CN115115704A - 确定汽车位姿信息的方法及装置 - Google Patents

确定汽车位姿信息的方法及装置 Download PDF

Info

Publication number
CN115115704A
CN115115704A CN202210724561.0A CN202210724561A CN115115704A CN 115115704 A CN115115704 A CN 115115704A CN 202210724561 A CN202210724561 A CN 202210724561A CN 115115704 A CN115115704 A CN 115115704A
Authority
CN
China
Prior art keywords
image
edge point
determining
target object
position coordinate
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.)
Granted
Application number
CN202210724561.0A
Other languages
English (en)
Other versions
CN115115704B (zh
Inventor
王建国
刘祥
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.)
Hozon New Energy Automobile Co Ltd
Original Assignee
Hozon New Energy Automobile 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 Hozon New Energy Automobile Co Ltd filed Critical Hozon New Energy Automobile Co Ltd
Priority to CN202210724561.0A priority Critical patent/CN115115704B/zh
Publication of CN115115704A publication Critical patent/CN115115704A/zh
Application granted granted Critical
Publication of CN115115704B publication Critical patent/CN115115704B/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
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G06T7/74—Determining position or orientation of objects or cameras using feature-based methods involving reference images or patches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • G06T2207/20068—Projection on vertical or horizontal image axis
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)
  • Closed-Circuit Television Systems (AREA)

Abstract

本申请公开一种确定汽车位姿信息的方法及装置。本申请的方法包括：S1：获取目标物体对应的第一图像和第二图像；S2：根据每个边缘点对应的第一位置坐标确定目标物体对应的第一面积；S3：根据位姿矩阵、相机内参、每个边缘点对应的第一位置坐标、第二位置坐标和竖轴坐标值，确定目标物体对应的第二面积；S4：根据第一面积和第二面积，计算预置相机对应的当前重投影误差；S5：根据预置规则判断当前重投影误差是否符合要求；若符合要求，则根据当前重投影误差确定目标自动驾驶汽车对应的位姿信息；若不符合要求，则对位姿矩阵和每个边缘点对应的竖轴坐标值进行优化调整，并基于优化调整后的位姿矩阵和每个边缘点对应的竖轴坐标值回到步骤S3。

Description

确定汽车位姿信息的方法及装置
技术领域
本申请涉及自动驾驶汽车技术领域，尤其涉及一种确定汽车位姿信息的方法及装置。
背景技术
随着科学技术的不断发展，自动驾驶技术也得到了迅速的发展。在自动驾驶汽车自动驾驶的过程中，为了保证自身的安全性和稳定性，自动驾驶汽车需要实时确定自身的位姿信息。
目前，自动驾驶汽车通常是先通过预置相机在不同时刻拍摄同一特征点，获得包含该特征点的两张图像，再根据该特征点在两张图像中的位置坐标，计算预置相机对应的重投影误差，最后，根据计算得到的重投影误差确定自动驾驶汽车的位姿信息。
然而，当自动驾驶汽车行驶在高速公路等简单视觉场景下时，自动驾驶汽车无法准确地在两张图像中对特征点进行特征匹配，以使得无法准确地确定特征点在两张图像中的位置坐标，从而无法准确地计算预置相机对应的重投影误差，进而导致无法准确地确定自动驾驶汽车的位姿信息。
发明内容
本申请实施例提供一种确定汽车位姿信息的方法及装置，主要目的在于准确地确定自动驾驶汽车的位姿信息。
为解决上述技术问题，本申请实施例提供如下技术方案：
第一方面，本申请提供了一种确定汽车位姿信息的方法，所述方法应用于目标自动驾驶汽车的车载终端设备，所述方法包括：
步骤S1：获取目标物体对应的第一图像和第二图像，其中，所述目标物体包含多个边缘点，所述第一图像为通过预置相机在第一时刻拍摄所述目标物体得到的图像，所述第二图像为通过预置相机在第二时刻拍摄所述目标物体得到的图像；
步骤S2：根据每个所述边缘点对应的第一位置坐标确定所述目标物体对应的第一面积，其中，所述边缘点对应的第一位置坐标为所述边缘点在所述第一图像中的位置坐标，所述目标物体对应的第一面积为第一图形占所述第一图像的面积，所述第一图形为所述目标物体在所述第一图像中呈现的图形；
步骤S3：根据位姿矩阵、所述目标相机对应的相机内参、每个所述边缘点对应的第一位置坐标、第二位置坐标和竖轴坐标值，确定所述目标物体对应的第二面积，其中，所述边缘点对应的第二位置坐标为所述边缘点在所述第二图像中的位置坐标，所述目标物体对应的第二面积为将第二图形投影到所述第一图像中后，投影在所述第一图像中的第二图形与所述第一图像中的第一图形的重合部分占所述第一图像的面积，所述第二图像为所述目标物体在所述第二图像中呈现的图形；
步骤S4：根据所述第一面积和所述第二面积，计算所述预置相机对应的当前重投影误差；
步骤S5：根据预置规则判断所述当前重投影误差是否符合要求；若符合要求，则根据所述当前重投影误差确定所述目标自动驾驶汽车对应的位姿信息；若不符合要求，则对所述位姿矩阵和每个所述边缘点对应的竖轴坐标值进行优化调整，并基于优化调整后的所述位姿矩阵和每个所述边缘点对应的竖轴坐标值回到步骤S3。
可选的，所述步骤S3：根据位姿矩阵、所述目标相机对应的相机内参、每个所述边缘点对应的第一位置坐标、第二位置坐标和竖轴坐标值，确定所述目标物体对应的第二面积，包括：
根据所述位姿矩阵、所述目标相机对应的相机内参、每个所述边缘点对应的第二位置坐标和竖轴坐标值，确定每个所述边缘点对应的投影位置坐标，其中，各个所述边缘点对应的投影位置坐标为投影在所述第一图像中的第二图形的各个边缘点在所述第一图像中的位置坐标；
根据每个所述边缘点对应的第一位置坐标和投影位置坐标确定所述目标物体对应的第二面积。
可选的，所述步骤S4：根据所述第一面积和所述第二面积，计算所述预置相机对应的当前重投影误差，包括：
计算所述第二面积与所述第一面积的比值；
将所述比值确定为所述预置相机对应的当前重投影误差。
可选的，所述对所述位姿矩阵和每个所述边缘点对应的竖轴坐标值进行优化调整，包括：
根据所述位姿矩阵、所述目标相机对应的相机内参、每个所述边缘点对应的第一位置坐标、第二位置坐标和竖轴坐标值，确定优化矩阵和每个所述边缘点对应的优化值；
对所述位姿矩阵和所述优化矩阵进行求和计算，以获得第一计算结果；
将所述第一计算结果确定为优化调整后的所述位姿矩阵；
分别对每个所述边缘点对应的竖轴坐标值和优化值进行求和计算，以获得每个所述边缘点对应的第二计算结果；
将每个所述边缘点对应的第二计算结果确定为优化调整后的每个所述边缘点对应的竖轴坐标值。
可选的，所述预置规则为：若历史重投影误差与所述当前重投影误差之间的差值小于或等于预设阈值时，判定所述当前重投影误差符合要求；若所述历史重投影误差与所述当前重投影误差之间的差值大于所述预设阈值时，判定所述当前重投影误差不符合要求，其中，所述历史重投影误差为上一轮计算得到的重投影误差。
第二方面，本申请还提供一种确定汽车位姿信息的装置，所述装置应用于目标自动驾驶汽车的车载终端设备，所述装置包括：
获取单元，用于获取目标物体对应的第一图像和第二图像，其中，所述目标物体包含多个边缘点，所述第一图像为通过预置相机在第一时刻拍摄所述目标物体得到的图像，所述第二图像为通过预置相机在第二时刻拍摄所述目标物体得到的图像；
第一确定单元，用于根据每个所述边缘点对应的第一位置坐标确定所述目标物体对应的第一面积，其中，所述边缘点对应的第一位置坐标为所述边缘点在所述第一图像中的位置坐标，所述目标物体对应的第一面积为第一图形占所述第一图像的面积，所述第一图形为所述目标物体在所述第一图像中呈现的图形；
第二确定单元，用于根据位姿矩阵、所述目标相机对应的相机内参、每个所述边缘点对应的第一位置坐标、第二位置坐标和竖轴坐标值，确定所述目标物体对应的第二面积，其中，所述边缘点对应的第二位置坐标为所述边缘点在所述第二图像中的位置坐标，所述目标物体对应的第二面积为将第二图形投影到所述第一图像中后，投影在所述第一图像中的第二图形与所述第一图像中的第一图形的重合部分占所述第一图像的面积，所述第二图像为所述目标物体在所述第二图像中呈现的图形；
计算单元，用于根据所述第一面积和所述第二面积，计算所述预置相机对应的当前重投影误差；
判断单元，用于根据预置规则判断所述当前重投影误差是否符合要求；若符合要求，则根据所述当前重投影误差确定所述目标自动驾驶汽车对应的位姿信息；若不符合要求，则对所述位姿矩阵和每个所述边缘点对应的竖轴坐标值进行优化调整，并控制所述第二确定单元和所述计算单元基于优化调整后的所述位姿矩阵和每个所述边缘点对应的竖轴坐标值计算所述预置相机对应的重投影误差。
可选的，所述第二确定单元包括：
第一确定模块，用于根据所述位姿矩阵、所述目标相机对应的相机内参、每个所述边缘点对应的第二位置坐标和竖轴坐标值，确定每个所述边缘点对应的投影位置坐标，其中，各个所述边缘点对应的投影位置坐标为投影在所述第一图像中的第二图形的各个边缘点在所述第一图像中的位置坐标；
第二确定模块，用于根据每个所述边缘点对应的第一位置坐标和投影位置坐标确定所述目标物体对应的第二面积。
可选的，所述计算单元包括：
计算模块，用于计算所述第二面积与所述第一面积的比值；
第三确定模块，用于将所述比值确定为所述预置相机对应的当前重投影误差。
可选的，所述判断单元，具体用于根据所述位姿矩阵、所述目标相机对应的相机内参、每个所述边缘点对应的第一位置坐标、第二位置坐标和竖轴坐标值，确定优化矩阵和每个所述边缘点对应的优化值；对所述位姿矩阵和所述优化矩阵进行求和计算，以获得第一计算结果；将所述第一计算结果确定为优化调整后的所述位姿矩阵；分别对每个所述边缘点对应的竖轴坐标值和优化值进行求和计算，以获得每个所述边缘点对应的第二计算结果；将每个所述边缘点对应的第二计算结果确定为优化调整后的每个所述边缘点对应的竖轴坐标值。
可选的，所述预置规则为：若历史重投影误差与所述当前重投影误差之间的差值小于或等于预设阈值时，判定所述当前重投影误差符合要求；若所述历史重投影误差与所述当前重投影误差之间的差值大于所述预设阈值时，判定所述当前重投影误差不符合要求，其中，所述历史重投影误差为上一轮计算得到的重投影误差。
第三方面，本申请的实施例提供了一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行第一方面所述的确定汽车位姿信息的方法。
第四方面，本申请的实施例提供了一种确定汽车位姿信息的装置，所述装置包括存储介质；及一个或者多个处理器，所述存储介质与所述处理器耦合，所述处理器被配置为执行所述存储介质中存储的程序指令；所述程序指令运行时执行第一方面所述的确定汽车位姿信息的方法。
借由上述技术方案，本申请提供的技术方案至少具有下列优点：
本申请提供一种确定汽车位姿信息的方法及装置，本申请能够在车载终端设备获取得到通过预置相机在第一时刻拍摄目标物体得到的第一图像和通过预置相机在第二时刻拍摄目标物体得到的第二图像后，由车载终端设备先根据目标物体包含的每个边缘点对应的第一位置坐标确定目标物体对应的第一面积(即目标物体在第一图像中呈现的第一图形占第一图像的面积)，再根据位姿矩阵、目标相机对应的相机内参、目标物体包含的每个边缘点对应的第一位置坐标、第二位置坐标和竖轴坐标值，确定目标物体对应的第二面积(即将目标物体在第二图像中呈现的第二图形投影到第一图像中后，投影在第一图像中的第二图形与第一图像中的第一图形的重合部分占第一图像的面积)，然后，根据目标物体对应的第一面积和第二面积，计算预置相机对应的当前重投影误差，最后，当根据预置规则判定当前重投影误差符合要求时，根据当前重投影误差确定目标自动驾驶汽车对应的位姿信息，以便后续根据目标自动驾驶汽车对应的位姿信息规划目标自动驾驶汽车对应的行进路线，当根据预置规则判定当前重投影误差不符合要求时，对位姿矩阵和每个边缘点对应的竖轴坐标值进行优化调整，并基于优化调整后的位姿矩阵和每个边缘点对应的竖轴坐标值重新上述步骤，即先根据优化调整后的位姿矩阵、目标相机对应的相机内参、每个边缘点对应的第一位置坐标、第二位置坐标和优化调整后的每个边缘点对应的竖轴坐标值，确定目标物体对应的第二面积，再根据目标物体对应的第一面积和第二面积，计算预置相机对应的重投影误差……直至计算得到的重投影误差符合要求。由于，车载终端设备能够准确地在第一图像和第二图像中确定目标物体包含的各个边缘点的位置坐标，因此，基于第一图像和第二图像能够准确地计算预置相机对应的重投影误差，从而使得车载终端设备基于计算得到的重投影误差能够准确地确定目标自动驾驶汽车的位姿信息。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
通过参考附图阅读下文的详细描述，本申请示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本申请的若干实施方式，相同或对应的标号表示相同或对应的部分，其中：
图1示出了本申请实施例提供的一种确定汽车位姿信息的方法流程图；
图2示出了本申请实施例提供的一种确定汽车位姿信息的装置的组成框图；
图3示出了本申请实施例提供的另一种确定汽车位姿信息的装置的组成框图。
具体实施方式
下面将参照附图更详细地描述本申请的示例性实施方式。虽然附图中显示了本申请的示例性实施方式，然而应当理解，可以以各种形式实现本申请而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了能够更透彻地理解本申请，并且能够将本申请的范围完整的传达给本领域的技术人员。
需要注意的是，除非另有说明，本申请使用的技术术语或者科学术语应当为本申请所属领域技术人员所理解的通常意义。
本申请实施例提供一种确定汽车位姿信息的方法，如图1所示，该方法包括：
101、获取目标物体对应的第一图像和第二图像。
其中，目标物体可以但不限于为：车道线、路面标识等等，目标物体边缘处的各个点为目标物体包含的多个边缘点；其中，第一图像为通过预置相机在第一时刻拍摄目标物体得到的图像，第二图像为通过预置相机在第二时刻拍摄目标物体得到的图像，第二时刻大于第一时刻。
其中，在本申请实施例中，各个步骤中的执行主体为目标自动驾驶汽车的车载终端设备。
在本申请实施例中，在目标自动驾驶汽车自动驾驶的过程中，车载终端设备需要实时确定目标自动驾驶汽车的位姿信息；当需要确定目标自动驾驶汽车在第二时刻的位姿信息时，车载终端设备便可获取通过预置相机在第一时刻拍摄目标物体得到的第一图像和通过预置相机在第二时刻拍摄目标物体得到的第二图像。
102、根据每个边缘点对应的第一位置坐标确定目标物体对应的第一面积。
其中，对于目标物体包含的任意一个边缘点而言，该边缘点对应的第一位置坐标为该边缘点在第一图像中的位置坐标；其中，目标物体对应的第一面积为第一图形占第一图像的面积，第一图形为目标物体在第一图像中呈现的图形。
在本申请实施例中，车载终端设备在获取得到目标物体对应的第一图像和第二图像后，便可根据目标物体包含的每个边缘点对应的第一位置坐标确定目标物体对应的第一面积。
具体的，在本步骤中，车载终端设备根据目标物体包含的每个边缘点对应的第一位置坐标确定目标物体对应的第一面积的具体过程为：先根据每个边缘点对应的第一位置坐标确定在第一图像中第一图形包含的像素点的数量，再将第一图形包含的像素点的数量确定为目标物体对应的第一面积。
103、根据位姿矩阵、目标相机对应的相机内参、每个边缘点对应的第一位置坐标、第二位置坐标和竖轴坐标值，确定目标物体对应的第二面积。
其中，对于目标物体包含的任意一个边缘点而言，该边缘点对应的第二位置坐标为该边缘点在第二图像中的位置坐标，该边缘点对应的竖轴坐标值为在第二时刻该边缘点相对于预置相机的空间坐标中的竖轴坐标值；其中，目标物体对应的第二面积为将第二图形投影到第一图像中后，投影在第一图像中的第二图形与第一图像中的第一图形的重合部分占第一图像的面积，第二图像为目标物体在第二图像中呈现的图形；其中，位姿矩阵和目标物体包含的每个边缘点对应的竖轴坐标值为目标自动驾驶汽车厂商预先设定的。
在本申请实施例中，车载终端设备在根据目标物体包含的每个边缘点对应的第一位置坐标确定目标物体对应的第一面积后，便可根据位姿矩阵、目标相机对应的相机内参、目标物体包含的每个边缘点对应的第一位置坐标、第二位置坐标和竖轴坐标值，确定目标物体对应的第二面积。
具体的，在本步骤中，车载终端设备根据位姿矩阵、目标相机对应的相机内参、目标物体包含的每个边缘点对应的第一位置坐标、第二位置坐标和竖轴坐标值，确定目标物体对应的第二面积的具体过程为：先根据位姿矩阵、目标相机对应的相机内参、每个边缘点对应的第二位置坐标和竖轴坐标值，确定将第二图形投影到第一图像中后，第二图形在第一图像中的位置；再根据每个边缘点对应的第一位置坐标确定第一图形在第一图像中的位置；然后，根据第二图形在第一图像中的位置和第一图形在第一图像中的位置，确定在第一图像中第二图形与第一图形的重合部分包含的像素点的数量；最后，将重合部分包含的像素点的数量确定为目标物体对应的第二面积。
104、根据第一面积和第二面积，计算预置相机对应的当前重投影误差。
在本申请实施例中，车载终端设备在确定目标物体对应的第二面积后，便可根据目标物体对应的第一面积和第二面积，计算预置相机对应的当前重投影误差。
105、根据预置规则判断当前重投影误差是否符合要求；若符合要求，则根据当前重投影误差确定目标自动驾驶汽车对应的位姿信息；若不符合要求，则对位姿矩阵和每个边缘点对应的竖轴坐标值进行优化调整，并基于优化调整后的位姿矩阵和每个边缘点对应的竖轴坐标值回到步骤103。
在本申请实施例中，车载终端设备在根据目标物体对应的第一面积和第二面积，计算得到预置相机对应的当前重投影误差后，便需要根据预置规则判断当前重投影误差是否符合要求；当判定当前重投影误差符合要求时，根据当前重投影误差确定目标自动驾驶汽车对应的位姿信息，以便后续根据目标自动驾驶汽车对应的位姿信息规划目标自动驾驶汽车对应的行进路线；当判定当前重投影误差不符合要求时，车载终端设备需要对位姿矩阵和每个边缘点对应的竖轴坐标值进行优化调整，并基于优化调整后的位姿矩阵和每个边缘点对应的竖轴坐标值重新执行步骤103-105记录的方法，即先根据优化调整后的位姿矩阵、目标相机对应的相机内参、每个边缘点对应的第一位置坐标、第二位置坐标和优化调整后的每个边缘点对应的竖轴坐标值，确定目标物体对应的第二面积，再根据目标物体对应的第一面积和第二面积，计算预置相机对应的重投影误差，最后，根据预置规则判断本次计算得到的重投影误差是否符合要求，当判定该重投影误差符合要求时，根据该重投影误差确定目标自动驾驶汽车对应的位姿信息，当判定该重投影误差不符合要求时，对优化后的位姿矩阵和每个边缘点对应的竖轴坐标值再次进行优化调整，并基于优化调整后的位姿矩阵和每个边缘点对应的竖轴坐标值重新执行步骤103-105记录的方法……直至计算得到的预置相机对应的重投影误差符合要求。
本申请实施例提供一种确定汽车位姿信息的方法，本申请实施例能够在车载终端设备获取得到通过预置相机在第一时刻拍摄目标物体得到的第一图像和通过预置相机在第二时刻拍摄目标物体得到的第二图像后，由车载终端设备先根据目标物体包含的每个边缘点对应的第一位置坐标确定目标物体对应的第一面积(即目标物体在第一图像中呈现的第一图形占第一图像的面积)，再根据位姿矩阵、目标相机对应的相机内参、目标物体包含的每个边缘点对应的第一位置坐标、第二位置坐标和竖轴坐标值，确定目标物体对应的第二面积(即将目标物体在第二图像中呈现的第二图形投影到第一图像中后，投影在第一图像中的第二图形与第一图像中的第一图形的重合部分占第一图像的面积)，然后，根据目标物体对应的第一面积和第二面积，计算预置相机对应的当前重投影误差，最后，当根据预置规则判定当前重投影误差符合要求时，根据当前重投影误差确定目标自动驾驶汽车对应的位姿信息，以便后续根据目标自动驾驶汽车对应的位姿信息规划目标自动驾驶汽车对应的行进路线，当根据预置规则判定当前重投影误差不符合要求时，对位姿矩阵和每个边缘点对应的竖轴坐标值进行优化调整，并基于优化调整后的位姿矩阵和每个边缘点对应的竖轴坐标值重新上述步骤，即先根据优化调整后的位姿矩阵、目标相机对应的相机内参、每个边缘点对应的第一位置坐标、第二位置坐标和优化调整后的每个边缘点对应的竖轴坐标值，确定目标物体对应的第二面积，再根据目标物体对应的第一面积和第二面积，计算预置相机对应的重投影误差……直至计算得到的重投影误差符合要求。由于，车载终端设备能够准确地在第一图像和第二图像中确定目标物体包含的各个边缘点的位置坐标，因此，基于第一图像和第二图像能够准确地计算预置相机对应的重投影误差，从而使得车载终端设备基于计算得到的重投影误差能够准确地确定目标自动驾驶汽车的位姿信息。
进一步的，在本申请实施例中，车载终端设备可以采用以下方式根据位姿矩阵、目标相机对应的相机内参、目标物体包含的每个边缘点对应的第一位置坐标、第二位置坐标和竖轴坐标值，确定目标物体对应的第二面积：
(1)根据位姿矩阵、目标相机对应的相机内参、目标物体包含的每个边缘点对应的第二位置坐标和竖轴坐标值，确定每个边缘点对应的投影位置坐标。
其中，各个边缘点对应的投影位置坐标为投影在第一图像中的第二图形的各个边缘点在第一图像中的位置坐标。
具体的，在本步骤中，可以分别将位姿矩阵、目标相机对应的相机内参、目标物体包含的每个边缘点对应的第二位置坐标和竖轴坐标值代入预设公式中，从而计算每个边缘点对应的投影位置坐标，其中，预设公式具体如下：
Figure BDA0003712822730000101
其中，Ui为第i个边缘点对应的投影位置坐标，Zi为第i个边缘点对应的竖轴坐标值，K为目标相机对应的相机内参，T为位姿矩阵，Pi为第i个边缘点对应的第二位置坐标。
(2)根据目标物体包含的每个边缘点对应的第一位置坐标和投影位置坐标确定目标物体对应的第二面积，即先根据每个边缘点对应的投影位置坐标确定第二图形在第一图像中的位置，再根据每个边缘点对应的第一位置坐标确定第一图形在第一图像中的位置，然后，根据第二图形在第一图像中的位置和第一图形在第一图像中的位置，确定在第一图像中第二图形与第一图形的重合部分包含的像素点的数量，最后，将重合部分包含的像素点的数量确定为目标物体对应的第二面积。
进一步的，在本申请实施例中，车载终端设备根据目标物体对应的第一面积和第二面积，计算预置相机对应的当前重投影误差的具体过程为：首先，计算目标物体对应的第二面积与目标物体对应的第一面积的比值；其次，将计算得到的比值确定为预置相机对应的当前重投影误差。
进一步的，在本申请实施例中，车载终端设备对位姿矩阵和目标物体包含的每个边缘点对应的竖轴坐标值进行优化调整的具体过程为：
首先，根据位姿矩阵、目标相机对应的相机内参、每个边缘点对应的第一位置坐标、第二位置坐标和竖轴坐标值，确定优化矩阵和每个边缘点对应的优化值；其次，对位姿矩阵和优化矩阵进行求和计算，以获得第一计算结果，并将该第一计算结果确定为优化调整后的位姿矩阵；最后，分别对每个边缘点对应的竖轴坐标值和优化值进行求和计算，以获得每个边缘点对应的第二计算结果，并将每个边缘点对应的第二计算结果确定为优化调整后的每个边缘点对应的竖轴坐标值。
需要进行说明的是，在实际应用过程中，车载终端设备可以采用拟牛顿优化算法根据位姿矩阵、目标相机对应的相机内参、每个边缘点对应的第一位置坐标、第二位置坐标和竖轴坐标值，确定优化矩阵和每个边缘点对应的优化值，但不限于此。
进一步的，在本申请实施例中，预置规则具体为：若历史重投影误差与当前重投影误差之间的差值小于或等于预设阈值时，判定当前重投影误差符合要求；若历史重投影误差与当前重投影误差之间的差值大于预设阈值时，判定当前重投影误差不符合要求，其中，历史重投影误差为上一轮计算得到的重投影误差，预设阈值可以但不限于为：0、0.1、0.15等等。
为了实现上述目的，根据本申请的另一方面，本申请实施例还提供了一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行上述所述的确定汽车位姿信息的方法。
为了实现上述目的，根据本申请的另一方面，本申请实施例还提供了一种确定汽车位姿信息的装置，所述装置包括存储介质；及一个或者多个处理器，所述存储介质与所述处理器耦合，所述处理器被配置为执行所述存储介质中存储的程序指令；所述程序指令运行时执行上述所述的确定汽车位姿信息的方法。
进一步的，作为对上述图1所示方法的实现，本申请另一实施例还提供了一种确定汽车位姿信息的装置。该装置实施例与前述方法实施例对应，为便于阅读，本装置实施例不再对前述方法实施例中的细节内容进行逐一赘述，但应当明确，本实施例中的装置能够对应实现前述方法实施例中的全部内容。该装置应用于准确地确定自动驾驶汽车的位姿信息，具体如图2所示，该装置包括：
获取单元21，用于获取目标物体对应的第一图像和第二图像，其中，所述目标物体包含多个边缘点，所述第一图像为通过预置相机在第一时刻拍摄所述目标物体得到的图像，所述第二图像为通过预置相机在第二时刻拍摄所述目标物体得到的图像；
第一确定单元22，用于根据每个所述边缘点对应的第一位置坐标确定所述目标物体对应的第一面积，其中，所述边缘点对应的第一位置坐标为所述边缘点在所述第一图像中的位置坐标，所述目标物体对应的第一面积为第一图形占所述第一图像的面积，所述第一图形为所述目标物体在所述第一图像中呈现的图形；
第二确定单元23，用于根据位姿矩阵、所述目标相机对应的相机内参、每个所述边缘点对应的第一位置坐标、第二位置坐标和竖轴坐标值，确定所述目标物体对应的第二面积，其中，所述边缘点对应的第二位置坐标为所述边缘点在所述第二图像中的位置坐标，所述目标物体对应的第二面积为将第二图形投影到所述第一图像中后，投影在所述第一图像中的第二图形与所述第一图像中的第一图形的重合部分占所述第一图像的面积，所述第二图像为所述目标物体在所述第二图像中呈现的图形；
计算单元24，用于根据所述第一面积和所述第二面积，计算所述预置相机对应的当前重投影误差；
判断单元25，用于根据预置规则判断所述当前重投影误差是否符合要求；若符合要求，则根据所述当前重投影误差确定所述目标自动驾驶汽车对应的位姿信息；若不符合要求，则对所述位姿矩阵和每个所述边缘点对应的竖轴坐标值进行优化调整，并控制第二确定单元23和计算单元24基于优化调整后的所述位姿矩阵和每个所述边缘点对应的竖轴坐标值计算所述预置相机对应的重投影误差。
进一步的，如图3所示，第二确定单元23包括：
第一确定模块231，用于根据所述位姿矩阵、所述目标相机对应的相机内参、每个所述边缘点对应的第二位置坐标和竖轴坐标值，确定每个所述边缘点对应的投影位置坐标，其中，各个所述边缘点对应的投影位置坐标为投影在所述第一图像中的第二图形的各个边缘点在所述第一图像中的位置坐标；
第二确定模块232，用于根据每个所述边缘点对应的第一位置坐标和投影位置坐标确定所述目标物体对应的第二面积。
进一步的，如图3所示，计算单元24包括：
计算模块241，用于计算所述第二面积与所述第一面积的比值；
第三确定模块242，用于将所述比值确定为所述预置相机对应的当前重投影误差。
进一步的，如图3所示，判断单元25，具体用于根据所述位姿矩阵、所述目标相机对应的相机内参、每个所述边缘点对应的第一位置坐标、第二位置坐标和竖轴坐标值，确定优化矩阵和每个所述边缘点对应的优化值；对所述位姿矩阵和所述优化矩阵进行求和计算，以获得第一计算结果；将所述第一计算结果确定为优化调整后的所述位姿矩阵；分别对每个所述边缘点对应的竖轴坐标值和优化值进行求和计算，以获得每个所述边缘点对应的第二计算结果；将每个所述边缘点对应的第二计算结果确定为优化调整后的每个所述边缘点对应的竖轴坐标值。
进一步的，如图3所示，所述预置规则为：若历史重投影误差与所述当前重投影误差之间的差值小于或等于预设阈值时，判定所述当前重投影误差符合要求；若所述历史重投影误差与所述当前重投影误差之间的差值大于所述预设阈值时，判定所述当前重投影误差不符合要求，其中，所述历史重投影误差为上一轮计算得到的重投影误差。
本申请实施例提供一种确定汽车位姿信息的方法及装置，本申请实施例能够在车载终端设备获取得到通过预置相机在第一时刻拍摄目标物体得到的第一图像和通过预置相机在第二时刻拍摄目标物体得到的第二图像后，由车载终端设备先根据目标物体包含的每个边缘点对应的第一位置坐标确定目标物体对应的第一面积(即目标物体在第一图像中呈现的第一图形占第一图像的面积)，再根据位姿矩阵、目标相机对应的相机内参、目标物体包含的每个边缘点对应的第一位置坐标、第二位置坐标和竖轴坐标值，确定目标物体对应的第二面积(即将目标物体在第二图像中呈现的第二图形投影到第一图像中后，投影在第一图像中的第二图形与第一图像中的第一图形的重合部分占第一图像的面积)，然后，根据目标物体对应的第一面积和第二面积，计算预置相机对应的当前重投影误差，最后，当根据预置规则判定当前重投影误差符合要求时，根据当前重投影误差确定目标自动驾驶汽车对应的位姿信息，以便后续根据目标自动驾驶汽车对应的位姿信息规划目标自动驾驶汽车对应的行进路线，当根据预置规则判定当前重投影误差不符合要求时，对位姿矩阵和每个边缘点对应的竖轴坐标值进行优化调整，并基于优化调整后的位姿矩阵和每个边缘点对应的竖轴坐标值重新上述步骤，即先根据优化调整后的位姿矩阵、目标相机对应的相机内参、每个边缘点对应的第一位置坐标、第二位置坐标和优化调整后的每个边缘点对应的竖轴坐标值，确定目标物体对应的第二面积，再根据目标物体对应的第一面积和第二面积，计算预置相机对应的重投影误差……直至计算得到的重投影误差符合要求。由于，车载终端设备能够准确地在第一图像和第二图像中确定目标物体包含的各个边缘点的位置坐标，因此，基于第一图像和第二图像能够准确地计算预置相机对应的重投影误差，从而使得车载终端设备基于计算得到的重投影误差能够准确地确定目标自动驾驶汽车的位姿信息。
所述确定汽车位姿信息的装置包括处理器和存储器，上述获取单元、第一确定单元、第二确定单元、计算单元和判断单元等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来准确地确定自动驾驶汽车的位姿信息。
本申请实施例提供了一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行上述所述的确定汽车位姿信息的方法。
存储介质可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。
本申请实施例还提供了一种确定汽车位姿信息的装置，所述装置包括存储介质；及一个或者多个处理器，所述存储介质与所述处理器耦合，所述处理器被配置为执行所述存储介质中存储的程序指令；所述程序指令运行时执行上述所述的确定汽车位姿信息的方法。
本申请实施例提供了一种设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现以下步骤：
步骤S1：获取目标物体对应的第一图像和第二图像，其中，所述目标物体包含多个边缘点，所述第一图像为通过预置相机在第一时刻拍摄所述目标物体得到的图像，所述第二图像为通过预置相机在第二时刻拍摄所述目标物体得到的图像；
步骤S2：根据每个所述边缘点对应的第一位置坐标确定所述目标物体对应的第一面积，其中，所述边缘点对应的第一位置坐标为所述边缘点在所述第一图像中的位置坐标，所述目标物体对应的第一面积为第一图形占所述第一图像的面积，所述第一图形为所述目标物体在所述第一图像中呈现的图形；
步骤S3：根据位姿矩阵、所述目标相机对应的相机内参、每个所述边缘点对应的第一位置坐标、第二位置坐标和竖轴坐标值，确定所述目标物体对应的第二面积，其中，所述边缘点对应的第二位置坐标为所述边缘点在所述第二图像中的位置坐标，所述目标物体对应的第二面积为将第二图形投影到所述第一图像中后，投影在所述第一图像中的第二图形与所述第一图像中的第一图形的重合部分占所述第一图像的面积，所述第二图像为所述目标物体在所述第二图像中呈现的图形；
步骤S4：根据所述第一面积和所述第二面积，计算所述预置相机对应的当前重投影误差；
步骤S5：根据预置规则判断所述当前重投影误差是否符合要求；若符合要求，则根据所述当前重投影误差确定所述目标自动驾驶汽车对应的位姿信息；若不符合要求，则对所述位姿矩阵和每个所述边缘点对应的竖轴坐标值进行优化调整，并基于优化调整后的所述位姿矩阵和每个所述边缘点对应的竖轴坐标值回到步骤S3。
进一步的，所述步骤S3：根据位姿矩阵、所述目标相机对应的相机内参、每个所述边缘点对应的第一位置坐标、第二位置坐标和竖轴坐标值，确定所述目标物体对应的第二面积，包括：
根据所述位姿矩阵、所述目标相机对应的相机内参、每个所述边缘点对应的第二位置坐标和竖轴坐标值，确定每个所述边缘点对应的投影位置坐标，其中，各个所述边缘点对应的投影位置坐标为投影在所述第一图像中的第二图形的各个边缘点在所述第一图像中的位置坐标；
根据每个所述边缘点对应的第一位置坐标和投影位置坐标确定所述目标物体对应的第二面积。
进一步的，所述步骤S4：根据所述第一面积和所述第二面积，计算所述预置相机对应的当前重投影误差，包括：
计算所述第二面积与所述第一面积的比值；
将所述比值确定为所述预置相机对应的当前重投影误差。
进一步的，所述对所述位姿矩阵和每个所述边缘点对应的竖轴坐标值进行优化调整，包括：
根据所述位姿矩阵、所述目标相机对应的相机内参、每个所述边缘点对应的第一位置坐标、第二位置坐标和竖轴坐标值，确定优化矩阵和每个所述边缘点对应的优化值；
对所述位姿矩阵和所述优化矩阵进行求和计算，以获得第一计算结果；
将所述第一计算结果确定为优化调整后的所述位姿矩阵；
分别对每个所述边缘点对应的竖轴坐标值和优化值进行求和计算，以获得每个所述边缘点对应的第二计算结果；
将每个所述边缘点对应的第二计算结果确定为优化调整后的每个所述边缘点对应的竖轴坐标值。
进一步的，所述预置规则为：若历史重投影误差与所述当前重投影误差之间的差值小于或等于预设阈值时，判定所述当前重投影误差符合要求；若所述历史重投影误差与所述当前重投影误差之间的差值大于所述预设阈值时，判定所述当前重投影误差不符合要求，其中，所述历史重投影误差为上一轮计算得到的重投影误差。
本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序代码：步骤S1：获取目标物体对应的第一图像和第二图像，其中，所述目标物体包含多个边缘点，所述第一图像为通过预置相机在第一时刻拍摄所述目标物体得到的图像，所述第二图像为通过预置相机在第二时刻拍摄所述目标物体得到的图像；步骤S2：根据每个所述边缘点对应的第一位置坐标确定所述目标物体对应的第一面积，其中，所述边缘点对应的第一位置坐标为所述边缘点在所述第一图像中的位置坐标，所述目标物体对应的第一面积为第一图形占所述第一图像的面积，所述第一图形为所述目标物体在所述第一图像中呈现的图形；步骤S3：根据位姿矩阵、所述目标相机对应的相机内参、每个所述边缘点对应的第一位置坐标、第二位置坐标和竖轴坐标值，确定所述目标物体对应的第二面积，其中，所述边缘点对应的第二位置坐标为所述边缘点在所述第二图像中的位置坐标，所述目标物体对应的第二面积为将第二图形投影到所述第一图像中后，投影在所述第一图像中的第二图形与所述第一图像中的第一图形的重合部分占所述第一图像的面积，所述第二图像为所述目标物体在所述第二图像中呈现的图形；步骤S4：根据所述第一面积和所述第二面积，计算所述预置相机对应的当前重投影误差；步骤S5：根据预置规则判断所述当前重投影误差是否符合要求；若符合要求，则根据所述当前重投影误差确定所述目标自动驾驶汽车对应的位姿信息；若不符合要求，则对所述位姿矩阵和每个所述边缘点对应的竖轴坐标值进行优化调整，并基于优化调整后的所述位姿矩阵和每个所述边缘点对应的竖轴坐标值回到步骤S3。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (12)

1.一种确定汽车位姿信息的方法，其特征在于，所述方法应用于目标自动驾驶汽车的车载终端设备，所述方法包括：
步骤S1：获取目标物体对应的第一图像和第二图像，其中，所述目标物体包含多个边缘点，所述第一图像为通过预置相机在第一时刻拍摄所述目标物体得到的图像，所述第二图像为通过预置相机在第二时刻拍摄所述目标物体得到的图像；
步骤S2：根据每个所述边缘点对应的第一位置坐标确定所述目标物体对应的第一面积，其中，所述边缘点对应的第一位置坐标为所述边缘点在所述第一图像中的位置坐标，所述目标物体对应的第一面积为第一图形占所述第一图像的面积，所述第一图形为所述目标物体在所述第一图像中呈现的图形；
步骤S3：根据位姿矩阵、所述目标相机对应的相机内参、每个所述边缘点对应的第一位置坐标、第二位置坐标和竖轴坐标值，确定所述目标物体对应的第二面积，其中，所述边缘点对应的第二位置坐标为所述边缘点在所述第二图像中的位置坐标，所述目标物体对应的第二面积为将第二图形投影到所述第一图像中后，投影在所述第一图像中的第二图形与所述第一图像中的第一图形的重合部分占所述第一图像的面积，所述第二图像为所述目标物体在所述第二图像中呈现的图形；
步骤S4：根据所述第一面积和所述第二面积，计算所述预置相机对应的当前重投影误差；
步骤S5：根据预置规则判断所述当前重投影误差是否符合要求；若符合要求，则根据所述当前重投影误差确定所述目标自动驾驶汽车对应的位姿信息；若不符合要求，则对所述位姿矩阵和每个所述边缘点对应的竖轴坐标值进行优化调整，并基于优化调整后的所述位姿矩阵和每个所述边缘点对应的竖轴坐标值回到步骤S3。
2.根据权利要求1所述的方法，其特征在于，所述步骤S3：根据位姿矩阵、所述目标相机对应的相机内参、每个所述边缘点对应的第一位置坐标、第二位置坐标和竖轴坐标值，确定所述目标物体对应的第二面积，包括：
根据所述位姿矩阵、所述目标相机对应的相机内参、每个所述边缘点对应的第二位置坐标和竖轴坐标值，确定每个所述边缘点对应的投影位置坐标，其中，各个所述边缘点对应的投影位置坐标为投影在所述第一图像中的第二图形的各个边缘点在所述第一图像中的位置坐标；
根据每个所述边缘点对应的第一位置坐标和投影位置坐标确定所述目标物体对应的第二面积。
3.根据权利要求1所述的方法，其特征在于，所述步骤S4：根据所述第一面积和所述第二面积，计算所述预置相机对应的当前重投影误差，包括：
计算所述第二面积与所述第一面积的比值；
将所述比值确定为所述预置相机对应的当前重投影误差。
4.根据权利要求1所述的方法，其特征在于，所述对所述位姿矩阵和每个所述边缘点对应的竖轴坐标值进行优化调整，包括：
根据所述位姿矩阵、所述目标相机对应的相机内参、每个所述边缘点对应的第一位置坐标、第二位置坐标和竖轴坐标值，确定优化矩阵和每个所述边缘点对应的优化值；
对所述位姿矩阵和所述优化矩阵进行求和计算，以获得第一计算结果；
将所述第一计算结果确定为优化调整后的所述位姿矩阵；
分别对每个所述边缘点对应的竖轴坐标值和优化值进行求和计算，以获得每个所述边缘点对应的第二计算结果；
将每个所述边缘点对应的第二计算结果确定为优化调整后的每个所述边缘点对应的竖轴坐标值。
5.根据权利要求1-4中任一项所述的方法，其特征在于，所述预置规则为：若历史重投影误差与所述当前重投影误差之间的差值小于或等于预设阈值时，判定所述当前重投影误差符合要求；若所述历史重投影误差与所述当前重投影误差之间的差值大于所述预设阈值时，判定所述当前重投影误差不符合要求，其中，所述历史重投影误差为上一轮计算得到的重投影误差。
6.一种确定汽车位姿信息的装置，其特征在于，所述装置应用于目标自动驾驶汽车的车载终端设备，所述装置包括：
获取单元，用于获取目标物体对应的第一图像和第二图像，其中，所述目标物体包含多个边缘点，所述第一图像为通过预置相机在第一时刻拍摄所述目标物体得到的图像，所述第二图像为通过预置相机在第二时刻拍摄所述目标物体得到的图像；
第一确定单元，用于根据每个所述边缘点对应的第一位置坐标确定所述目标物体对应的第一面积，其中，所述边缘点对应的第一位置坐标为所述边缘点在所述第一图像中的位置坐标，所述目标物体对应的第一面积为第一图形占所述第一图像的面积，所述第一图形为所述目标物体在所述第一图像中呈现的图形；
第二确定单元，用于根据位姿矩阵、所述目标相机对应的相机内参、每个所述边缘点对应的第一位置坐标、第二位置坐标和竖轴坐标值，确定所述目标物体对应的第二面积，其中，所述边缘点对应的第二位置坐标为所述边缘点在所述第二图像中的位置坐标，所述目标物体对应的第二面积为将第二图形投影到所述第一图像中后，投影在所述第一图像中的第二图形与所述第一图像中的第一图形的重合部分占所述第一图像的面积，所述第二图像为所述目标物体在所述第二图像中呈现的图形；
计算单元，用于根据所述第一面积和所述第二面积，计算所述预置相机对应的当前重投影误差；
判断单元，用于根据预置规则判断所述当前重投影误差是否符合要求；若符合要求，则根据所述当前重投影误差确定所述目标自动驾驶汽车对应的位姿信息；若不符合要求，则对所述位姿矩阵和每个所述边缘点对应的竖轴坐标值进行优化调整，并控制所述第二确定单元和所述计算单元基于优化调整后的所述位姿矩阵和每个所述边缘点对应的竖轴坐标值计算所述预置相机对应的重投影误差。
7.根据权利要求6所述的装置，其特征在于，所述第二确定单元包括：
第一确定模块，用于根据所述位姿矩阵、所述目标相机对应的相机内参、每个所述边缘点对应的第二位置坐标和竖轴坐标值，确定每个所述边缘点对应的投影位置坐标，其中，各个所述边缘点对应的投影位置坐标为投影在所述第一图像中的第二图形的各个边缘点在所述第一图像中的位置坐标；
第二确定模块，用于根据每个所述边缘点对应的第一位置坐标和投影位置坐标确定所述目标物体对应的第二面积。
8.根据权利要求6所述的装置，其特征在于，所述计算单元包括：
计算模块，用于计算所述第二面积与所述第一面积的比值；
第三确定模块，用于将所述比值确定为所述预置相机对应的当前重投影误差。
9.根据权利要求6所述的装置，其特征在于，
所述判断单元，具体用于根据所述位姿矩阵、所述目标相机对应的相机内参、每个所述边缘点对应的第一位置坐标、第二位置坐标和竖轴坐标值，确定优化矩阵和每个所述边缘点对应的优化值；对所述位姿矩阵和所述优化矩阵进行求和计算，以获得第一计算结果；将所述第一计算结果确定为优化调整后的所述位姿矩阵；分别对每个所述边缘点对应的竖轴坐标值和优化值进行求和计算，以获得每个所述边缘点对应的第二计算结果；将每个所述边缘点对应的第二计算结果确定为优化调整后的每个所述边缘点对应的竖轴坐标值。
10.根据权利要求6-9中任一项所述的装置，其特征在于，所述预置规则为：若历史重投影误差与所述当前重投影误差之间的差值小于或等于预设阈值时，判定所述当前重投影误差符合要求；若所述历史重投影误差与所述当前重投影误差之间的差值大于所述预设阈值时，判定所述当前重投影误差不符合要求，其中，所述历史重投影误差为上一轮计算得到的重投影误差。
11.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行权利要求1至5中任一项所述的确定汽车位姿信息的方法。
12.一种确定汽车位姿信息的装置，其特征在于，所述装置包括存储介质；及一个或者多个处理器，所述存储介质与所述处理器耦合，所述处理器被配置为执行所述存储介质中存储的程序指令；所述程序指令运行时执行权利要求1至5中任一项所述的确定汽车位姿信息的方法。
CN202210724561.0A 2022-06-24 2022-06-24 确定汽车位姿信息的方法及装置 Active CN115115704B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210724561.0A CN115115704B (zh) 2022-06-24 2022-06-24 确定汽车位姿信息的方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210724561.0A CN115115704B (zh) 2022-06-24 2022-06-24 确定汽车位姿信息的方法及装置

Publications (2)

Publication Number Publication Date
CN115115704A true CN115115704A (zh) 2022-09-27
CN115115704B CN115115704B (zh) 2024-07-23

Family

ID=83328977

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210724561.0A Active CN115115704B (zh) 2022-06-24 2022-06-24 确定汽车位姿信息的方法及装置

Country Status (1)

Country Link
CN (1) CN115115704B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116038701A (zh) * 2022-12-30 2023-05-02 北京中科原动力科技有限公司 一种四轴机械臂的手眼标定方法及装置

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018081008A (ja) * 2016-11-16 2018-05-24 株式会社岩根研究所 基準映像地図を用いた自己位置姿勢標定装置
US20180158205A1 (en) * 2016-12-07 2018-06-07 Electronics And Telecommunications Research Institute Apparatus and method for generating three-dimensional information
DE102018124211A1 (de) * 2017-10-06 2019-04-11 Nvidia Corporation Lernbasierte Kameraposenschätzung von Bildern einer Umgebung
CN111415387A (zh) * 2019-01-04 2020-07-14 南京人工智能高等研究院有限公司 相机位姿确定方法、装置、电子设备及存储介质
US20200394809A1 (en) * 2019-06-14 2020-12-17 Cupix, Inc. 3 Dimensional Coordinates Calculating Apparatus and 3 Dimensional Coordinates Calculating Method Using Photo Images
CN112150547A (zh) * 2019-06-28 2020-12-29 北京初速度科技有限公司 一种确定车体位姿的方法、装置及环视视觉里程计系统
CN112444242A (zh) * 2019-08-31 2021-03-05 北京地平线机器人技术研发有限公司 一种位姿优化方法及装置
CN112598731A (zh) * 2020-10-28 2021-04-02 禾多科技（北京）有限公司 车辆定位方法、装置、电子设备和计算机可读介质
WO2021184218A1 (zh) * 2020-03-17 2021-09-23 华为技术有限公司 一种相对位姿标定方法及相关装置
US20210341737A1 (en) * 2019-02-05 2021-11-04 Denso Corporation Display control device, display control method, and non-transitory tangible computer-readable medium therefor
CN113793250A (zh) * 2021-08-13 2021-12-14 北京迈格威科技有限公司 位姿评价方法、位姿确定方法、对应装置和电子设备

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018081008A (ja) * 2016-11-16 2018-05-24 株式会社岩根研究所 基準映像地図を用いた自己位置姿勢標定装置
US20180158205A1 (en) * 2016-12-07 2018-06-07 Electronics And Telecommunications Research Institute Apparatus and method for generating three-dimensional information
DE102018124211A1 (de) * 2017-10-06 2019-04-11 Nvidia Corporation Lernbasierte Kameraposenschätzung von Bildern einer Umgebung
CN111415387A (zh) * 2019-01-04 2020-07-14 南京人工智能高等研究院有限公司 相机位姿确定方法、装置、电子设备及存储介质
US20210341737A1 (en) * 2019-02-05 2021-11-04 Denso Corporation Display control device, display control method, and non-transitory tangible computer-readable medium therefor
US20200394809A1 (en) * 2019-06-14 2020-12-17 Cupix, Inc. 3 Dimensional Coordinates Calculating Apparatus and 3 Dimensional Coordinates Calculating Method Using Photo Images
CN112150547A (zh) * 2019-06-28 2020-12-29 北京初速度科技有限公司 一种确定车体位姿的方法、装置及环视视觉里程计系统
CN112444242A (zh) * 2019-08-31 2021-03-05 北京地平线机器人技术研发有限公司 一种位姿优化方法及装置
WO2021184218A1 (zh) * 2020-03-17 2021-09-23 华为技术有限公司 一种相对位姿标定方法及相关装置
CN112598731A (zh) * 2020-10-28 2021-04-02 禾多科技（北京）有限公司 车辆定位方法、装置、电子设备和计算机可读介质
CN113793250A (zh) * 2021-08-13 2021-12-14 北京迈格威科技有限公司 位姿评价方法、位姿确定方法、对应装置和电子设备

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116038701A (zh) * 2022-12-30 2023-05-02 北京中科原动力科技有限公司 一种四轴机械臂的手眼标定方法及装置
CN116038701B (zh) * 2022-12-30 2023-12-05 北京中科原动力科技有限公司 一种四轴机械臂的手眼标定方法及装置

Also Published As

Publication number Publication date
CN115115704B (zh) 2024-07-23

Similar Documents

Publication Publication Date Title
CN110119679B (zh) 物体三维信息估计方法及装置、计算机设备、存储介质
CN109683617B (zh) 一种自动驾驶方法、装置及电子设备
CN113269163B (zh) 基于鱼眼图像的立体泊车位检测方法及装置
CN114973198A (zh) 目标车辆的航向角预测方法、装置及电子设备、存储介质
CN115115704B (zh) 确定汽车位姿信息的方法及装置
CN114705121A (zh) 车辆位姿测量方法、装置及电子设备、存储介质
CN115376090A (zh) 高精地图构建方法、装置及电子设备、存储介质
CN115236689B (zh) 确定激光雷达和图像采集设备的相对位置的方法与装置
CN115291624B (zh) 一种无人机定位降落方法、存储介质和计算机设备
CN116311135A (zh) 语义信息的数据降维方法、数据降维系统及控制器
CN116148820A (zh) 一种激光雷达校准方法、计算机设备、可读存储介质及机动车
CN115031755A (zh) 自动驾驶车辆定位方法、装置及电子设备、存储介质
CN115797893A (zh) 有效行驶区域的确定方法、装置及电子设备、存储介质
CN114677448A (zh) 车载相机的外参校正方法、装置及电子设备、存储介质
CN117490710A (zh) 针对目标融合的调参方法、装置及目标融合系统
CN111985267B (zh) 多目标检测方法、装置、计算机设备、车辆和存储介质
CN115063507A (zh) 绘制虚拟车道线的方法及装置
CN112380313A (zh) 更新高精地图置信度的方法及装置
CN112556703A (zh) 更新高精地图的方法、装置及系统
CN115115687B (zh) 车道线测量方法及装置
CN112633214B (zh) 一种车辆识别方法及装置
CN116610766A (zh) 地图更新方法、装置及电子设备、计算机可读存储介质
CN118196321A (zh) 地图渲染方法、装置及电子设备、计算机可读存储介质
CN116894834A (zh) 用于景区的路侧检测方法、装置及电子设备、存储介质
CN114782447B (zh) 路面检测方法、装置、车辆、存储介质及芯片

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 314500 988 Tong Tong Road, Wu Tong Street, Tongxiang, Jiaxing, Zhejiang

Applicant after: United New Energy Automobile Co.,Ltd.

Address before: 314500 988 Tong Tong Road, Wu Tong Street, Tongxiang, Jiaxing, Zhejiang

Applicant before: Hozon New Energy Automobile Co., Ltd.

GR01 Patent grant
GR01 Patent grant