CN114493990A - 车辆底盘区域图像生成方法、电子装置和存储介质 - Google Patents
车辆底盘区域图像生成方法、电子装置和存储介质 Download PDFInfo
- Publication number
- CN114493990A CN114493990A CN202111524131.6A CN202111524131A CN114493990A CN 114493990 A CN114493990 A CN 114493990A CN 202111524131 A CN202111524131 A CN 202111524131A CN 114493990 A CN114493990 A CN 114493990A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- image
- images
- view
- chassis
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 230000009466 transformation Effects 0.000 claims abstract description 11
- 238000004590 computer program Methods 0.000 claims description 13
- 238000005259 measurement Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 5
- 230000001131 transforming effect Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 description 10
- 238000001514 detection method Methods 0.000 description 8
- 230000005540 biological transmission Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 241000791900 Selene vomer Species 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/04—Context-preserving transformations, e.g. by using an importance map
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
-
- 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
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种车辆底盘区域图像生成方法、电子装置和存储介质,其中,该车辆底盘区域图像生成方法通过获取设置在车辆的摄像头分别在N个时刻拍摄得到的环视图像,并对各所述环视图像进行俯视变换,得到多个俯视图像;获取所述车辆分别在所述N个时刻的位姿信息,基于所述位姿信息确定各所述俯视图像中的感兴趣区域;选取每相邻两个时刻的俯视图像中感兴趣区域之间的重合部分,将所述多个俯视图像按照所述感兴趣区域之间的重合部分进行依序拼接,生成所述车辆的底盘区域图像,解决了车辆极近距离以及底盘覆盖区域视野盲区的问题,提升了行车安全。
Description
技术领域
本申请涉及计算机视觉领域,特别是涉及车辆底盘区域图像生成方法、电子装置和存储介质。
背景技术
目前,通过在车辆中安装全景环视系统实时掌握路况来提升车辆行驶安全已经在汽车行业得到了广泛的使用。全景环视系统通过对车身四周安装的鱼眼相机获取到的车辆四周区域图像进行图像处理生成车辆环视视图来为驾驶员提供路况信息。然而,相关技术中相机无法拍摄到完整的车辆底盘覆盖区域并且当相机与车身过近时会因车身的遮挡而产生视野盲区。
针对相关技术中存在车辆极近距离以及底盘覆盖区域视野盲区的问题,目前还没有提出有效的解决方案。
发明内容
在本实施例中提供了一种车辆底盘区域图像生成方法、电子装置和存储介质,以解决相关技术中的问题。
第一个方面,在本实施例中提供了一种车辆底盘区域图像生成方法,包括:
获取设置在车辆的摄像头分别在N个时刻拍摄得到的环视图像,并对各所述环视图像进行俯视变换,得到多个俯视图像;
获取所述车辆分别在所述N个时刻的位姿信息,基于所述位姿信息确定各所述俯视图像中的感兴趣区域;
选取每相邻两个时刻的俯视图像中感兴趣区域之间的重合部分,将所述多个俯视图像按照所述感兴趣区域之间的重合部分进行依序拼接,生成所述车辆的底盘区域图像。
在其中的一些实施例中,获取设置在车辆的摄像头分别在N个时刻拍摄得到的环视图像,并对各所述环视图像进行俯视变换,得到多个俯视图像包括:
获取所述摄像头在N个时刻进行标定时的内参和外参;
根据所述内参和外参将所述环视图像变换到俯视视角中得到N个时刻的俯视图像。
在其中的一些实施例中,获取设置在车辆的摄像头分别在N个时刻拍摄得到的环视图像,并对各所述环视图像进行俯视变换,得到多个俯视图像之前,所述方法包括:
获取所述摄像头在N个时刻进行标定时的畸变参数;
根据所述畸变参数对所述环视图像进行畸变矫正。
在其中的一些实施例中,获取所述车辆分别在所述N个时刻的位姿信息包括:
获取惯性导航系统在所述N个时刻的惯性导航观测数据、偏移数据和测量方差统计值,以及根据所述惯性导航观测数据、偏移数据和测量方差统计值得到所述N个时刻的惯性导航信号;
获取所述车辆在所述N个时刻的轮速,并根据所述惯性导航信号和轮速获得所述车辆在所述N个时刻的位姿信息,其中,所述位姿信息包括所述车辆的航向角、横向位置和纵向位置。
在其中的一些实施例中,将所述多个俯视图像按照所述感兴趣区域之间的重合部分进行依序拼接,生成所述车辆的底盘区域图像包括:
获取各所述俯视图像在所述感兴趣区域内的图像特征值;
按照所述多个俯视图像的时间顺序,对每相邻两个俯视图像的图像特征值进行匹配,得到匹配成功的特征对;
根据所述特征对将每相邻两个俯视图像进行拼接,得到目标俯视图像。
在其中的一些实施例中,在根据所述特征对每相邻两个俯视图像进行拼接,得到目标俯视图像之后,所述方法还包括:
获取所述车辆当前时刻环视图像中车辆四周区域路面的亮度均值;
根据所述亮度均值确定所述车辆底盘区域的亮度增益值,以及根据所述亮度增益值对所述目标俯视图像进行亮度均衡处理。
在其中的一些实施例中,将所述多个俯视图像按照所述感兴趣区域之间的重合部分进行依序拼接,生成所述车辆的底盘区域图像包括:
截取所述目标俯视图像中的底盘区域图像,生成所述车辆的底盘区域图像。
在其中的一些实施例中,生成所述车辆的底盘区域图像之后,所述方法包括:
获取所述车辆当前时刻的当前车辆环视视图和所述当前车辆环视视图中的车辆尺寸;
将所述底盘区域图像的尺寸缩放到所述当前车辆环视视图中的车辆尺寸;
根据预设的通道透明系数,将缩放后的所述底盘区域图像与所述当前车辆环视视图进行叠加,生成透明底盘显示视图。
第二个方面,在本实施例中提供了一种电子装置,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述第一个方面所述的车辆底盘区域图像生成方法。
第三个方面,在本实施例中提供了一种存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述第一个方面所述的车辆底盘区域图像生成方法。
与相关技术相比,在本实施例中提供的车辆底盘区域图像生成方法、电子装置和存储介质,通过获取设置在车辆的摄像头分别在N个时刻拍摄得到的环视图像,并对各所述环视图像进行俯视变换,得到多个俯视图像;获取所述车辆分别在所述N个时刻的位姿信息,基于所述位姿信息确定各所述俯视图像中的感兴趣区域;选取每相邻两个时刻的俯视图像中感兴趣区域之间的重合部分,将所述多个俯视图像按照所述感兴趣区域之间的重合部分进行依序拼接,生成所述车辆的底盘区域图像,解决了车辆极近距离以及底盘覆盖区域视野盲区的问题,提升了行车安全。
本申请的一个或多个实施例的细节在以下附图和描述中提出,以使本申请的其他特征、目的和优点更加简明易懂。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是本申请一实施例的车辆底盘区域图像生成方法的终端的硬件结构框图;
图2是本申请一实施例的车辆底盘区域图像生成方法的流程图;
图3是本申请优选实施例的车辆底盘区域图像生成方法的流程图。
具体实施方式
为更清楚地理解本申请的目的、技术方案和优点,下面结合附图和实施例,对本申请进行了描述和说明。
除另作定义外,本申请所涉及的技术术语或者科学术语应具有本申请所属技术领域具备一般技能的人所理解的一般含义。在本申请中的“一”、“一个”、“一种”、“该”、“这些”等类似的词并不表示数量上的限制,它们可以是单数或者复数。在本申请中所涉及的术语“包括”、“包含”、“具有”及其任何变体,其目的是涵盖不排他的包含;例如,包含一系列步骤或模块(单元)的过程、方法和系统、产品或设备并未限定于列出的步骤或模块(单元),而可包括未列出的步骤或模块(单元),或者可包括这些过程、方法、产品或设备固有的其他步骤或模块(单元)。在本申请中所涉及的“连接”、“相连”、“耦接”等类似的词语并不限定于物理的或机械连接,而可以包括电气连接,无论是直接连接还是间接连接。在本申请中所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。通常情况下,字符“/”表示前后关联的对象是一种“或”的关系。在本申请中所涉及的术语“第一”、“第二”、“第三”等,只是对相似对象进行区分,并不代表针对对象的特定排序。
在本实施例中提供的方法实施例可以在终端、计算机或者类似的运算装置中执行。比如在终端上运行,图1是本实施例的车辆底盘区域图像生成方法的终端的硬件结构框图。如图1所示,终端可以包括一个或多个(图1中仅示出一个)处理器102和用于存储数据的存储器104,其中,处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置。上述终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解,图1所示的结构仅为示意,其并不对上述终端的结构造成限制。例如,终端还可包括比图1中所示更多或者更少的组件,或者具有与图1所示出的不同配置。
存储器104可用于存储计算机程序,例如,应用软件的软件程序以及模块,如在本实施例中的车辆底盘区域图像生成方法对应的计算机程序,处理器102 通过运行存储在存储器104内的计算机程序,从而执行各种功能应用以及数据处理,即实现上述的方法。存储器104可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器104可进一步包括相对于处理器102远程设置的存储器,这些远程存储器可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输设备106用于经由一个网络接收或者发送数据。上述的网络包括终端的通信供应商提供的无线网络。在一个实例中,传输设备106包括一个网络适配器(NetworkInterface Controller,简称为NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输设备106可以为射频 (Radio Frequency,简称为RF)模块,其用于通过无线方式与互联网进行通讯。
在本实施例中提供了一种车辆底盘区域图像生成方法,图2是本实施例的车辆底盘区域图像生成方法的流程图,如图2所示,该流程包括如下步骤:
步骤S201,获取设置在车辆的摄像头分别在N个时刻拍摄得到的环视图像,并对各环视图像进行俯视变换,得到多个俯视图像。
其中,环视图像可以是前环视图像和后环视图像,前环视图像和后环视图像可以是通过设置在车辆的头部和尾部的鱼眼相机拍摄得到的图像。
步骤S202,获取车辆分别在N个时刻的位姿信息,基于位姿信息确定各俯视图像中的感兴趣区域。
其中,位姿信息包括车辆的航向角、横向位置和纵向位置。
在步骤S202中,计算车辆的位姿信息可缩小感兴趣区域的搜索范围,从而提升效率。
步骤S203,选取每相邻两个时刻的俯视图像中感兴趣区域之间的重合部分,将多个俯视图像按照感兴趣区域之间的重合部分进行依序拼接,生成车辆的底盘区域图像。
在步骤S201至步骤S203中,通过将历史多个时刻的环视图像与当前时刻的环视图像进行拼接补充了当前时刻的视野盲区,解决了车辆极近距离以及底盘覆盖区域视野盲区的问题,并且在图像拼接前将环视图像映射在俯视视图中,有效提升跨相机视角拼接接缝质量,从而提供了更准确地路况信息,提升了行车安全。
在其中的一些实施例中,获取设置在车辆的摄像头分别在N个时刻拍摄得到的环视图像,并对各环视图像进行俯视变换,得到多个俯视图像包括:
获取摄像头在N个时刻进行标定时的内参和外参;
根据内参和外参将环视图像变换到俯视视角中得到N个时刻的俯视图像。
在其中的一些实施例中,获取设置在车辆的摄像头分别在N个时刻拍摄得到的环视图像,并对各环视图像进行俯视变换,得到多个俯视图像之前,方法包括:
获取摄像头在N个时刻进行标定时的畸变参数;
根据畸变参数对环视图像进行畸变矫正。
具体地,环视图像去畸变可使用高阶径向畸变模型,具体公式如下:
θ′=θ(1+k1θ2+k2θ4) 公式
其中,k1,k2为相机畸变系数,由镜头生产厂商提供,θ为图像中像素点对应的成像透视角。
在其中的一些实施例中,利用畸变参数去除环视图像的畸变之后,利用内参和外参将环视图像映射至俯视视角中。
具体地,可通过以下方法来实现:
首先,利用内参和外参标定计算得到3×3的Homography矩阵(单应矩阵) H;
而后,使用公式(2)将畸变校正后的环视图像映射至俯视视角中:
[x,y,1]T=H*[u,v,1]T 公式,其中,[u,v,1]T为畸变校正的环视图像坐标,[x,y,1]T为环视图像映射至俯视视角后的俯视图像坐标。
在其中的一些实施例中,获取车辆分别在N个时刻的位姿信息包括:
获取惯性导航系统在N个时刻的惯性导航观测数据、偏移数据和测量方差统计值,以及根据惯性导航观测数据、偏移数据和测量方差统计值得到N个时刻的惯性导航信号;
获取车辆在N个时刻的轮速,并根据惯性导航信号和轮速获得车辆在N个时刻的位姿信息,其中,位姿信息包括车辆的航向角、横向位置和纵向位置。
具体地,位姿信息可通过如下方法来确定:
首先,获取惯性导航系统在N个时刻的惯性导航观测数据、零位偏移数据和测量方差统计值,将零位偏移数据和测量方差统计值作为惯性导航系统的误差施加于惯性导航观测数据,以校准惯性导航信号的输出;
其次,将车辆运动学信号(轮速以及惯性导航信号)作为卡尔曼滤波的输入,按如下公式更新车辆位置姿态:
其中,θt为航向角,xt为车辆的横向位置,yt为车辆的纵向位置,ωt为惯性导航信号中的车辆角速度,vt为根据轮速确定的车速。
在其中的一些实施例中,在基于位姿信息确定各俯视图像中的感兴趣区域之后,将多个俯视图像按照感兴趣区域之间的重合部分进行依序拼接,生成车辆的底盘区域图像包括:
获取各俯视图像在感兴趣区域内的图像特征值;
按照多个俯视图像的时间顺序,对每相邻两个俯视图像的图像特征值进行匹配,得到匹配成功的特征对;
根据特征对将每相邻两个俯视图像进行拼接,得到目标俯视图像;
截取目标俯视图像中的底盘区域图像,生成车辆的底盘区域图像。
具体地,在一些实施例中提供了图像拼接方法,该方法的具体内容如下:
按照时间将多个俯视图像进行排序,重复执行以下流程直到所有俯视图像被拼接为一个俯视图像,得到目标俯视图像:
首先,基于N个时刻的位姿信息,对前两个俯视图像的感兴趣区域进行路面特征检测获得图像特征值,其中,优选地可以使用FAST、ORB特征点检测算法进行路面特征点检测。
根据嵌入式平台的算力情况,在获得图像特征值后,可选地,根据图像特征值生成特征向量以描述路面特征,其中,优选地可以使用SURF算子来实现特征向量的生成。
其次,对这两个俯视图像的图像特征值进行匹配,得到匹配成功的特征对。
优选地,使用FLANN特征匹配算法库对两个俯视图像所提取的图像特征值进行特征匹配,得到匹配成功的特征对。
再次,根据特征对将两个俯视图像进行拼接,得到新的俯视图像。
优选地,先通过RANSAC采样方法对特征对进行Homography矩阵计算, Homography矩阵的计算公式为:
H'=RT 公式
其中,Δθ为车辆横摆角变化量,Δx,Δy为车辆位置变化量。然后根据得到的Homography矩阵将两个俯视图像中的前一个俯视图像映射到后一个俯视图像的坐标系中,将两个俯视图像中的重合区域按预设权重系数进行融合(默认值为1:1),生成新的俯视图像。
在通过上述方法得到目标俯视图像后,截取目标俯视图像中的底盘区域图像,生成车辆的底盘区域图像。
在本实施例中,通过利用航位推算得到的N个时刻的车辆位姿信息,进行感兴趣区域的确定、特征值的获取、特征匹配,从而实现相邻两个俯视图像的拼接,不仅能够有效提升路面纹理显著区域拼接效果,对于因光照阴影等原因导致的路面纹理不显著区域亦能满足需求。
在其中的一些实施例中,在根据特征对每相邻两个俯视图像进行拼接,得到目标俯视图像之后,方法还包括:
获取车辆当前时刻环视图像中车辆四周区域路面的亮度均值;
根据亮度均值确定车辆底盘区域的亮度增益值,以及根据亮度增益值对目标俯视图像进行亮度均衡处理。
在其中的一些实施例中,生成车辆的底盘区域图像之后,方法包括:
获取车辆当前时刻的当前车辆环视视图和当前车辆环视视图中的车辆尺寸;
将底盘区域图像的尺寸缩放到当前车辆环视视图中的车辆尺寸;
根据预设的通道透明系数,将缩放后的底盘区域图像与当前车辆环视视图进行叠加,生成透明底盘显示视图。
下面通过优选实施例对本实施例进行描述和说明。
图3是本优选实施例的车辆底盘区域图像生成方法的流程图,如图3所示,该车辆底盘区域图像生成方法包括如下步骤:
步骤S301,对惯性导航系统进行惯性导航航位零位标定。
惯性导航系统工作后,进行初始化标志位校验,若未初始化,则进入标定状态,通过IMU(惯性测量单元)获取静止时刻惯性导航零位偏移数据以及测量方差统计值,作为系统误差施加于惯性导航系统原始观测值,校准惯性导航输出完成标定,标定完成后修改初始化标志位,系统进入正常工作状态。
步骤S302,惯性导航航位推算。
基于车辆运动学信号(轮速以及惯性导航信号)输入,利用运动学卡尔曼滤波状态更新,按公式(3)更新车辆位置姿态。
步骤S303,图像预处理,包括畸变矫正和透视变换。
首先,利用高阶径向畸变模型去除环视图像的畸变实现畸变矫正,而后利用内参和外参计算得到3×3的Homography矩阵,最后使用公式(2)将畸变校正后的环视图像映射至俯视视角中实现透视变换。
步骤S304,图像拼接,包括特征检测、特征描述、特征匹配、图像拼接。
特征检测:基于航位推算结果,缩小时序相邻图片感兴趣区域搜索范围,在上述图像感兴趣区域范围内利用FAST或ORB特征进行路面特征检测。
特征描述:视嵌入式平台算力情况作为可选,对于特征检测所得的路面特征,利用SURF算子进行路面特征描述,生成特征向量。
特征匹配:利用FLANN特征匹配算法库对相邻两帧图片所提取的特征点进行特征匹配,并通过RANSAC采样方法根据公式(4)对配对特征进行(单应矩阵) Homography矩阵计算。
图像拼接:车辆前进工况下,以当前时刻tm的前环视相机俯视图像坐标系为基准,利用特征匹配中计算所得的Homography矩阵将上一时刻俯视视图映射至此坐标系,重合区域按预设权重系数进行融合(默认值为1:1),生成新的俯视拼接视图。
将此步骤S304重复迭代k个时间片段直至tm+k时刻生成的俯视拼接视图能够覆盖车身底盘区域,将tm+k时刻生成的俯视拼接视图与tm+k时刻的后环视相机俯视图像按步骤S304中的特征检测、特征描述和特征匹配方法进行拼接后,生成完整底盘区域视图。
步骤S305,图像后处理,包括亮度均衡以及图像融合。
亮度均衡:通过数值统计方式,获取各环视视角车辆附近区域路面亮度均值,通过后处理调整底盘区域亮度增益,求解使得透明底盘融合区域亮度与各视角均方差最小的亮度增益值。
图像融合:截取步骤S304中生成的完成底盘区域视图中的底盘区域视图部分,按比例缩放至环视视图车辆贴图区域大小,按预设通道透明度系数与已有环视图像进行叠加,生成完整透明底盘显示效果。
在优选实施例中提供的底盘区域图像生成方法有以下几个优势;
(1)通过检测图像中的图像特征值捕捉路面特征并根据配对的特征对计算Homography矩阵将相邻两个俯视图像拼接,适用于低速场景行车辅助需求,能够有效提升路面纹理显著区域拼接效果,并且通过校正惯性导航信号从而获得更准确的位姿信息,对于路面纹理不显著区域亦能满足需求。
(2)通过轮速和惯性导航信号确定位姿信息,基于位姿信息进行特征检测,并根据配对的特征对计算Homography矩阵,有效地降低了图像特征搜索范围,提升了图像拼接效率,保障了系统实时性。
(3)通过调整目标俯视图像中车辆底盘区域的亮度提升底盘区域图像与环视图像联合显示效果,保证场景亮度一致性。
(4)通过将历史时刻的前环视图像与当前时刻的前环视图像进行拼接,前环视图像拼接完成后直接与当前时刻的后环视图像进行拼接,而无需拼接历史时刻的后环视图像,在保证能够获得底盘区域图像的同时提升了图像拼接效率,保障了系统实时性。
需要说明的是,在上述流程中或者附图的流程图中示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
在本实施例中还提供了一种电子装置,包括存储器和处理器,该存储器中存储有计算机程序,该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
可选地,上述电子装置还可以包括传输设备以及输入输出设备,其中,该传输设备和上述处理器连接,该输入输出设备和上述处理器连接。
此外,结合上述实施例中提供的车辆底盘区域图像生成方法,在本实施例中还可以提供一种存储介质来实现。该存储介质上存储有计算机程序;该计算机程序被处理器执行时实现上述实施例中的任意一种车辆底盘区域图像生成方法。
应该明白的是,这里描述的具体实施例只是用来解释这个应用,而不是用来对它进行限定。根据本申请提供的实施例,本领域普通技术人员在不进行创造性劳动的情况下得到的所有其它实施例,均属本申请保护范围。
显然,附图只是本申请的一些例子或实施例,对本领域的普通技术人员来说,也可以根据这些附图将本申请适用于其他类似情况,但无需付出创造性劳动。另外,可以理解的是,尽管在此开发过程中所做的工作可能是复杂和漫长的,但是,对于本领域的普通技术人员来说,根据本申请披露的技术内容进行的某些设计、制造或生产等更改仅是常规的技术手段,不应被视为本申请公开的内容不足。
“实施例”一词在本申请中指的是结合实施例描述的具体特征、结构或特性可以包括在本申请的至少一个实施例中。该短语出现在说明书中的各个位置并不一定意味着相同的实施例,也不意味着与其它实施例相互排斥而具有独立性或可供选择。本领域的普通技术人员能够清楚或隐含地理解的是,本申请中描述的实施例在没有冲突的情况下,可以与其它实施例结合。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对专利保护范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种车辆底盘区域图像生成方法,其特征在于,包括:
获取设置在车辆的摄像头分别在N个时刻拍摄得到的环视图像,并对各所述环视图像进行俯视变换,得到多个俯视图像;
获取所述车辆分别在所述N个时刻的位姿信息,基于所述位姿信息确定各所述俯视图像中的感兴趣区域;
选取每相邻两个时刻的俯视图像中感兴趣区域之间的重合部分,将所述多个俯视图像按照所述感兴趣区域之间的重合部分进行依序拼接,生成所述车辆的底盘区域图像。
2.根据权利要求1所述的车辆底盘区域图像生成方法,其特征在于,获取设置在车辆的摄像头分别在N个时刻拍摄得到的环视图像,并对各所述环视图像进行俯视变换,得到多个俯视图像包括:
获取所述摄像头在N个时刻进行标定时的内参和外参;
根据所述内参和外参将所述环视图像变换到俯视视角中得到N个时刻的俯视图像。
3.根据权利要求1所述的车辆底盘区域图像生成方法,其特征在于,获取设置在车辆的摄像头分别在N个时刻拍摄得到的环视图像,并对各所述环视图像进行俯视变换,得到多个俯视图像之前,所述方法包括:
获取所述摄像头在N个时刻进行标定时的畸变参数;
根据所述畸变参数对所述环视图像进行畸变矫正。
4.根据权利要求1所述的车辆底盘区域图像生成方法,其特征在于,获取所述车辆分别在所述N个时刻的位姿信息包括:
获取惯性导航系统在所述N个时刻的惯性导航观测数据、偏移数据和测量方差统计值,以及根据所述惯性导航观测数据、偏移数据和测量方差统计值得到所述N个时刻的惯性导航信号;
获取所述车辆在所述N个时刻的轮速,并根据所述惯性导航信号和轮速获得所述车辆在所述N个时刻的位姿信息,其中,所述位姿信息包括所述车辆的航向角、横向位置和纵向位置。
5.根据权利要求1所述的车辆底盘区域图像生成方法,其特征在于,将所述多个俯视图像按照所述感兴趣区域之间的重合部分进行依序拼接,生成所述车辆的底盘区域图像包括:
获取各所述俯视图像在所述感兴趣区域内的图像特征值;
按照所述多个俯视图像的时间顺序,对每相邻两个俯视图像的图像特征值进行匹配,得到匹配成功的特征对;
根据所述特征对将每相邻两个俯视图像进行拼接,得到目标俯视图像。
6.根据权利要求5所述的车辆底盘区域图像生成方法,其特征在于,在根据所述特征对每相邻两个俯视图像进行拼接,得到目标俯视图像之后,所述方法还包括:
获取所述车辆当前时刻环视图像中车辆四周区域路面的亮度均值;
根据所述亮度均值确定所述车辆底盘区域的亮度增益值,以及根据所述亮度增益值对所述目标俯视图像进行亮度均衡处理。
7.根据权利要求5所述的车辆底盘区域图像生成方法,其特征在于,将所述多个俯视图像按照所述感兴趣区域之间的重合部分进行依序拼接,生成所述车辆的底盘区域图像包括:
截取所述目标俯视图像中的底盘区域图像,生成所述车辆的底盘区域图像。
8.根据权利要求1所述的车辆底盘区域图像生成方法,其特征在于,生成所述车辆的底盘区域图像之后,所述方法包括:
获取所述车辆当前时刻的当前车辆环视视图和所述当前车辆环视视图中的车辆尺寸;
将所述底盘区域图像的尺寸缩放到所述当前车辆环视视图中的车辆尺寸;
根据预设的通道透明系数,将缩放后的所述底盘区域图像与所述当前车辆环视视图进行叠加,生成透明底盘显示视图。
9.一种电子装置,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行权利要求1至8中任一项所述的车辆底盘区域图像生成方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的车辆底盘区域图像生成方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111524131.6A CN114493990A (zh) | 2021-12-14 | 2021-12-14 | 车辆底盘区域图像生成方法、电子装置和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111524131.6A CN114493990A (zh) | 2021-12-14 | 2021-12-14 | 车辆底盘区域图像生成方法、电子装置和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114493990A true CN114493990A (zh) | 2022-05-13 |
Family
ID=81494790
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111524131.6A Pending CN114493990A (zh) | 2021-12-14 | 2021-12-14 | 车辆底盘区域图像生成方法、电子装置和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114493990A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115861080A (zh) * | 2023-02-24 | 2023-03-28 | 杭州枕石智能科技有限公司 | 环视透明车底图像的拼接方法和终端设备 |
-
2021
- 2021-12-14 CN CN202111524131.6A patent/CN114493990A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115861080A (zh) * | 2023-02-24 | 2023-03-28 | 杭州枕石智能科技有限公司 | 环视透明车底图像的拼接方法和终端设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110341597B (zh) | 一种车载全景视频显示系统、方法及车载控制器 | |
US10594941B2 (en) | Method and device of image processing and camera | |
CN109872372B (zh) | 一种小型四足机器人全局视觉定位方法和系统 | |
CN111179168B (zh) | 一种车载360度全景环视监控系统及方法 | |
CN110719411B (zh) | 车辆的全景环视图像生成方法及相关设备 | |
CN111800589B (zh) | 图像处理方法、装置和系统,以及机器人 | |
CN112224132A (zh) | 一种车用全景环视障碍物预警方法 | |
CN111489288B (zh) | 一种图像的拼接方法和装置 | |
CN111768332A (zh) | 一种车载环视实时3d全景图像的拼接方法及图形采集装置 | |
CN107364393A (zh) | 车辆后视图像的显示方法、装置、存储介质及电子设备 | |
CN112348741A (zh) | 全景图像拼接方法、设备及存储介质和显示方法及系统 | |
CN113029128A (zh) | 视觉导航方法及相关装置、移动终端、存储介质 | |
CN112116651A (zh) | 一种基于无人机单目视觉的地面目标定位方法和系统 | |
CN110717945B (zh) | 一种视觉标定方法、车机及汽车 | |
CN114493990A (zh) | 车辆底盘区域图像生成方法、电子装置和存储介质 | |
CN115936995A (zh) | 一种车辆四路鱼眼摄像头全景拼接方法 | |
CN113658262A (zh) | 相机外参标定方法、装置、系统及存储介质 | |
WO2020019175A1 (zh) | 图像处理方法和设备、摄像装置以及无人机 | |
CN112556658B (zh) | 一种基于双目立体视觉的对接环抓捕点测量方法及系统 | |
CN114312577B (zh) | 一种车辆底盘透视方法、装置及电子设备 | |
CN113610927B (zh) | 一种avm摄像头参数标定方法、装置及电子设备 | |
CN114754779B (zh) | 一种定位与建图方法、装置及电子设备 | |
CN110751598A (zh) | 车辆铰接点坐标标定方法、装置、计算机设备和存储介质 | |
JP2003009141A (ja) | 車両周辺画像処理装置及び記録媒体 | |
CN113724133B (zh) | 一种非刚体连接的拖挂车360°环视拼接方法 |
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 |