CN114399555B - 数据在线标定方法、装置、电子设备和计算机可读介质 - Google Patents
数据在线标定方法、装置、电子设备和计算机可读介质 Download PDFInfo
- Publication number
- CN114399555B CN114399555B CN202111559950.4A CN202111559950A CN114399555B CN 114399555 B CN114399555 B CN 114399555B CN 202111559950 A CN202111559950 A CN 202111559950A CN 114399555 B CN114399555 B CN 114399555B
- Authority
- CN
- China
- Prior art keywords
- cloud data
- image
- point cloud
- group
- data set
- 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
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
Abstract
本公开的实施例公开了数据在线标定方法、装置、电子设备和计算机可读介质。该方法的一具体实施方式包括:获取道路图像和点云数据组,以及确定道路图像或点云数据组是否满足预设道路条件;响应于确定道路图像或点云数据组满足预设道路条件,对道路图像进行特征点提取,得到图像特征点组;对图像特征点组中的各个图像特征点进行反投影,得到反投影特征点组;基于反投影特征点组和图像特征点组,生成标定时间差;利用标定时间差,对图像特征点组和点云数据组进行数据标定,得到标定后图像特征点组和标定后点云数据组,以完成数据在线标定。该实施方式可以提高图像特征点与点云数据之间对应关系的准确度。
Description
技术领域
本公开的实施例涉及计算机技术领域,具体涉及数据在线标定方法、装置、电子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,车载相机和激光雷达对于自动驾驶越来越重要,车载相机和激光雷达之间的数据精度要求也越来越高。目前,在进行数据标定时,通常采用的方式为:对车载相机所拍摄的道路图像的时间和激光雷达所测得的点云数据的时间之间的进行离线标定,使得道路图像生成的时间和点云数据生成的时间相同,以完成数据标定。
然而,当采用上述方式进行数据在线标定时,经常会存在如下技术问题:
随着对车载相机和激光雷达的使用时间的增加,离线标定结果会失准,从而,导致从车载相机所拍摄的道路图像中提取出特征点的时间和激光雷达所测得的点云数据中对应特征点的时间之间存在误差,进而,会降低自动驾驶的识别能力(例如,会降低车道线识别的准确度),使得降低驾驶安全。
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数据在线标定方法、装置、电子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数据在线标定方法,该方法包括:获取道路图像和点云数据组,以及确定上述道路图像或上述点云数据组是否满足预设道路条件,其中,上述道路图像是当前车辆的车载相机拍摄的,上述点云数据组是上述当前车辆的激光雷达测得的;响应于确定上述道路图像或上述点云数据组满足上述预设道路条件,对上述道路图像进行特征点提取,得到图像特征点组;对上述图像特征点组中的各个图像特征点进行反投影,得到反投影特征点组;基于上述反投影特征点组和上述图像特征点组,生成标定时间差;利用上述标定时间差,对上述图像特征点组和上述点云数据组进行数据标定,得到标定后图像特征点组和标定后点云数据组,以完成数据在线标定。
第二方面,本公开的一些实施例提供了一种障碍物信息生成装置,该装置包括:获取单元,被配置成获取道路图像和点云数据组,以及确定上述道路图像或上述点云数据组是否满足预设道路条件,其中,上述道路图像是当前车辆的车载相机拍摄的,上述点云数据组是上述当前车辆的激光雷达测得的;提取单元,被配置成响应于确定上述道路图像或上述点云数据组满足上述预设道路条件,对上述道路图像进行特征点提取,得到图像特征点组;反投影单元,被配置成对上述图像特征点组中的各个图像特征点进行反投影,得到反投影特征点组;生成单元,被配置成基于上述反投影特征点组和上述图像特征点组,生成标定时间差;标定单元,被配置成利用上述标定时间差,对上述图像特征点组和上述点云数据组进行数据标定,得到标定后图像特征点组和标定后点云数据组,以完成数据在线标定。
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数据在线标定方法,可以在线标定,降低从车载相机所拍摄的道路图像中提取出特征点的时间和激光雷达所测得的点云数据中对应特征点的时间之间存在误差。具体来说,造成从车载相机所拍摄的道路图像中提取出特征点的时间和激光雷达所测得的点云数据中对应特征点的时间之间存在误差的原因在于:随着对车载相机和激光雷达的使用时间的增加,离线标定结果会失准。基于此,本公开的一些实施例的数据在线标定方法,通过生成标定时间差,可以确定从车载相机所拍摄的道路图像中提取出特征点的时间和激光雷达所测得的点云数据中对应特征点的时间之间存在误差。由此,可以消除随着对车载相机和激光雷达的使用时间的增加所造成的误差。也因为进行了数据在线标定,可以在车辆行进的过程中,提高图像特征点与点云数据之间对应关系的准确度,得到对应关系更加精准的标定后图像特征点组和标定后点云数据组。从而,可以从提高数据对应关系准确度的方面提高自动驾驶的识别能力。进而,可以提高驾驶安全。
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数据在线标定方法的一个应用场景的示意图;
图2是根据本公开的数据在线标定方法的一些实施例的流程图;
图3是根据本公开的数据在线标定方法的另一些实施例的流程图;
图4是根据本公开的数据在线标定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数据在线标定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可以获取道路图像102和点云数据组103,以及确定上述道路图像102或上述点云数据组103是否满足预设道路条件,其中,上述道路图像102是当前车辆的车载相机拍摄的,上述点云数据组103是上述当前车辆的激光雷达测得的。接着,计算设备101可以响应于确定上述道路图像102或上述点云数据组103满足上述预设道路条件,对上述道路图像102进行特征点提取,得到图像特征点组104。然后,计算设备101可以对上述图像特征点组104中的各个图像特征点进行反投影,得到反投影特征点组105。之后,计算设备101可以基于上述反投影特征点组105和上述图像特征点组104,生成标定时间差106。最后,计算设备101可以利用上述标定时间差106,对上述图像特征点组104和上述点云数据组103进行数据标定,得到标定后图像特征点组107和标定后点云数据组108,以完成数据在线标定。
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数据在线标定方法的一些实施例的流程200。该数据在线标定方法的流程200,包括以下步骤:
步骤201,获取道路图像和点云数据组,以及确定道路图像或点云数据组是否满足预设道路条件。
在一些实施例中,数据在线标定方法的执行主体(如图1所示的计算设备101)可以通过有线的方式或者无线的方式获取道路图像和点云数据组。以及确定上述道路图像或上述点云数据组是否满足预设道路条件。其中,上述道路图像可以是当前车辆的车载相机拍摄的,上述点云数据组可以是上述当前车辆的激光雷达测得的。上述预设道路条件可以是道路图像或点云数据组表征当前车辆所在道路的车道线为虚线,且当前车辆所在道路的曲率小于预设阈值。
实践中,随着对车载相机和激光雷达的使用时间的增加,离线标定结果会失准。使得从车载相机所拍摄的道路图像中提取出特征点的时间和激光雷达所测得的点云数据中对应特征点的时间之间存在误差。而车辆在运动中不能通过离线的方式进行标定。因此,通过本公开的数据在线标定的方式,可以在车辆运动过程中,一定程度上对从车载相机所拍摄的道路图像中提取出特征点的时间和激光雷达所测得的点云数据中对应特征点的时间之间存在的误差进行矫正。
在一些实施例的一些可选的实现方式中,上述执行主体确定上述道路图像或上述点云数据组是否满足预设道路条件,可以包括以下步骤:
第一步,对上述点云数据组中的各个点云数据进行筛选处理,得到筛选后点云数据组。其中,点云数据可以包括点云坐标值和激光反射强度值。可以通过目标提取算法,对上述点云数据组中的各个点云数据进行筛选处理,得到筛选后点云数据组。上述目标提取算法可以包括但不限于:随机抽样一致性算法。上述筛选处理可以用于初步筛选出点云数据组中表征地面的点云数据。
第二步,对上述筛选后点云数据组进行目标点云数据提取,得到目标点云数据组。其中,可以从上述筛选后点云数据组中选出激光反射强度值处于预设激光反射强度区间的筛选后点云数据,作为目标点云数据。通过目标点云数据提取,可以从筛选后点云数据组中,选出表征车道线的点云数据。即,上述目标点云数据组中的目标点云数据可以表征当前车辆所在道路的车道线。
第三步,对上述目标点云数据组中的各个目标点云数据进行车道线识别,得到车道线点云识别信息。其中,首先,可以对上述目标点云数据组中的各个目标点云数据进行聚类处理,得到聚类点云数据组集合。然后,可以对上述聚类点云数据组集合中每个聚类点云数据组中的各个聚类点云数据包括的点云坐标值进行曲线拟合以生成拟合车道线,得到拟合车道线组。之后,可以从上述拟合车道线组中选出与当前车辆所在位置的横向(即,与拟合车道线水平垂直的方向)距离值小于预设横向距离值的拟合车道线,得到目标拟合车道线组。由此,可以选出当期车辆所在车道的车道线方程。最后,可以确定目标拟合车道线组中是否存在目标拟合车道线之间(例如在10米范围内)的横向距离值小于上述预设横向距离值。若存在,则可以表示当前车辆所在车道的车道线包括虚线。若不存在,则可以表示当前车辆所在车道的车道线为实线。另外,在确定当前车辆所在车道的车道线包括虚线后,可以确定目标拟合车道线组中的目标拟合车道线的曲率是否小于上述预设曲率阈值。由此,可以生成车道线点云识别信息。
作为示例,车道线点云识别信息可以包括车道线线型和车道线曲率信息。例如:“车道线线型为:虚线,车道线曲率信息为:车道线曲率小于预设曲率阈值”。从而,车道线点云识别信息可以表征当前车辆所在道路的车道线为虚线,且当前车辆所在道路的曲率小于预设阈值。
第四步,确定上述车道线点云识别信息是否满足上述预设道路条件。其中,上述预设道路条件可以是道路图像或点云数据组表征当前车辆所在道路的车道线为虚线,且当前车辆所在道路的曲率小于预设阈值。
作为示例,上述车道线点云识别信息若是:“车道线线型为:虚线,车道线曲率信息为:车道线曲率小于预设曲率阈值”。则可以确定上述车道线点云识别信息满足上述预设道路条件。
步骤202,响应于确定道路图像或点云数据组满足预设道路条件,对道路图像进行特征点提取,得到图像特征点组。
在一些实施例中,上述执行主体可以响应于确定上述道路图像或上述点云数据组满足上述预设道路条件,对上述道路图像进行特征点提取,得到图像特征点组。可以通过特征点提取算法,对上述道路图像中车道线区域进行特征点提取,得到图像特征点组。上述特征点提取算法可以包括但不限于:SIFT(Scale-invariant Feature Transform,尺度不变特征转换)算法、基于模板的角点检测算法等。
步骤203,对图像特征点组中的各个图像特征点进行反投影,得到反投影特征点组。
在一些实施例中,上述执行主体可以对上述图像特征点组中的各个图像特征点进行反投影,通过各种方式得到反投影特征点组。
在一些实施例的一些可选的实现方式中,上述执行主体对图像特征点组中的各个图像特征点进行反投影,得到反投影特征点组,可以包括以下步骤:
第一步,基于预设的协方差数据组,生成第一平面系数和第二平面系数。其中,上述协方差数据组中的各个协方差数据可以用于表征上述筛选后点云数据组中各个筛选后点云数据的不确定度。协方差数据组中的各个协方差数据可以与上述筛选后点云数据组中的各个筛选后点云数据一一对应。上述第一平面系数可以是平面方程的一次项系数。上述第二平面系数可以是上述平面方程的常数项。上述平面方程可以用于表征当前车辆所在道路的平面。可以将上述筛选后点云数据组中各个筛选后点云数据包括的点云坐标值输入至以下公式,生成第一平面系数和第二平面系数:
其中,P表示第一平面系数,第一平面系数可以为矩阵。d表示上述第二平面系数。X表示由上述筛选后点云数据组中的筛选后点云数据中点云坐标值的横坐标值、纵坐标值和竖坐标值组成的3×1的矩阵。Xi表示由上述筛选后点云数据组中的第i个筛选后点云数据的点云坐标值中点云坐标值的横坐标值、纵坐标值和竖坐标值组成的3×1的矩阵。T表示矩阵转置。PT表示上述第一平面系数的矩阵转置。Q表示上述协方差数据组中与上述上述筛选后点云数据组中的筛选后点云数据相对应的协方差数据。Qi表示上述协方差数据组中与上述上述筛选后点云数据组中的第i个筛选后点云数据相对应的协方差数据。L表示上述筛选后点云数据组。
另外,上述公式可以通过线性优化方法进行求解,得到最小化的第一平面系数和第二平面系数。
第二步,利用上述第一平面系数、上述第二平面系数和上述筛选后点云数据组,构建平面方程。其中,可以将第一平面系数作为平面方程中一次项系数,将第二平面系数作为平面方程的常数项,构建平面方程。
第三步,利用上述平面方程和上述车载相机的内参矩阵,对上述图像特征点组中的各个图像特征点进行反投影,得到反投影特征点组。其中,可以通过以下公式,对上述图像特征点组中的每个图像特征点进行反投影,得到反投影特征点:
其中,X′表示上述反投影特征点。λ表示等号右边结果向量中的最后一个数值,用于消除该数值使得等号成立。K表示上述内参矩阵。C表示上述图像特征点的横坐标值、纵坐标值和竖坐标值组成的3×1的向量。因此,括号中加上1之后可以表示4×1的向量。
步骤204,基于反投影特征点组和图像特征点组,生成标定时间差。
在一些实施例中,上述执行主体可以基于上述反投影特征点组和上述图像特征点组,通过各种方式生成标定时间差。
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反投影特征点组和上述图像特征点组,可以包括以下步骤:
第一步,确定反投影特征点组中每个反投影特征点与上述图像特征点组中对应的图像特征点之间的位移距离值,得到位移距离值组。其中,可以通过两点间距离公式,确定反投影特征点组中每个反投影特征点与上述图像特征点组中对应的图像特征点之间的位移距离值,得到位移距离值组。
第二步,将上述位移距离值组中各个位移距离值的平均值确定为平均位移距离值。
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反投影特征点组和上述图像特征点组,还可以包括以下步骤:
第一步,确定上述当前车辆的速度值。其中,可以在生成上述平均距离值时,获取上述当前车辆当前的速度值。
第二步,基于上述平均位移距离值和上述速度值,生成标定时间差。其中,可以将上述平均距离值的二范数与上述速度值的比值确定为标定时间差。
上述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“随着对车载相机和激光雷达的使用时间的增加,离线标定结果会失准,从而,导致从车载相机所拍摄的道路图像中提取出特征点的时间和激光雷达所测得的点云数据中对应特征点的时间之间存在误差,进而,会降低自动驾驶的识别能力(例如,会降低车道线识别的准确度),使得降低驾驶安全”。导致从车载相机所拍摄的道路图像中提取出特征点的时间和激光雷达所测得的点云数据中对应特征点的时间之间存在误差的因素往往如下:随着对车载相机和激光雷达的使用时间的增加,离线标定结果会失准。如果解决了上述因素,就能在一定程度上降低从车载相机所拍摄的道路图像中提取出特征点的时间和激光雷达所测得的点云数据中对应特征点的时间之间存在误差,提高自动驾驶的识别能力。为了达到这一效果,首先,通过上述第一个公式,可以将生成第一平面系数和第二平面系数,以用于构建当前所在道路的平面方程。然后,通过上述第二个公式,可以将从道路图像中提取的、表征车道线的图像特征点反投影至上述平面方程所在坐标系。以此,可以便于对比图像特征点和点云数据之间的误差。之后,通过确定各个反投影特征点与对应的点云数据之间的距离值,确定平均位移距离值。由此,可以确定各个图像特征点与对应的点云数据之间的距离误差。最后,通过平均位移距离值,生成标定时间差。从而,可以由距离误差,转换至时间误差。因此,可以用于消除从车载相机所拍摄的道路图像中提取出特征点的时间和激光雷达所测得的点云数据中对应特征点的时间之间存在误差。进而,可以从提高数据准确度的方向,提高自动驾驶的识别能力。
步骤205,利用标定时间差,对图像特征点组和点云数据组进行数据标定,得到标定后图像特征点组和标定后点云数据组,以完成对车载相机和激光雷达的数据在线标定。
在一些实施例中,上述执行主体可以利用上述标定时间差,对上述图像特征点组和上述点云数据组进行数据标定,得到标定后图像特征点组和标定后点云数据组,以完成数据在线标定。其中,首先,可以将每个图像特征点的生成时间点加上上述标定时间差,得到图像特征点的矫正时间点。然后,可以去除图像特征点组中与上述点云数据组中点云数据的时间点不相同的图像特征点。最后,可以将图像特征点组中去除时间点不相同的图像特征点后的图像特征点确定为标定后图像特征点。将各个标定后图像特征点的矫正时间点相同的点云数据确定为标定后点云数据,得到标定后图像特征点组和标定后点云数据组。从而,消除了从车载相机所拍摄的道路图像中提取出特征点的时间和激光雷达所测得的点云数据中对应特征点的时间之间存在误差,完成对上述图像特征点组和上述点云数据组进行数据标定。
可选的,上述执行主体还可以对上述标定时间差进行存储。其中,由于本公开的数据在线标定方法需要在满足上述预设道路条件的情况进行。因此,对于不满足上述预设道路条件时,可以通过所存储的、最新的标定时间差矫正从车载相机所拍摄的道路图像中提取出特征点的时间和激光雷达所测得的点云数据中对应特征点的时间之间存在误差。
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数据在线标定方法,可以在线标定,降低从车载相机所拍摄的道路图像中提取出特征点的时间和激光雷达所测得的点云数据中对应特征点的时间之间存在误差。具体来说,造成从车载相机所拍摄的道路图像中提取出特征点的时间和激光雷达所测得的点云数据中对应特征点的时间之间存在误差的原因在于:随着对车载相机和激光雷达的使用时间的增加,离线标定结果会失准。基于此,本公开的一些实施例的数据在线标定方法,通过生成标定时间差,可以确定从车载相机所拍摄的道路图像中提取出特征点的时间和激光雷达所测得的点云数据中对应特征点的时间之间存在误差。由此,可以消除随着对车载相机和激光雷达的使用时间的增加所造成的误差。也因为进行了数据在线标定,可以在车辆行进的过程中,提高图像特征点与点云数据之间对应关系的准确度,得到对应关系更加精准的标定后图像特征点组和标定后点云数据组。从而,可以从提高数据对应关系准确度的方面提高自动驾驶的识别能力。进而,可以提高驾驶安全。
进一步参考图3,其示出了数据在线标定方法的另一些实施例的流程300。该数据在线标定方法的流程300,包括以下步骤:
步骤301,获取道路图像和点云数据组。
在一些实施例中,步骤301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201,在此不再赘述。
步骤302,对道路图像进行车道线识别,得到车道线图像识别信息。
在一些实施例中,数据在线标定方法的执行主体(如图1所示的计算设备101)可以对上述道路图像进行车道线识别,得到车道线图像识别信息。其中,可以通过车道线识别算法,对上述道路图像进行车道线识别,得到车道线图像识别信息。上述车道线识别算法可以包括但不限于以下至少一项:UFLD(Ultra Fast Structure-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。上述车道线图像识别信息中可以包括当前车辆所在车道的车道线线型和车道线曲率。
步骤303,确定车道线图像识别信息是否满足预设道路条件。
在一些实施例中,上述执行主体可以确定上述车道线图像识别信息是否满足上述预设道路条件。其中,可以通过确定上述车道线图像识别信息包括的车道线线型是否为虚线,且包括的车道线曲率是否小于上述预设曲率阈值,以确定确定上述车道线图像识别信息是否满足上述预设道路条件。
步骤304,响应于确定道路图像或点云数据组满足预设道路条件,对道路图像进行特征点提取,得到图像特征点组。
步骤305,对图像特征点组中的各个图像特征点进行反投影,得到反投影特征点组。
步骤306,基于反投影特征点组和图像特征点组,生成标定时间差。
步骤307,利用标定时间差,对图像特征点组和点云数据组进行数据标定,得到标定后图像特征点组和标定后点云数据组,以完成数据在线标定。
在一些实施例中,步骤304-307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202-205,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数据在线标定方法的流程300体现了确定上述道路图像或上述点云数据组是否满足预设道路条件的步骤。从而,可以同多个角度确定当前车辆所在路段是否适合进行数据在线标定。以避免造成标定失败或标定失准等情况。由此,可以进一步提高数据在线标定的准确度。进而,可以提高自动驾驶的识别能力,使得提高驾驶安全。
进一步参考图4,作为对上述各图所示方法的实现,本公开提供了一种数据在线标定装置的一些实施例,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,一些实施例的数据在线标定装置400包括:获取单元401、提取单元402、反投影单元403、生成单元404和标定单元405。其中,获取单元401,被配置成获取道路图像和点云数据组,以及确定上述道路图像或上述点云数据组是否满足预设道路条件,其中,上述道路图像是当前车辆的车载相机拍摄的,上述点云数据组是上述当前车辆的激光雷达测得的;提取单元402,被配置成响应于确定上述道路图像或上述点云数据组满足上述预设道路条件,对上述道路图像进行特征点提取,得到图像特征点组;反投影单元403,被配置成对上述图像特征点组中的各个图像特征点进行反投影,得到反投影特征点组;生成单元404,被配置成基于上述反投影特征点组和上述图像特征点组,生成标定时间差;标定单元405,被配置成利用上述标定时间差,对上述图像特征点组和上述点云数据组进行数据标定,得到标定后图像特征点组和标定后点云数据组,以完成数据在线标定。
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RAM 503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:获取道路图像和点云数据组,以及确定上述道路图像或上述点云数据组是否满足预设道路条件,其中,上述道路图像是当前车辆的车载相机拍摄的,上述点云数据组是上述当前车辆的激光雷达测得的;响应于确定上述道路图像或上述点云数据组满足上述预设道路条件,对上述道路图像进行特征点提取,得到图像特征点组;对上述图像特征点组中的各个图像特征点进行反投影,得到反投影特征点组;基于上述反投影特征点组和上述图像特征点组,生成标定时间差;利用上述标定时间差,对上述图像特征点组和上述点云数据组进行数据标定,得到标定后图像特征点组和标定后点云数据组,以完成数据在线标定。
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、提取单元、反投影单元、生成单元和标定单元。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“获取道路图像和点云数据组的单元”。
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 (7)
1.一种数据在线标定方法,包括:
获取道路图像和点云数据组,以及确定所述道路图像或所述点云数据组是否满足预设道路条件,其中,所述道路图像是当前车辆的车载相机拍摄的,所述点云数据组是所述当前车辆的激光雷达测得的;
响应于确定所述道路图像或所述点云数据组满足所述预设道路条件,对所述道路图像进行特征点提取,得到图像特征点组;
对所述图像特征点组中的各个图像特征点进行反投影,得到反投影特征点组;
基于所述反投影特征点组和所述图像特征点组,生成标定时间差;
利用所述标定时间差,对所述图像特征点组和所述点云数据组进行数据标定,得到标定后图像特征点组和标定后点云数据组,以完成数据在线标定;
其中,所述对所述图像特征点组中的各个图像特征点进行反投影,得到反投影特征点组,包括:
基于预设的协方差数据组,生成第一平面系数和第二平面系数;
利用所述第一平面系数、所述第二平面系数和筛选后点云数据组,构建平面方程,其中,所述协方差数据组中的各个协方差数据用于表征所述筛选后点云数据组中各个筛选后点云数据的不确定度,所述协方差数据组中的各个协方差数据与所述筛选后点云数据组中的各个筛选后点云数据一一对应;
利用所述平面方程和所述车载相机的内参矩阵,对所述图像特征点组中的各个图像特征点进行反投影,得到反投影特征点组;
其中,所述基于所述反投影特征点组和所述图像特征点组,生成标定时间差,包括:
确定反投影特征点组中每个反投影特征点与所述图像特征点组中对应的图像特征点之间的位移距离值,得到位移距离值组;
将所述位移距离值组中各个位移距离值的平均值确定为平均位移距离值;
其中,所述基于所述反投影特征点组和所述图像特征点组,生成标定时间差,还包括:
确定所述当前车辆的速度值;
基于所述平均位移距离值和所述速度值,生成标定时间差。
2.根据权利要求1所述的方法,其中,所述方法还包括:
对所述标定时间差进行存储。
3.根据权利要求1所述的方法,其中,所述确定所述道路图像或所述点云数据组是否满足预设道路条件,包括:
对所述道路图像进行车道线识别,得到车道线图像识别信息;
确定所述车道线图像识别信息是否满足所述预设道路条件。
4.根据权利要求2所述的方法,其中,所述确定所述道路图像或所述点云数据组是否满足预设道路条件,还包括:
对所述点云数据组中的各个点云数据进行筛选处理,得到所述筛选后点云数据组;
对所述筛选后点云数据组进行目标点云数据提取,得到目标点云数据组;
对所述目标点云数据组中的各个目标点云数据进行车道线识别,得到车道线点云识别信息;
确定所述车道线点云识别信息是否满足所述预设道路条件。
5.一种数据在线标定装置,包括:
获取单元,被配置成获取道路图像和点云数据组,以及确定所述道路图像或所述点云数据组是否满足预设道路条件,其中,所述道路图像是当前车辆的车载相机拍摄的,所述点云数据组是所述当前车辆的激光雷达测得的;
提取单元,被配置成响应于确定所述道路图像或所述点云数据组满足所述预设道路条件,对所述道路图像进行特征点提取,得到图像特征点组;
反投影单元,被配置成对所述图像特征点组中的各个图像特征点进行反投影,得到反投影特征点组;
生成单元,被配置成基于所述反投影特征点组和所述图像特征点组,生成标定时间差;
标定单元,被配置成利用所述标定时间差,对所述图像特征点组和所述点云数据组进行数据标定,得到标定后图像特征点组和标定后点云数据组,以完成数据在线标定;
其中,所述对所述图像特征点组中的各个图像特征点进行反投影,得到反投影特征点组,包括:
基于预设的协方差数据组,生成第一平面系数和第二平面系数;
利用所述第一平面系数、所述第二平面系数和筛选后点云数据组,构建平面方程,其中,所述协方差数据组中的各个协方差数据用于表征所述筛选后点云数据组中各个筛选后点云数据的不确定度,所述协方差数据组中的各个协方差数据与所述筛选后点云数据组中的各个筛选后点云数据一一对应;
利用所述平面方程和所述车载相机的内参矩阵,对所述图像特征点组中的各个图像特征点进行反投影,得到反投影特征点组;
其中,所述基于所述反投影特征点组和所述图像特征点组,生成标定时间差,包括:
确定反投影特征点组中每个反投影特征点与所述图像特征点组中对应的图像特征点之间的位移距离值,得到位移距离值组;
将所述位移距离值组中各个位移距离值的平均值确定为平均位移距离值;
其中,所述基于所述反投影特征点组和所述图像特征点组,生成标定时间差,还包括:
确定所述当前车辆的速度值;
基于所述平均位移距离值和所述速度值,生成标定时间差。
6.一种电子设备,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1-4中任一所述的方法。
7.一种计算机可读介质,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1-4中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111559950.4A CN114399555B (zh) | 2021-12-20 | 2021-12-20 | 数据在线标定方法、装置、电子设备和计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111559950.4A CN114399555B (zh) | 2021-12-20 | 2021-12-20 | 数据在线标定方法、装置、电子设备和计算机可读介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114399555A CN114399555A (zh) | 2022-04-26 |
CN114399555B true CN114399555B (zh) | 2022-11-11 |
Family
ID=81227805
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111559950.4A Active CN114399555B (zh) | 2021-12-20 | 2021-12-20 | 数据在线标定方法、装置、电子设备和计算机可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114399555B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108090935A (zh) * | 2017-12-19 | 2018-05-29 | 清华大学 | 混合相机系统及其时间标定方法及装置 |
JP2018137667A (ja) * | 2017-02-23 | 2018-08-30 | Kddi株式会社 | カメラキャリブレーション方法、プログラムおよび装置 |
CN112180362A (zh) * | 2019-07-05 | 2021-01-05 | 北京地平线机器人技术研发有限公司 | 雷达与相机之间的转换位姿确定方法、装置以及电子设备 |
CN112446927A (zh) * | 2020-12-18 | 2021-03-05 | 广东电网有限责任公司 | 激光雷达和相机的联合标定方法、装置、设备及存储介质 |
CN113393527A (zh) * | 2020-03-11 | 2021-09-14 | 阿里巴巴集团控股有限公司 | 车载移动测量系统中的相机外参标定方法、装置和系统 |
CN113393528A (zh) * | 2020-03-11 | 2021-09-14 | 阿里巴巴集团控股有限公司 | 车载移动测量系统中的相机外参标定方法、装置和系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4776055B2 (ja) * | 2000-03-06 | 2011-09-21 | ガリストロフ ソフトウェア エルエルシー | 映像調整システム装置 |
CN106023192B (zh) * | 2016-05-17 | 2019-04-09 | 成都通甲优博科技有限责任公司 | 一种图像采集平台的时间基准实时标定方法及系统 |
CN110702139B (zh) * | 2019-09-29 | 2021-08-27 | 百度在线网络技术(北京)有限公司 | 一种时延标定方法、装置、电子设备和介质 |
CN112509057B (zh) * | 2020-11-30 | 2024-04-12 | 北京百度网讯科技有限公司 | 相机外参标定方法、装置、电子设备以及计算机可读介质 |
CN112598757B (zh) * | 2021-03-03 | 2021-06-01 | 之江实验室 | 一种多传感器时间空间标定方法及装置 |
-
2021
- 2021-12-20 CN CN202111559950.4A patent/CN114399555B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018137667A (ja) * | 2017-02-23 | 2018-08-30 | Kddi株式会社 | カメラキャリブレーション方法、プログラムおよび装置 |
CN108090935A (zh) * | 2017-12-19 | 2018-05-29 | 清华大学 | 混合相机系统及其时间标定方法及装置 |
CN112180362A (zh) * | 2019-07-05 | 2021-01-05 | 北京地平线机器人技术研发有限公司 | 雷达与相机之间的转换位姿确定方法、装置以及电子设备 |
CN113393527A (zh) * | 2020-03-11 | 2021-09-14 | 阿里巴巴集团控股有限公司 | 车载移动测量系统中的相机外参标定方法、装置和系统 |
CN113393528A (zh) * | 2020-03-11 | 2021-09-14 | 阿里巴巴集团控股有限公司 | 车载移动测量系统中的相机外参标定方法、装置和系统 |
CN112446927A (zh) * | 2020-12-18 | 2021-03-05 | 广东电网有限责任公司 | 激光雷达和相机的联合标定方法、装置、设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
"Automatic camera to laser calibration for high accuracy mobile mapping systems using INS";Werner Goeman等;《Proc. SPIE》;20130926;第8856卷;全文 * |
"基于相机与摇摆激光雷达融合的非结构化环境定位";俞毓锋;《自动化学报》;20190930;第45卷(第09期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114399555A (zh) | 2022-04-26 |
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 | |
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 | |
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 | |
CN113255619B (zh) | 车道线识别及定位方法、电子设备和计算机可读介质 | |
CN112348029B (zh) | 局部地图调整方法、装置、设备和计算机可读介质 | |
CN113674357B (zh) | 相机外参标定方法、装置、电子设备和计算机可读介质 | |
CN111915480A (zh) | 生成特征提取网络的方法、装置、设备和计算机可读介质 | |
CN114399589A (zh) | 三维车道线生成方法、装置、电子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 | |
CN114993328B (zh) | 车辆定位评估方法、装置、设备和计算机可读介质 | |
CN112183627A (zh) | 生成预测密度图网络的方法和车辆年检标数量检测方法 | |
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 | |
CN112598731B (zh) | 车辆定位方法、装置、电子设备和计算机可读介质 | |
CN114724115B (zh) | 障碍物定位信息生成方法、装置、设备和计算机可读介质 | |
CN114399555B (zh) | 数据在线标定方法、装置、电子设备和计算机可读介质 | |
CN113808134B (zh) | 油罐布局信息生成方法、装置、电子设备、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 | |
CN113870600B (zh) | 车道线信息显示方法、装置、电子设备和计算机可读介质 | |
CN114399587B (zh) | 三维车道线生成方法、装置、电子设备和计算机可读介质 | |
CN110634159A (zh) | 一种目标检测方法和装置 | |
CN111965383B (zh) | 车速信息生成方法、装置、电子设备和计算可读介质 | |
CN116295466A (zh) | 地图生成方法、装置、电子设备、存储介质、及车辆 | |
CN113778078A (zh) | 定位信息生成方法、装置、电子设备和计算机可读介质 | |
CN112528970A (zh) | 路牌检测方法、装置、设备和计算机可读介质 | |
CN113761090A (zh) | 一种基于点云地图的定位方法和装置 |
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. |