得由安装在一车辆上的多个位置的多个相机拍摄的一个或多个帧，其中每一帧包括由所述多个相机同时拍摄的多个图像；

对于每一帧，检测由所述多个相机拍摄的所述多个图像中与标定图案有关的图像点，所述标定图案包括一个或多个特征点；

对于每一帧，将由所述多个相机中的相同或不同相机拍摄的一张或多张图像中对应于所述标定图案中的有相对物理关系的特征点的多个图像点确定为一组匹配点；

使用每组匹配点各自的图像坐标，建立基于所述标定图案的特征点的相对物理关系的多个约束方程，其中所述多个约束方程的数量大于或等于所述多个相机各自的待求外参的总数；以及

同时对所述多个约束方程进行非线性优化求解以同时确定所述多个相机各自的待求外参。

Images