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示出了根据本公开的自动驾驶仿真测试方法的一些实施例的流程100。该自动驾驶仿真测试方法的流程100,包括以下步骤:
步骤101,响应于获取到当前车辆的各个车载相机拍摄的道路图像序列集,对上述道路图像序列集中每个道路图像序列中的各个道路图像进行人行道区域截取以生成人行道区域图像组序列,得到人行道区域图像组序列集合。
在一些实施例中,自动驾驶仿真测试方法的执行主体可以响应于获取到当前车辆的各个车载相机拍摄的道路图像序列集,对上述道路图像序列集中每个道路图像序列中的各个道路图像进行人行道区域截取以生成人行道区域图像组序列,得到人行道区域图像组序列集合。其中,上述人行道区域截取可以是利用预设的截取算法从道路图像中截取出人行横道所在的区域。上述截取算法可以包括但不限于以下至少一项:SegNet(图像语义分割深度网络)、FCN(Fully Convolutional Networks,全卷机神经网络)模型、Resnet(Residual Network,残差神经网络)模型、VGG(Visual Geometry Group Network,卷积神经网络)模型和GoogLeNet(深度神经网络)模型等。道路图像序列可以是每个车载相机的连续帧道路图像。每个人行道区域图像组可以对应一个道路图像。
步骤102,对人行道区域图像组序列集合中每个人行道区域图像组序列中的每个人行道区域图像组中的各个人行道区域图像进行人行道特征点提取以生成人行道特征点序列集。
在一些实施例中,上述执行主体可以对上述人行道区域图像组序列集合中每个人行道区域图像组序列中的每个人行道区域图像组中的各个人行道区域图像进行人行道特征点提取以生成人行道特征点序列集。其中,可以通过预设的人行道特征点提取算法,对人行道区域图像组序列集合中每个人行道区域图像组序列中的每个人行道区域图像组中的各个人行道区域图像进行人行道特征点提取以生成人行道特征点序列集。上述人行道特征点提取算法可以包括但不限于以下至少一项:UFLD(Ultra Fast Structure-aware DeepLane Detection,车道线快速检测算法)。LaneNet(多分支车道线检测网络)LSD(LineSegment Detector线段检测)算法、尺蠖蠕行算法或Freeman直线检测算法。每个人行道特征点序列可以对应一个人行道区域图像。可以理解,每个人行道区域图像中可以有多个人行横道线的区域。
作为示例,所提取的人行道特征点可以是道路图像中人行横道中线处的特征点。
步骤103,将所生成的人行道特征点序列集中的各个人行道特征点反投影至目标平面以生成反投影特征点序列集。
在一些实施例中,上述执行主体可以将所生成的人行道特征点序列集中的各个人行道特征点反投影至目标平面以生成反投影特征点序列集。其中,上述目标平面可以是上述当前车辆的车体坐标系的横纵坐标轴所在平面。可以通过逆透视变换算法,将所生成的人行道特征点序列集中的各个人行道特征点,从图像坐标系反投影至目标平面以生成反投影特征点序列集。另外,逆透视变换所需要的相机相对车体坐标系的初始旋转矩阵可以是预设的出厂标定值。也可以是上一次通过多相机在线标定的方法对多相机标定的结果。
步骤104,对所生成的反投影特征点序列集中的各个反投影特征点序列进行分类处理,得到分类特征点序列组集合。
在一些实施例中,上述执行主体可以对所生成的反投影特征点序列集中的各个反投影特征点序列进行分类处理,得到分类特征点序列组集合。其中,可以通过聚类算法对所生成的反投影特征点序列集中的各个反投影特征点序列进行分类处理,得到分类特征点序列组集合。
在一些实施例的一些可选的实现方式中,上述执行主体对所生成的反投影特征点序列集中的各个反投影特征点序列进行分类处理,得到分类特征点序列组集合,还可以包括以下步骤:
第一步,对所生成的反投影特征点序列集中的每个反投影特征点序列中的各个反投影特征点进行直线拟合以生成人行道拟合方程组,得到人行道拟合方程组序列集。
第二步,基于所生成的人行道拟合方程组序列集中的各个人行道拟合方程,对所生成的反投影特征点序列集中的各个反投影特征点序列进行分类,得到分类特征点序列组集合。其中,可以通过以下步骤得到分类特征点序列组集合:
第一子步骤,以人行道拟合方程上的目标坐标为起点取单位向量,得到单位向量集。其中,目标坐标可以是人行道拟合方程上、横坐标处于拟合该人行道拟合方程的各个反投影特征点的范围之内的坐标。另外,单位向量与人行道拟合方程的方向相同。每个单位向量的二范式等于1。
第二子步骤,将单位向量之间的距离大于预设距离阈值且相互平行的单位向量确定为同类单位向量,得到同类单位向量组集合。其中,每个同类单位向量组可以作为一个分类结果,用于表征不同路口的反投影特征点。另外,由于相对的路口人行横道线是平行的,通过单位向量之间的距离大于预设距离阈值、可以区分相对路口的单位向量。由于相邻路口的人行道横道线存在距离近且垂直的特点,通过此种方式还可以用于区分相邻路口的单位向量。
第三子步骤,将上述同类单位向量组集合中每个同类单位向量组中各个同类单位向量对应的反投影特征点确定为分类特征点以生成分类特征点序列组,得到分类特征点序列组集合。
实践中,通过上述实现方式,可以利用人行横道线之间的位置关系对反投影特征点进行合理的分类。从而,确保分类结果的准确度,以及拟合成直线方程的准确度。进而,可以用于提高多相机在线标定结果的准确度。
步骤105,基于分类特征点序列组集合,对当前车辆的各个车载相机的车体变换矩阵进行标定,得到目标变换矩阵组。
在一些实施例中,上述执行主体可以基于上述分类特征点序列组集合,通过各种方式对上述当前车辆的各个车载相机的车体变换矩阵进行标定,得到目标变换矩阵组。
在一些实施例的一些可选的实现方式中,上述执行主体基于上述分类特征点序列组集合,对上述当前车辆的各个车载相机的车体变换矩阵进行标定,得到目标变换矩阵组,可以包括以下步骤:
第一步,对所生成的人行道特征点序列集中的每个人行道特征点序列中的各个人行道特征点进行直线拟合处理以生成第一人行道直线方程组。其中,每个人行道特征点序列可以对应人行道区域图像中的一个人行横道线的区域。因此,拟合生成的第一人行道直线方程可以用于表征对应人行道区域图像中的一个人行横道线的区域。
第二步,确定所生成的每个第一人行道直线方程组中各个第一人行道直线方程的交点坐标以生成交点坐标集。其中,每个第一人行横道直线方程组可以对应一个人行道区域图像。第一人行横道直线方程组中的各个第一人行横道直线方程可以对应该人行道区域图像中的各个人行横道线区域。
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分类特征点序列组集合,对上述当前车辆的各个车载相机的车体变换矩阵进行标定,得到目标变换矩阵组,还可以包括以下步骤:
第一步,对上述分类特征点序列组集合中每个分类特征点序列组中每个分类特征点序列中的各个人行道特征点进行直线拟合处理以生成第二人行道直线方程组。其中,第二人行道直线方程可以处于上述当前车辆的车体坐标系的横纵坐标轴所在平面。
第二步,确定所生成的每个第二人行道直线方程组中各个第二人行道直线方程的消隐点坐标以生成消隐点坐标组。其中,可以将各个第二人行道直线方程的交点确定为消隐点。
实践中,虽然实际的人行道线是相互平行的,但是在图像坐标系中可以生成人行道线的交点。因此,处于上述当前车辆的车体坐标系的横纵坐标轴所在平面的各个第二人行道直线方程之间可以存在至少一个消隐点。
第三步,响应于确定所生成的消隐点坐标组中的各个消隐点坐标满足预设条件,对所生成的消隐点坐标组中的各个消隐点坐标进行坐标转换以生成转换消隐点坐标组。其中,上述预设条件可以是消隐点坐标组中存在两个消隐点。上述坐标转换可以是将处于上述当前车辆的车体坐标系的横纵坐标轴所在平面的消隐点转换至对应的人行道区域图像的图像坐标系中。
实践中,相机对车体存在三个自由度。若有n个相机。则共存在3×n个自由度需要相机标定。标定场景中至少存在两个不同方向的消隐点,每个方向的消隐点有2个自由度,即需要4个自由度。那么,若同时进行标定,则需要标定的自由度为4+3×n个。因此,当前车辆路过可标定的路口后,每个相机一般能检测到两个不同方向的人行横道线,即2个消隐点。由此,每个相机可以提供4个约束,总计4×n个约束。最终,则需要满足约束个数不小于自由度个数的条件。另外,所需要的约束和相机数量,可以随着相机所需要标定的自由度的减少而减少。从而,引入预设条件用于确定消隐点的数量。以此确保多相机在线标定的完成。
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分类特征点序列组集合,对上述当前车辆的各个车载相机的车体变换矩阵进行标定,得到目标变换矩阵组,还可以包括以下步骤:
第一步,基于所生成的交点坐标集,对所生成的转换消隐点坐标组中的各个转换消隐点坐标进行筛选,得到目标消隐点坐标组序列集。其中,可以从转换消隐点坐标组中选出与对应交点坐标距离最近的转换消隐点坐标作为目标消隐点坐标。在人行道区域图像坐标系中,转换消隐点坐标可以与交点坐标相对应。
第二步,基于上述目标消隐点坐标组序列集和预设的相机内参矩阵组,对上述当前车辆的各个车载相机的车体变换矩阵进行标定,得到目标变换矩阵组。其中,上述初始相机变换矩阵组中的每个初始相机变换矩阵与上述各个车载相机中的每个车载相机相对应。可以通过以下公式进行标定:
其中,β用于作为中间量。i、j、k表示序号。K表示上述相机内参矩阵组中的相机内参矩阵。K
i表示上述内参矩阵组中与第i个车载相机对应的相机内参矩阵。B表示预设的车载相机相对于当前车辆的转换矩阵。B
i表示预设的第i个车载相机相对于当前车辆的转换矩阵。P表示目标消隐点坐标组序列集合中的目标消隐点坐标。P
i表示目标消隐点坐标组序列集合中与第i个车载相机对应的目标消隐点坐标组序列中的目标消隐点。P
i,j表示目标消隐点坐标组序列集合中与第i个车载相机对应的目标消隐点坐标组序列中第j个目标消隐点坐标组中的目标消隐点。P
i,j,k表示目标消隐点坐标组序列集合中与第i个车载相机对应的目标消隐点坐标组序列中第j个目标消隐点坐标组中的第k个目标消隐点。R表示预设的初始旋转矩阵。R
i表示预设的与第i个车载相机对应的初始旋转矩阵。t表示预设的位移矩阵。t
i表示与第i个车载相机对应的位移矩阵。e表示目标消隐点的坐标误差,该误差满足高斯分布。e
i表示目标消隐点坐标组序列集合中与第i个车载相机对应的目标消隐点坐标组序列中的目标消隐点的坐标误差。e
i,j表示目标消隐点坐标组序列集合中与第i个车载相机对应的目标消隐点坐标组序列中第j个目标消隐点坐标组中的目标消隐点的坐标误差。e
i,j,k表示目标消隐点坐标组序列集合中与第i个车载相机对应的目标消隐点坐标组序列中第j个目标消隐点坐标组中的第k个目标消隐点的坐标误差。()
3表示取括号内向量的第3个元素。()
1:2表示取括号内向量的第1个到第2个元素。N表示正态分布符号。∑
v表示预设的消隐点观测误差的协方差矩阵。
表示预设的消隐点观测误差的协方差矩阵的逆。R′表示目标变换矩阵组中的目标变换矩阵。R′
i表示目标变换矩阵组中与第i个车载相机对应的目标变换矩阵。T表示矩阵的转置。
具体的,上述公式可以通过非线性优化方法进行实时求解。例如,iSAM(Incremental Smoothing And Mapping,增量平滑和建图方法)。在求解过程中,对目标消隐点坐标和初始旋转矩阵进行优化。由此,得到目标变换矩阵组,以完成对各个车载相机的在线标定。
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二“相机之间的共识区域较小,提取出的关系约束不足,导致多相机标定的结果不够准确”。导致多相机标定的结果不够准确的因素往往如下:相机之间的共识区域较小,提取出的关系约束不足。如果解决了上述因素,就能提高多相机标定结果的准确度。为了达到这一效果,首先,从多相机标定的场景出发,取用与常用方式不同的场景。即,利用人行道区域图像以及人行横道线的特征进行多相机标定。同时,获取在道路路口获取连续帧的道路图像,以增加道路图像之间的关联。其次,通过引入消隐点,加强关系约束。以及在求解过程中对目标消隐点坐标和初始旋转矩阵进行优化,使得可以完成对各个车载相机的在线标定。从而,提高多相机在线标定的准确度。
可选的,上述执行主体还可以执行如下步骤:
第一步,将上述当前车辆的各个车载相机的车体变换矩阵更新为上述目标变换矩阵组中的目标变换矩阵。其中,更新可以将标定后的目标变换矩阵组中的各个目标变换矩阵用于各个车载相机。以供提高自动驾驶车辆后续的获取数据的准确度。进而,提高驾驶安全。
第二步,对上述目标变换矩阵组中的各个目标变换矩阵进行存储。其中,通过存储目标变换矩阵,可以用于作为后续多相机在线标定中的初始变换矩阵,使得实现多相机在线标定以及确保车载相机的精度。
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多相机在线标定方法,可以提高多相机在线标定结果的准确度。具体来说,造成降低多相机在线标定结果准确度的原因在于:由于大多道路上车道线并不一定是直线,造成从多相机拍摄的道路图像中提取的车道线直线方程不够准确。基于此,本公开的一些实施例的多相机在线标定方法,首先,由于考虑到人行横道线的设计不仅是实现还满足相互平行的要求。从而,可以从人行横道线出发,进行多相机在线标定。因此,响应于获取到当前车辆的各个车载相机拍摄的道路图像序列集,对上述道路图像序列集中每个道路图像序列中的各个道路图像进行人行道区域截取以生成人行道区域图像组序列,得到人行道区域图像组序列集合。然后,由于人行横道的范围往往较大,不同方向的相机往往可以观察到同一个人行横道的不用部分,也可以为多相机标定提供不依赖共识的较强约束。因此,对上述人行道区域图像组序列集合中每个人行道区域图像组序列中的每个人行道区域图像组中的各个人行道区域图像进行人行道特征点提取以生成人行道特征点序列集。之后,将所生成的人行道特征点序列集中的各个人行道特征点反投影至目标平面以生成反投影特征点序列集,其中,上述目标平面是上述当前车辆的车体坐标系的横纵坐标轴所在平面。通过将特征点投影至同一平面,可以便于利用人行道特征点之间的关系约束。而后,对所生成的反投影特征点序列集中的各个反投影特征点序列进行分类处理,得到分类特征点序列组集合。通过分类处理,可以避免拍摄的不同路口人行道对应的反投影特征点在多相机标定时关系错乱,导致对多相机标定结果产生的误差,最后,基于上述分类特征点序列组集合,对上述当前车辆的各个车载相机的车体变换矩阵进行标定,得到目标变换矩阵组。通过生成目标变换矩阵组,得以完成对多相机的在线标定。从而,可以提高多相机在线标定结果的准确度。
进一步参考图2,其示出了多相机在线标定方法的另一些实施例的流程200。该多相机在线标定的流程200,包括以下步骤:
步骤201,获取当前车辆位置信息。
在一些实施例中,自动驾驶仿真测试方法的执行主体可以通过有线方式或无线方式获取当前车辆位置信息。其中,当前车辆位置信息可以包括当前车辆坐标。
步骤202,响应于确定上述当前车辆位置信息满足预设标定条件,获取道路图像序列集。
在一些实施例中,上述执行主体可以响应于确定上述当前车辆位置信息满足预设标定条件,获取道路图像序列集。其中,上述预设标定条件可以是当前车辆位置信息包括的当前车辆坐标处于预设的坐标集合中。上述预设的坐标集合可以是预先设定的、可触发多相机在线标定的坐标。例如,十字路口20米之内的、车道位置上的坐标。
步骤203,响应于获取到当前车辆的各个车载相机拍摄的道路图像序列集,对上述道路图像序列集中每个道路图像序列中的各个道路图像进行人行道区域截取以生成人行道区域图像组序列,得到人行道区域图像组序列集合。
步骤204,对上述人行道区域图像组序列集合中每个人行道区域图像组序列中的每个人行道区域图像组中的各个人行道区域图像进行人行道特征点提取以生成人行道特征点序列集。
步骤205,将所生成的人行道特征点序列集中的各个人行道特征点反投影至目标平面以生成反投影特征点序列集。
步骤206,对所生成的反投影特征点序列集中的各个反投影特征点序列进行分类处理,得到分类特征点序列组集合。
步骤207,基于上述分类特征点序列组集合,对上述当前车辆的各个车载相机的车体变换矩阵进行标定,得到目标变换矩阵组。
在一些实施例中,步骤203-207的具体实现方式及所带来的技术效果可以参考图1对应的那些实施例中的步骤101-105,在此不再赘述。
从图2中可以看出,与图1对应的一些实施例的描述相比,图2对应的一些实施例中的多相机在线标定方法的流程200体现了触发多相机在线标定条件的步骤。其中,通过获取当前车辆位置信息,用来触发预设标定条件,可以使得当前车辆在经过可标定位置时,进行多相机标定功能,实现在线标定。以及校准车载相机的变换矩阵,提高了车载相机的精度。
进一步参考图3,作为对上述各图所示方法的实现,本公开提供了一种多相机在线标定装置的一些实施例,这些装置实施例与图1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3所示,一些实施例的多相机在线标定装置300包括:截取单元301、生成单元302、投影单元303、分类单元304和标定单元305。其中,截取单元301,被配置成响应于获取到当前车辆的各个车载相机拍摄的道路图像序列集,对上述道路图像序列集中每个道路图像序列中的各个道路图像进行人行道区域截取以生成人行道区域图像组序列,得到人行道区域图像组序列集合;生成单元302,被配置成对上述人行道区域图像组序列集合中每个人行道区域图像组序列中的每个人行道区域图像组中的各个人行道区域图像进行人行道特征点提取以生成人行道特征点序列集;投影单元303,被配置成将所生成的人行道特征点序列集中的各个人行道特征点反投影至目标平面以生成反投影特征点序列集,其中,上述目标平面是上述当前车辆的车体坐标系的横纵坐标轴所在平面;分类单元304,被配置成对所生成的反投影特征点序列集中的各个反投影特征点序列进行分类处理,得到分类特征点序列组集合;标定单元305,被配置成基于上述分类特征点序列组集合,对上述当前车辆的各个车载相机的车体变换矩阵进行标定,得到目标变换矩阵组。
可以理解的是,该装置300中记载的诸单元与参考图1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300及其中包含的单元,在此不再赘述。
下面参考图4,其示出了适于用来实现本公开的一些实施例的电子设备400的结构示意图。图4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4所示,电子设备400可以包括处理装置(例如中央处理器、图形处理器等)401,其可以根据存储在只读存储器(ROM)402中的程序或者从存储装置408加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM 403中,还存储有电子设备400操作所需的各种程序和数据。处理装置401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
通常,以下装置可以连接至I/O接口405: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406;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置407;包括例如磁带、硬盘等的存储装置408;以及通信装置409。通信装置409可以允许电子设备400与其他设备进行无线或有线通信以交换数据。虽然图4示出了具有各种装置的电子设备400,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4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409从网络上被下载和安装,或者从存储装置408被安装,或者从ROM 402被安装。在该计算机程序被处理装置401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:响应于获取到当前车辆的各个车载相机拍摄的道路图像序列集,对上述道路图像序列集中每个道路图像序列中的各个道路图像进行人行道区域截取以生成人行道区域图像组序列,得到人行道区域图像组序列集合;对上述人行道区域图像组序列集合中每个人行道区域图像组序列中的每个人行道区域图像组中的各个人行道区域图像进行人行道特征点提取以生成人行道特征点序列集;将所生成的人行道特征点序列集中的各个人行道特征点反投影至目标平面以生成反投影特征点序列集,其中,上述目标平面是上述当前车辆的车体坐标系的横纵坐标轴所在平面;对所生成的反投影特征点序列集中的各个反投影特征点序列进行分类处理,得到分类特征点序列组集合;基于上述分类特征点序列组集合,对上述当前车辆的各个车载相机的车体变换矩阵进行标定,得到目标变换矩阵组。
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:一种处理器包括截取单元、生成单元、投影单元、分类单元和标定单元。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,标定单元还可以被描述为“标定车载相机的单元”。
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。