CN115294234B - 图像的生成方法、装置、电子设备和存储介质 - Google Patents
图像的生成方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN115294234B CN115294234B CN202211225362.1A CN202211225362A CN115294234B CN 115294234 B CN115294234 B CN 115294234B CN 202211225362 A CN202211225362 A CN 202211225362A CN 115294234 B CN115294234 B CN 115294234B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- bird
- eye view
- view image
- parking space
- 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
- 238000000034 method Methods 0.000 title claims abstract description 43
- 235000004522 Pentaglottis sempervirens Nutrition 0.000 claims abstract description 251
- 240000004050 Pentaglottis sempervirens Species 0.000 claims abstract description 229
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000004044 response Effects 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims description 2
- 241001300198 Caperonia palustris Species 0.000 abstract description 6
- 235000000384 Veronica chamaedrys Nutrition 0.000 abstract description 6
- 238000004891 communication Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000000007 visual effect Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 4
- 230000000903 blocking effect Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000013439 planning Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000016776 visual perception Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/001—Texturing; Colouring; Generation of texture or colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Closed-Circuit Television Systems (AREA)
- Image Processing (AREA)
Abstract
本公开提供了一种图像的生成方法、装置、电子设备和存储介质,涉及自动驾驶技术领域。具体实现方案为:获取车辆当前所在环境的多个鸟瞰图像、及每个鸟瞰图像对应的车辆位姿;根据每个鸟瞰图像中每个车辆库位的位置信息和车辆位姿,计算车辆与每个鸟瞰图像中每个车辆库位间的相对角度;根据车辆与每个鸟瞰图像中每个车辆库位间的相对角度,确定每个鸟瞰图像中每个车辆库位的观测权重;根据每个车辆库位在各个鸟瞰图像中观测权重的大小顺序,确定每个车辆库位对应的参考鸟瞰图像;基于每个车辆库位对应的参考鸟瞰图像,生成每个车辆库位的库位特征图像。由此,不仅内存消耗小,而且可以在很低的资源消耗下中重建满足要求的库位,便于推广。
Description
技术领域
本公开涉及自动驾驶技术领域,尤其涉及一种图像的生成方法、装置、电子设备和存储介质。
背景技术
自动泊车是自动驾驶中必不可少的关键场景,对库位建图的精度要求非常高。自动泊车辅助系统能够通过感知和定位建立局部库位的库位特征图像,为后续泊车的规划控制提供空间信息,从而使车辆达到准确泊入库位的要求。
在传统方法中,通常在构建一个车辆库位的库位特征图像时,需要有很多帧观测和计算。而如果通过利用多帧观测图像对一个车辆库位的库位特征图像进行计算,不仅有较大的内存消耗,且非常影响整体的计算资源分配。
发明内容
本公开提供了一种用于图像的生成方法、装置、电子设备和存储介质。
根据本公开的第一方面,提供了一种图像的生成方法,包括:
获取车辆当前所在环境的多个鸟瞰图像、及每个所述鸟瞰图像对应的车辆位姿,其中,每个所述鸟瞰图像中包含至少一个车辆库位;
根据每个所述鸟瞰图像中每个车辆库位的位置信息和所述车辆位姿,计算所述车辆与每个所述鸟瞰图像中每个车辆库位间的相对角度;
根据所述车辆与每个所述鸟瞰图像中每个车辆库位间的相对角度,确定每个所述鸟瞰图像中每个车辆库位的观测权重;
根据每个车辆库位在各个鸟瞰图像中观测权重的大小顺序,确定所述每个车辆库位对应的参考鸟瞰图像;
基于每个所述车辆库位对应的参考鸟瞰图像,生成每个所述车辆库位的库位特征图像。
根据本公开的第二方面,提供了一种图像的生成装置,包括:
获取模块,用于获取车辆当前所在环境的多个鸟瞰图像、及每个所述鸟瞰图像对应的车辆位姿,其中,每个所述鸟瞰图像中包含至少一个车辆库位;
计算模块,用于根据每个所述鸟瞰图像中每个车辆库位的位置信息和所述车辆位姿,计算所述车辆与每个所述鸟瞰图像中每个车辆库位间的相对角度;
第一确定模块,用于根据所述车辆与每个所述鸟瞰图像中每个车辆库位间的相对角度,确定每个所述鸟瞰图像中每个车辆库位的观测权重;
第二确定模块,用于根据每个车辆库位在各个鸟瞰图像中观测权重的大小顺序,确定所述每个车辆库位对应的参考鸟瞰图像;
生成模块,用于基于每个所述车辆库位对应的参考鸟瞰图像,生成每个所述车辆库位的库位特征图像。
根据本公开的第三方面,提供了一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述第一方面中任一项所述的方法。
根据本公开的第四方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据上述第一方面中任一项所述的方法。
根据本公开的第五方面,提供了一种车辆,所述车辆包含如本公开的第三方面所述的电子设备。
通过本公开可以实现以下有益效果:
本公开实施例中,车机首先获取车辆当前所在环境的多个鸟瞰图像、及每个鸟瞰图像对应的车辆位姿,然后根据每个鸟瞰图像中每个车辆库位的位置信息和车辆位姿,计算车辆与每个鸟瞰图像中每个车辆库位间的相对角度,之后根据车辆与每个鸟瞰图像中每个车辆库位间的相对角度,确定每个鸟瞰图像中每个车辆库位的观测权重,然后根据每个车辆库位在各个鸟瞰图像中观测权重的大小顺序,确定每个车辆库位对应的参考鸟瞰图像,最后基于每个车辆库位对应的参考鸟瞰图像,生成每个车辆库位的库位特征图像。由此,在生成每个车辆库位的库位特征图像时,仅需从多个鸟瞰图像中选择出来的最优帧作为参考鸟瞰图像来构建库位的库位特征图像,内存的消耗和计算资源的消耗都非常少。而且由于仅需要存储每个车辆库位的参考鸟瞰图像来构建库位的库位特征图像,便于对库位的观测图像进行管理。另外,通过上述方案进行库位建图,可以在一些对计算资源管控比较严格的处理器中重建满足要求的库位,便于推广,适用性好。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是根据本公开实施例提供的一种图像的生成方法的流程图;
图2是根据本公开实施例提供的一种图像的生成方法的流程图;
图3是根据本公开实施例提供的一种车辆与车辆库位间相对角度的示意图;
图4是根据本公开实施例提供的一种图像的生成装置的结构框图;
图5是用来实现本公开实施例的图像的生成方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
下面结合参考附图描述本公开实施例的图像的生成方法、装置、电子设备和存储介质。
本公开提供的一种图像的生成方法,该方法可以由本公开提供的一种图像的生成装置执行,也可以由本公开提供的电子设备执行,其中,电子设备可以包括但不限于云端设备、移动设备、车机服务器等具有各种操作系统、触摸屏和/或显示屏的硬件设备。下面以“车机服务器”作为本公开提供的图像的生成方法的执行主体,来对本公开实施例进行说明,以下简称“车机”。
图1是根据本公开实施例提供的一种图像的生成方法的流程图。如图1所示,所述方法包括:
步骤101,获取车辆当前所在环境的多个鸟瞰图像、及每个鸟瞰图像对应的车辆位姿,其中,每个鸟瞰图像中包含至少一个车辆库位。
本公开中,鸟瞰图像(Bird’s Eye View,BEV)可以为描述车辆当前所在环境的3D视觉感知图像。
其中,车辆库位可以为用于停放车辆的库位。
需要说明的是,鸟瞰图像可以使得车机对车辆当前所在环境的道路区域中的车辆库位、路面障碍物、车道线和箭头等信息有非常清晰的视觉感知。且鸟瞰图像可以保留图像中各个物体的大小和距离,从而可以为之后计算车辆和车辆库位之间的相对角度提供有力的数据支持。
作为一种可能实现的方式,车机可以首先获取车辆上各个鱼眼相机在不同时刻所拍摄的环境图像,之后基于同一时刻各个鱼眼相机的相机外参及拍摄的环境图像,生成车辆当前所在环境的一个鸟瞰图像。
其中,车辆上的各个鱼眼相机可以是安装在车体四个方向的环视相机,比如可以在车辆的前方、后方、左方、右方分别设置鱼眼相机,从而可以从不同的角度获取车辆周围的环境图像,在此不进行限定。
其中,鱼眼相机可以为带有鱼眼镜头的相机,其视角范围比较大,因而其拍摄的图像可以观测的角度比较大。
其中,相机外参可以为相机在世界坐标系中的参数,比如相机的位置、旋转方向等。
需要说明的是,车辆在泊车过程中,车速一般较低,且行驶过程中可以不断地基于车辆上各个位置的鱼眼相机拍摄车辆四周的环境图像。举例来说,若t1、t2、t3、t4、t5为行驶过程中的5个连续时刻,则车辆可以分别基于t1时刻各个位置的鱼眼相机拍摄车辆四周的环境图像和t1时刻的相机外参,合成t1时刻对应的鸟瞰图像,在此不进行限定。
需要说明的是,任一时刻生成的鸟瞰图像和该任一时刻获取的车辆位姿可以为对应的。具体的,车机可以首先获取IMU(惯性传感器)的陀螺仪采集的数据和轮速计采集的轮速信息进行航迹推算(DR),从而可以实时获取车辆位姿。
步骤102,根据每个鸟瞰图像中每个车辆库位的位置信息和车辆位姿,计算车辆与每个鸟瞰图像中每个车辆库位间的相对角度。
需要说明的是,相对角度可以用于衡量该鸟瞰图像在用于观测车辆库位时的可利用程度。其中,若车辆库位与当前车辆车体之间的相对角度比较小,比如为0度,也即车辆正对库位,此时该鸟瞰图像提供了一种用于观测该车辆库位的最佳视角,可用性较高。
本公开中,在计算车辆与每个鸟瞰图像中每个车辆库位间的相对角度时,可以首先确定任一车辆库位对应的鱼眼相机,以及该鱼眼相机在鸟瞰图像中的位置。其中,在确定任一车辆库位对应的鱼眼相机时,可以在任一鱼眼相机拍摄的环境图像中包含该任一车辆库位的情况下,将该鱼眼相机确定为与该任一车辆库位对应的鱼眼相机。在确定鱼眼相机在任一鸟瞰图像中的位置时,车机可以根据鱼眼相机在车辆中的设置位置,以及该任一鸟瞰图像的车辆位姿(车辆在该任一鸟瞰图像中的位置和姿态),计算该任一鸟瞰图像中鱼眼相机的位置。
具体的,车机可以根据每个鸟瞰图像中每个车辆库位的位置信息,确定每个车辆库位入口位置的两个库位角点的位置信息,进而车机可以将车辆库位入口处的两个库位角点之间连线的中点确定为入口中心点,并将与该连线垂直且经过该入口中心点的直线方向确定为入口垂直方向。
其中,车机可以首先确定鸟瞰图像中任一车辆库位的入口中心点与该车辆库位对应的任一鱼眼相机位置的连线,进而可以将该连线与入口垂直方向之间的夹角作为该车辆库位对应的相对角度。
步骤103,根据车辆与每个鸟瞰图像中每个车辆库位间的相对角度,确定每个鸟瞰图像中每个车辆库位的观测权重。
其中,车辆库位的观测权重可以用于表征鸟瞰图像适合观测车辆库位的程度。可以理解的是,若观测权重越大,则说明该鸟瞰图像越适合观测车辆库位。
举例来说,当前鸟瞰图像有3个分别为a,b,c,且在鸟瞰图像a中车辆库位A的观测权重为0.8、车辆库位B的观测权重为0.2、车辆库位C的观测权重为0.2,则说明该鸟瞰图像a适合观测车辆库位A。
若在鸟瞰图像b中车辆库位A的观测权重为0.5、车辆库位B的观测权重为0.5、车辆库位C的观测权重为0.1,在鸟瞰图像c中车辆库位A的观测权重为0.3、车辆库位B的观测权重为0.25、车辆库位C的观测权重为0.9。由于0.8>0.5>0.3,因而在鸟瞰图像a,b,c中,鸟瞰图像a更适合观测车辆库位A;由于0.5>0.25>0.2,因而在鸟瞰图像a,b,c中,鸟瞰图像b更适合观测车辆库位B;由于0.9>0.2>0.1,因而在鸟瞰图像a,b,c中,鸟瞰图像c更适合观测车辆库位C。
需要说明的是,上述示例仅为一种示意性说明,对本公开不构成限定。
可选的,该装置可以将车辆与每个鸟瞰图像中每个车辆库位之间的相对角度的余弦值,确定为每个鸟瞰图像中每个车辆库位对应的观测权重。
需要说明的是,车辆与每个鸟瞰图像中每个车辆库位之间的相对角度越小,则说明观测角度越好,也即是说,当车辆库位与车辆之间的相对角度为0°时最适合观测,因而可以将相对角度的余弦值作为观测权重。也即相对角度为0°时,余弦值最大为1,相对角度为90°时,余弦值最小为0,其中,观测权重的范围为0-1。
举例来说,若在任一鸟瞰图像X中包含了车辆库位x,y,z,其中车辆与车辆库位x间的相对角度为0°,车辆与车辆库位y间的相对角度为60°,车辆与车辆库位z间的相对角度为45°,因而鸟瞰图像X中车辆库位x对应的观测权重为cos0°=1,车辆库位y对应的观测权重为cos60°=0.5,车辆库位z对应的观测权重为cos45°=0.707。
步骤104,根据每个车辆库位在各个鸟瞰图像中观测权重的大小顺序,确定每个车辆库位对应的参考鸟瞰图像。
其中,车辆库位对应的参考鸟瞰图像可以为各个鸟瞰图像中适合观测该车辆库位的最优观测图像。
可选的,车机可以将每个车辆库位对应的观测权重最大的鸟瞰图像,确定为每个车辆库位对应的参考鸟瞰图像。
举例来说,在鸟瞰图像M1车辆库位E的观测权重为0.8,在鸟瞰图像M2车辆库位E的观测权重为0.12,在鸟瞰图像M3车辆库位E的观测权重为0.69,在鸟瞰图像M4车辆库位E的观测权重为0.2,进而车机按照各个鸟瞰图像中该车辆库位E的观测权重的大小顺序,对各个鸟瞰图像进行排序,由于0.8>0.69>0.2>0.12,因而车辆库位E对应的各个鸟瞰图像的排序为M1、M3、M4、M2、可以将鸟瞰图像M1作为车辆库位E的参考鸟瞰图像。
需要说明的是,上述示例仅为一种示意性说明,对本公开不构成限定。
作为一种可能实现的方式,为了避免视角差的观测影响库位重建效果,在对任一车辆库位对应的鸟瞰图像进行排序时,可以将相对角度大于指定阈值(比如可以为60°)的鸟瞰图像进行剔除,从而可以避免库位观测的鸟瞰图像数量过多,仅保留感知效果最好的可供观测的鸟瞰图像。
步骤105,基于每个车辆库位对应的参考鸟瞰图像,生成每个车辆库位的库位特征图像。
其中,库位特征图像中可以包含库位的几何尺寸信息、坡度、类型信息、车辆停放状态、障碍物遮挡状态等等,多种特征信息,在此不进行限定。
其中,库位类型可以为UpSideNormalPS(上-直库位) 、UpSideRightSkewPS (上-右斜库位) 、UpSideLeftSkewPS (上-左斜库位) 、U p S i d e H u a Z h u a n P S(上-花砖直库位) 、D o w n S i d e N o r m a l P S (下-直库位)、DownSideLeftSkewPS (下-左斜库位)、DownSideRightSkewPS (下-右斜库位) 、DownSideHuaZhuanPS(下-花砖直库位)等等,在此不进行限定。
作为一种可能实现的方式,车机可以首先对每个车辆库位对应的参考鸟瞰图像进行识别处理,以确定每个车辆库位的几何、类型和状态,其中,状态包含车辆停放状态和障碍物遮挡状态等等,在此不进行限定。之后,车机可以根据每个车辆库位的几何位置和状态,构建每个车辆库位的库位特征图像,也即可以在任一车辆库位的库位特征图像中标注出该车辆库位的几何特征、类型特征、状态特征,等等。由此,不仅可以帮助用户感知当前车辆所在的库位环境,也可以为自动驾驶系统提供有效的空间信息,从而有利于对车辆路线进行规划,以及对泊车的控制。
作为一种可能实现的方式,车机可以将参考鸟瞰图像输入预先训练生成的神经网络模型中,以输出该参考鸟瞰图像所对应的车辆库位的车辆停放状态、障碍物遮挡状态以及库位的几何大小等等属性信息。
具体的,在确定了每个车辆库位的库位类型、车辆停放状态和障碍物遮挡状态以及几何大小和位置之后,可以构建出每个车辆库位对应的库位特征图像。
可选的,在生成每个车辆库位的库位特征图像之后,车机可以根据每个车辆库位对应的库位特征图像,生成当前车辆所在环境的库位的库位特征图像,也即可以将各个车辆库位的库位特征图像进行合成,从而生成当前车辆所在车库的整体的库位的总体库位特征图像。
需要说明的是,通过结合多个车辆库位的库位特征图像,车机可以合成一个车库区域的总体库位特征图像。由此,可以方便用户根据该总体库位特征图像了解到当前车库区域的多种空间信息,比如库位之间的相对关系,库位的大小,库位之间间距,以及库位的属性信息,也便于车机中自动驾驶系统识别车库区域全方位的库位特征信息,从而可以更精确地规划泊车路线,进而实现准确入库。
本公开实施例中,车机首先获取车辆当前所在环境的多个鸟瞰图像、及每个鸟瞰图像对应的车辆位姿,然后根据每个鸟瞰图像中每个车辆库位的位置信息和车辆位姿,计算车辆与每个鸟瞰图像中每个车辆库位间的相对角度,之后根据车辆与每个鸟瞰图像中每个车辆库位间的相对角度,确定每个鸟瞰图像中每个车辆库位的观测权重,然后根据每个车辆库位在各个鸟瞰图像中观测权重的大小顺序,确定每个车辆库位对应的参考鸟瞰图像,最后基于每个车辆库位对应的参考鸟瞰图像,生成每个车辆库位的库位特征图像。由此,在生成每个车辆库位的库位特征图像时,仅需从多个鸟瞰图像中选择出来的最优帧作为参考鸟瞰图像来构建库位的库位特征图像,内存的消耗和计算资源的消耗都非常少。而且由于仅需要存储每个车辆库位的参考鸟瞰图像来构建库位的库位特征图像,便于对库位的观测图像进行管理。另外,通过上述方案进行库位建图,可以在一些对计算资源管控比较严格的处理器中重建满足要求的库位,便于推广,适用性好。
图2是根据本公开实施例提供的一种图像的生成方法的流程图。如图2所示,所述方法包括:
步骤201,获取车辆当前所在环境的多个鸟瞰图像、及每个鸟瞰图像对应的车辆位姿,其中,每个鸟瞰图像中包含至少一个车辆库位。
需要说明的是,步骤201的具体实现方式可以参照上述实施例,在此不进行赘述。
步骤202,根据每个鸟瞰图像中任一车辆库位的位置信息,确定任一车辆库位中入口侧两个边缘点的位置。
在确定了每个鸟瞰图像中任一车辆库位的位置信息之后,车机可以对每个车辆库位进行识别,从而确定每个车辆库位的四个角对应的角点位置,进而确定任一车辆库位中入口侧两个边缘点的位置信息。
需要说明的是,每个车辆库位都有一个入口位置用于进车,本公开中,入口侧两个边缘点可以为车辆库位入口位置两个角的角点。图3示出了一种车辆与车辆库位间的相对角度的示意图,如图3所示,对于库位1,可以将点A和点B两个角点作为库位1在入口侧的两个边缘点。
步骤203,将两个边缘点之间连线的中点确定为任一车辆库位对应的入口中心位置,并将与两个边缘点之间连线垂直的方向确定为任一车辆库位对应的入口垂直方向。
举例来说,如图3所示,对于库位1,可以将点A和点B两个边缘点之间的连线的中点C作为库位1对应的入口中心位置。并将点A和点B两个边缘点之间的连线的中垂线方向CD作为库位1对应的入口垂直方向,其他库位同理,在此不进行限定。
步骤204,在车辆中任一相机拍摄的环境图像中包含任一车辆库位的情况下,确定任一相机为与任一车辆库位对应的目标相机。
举例来说,如图3所示,E为车辆中设置的鱼眼相机,其设置在车辆的左前方,由于库位1在相机E的视野范围内,因而相机E拍摄的环境图像中包含库位1,也即由此确定相机E和库位1相对应。其中,若库位2在相机E的视野范围内,则相机E拍摄的环境图像中包含库位1和库位2,此时可以认为库位1和库位2均与相机E相对应,也即可以确定相机E为库位1和库位2的目标相机。
需要说明的是,上述举例仅为一种示意性说明,对本公开不构成限定。
步骤205,根据每个鸟瞰图像对应的车辆位姿,以及目标相机在车辆中的设置位置,确定目标相机在每个鸟瞰图像中的位置。
需要说明的是,在确定了每个鸟瞰图像对应的车辆位姿之后,车机可以基于车辆在鸟瞰图像中的位置和姿态,以及目标相机在车辆中的设置位置,计算目标相机在每个鸟瞰图像中的位置。
步骤206,根据任一车辆库位对应的入口垂直方向、入口中心位置、以及目标相机在每个鸟瞰图像中的位置,计算每个鸟瞰图像中车辆与任一车辆库位间的相对角度。
具体的,车机可以根据目标相机在每个鸟瞰图像中的位置,以及入口中心位置,确定目标相机的位置和入口中心位置的连线,如图3所示,车机可以确定相机E和入口中心位置C之间的连线CE,之后,车机可以确定连线CE和入口垂直方向CD之间的夹角∠ECD,也即图3所示的∠a。进而可以将该∠a作为该鸟瞰图像中车辆与库位1的相对角度。
需要说明的是,上述步骤的示例仅为本公开的一种示意性说明,其他库位和其他鸟瞰图像可以同理确定每个鸟瞰图像中车辆与任一车辆库位间的相对角度,在此不进行限定。
步骤207,根据车辆与每个鸟瞰图像中每个车辆库位间的相对角度,确定每个鸟瞰图像中每个车辆库位的观测权重。
需要说明的是,步骤207的具体实现方式可以参照上述实施例,在此不进行赘述。
步骤208,将每个鸟瞰图像中每个车辆库位在相机坐标系下的第一位置坐标,转换为每个车辆库位在世界坐标系下的第二位置坐标。
其中,第一位置坐标可以为鸟瞰图像中的车辆库位在相机坐标系下位置坐标。需要说明的是,车机可以首先根据鸟瞰图像中各个像素点和相机内参,基于相机内参对应的相机内参转换矩阵将各个像素点转化到相机坐标系下,从而确定每个像素点对应的第一位置坐标。本公开中,可以确定各个鸟瞰图像中每个车辆库位在相机坐标系下的第一位置坐标,进而通过相机外参对应的相机外参转换矩阵,将各个第一位置坐标转换为世界坐标系下的第二位置坐标。
步骤209,根据各个鸟瞰图像中每个车辆库位在世界坐标系下的第二位置坐标,对各个鸟瞰图像中的各个车辆库位进行对齐。
其中,第二位置坐标可以为车辆库位在世界坐标系下的位置坐标。
可以理解的是,由于各个鸟瞰图像中每个车辆库位已经从相机坐标系转换到了世界坐标系下,且同一车辆库位在世界坐标系下的第二位置坐标是相同的,因而车机可以对各个鸟瞰图像中的各个车辆库位进行对齐。
举例来说,在鸟瞰图像K1中车辆库位A1对应的第一位置坐标为X1,车辆库位A2对应的第一位置坐标为X2,车辆库位A3对应的第一位置坐标为X3;在鸟瞰图像K2中车辆库位A1对应的第一位置坐标为X4,车辆库位A2对应的第一位置坐标为X5,车辆库位A3对应的第一位置坐标为X6;在鸟瞰图像K3中车辆库位A1对应的第一位置坐标为X7,车辆库位A2对应的第一位置坐标为X8,车辆库位A3对应的第一位置坐标为X9。
如上述示例所示,由于鸟瞰图像K1、K2和K3分别是不同的行驶时刻生成的,车辆的位置是变化的,因而在鸟瞰图像K1、K2和K3中,车辆库位A1、A2、A3对应的相机坐标系的第一位置坐标也是不相同的。而在将每个车辆库位在相机坐标系下的第一位置坐标均转换为世界坐标系下的第二位置坐标之后,同一车辆库位的世界坐标是相同的,因而第二位置坐标相同。因而,车辆库位A1在鸟瞰图像K1中的第一位置坐标为X1、在鸟瞰图像K2中的第一位置坐标为X4、在鸟瞰图像K3中的第一位置坐标为X7,均可以转化为同一第二位置坐标,也即世界坐标系下的坐标。由此,车机可以对各个鸟瞰图像中的各个车辆库位进行对齐。
需要说明的是,上述示例仅为本公开的一种示意性说明,对本公开不构成限定。
步骤210,响应于各个车辆库位已完成对齐,根据每个车辆库位在各个鸟瞰图像中的观测权重的大小,对每个车辆库位对应的鸟瞰图像进行排序。
需要说明的是,在各个鸟瞰图像中的各个车辆库位已经对齐之后,车机即可确定各个鸟瞰图像中相同的车辆库位,进而可以确定同一车辆库位在各个鸟瞰图像中的所在位置,以及对应的观测权重。进而,在确定了同一车辆库位在各个鸟瞰图像中的观测权重之后,即可根据该同一车辆库位在各个鸟瞰图像中的观测权重的大小,对各个鸟瞰图像进行排序。
举例来说,在鸟瞰图像M1车辆库位E的观测权重为0.8,在鸟瞰图像M2车辆库位E的观测权重为0.12,在鸟瞰图像M3车辆库位E的观测权重为0.69,在鸟瞰图像M4车辆库位E的观测权重为0.2,进而车机按照各个鸟瞰图像中该车辆库位E的观测权重的大小顺序,对各个鸟瞰图像进行排序,由于0.8>0.69>0.2>0.12,因而车辆库位E对应的各个鸟瞰图像的排序为M1、M3、M4、M2。
需要说明的是,上述示例仅为一种示意性说明,对本公开不构成限定。
步骤211,根据每个车辆库位在各个鸟瞰图像中观测权重的大小顺序,确定每个车辆库位对应的参考鸟瞰图像。
步骤212,基于每个车辆库位对应的参考鸟瞰图像,生成每个车辆库位的库位特征图像。
需要说明的是,步骤211、212的具体实现方式可以参照上述实施例,在此不进行赘述。
本公开实施例中,首先获取车辆当前所在环境的多个鸟瞰图像、及每个鸟瞰图像对应的车辆位姿,之后根据每个所述鸟瞰图像中任一车辆库位的位置信息,确定所述任一车辆库位中入口侧两个边缘点的位置,然后将所述两个边缘点之间连线的中点确定为所述任一车辆库位对应的入口中心位置,并将与所述两个边缘点之间连线垂直的方向确定为所述任一车辆库位对应的入口垂直方向,之后在所述车辆中任一相机拍摄的环境图像中包含所述任一车辆库位的情况下,确定所述任一相机为与所述任一车辆库位对应的目标相机,然后根据每个所述鸟瞰图像对应的车辆位姿,以及所述目标相机在所述车辆中的设置位置,确定所述目标相机在每个所述鸟瞰图像中的位置,之后根据所述任一车辆库位对应的所述入口垂直方向、所述入口中心位置、以及所述目标相机在每个所述鸟瞰图像中的位置,计算每个所述鸟瞰图像中所述车辆与所述任一车辆库位间的相对角度,然后根据车辆与每个鸟瞰图像中每个车辆库位间的相对角度,确定每个鸟瞰图像中每个车辆库位的观测权重,之后将每个所述鸟瞰图像中每个车辆库位在相机坐标系下的第一位置坐标,转换为所述每个车辆库位在世界坐标系下的第二位置坐标,然后根据各个所述鸟瞰图像中每个车辆库位在世界坐标系下的第二位置坐标,对各个所述鸟瞰图像中的各个车辆库位进行对齐,之后响应于所述各个车辆库位已完成对齐,根据每个车辆库位在各个所述鸟瞰图像中的观测权重的大小,对每个车辆库位对应的鸟瞰图像进行排序,然后根据每个车辆库位在各个鸟瞰图像中观测权重的大小顺序,确定每个车辆库位对应的参考鸟瞰图像,最后基于每个车辆库位对应的参考鸟瞰图像,生成每个车辆库位的库位特征图像。由此,可以找到用于观测车辆库位的最佳视角,进而基于该最佳视角对应的最优帧,也即参考鸟瞰图像来进行库位建图,降低了内存消耗和计算资源消耗,由于在构建每个车辆库位的库位特征图像时,仅需使用最佳视角的一个鸟瞰图像,可以避免对相机的内外参进行高精度的标定,降低了相机内外参的标定要求。
图4是本公开一实施例提出的图像的生成装置的结构框图。
如图4所示,该图像的生成装置,包括获取模块410、计算模块420、第一确定模块430、第二确定模块440和生成模块450。
其中,获取模块410,用于获取车辆当前所在环境的多个鸟瞰图像、及每个所述鸟瞰图像对应的车辆位姿,其中,每个所述鸟瞰图像中包含至少一个车辆库位;
计算模块420,用于根据每个所述鸟瞰图像中每个车辆库位的位置信息和所述车辆位姿,计算所述车辆与每个所述鸟瞰图像中每个车辆库位间的相对角度;
第一确定模块430,用于根据所述车辆与每个所述鸟瞰图像中每个车辆库位间的相对角度,确定每个所述鸟瞰图像中每个车辆库位的观测权重;
第二确定模块440,用于根据每个车辆库位在各个鸟瞰图像中观测权重的大小顺序,确定所述每个车辆库位对应的参考鸟瞰图像;
生成模块450,用于基于每个所述车辆库位对应的参考鸟瞰图像,生成每个所述车辆库位的库位特征图像。
可选的,所述获取模块,具体用于:
获取车辆上各个鱼眼相机在不同时刻所拍摄的环境图像;
基于同一时刻各个所述鱼眼相机的相机外参及拍摄的环境图像,生成所述车辆当前所在环境的一个鸟瞰图像。
可选的,所述计算模块,具体用于:
根据每个所述鸟瞰图像中任一车辆库位的位置信息,确定所述任一车辆库位中入口侧两个边缘点的位置;
将所述两个边缘点之间连线的中点确定为所述任一车辆库位对应的入口中心位置,并将与所述两个边缘点之间连线垂直的方向确定为所述任一车辆库位对应的入口垂直方向;
在所述车辆中任一相机拍摄的环境图像中包含所述任一车辆库位的情况下,确定所述任一相机为与所述任一车辆库位对应的目标相机;
根据每个所述鸟瞰图像对应的车辆位姿,以及所述目标相机在所述车辆中的设置位置,确定所述目标相机在每个所述鸟瞰图像中的位置;
根据所述任一车辆库位对应的所述入口垂直方向、所述入口中心位置、以及所述目标相机在每个所述鸟瞰图像中的位置,计算每个所述鸟瞰图像中所述车辆与所述任一车辆库位间的相对角度。
可选的,所述第一确定模块,具体用于:
将所述车辆与每个所述鸟瞰图像中每个车辆库位之间的相对角度的余弦值,确定为每个所述鸟瞰图像中每个车辆库位对应的观测权重。
可选的,所述计算模块,还用于:
将每个所述鸟瞰图像中每个车辆库位在相机坐标系下的第一位置坐标,转换为所述每个车辆库位在世界坐标系下的第二位置坐标;
根据各个所述鸟瞰图像中每个车辆库位在世界坐标系下的第二位置坐标,对各个所述鸟瞰图像中的各个车辆库位进行对齐;
响应于所述各个车辆库位已完成对齐,根据每个车辆库位在各个所述鸟瞰图像中的观测权重的大小,对每个车辆库位对应的鸟瞰图像进行排序。本公开实施例中,车机首先获取车辆当前所在环境的多个鸟瞰图像、及每个鸟瞰图像对应的车辆位姿,然后根据每个鸟瞰图像中每个车辆库位的位置信息和车辆位姿,计算车辆与每个鸟瞰图像中每个车辆库位间的相对角度,之后根据车辆与每个鸟瞰图像中每个车辆库位间的相对角度,确定每个鸟瞰图像中每个车辆库位的观测权重,然后根据每个车辆库位在各个鸟瞰图像中观测权重的大小顺序,确定每个车辆库位对应的参考鸟瞰图像,最后基于每个车辆库位对应的参考鸟瞰图像,生成每个车辆库位的库位特征图像。由此,在生成每个车辆库位的库位特征图像时,仅需从多个鸟瞰图像中选择出来的最优帧作为参考鸟瞰图像来构建库位的库位特征图像,内存的消耗和计算资源的消耗都非常少。而且由于仅需要存储每个车辆库位的参考鸟瞰图像来构建库位的库位特征图像,便于对库位的观测图像进行管理。另外,通过上述方案进行库位建图,可以在一些对计算资源管控比较严格的处理器中重建满足要求的库位,便于推广,适用性好。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图5示出了可以用来实施本公开的实施例的示例电子设备500的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图5所示,设备500包括计算单元501,其可以根据存储在只读存储器(ROM)502中的计算机程序或者从存储单元508加载到随机访问存储器(RAM)503中的计算机程序,来执行各种适当的动作和处理。在随机访问存储器503中,还可存储设备500操作所需的各种程序和数据。计算单元501、只读存储器502以及随机访问存储器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。
设备500中的多个部件连接至输入/输出接口505,包括:输入单元506,例如键盘、鼠标等;输出单元507,例如各种类型的显示器、扬声器等;存储单元508,例如磁盘、光盘等;以及通信单元509,例如网卡、调制解调器、无线通信收发机等。通信单元509允许设备500通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元501可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元501的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元501执行上文所描述的各个方法和处理,例如所述图像的生成方法。例如,在一些实施例中,所述图像的生成方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元508。在一些实施例中,计算机程序的部分或者全部可以经由只读存储器502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序加载到随机访问存储器503并由计算单元501执行时,可以执行上文描述的所述图像的生成方法的一个或多个步骤。备选地,在其他实施例中,计算单元501可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行所述图像的生成方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列、专用集成电路、专用标准产品、芯片上系统的系统、负载可编程逻辑设备、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器、只读存储器、可擦除可编程只读存储器、光纤、便捷式紧凑盘只读存储器、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,阴极射线管或者液晶显示器监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、互联网和区块链网络。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务("Virtual Private Server",或简称 "VPS")中,存在的管理难度大,业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (13)
1.一种图像的生成方法,其特征在于,包括:
获取车辆当前所在环境的多个鸟瞰图像、及每个所述鸟瞰图像对应的车辆位姿,其中,每个所述鸟瞰图像中包含至少一个车辆库位;
根据每个所述鸟瞰图像中每个车辆库位的位置信息和所述车辆位姿,计算所述车辆与每个所述鸟瞰图像中每个车辆库位间的相对角度;
根据所述车辆与每个所述鸟瞰图像中每个车辆库位间的相对角度,确定每个所述鸟瞰图像中每个车辆库位的观测权重,所述观测权重表征所述鸟瞰图像适合观测所述车辆库位的程度;
将每个所述车辆库位对应的观测权重最大的鸟瞰图像,确定为每个所述车辆库位对应的参考鸟瞰图像;
基于每个所述车辆库位对应的参考鸟瞰图像,生成每个所述车辆库位的库位特征图像。
2.根据权利要求1所述的方法,其特征在于,所述获取车辆当前所在环境的多个鸟瞰图像,包括:
获取车辆上各个鱼眼相机在不同时刻所拍摄的环境图像;
基于同一时刻各个所述鱼眼相机的相机外参及拍摄的环境图像,生成所述车辆当前所在环境的一个鸟瞰图像。
3.根据权利要求1所述的方法,其特征在于,所述根据每个所述鸟瞰图像中每个车辆库位的位置信息和所述车辆位姿,计算所述车辆与每个所述鸟瞰图像中每个车辆库位间的相对角度,包括:
根据每个所述鸟瞰图像中任一车辆库位的位置信息,确定所述任一车辆库位中入口侧两个边缘点的位置;
将所述两个边缘点之间连线的中点确定为所述任一车辆库位对应的入口中心位置,并将与所述两个边缘点之间连线垂直的方向确定为所述任一车辆库位对应的入口垂直方向;
在所述车辆中任一相机拍摄的环境图像中包含所述任一车辆库位的情况下,确定所述任一相机为与所述任一车辆库位对应的目标相机;
根据每个所述鸟瞰图像对应的车辆位姿,以及所述目标相机在所述车辆中的设置位置,确定所述目标相机在每个所述鸟瞰图像中的位置;
根据所述任一车辆库位对应的所述入口垂直方向、所述入口中心位置、以及所述目标相机在每个所述鸟瞰图像中的位置,计算每个所述鸟瞰图像中所述车辆与所述任一车辆库位间的相对角度。
4.根据权利要求1所述的方法,其特征在于,所述根据所述车辆与每个所述鸟瞰图像中每个车辆库位间的相对角度,确定每个所述鸟瞰图像中每个车辆库位的观测权重,包括:
将所述车辆与每个所述鸟瞰图像中每个车辆库位之间的相对角度的余弦值,确定为每个所述鸟瞰图像中每个车辆库位对应的观测权重。
5.根据权利要求1所述的方法,其特征在于,在所述计算所述车辆与每个所述鸟瞰图像中每个车辆库位间的相对角度之后,还包括:
将每个所述鸟瞰图像中每个车辆库位在相机坐标系下的第一位置坐标,转换为所述每个车辆库位在世界坐标系下的第二位置坐标;
根据各个所述鸟瞰图像中每个车辆库位在世界坐标系下的第二位置坐标,对各个所述鸟瞰图像中的各个车辆库位进行对齐;
响应于所述各个车辆库位已完成对齐,根据每个车辆库位在各个所述鸟瞰图像中的观测权重的大小,对每个车辆库位对应的鸟瞰图像进行排序。
6.一种图像的生成装置,其特征在于,包括:
获取模块,用于获取车辆当前所在环境的多个鸟瞰图像、及每个所述鸟瞰图像对应的车辆位姿,其中,每个所述鸟瞰图像中包含至少一个车辆库位;
计算模块,用于根据每个所述鸟瞰图像中每个车辆库位的位置信息和所述车辆位姿,计算所述车辆与每个所述鸟瞰图像中每个车辆库位间的相对角度;
第一确定模块,用于根据所述车辆与每个所述鸟瞰图像中每个车辆库位间的相对角度,确定每个所述鸟瞰图像中每个车辆库位的观测权重,所述观测权重表征所述鸟瞰图像适合观测所述车辆库位的程度;
第二确定模块,用于将每个所述车辆库位对应的观测权重最大的鸟瞰图像,确定为每个所述车辆库位对应的参考鸟瞰图像;
生成模块,用于基于每个所述车辆库位对应的参考鸟瞰图像,生成每个所述车辆库位的库位特征图像。
7.根据权利要求6所述的装置,其特征在于,所述获取模块,具体用于:
获取车辆上各个鱼眼相机在不同时刻所拍摄的环境图像;
基于同一时刻各个所述鱼眼相机的相机外参及拍摄的环境图像,生成所述车辆当前所在环境的一个鸟瞰图像。
8.根据权利要求6所述的装置,其特征在于,所述计算模块,具体用于:
根据每个所述鸟瞰图像中任一车辆库位的位置信息,确定所述任一车辆库位中入口侧两个边缘点的位置;
将所述两个边缘点之间连线的中点确定为所述任一车辆库位对应的入口中心位置,并将与所述两个边缘点之间连线垂直的方向确定为所述任一车辆库位对应的入口垂直方向;
在所述车辆中任一相机拍摄的环境图像中包含所述任一车辆库位的情况下,确定所述任一相机为与所述任一车辆库位对应的目标相机;
根据每个所述鸟瞰图像对应的车辆位姿,以及所述目标相机在所述车辆中的设置位置,确定所述目标相机在每个所述鸟瞰图像中的位置;
根据所述任一车辆库位对应的所述入口垂直方向、所述入口中心位置、以及所述目标相机在每个所述鸟瞰图像中的位置,计算每个所述鸟瞰图像中所述车辆与所述任一车辆库位间的相对角度。
9.根据权利要求6所述的装置,其特征在于,所述第一确定模块,具体用于:
将所述车辆与每个所述鸟瞰图像中每个车辆库位之间的相对角度的余弦值,确定为每个所述鸟瞰图像中每个车辆库位对应的观测权重。
10.根据权利要求6所述的装置,其特征在于,所述计算模块,还用于:
将每个所述鸟瞰图像中每个车辆库位在相机坐标系下的第一位置坐标,转换为所述每个车辆库位在世界坐标系下的第二位置坐标;
根据各个所述鸟瞰图像中每个车辆库位在世界坐标系下的第二位置坐标,对各个所述鸟瞰图像中的各个车辆库位进行对齐;
响应于所述各个车辆库位已完成对齐,根据每个车辆库位在各个所述鸟瞰图像中的观测权重的大小,对每个车辆库位对应的鸟瞰图像进行排序。
11.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-5中任一项所述的方法。
12.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-5中任一项所述的方法。
13.一种车辆,其特征在于,所述车辆包含权利要求11所述的电子设备。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211225362.1A CN115294234B (zh) | 2022-10-09 | 2022-10-09 | 图像的生成方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211225362.1A CN115294234B (zh) | 2022-10-09 | 2022-10-09 | 图像的生成方法、装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115294234A CN115294234A (zh) | 2022-11-04 |
CN115294234B true CN115294234B (zh) | 2023-03-24 |
Family
ID=83833975
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211225362.1A Active CN115294234B (zh) | 2022-10-09 | 2022-10-09 | 图像的生成方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115294234B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112907648A (zh) * | 2021-02-05 | 2021-06-04 | 上海欧菲智能车联科技有限公司 | 库位角点检测方法、装置、终端设备及车辆 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101215563B1 (ko) * | 2012-10-24 | 2013-01-21 | 주식회사 세코닉스 | 영상 자동보정 기능을 구비하는 버드 뷰 영상 생성장치 및 방법 |
CN105894448B (zh) * | 2015-11-06 | 2019-08-20 | 法法汽车(中国)有限公司 | 蒙板矩阵的生成方法、泊车图像的合成方法及装置 |
EP3494447B1 (en) * | 2016-08-04 | 2021-05-19 | Reification Inc. | Methods for simultaneous localization and mapping (slam) and related apparatus and systems |
CN112298168B (zh) * | 2020-11-06 | 2022-04-22 | 北京罗克维尔斯科技有限公司 | 一种车位检测方法及装置、自动泊车方法及装置 |
CN114663529B (zh) * | 2022-03-22 | 2023-08-01 | 阿波罗智能技术(北京)有限公司 | 一种外参确定方法、装置、电子设备及存储介质 |
-
2022
- 2022-10-09 CN CN202211225362.1A patent/CN115294234B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112907648A (zh) * | 2021-02-05 | 2021-06-04 | 上海欧菲智能车联科技有限公司 | 库位角点检测方法、装置、终端设备及车辆 |
Also Published As
Publication number | Publication date |
---|---|
CN115294234A (zh) | 2022-11-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110322500B (zh) | 即时定位与地图构建的优化方法及装置、介质和电子设备 | |
CN108318043A (zh) | 用于更新电子地图的方法、装置和计算机可读存储介质 | |
EP3968266B1 (en) | Obstacle three-dimensional position acquisition method and apparatus for roadside computing device | |
CN113377888B (zh) | 训练目标检测模型和检测目标的方法 | |
CN110349212B (zh) | 即时定位与地图构建的优化方法及装置、介质和电子设备 | |
CN111721281B (zh) | 位置识别方法、装置和电子设备 | |
CN113483774B (zh) | 导航方法、装置、电子设备及可读存储介质 | |
CN115578433B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN115719436A (zh) | 模型训练方法、目标检测方法、装置、设备以及存储介质 | |
CN112184914A (zh) | 目标对象三维位置的确定方法、装置和路侧设备 | |
CN112241718A (zh) | 车辆信息的检测方法、检测模型的训练方法和装置 | |
CN113378605B (zh) | 多源信息融合方法及装置、电子设备和存储介质 | |
CN114663529B (zh) | 一种外参确定方法、装置、电子设备及存储介质 | |
CN112509126A (zh) | 三维物体检测的方法、装置、设备及存储介质 | |
CN114140759A (zh) | 高精地图车道线位置确定方法、装置及自动驾驶车辆 | |
CN113610702B (zh) | 一种建图方法、装置、电子设备及存储介质 | |
CN113932796A (zh) | 高精地图车道线生成方法、装置和电子设备 | |
CN113483771A (zh) | 实景地图的生成方法、装置及系统 | |
CN115880555B (zh) | 目标检测方法、模型训练方法、装置、设备及介质 | |
CN117315372A (zh) | 一种基于特征增强的三维感知方法 | |
CN115578432B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN111612851A (zh) | 用于标定相机的方法、装置、设备以及存储介质 | |
CN115294234B (zh) | 图像的生成方法、装置、电子设备和存储介质 | |
CN114266876B (zh) | 定位方法、视觉地图的生成方法及其装置 | |
CN116642490A (zh) | 基于混合地图的视觉定位导航方法、机器人及存储介质 |
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 |