CN115908581A - 一种车载相机俯仰角标定方法、装置、设备及存储介质 - Google Patents
一种车载相机俯仰角标定方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115908581A CN115908581A CN202211423872.XA CN202211423872A CN115908581A CN 115908581 A CN115908581 A CN 115908581A CN 202211423872 A CN202211423872 A CN 202211423872A CN 115908581 A CN115908581 A CN 115908581A
- Authority
- CN
- China
- Prior art keywords
- pitch angle
- vanishing point
- vehicle
- image
- mounted camera
- 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 68
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 46
- 238000001514 detection method Methods 0.000 claims abstract description 43
- 230000008859 change Effects 0.000 claims abstract description 38
- 239000013598 vector Substances 0.000 claims description 95
- 239000011159 matrix material Substances 0.000 claims description 53
- 238000004590 computer program Methods 0.000 claims description 16
- 238000000605 extraction Methods 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 abstract description 17
- 230000003068 static effect Effects 0.000 abstract description 8
- 238000005259 measurement Methods 0.000 abstract description 7
- 230000000875 corresponding effect Effects 0.000 description 29
- 238000010586 diagram Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 6
- 230000008034 disappearance Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000004438 eyesight Effects 0.000 description 1
- 239000011521 glass Substances 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
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008447 perception 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
- 230000009466 transformation Effects 0.000 description 1
- 230000016776 visual perception Effects 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种车载相机俯仰角标定方法、装置、设备及存储介质。包括：获取车载相机动态采集的原始图像以及静态标定的初始俯仰角；将原始图像输入消失点检测算法模型获取消失点坐标，并根据消失点坐标生成俯仰角变化值；根据俯仰角变化值对初始俯仰角进行更新获取动态标定的更新俯仰角，并采用更新俯仰角对车载相机进行标定。通过将车载相机动态采集的原始图像输入消失点检测算法模型获取消失点坐标，利用消失点检测算法，提高了标定的准确性，根据消失点坐标可以计算出俯仰角变化值，并更新静态标定的初始俯仰角获取动态标定的更新俯仰角，最后通过更新俯仰角完成对车载相机的标定，不需要人工进行测量，即可以完成车辆行驶过程中的自动标定。
Description
技术领域
本发明涉及相机标定技术领域，尤其涉及一种车载相机俯仰角标定方法、装置、设备及存储介质。
背景技术
在自动驾驶车辆的传感器中，前置摄像头作为主要的视觉传感器发挥着重要的感知作用，在复杂的路面环境下，由于道路存在上下坡度和行车过程中常常出现的颠簸，相机的静态标定参数往往与实时的相机外参存在误差，相机外参与相机安装在车辆上的位姿相关，而俯仰角是相机位姿的一个重要参数，因此有必要对前置相机的俯仰角进行动态标定。
现有技术中是基于一组水平平行线标定相机俯仰角，现有技术的标定算法需要测量两条参考线间的实际距离，增加了人为工作量，无法做到车辆行驶过程中的自动标定，并且人工测量易产生测量误差，进而造成俯仰角标定不准确。
发明内容
本发明提供了一种车载相机俯仰角标定方法、装置、设备及存储介质，以实现对车载相机的俯仰角进行动态标定。
根据本发明的一方面，提供了一种车载相机俯仰角标定方法，该方法包括：
获取车载相机动态采集的原始图像以及静态标定的初始俯仰角；
将原始图像输入消失点检测算法模型获取消失点坐标，并根据消失点坐标生成俯仰角变化值；
根据俯仰角变化值对初始俯仰角进行更新获取动态标定的更新俯仰角，并采用更新俯仰角对车载相机进行标定。
可选的，将原始图像输入消失点检测算法模型获取消失点坐标，包括：将原始图像进行切分生成图像切片，其中，各图像切片具有图像编号，图像编号对应图像切片在原始图像的位置；通过消失点检测算法模型计算各图像切片投射后的嵌入向量，确定嵌入向量对应的图像编号，其中，消失点检测算法模型中包括线性投射层模块、自注意力编码器模块和多层感知机模块；根据图像编号对各嵌入向量进行拼接，生成拼接矩阵；根据拼接矩阵获取可学习向量，将拼接矩阵和可学习向量进行拼接生成学习矩阵，其中，可学习向量和拼接矩阵维度相同；通过消失点检测算法模型根据学习矩阵生成消失点坐标。
可选的，通过消失点检测算法模型计算各图像切片投射后的嵌入向量，包括：获取各图像切片对应的初始向量；将各初始向量依次输入线性投射层模块，获得嵌入向量，其中，线性投射层包含初始向量和嵌入向量的第一对应关系。
可选的，通过消失点检测算法模型根据学习矩阵生成消失点坐标，包括：将学习矩阵输入自注意力编码器模块，获取自注意力编码器模块输出的图像特征，其中，自注意力编码器模块中包括学习矩阵对应的图像特征提取方式；将图像特征输入多层感知机模块，获取多层感知机模块输出的与图像特征匹配的消失向量，其中，多层感知机模块包括图像特征和消失向量的第二对应关系；根据消失向量生成消失点坐标。
可选的，在将图像特征输入多层感知机模块之前，还包括：获取图像特征样本集，其中，图像特征样本集中包含各图像特征样本及其对应的消失向量；对各图像特征样本和消失向量的第二对应关系进行深度学习，以建立多层感知机模块。
可选的，根据消失点坐标生成俯仰角变化值，包括：获取原始图像的中心坐标和相机焦距，计算消失点坐标与中心坐标的纵坐标差值；根据纵坐标差值和相机焦距确定俯仰角变化值。
可选的，在根据俯仰角变化值对初始俯仰角进行更新获取动态的更新俯仰角之后，还包括：获取车载相机的初始相机外参，根据更新俯仰角和初始相机外参计算最终相机外参；根据最终相机外参对车载相机进行标定。
根据本发明的另一方面，提供了一种车载相机俯仰角标定装置，该装置包括：
原始图像及初始俯仰角获取模块，用于获取车载相机动态采集的原始图像以及静态标定的初始俯仰角；
俯仰角变化值生成模块，用于将原始图像输入消失点检测算法模型获取消失点坐标，并根据消失点坐标生成俯仰角变化值；
车载相机标定模块，用于根据俯仰角变化值对初始俯仰角进行更新获取动态的更新俯仰角，并采用更新俯仰角对车载相机进行标定。
根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：
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计算机程序，所述计算机程序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本发明任一实施例所述的一种车载相机俯仰角标定方法。
根据本发明的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的一种车载相机俯仰角标定方法。
本发明实施例的技术方案，通过将车载相机动态采集的原始图像输入消失点检测算法模型获取消失点坐标，利用消失点检测算法，提高了标定的准确性，根据消失点坐标可以计算出俯仰角变化值，并更新静态标定的初始俯仰角获取动态标定的更新俯仰角，最后通过更新俯仰角完成对车载相机的标定，不需要人工进行测量，即可以完成车辆行驶过程中的自动标定。
应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明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
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是根据本发明实施例一提供的一种车载相机俯仰角标定方法的流程图；
图2是根据本发明实施例一提供的另一种车载相机俯仰角标定方法的流程图；
图3是根据本发明实施例一提供的一种原始图像切分过程示意图；
图4是根据本发明实施例一提供的一种自注意力编码器模块的编码器结构示意图；
图5是根据本发明实施例二提供的另一种车载相机俯仰角标定方法的流程图；
图6是根据本发明实施例三提供的一种车载相机俯仰角标定装置的结构示意图；
图7是实现本发明实施例的一种车载相机俯仰角标定方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本发明实施例一提供了一种车载相机俯仰角标定方法的流程图，本实施例可适用于对车载相机的俯仰角进行动态标定，该方法可以由车载相机俯仰角标定装置来执行，该车载相机俯仰角标定装置可以采用硬件和/或软件的形式实现，该车载相机俯仰角标定装置可配置于计算机中。如图1所示，该方法包括：
S110、获取车载相机动态采集的原始图像以及静态标定的初始俯仰角。
其中，车载相机是指设置在车辆上，用于拍摄车辆周围图像的设备，车载相机可以置于车辆的前方，例如，车头位置，用于采集得到车辆行驶方向上的前方路面的图像；或者车载相机可以置于车辆的后放，例如，车尾位置，用于采集得到车辆行驶方向的相反方向上的前方路面的图像。动态采集是指车载相机在车辆的行驶过程中实时进行拍摄，原始图像是指车辆行驶过程中车载相机拍摄的图像，原始图像可以是红绿蓝(Red Green Blue，RGB)格式。俯仰角是指车载相机的光轴与水平面的夹角。初始俯仰角是指车载相机静态标定的俯仰角，静态标定是指在车辆静止时对车辆进行的标定，但在复杂的路面环境下，由于道路存在上下坡度和行车过程中常常出现的颠簸，相机的静态标定参数往往与动态实时标定的参数存在差异，而如果车载相机的俯仰角确定不准确，那么车载相机拍摄的视频图像的处理结果会存在误差，这会影响驾驶系统对道路上车辆状态的估计，例如车辆距离的估计等，从而影响驾驶系统的决策，进而影响车辆的正常行驶。故控制器会依靠获取的车载相机动态采集的原始图像及静态标定的初始俯仰角对车载相机进行动态标定。
S120、将原始图像输入消失点检测算法模型获取消失点坐标，并根据消失点坐标生成俯仰角变化值。
其中，消失点是指道路的消失点，即两条道路的平行线相交于一点的位置，消失点坐标是指该位置的坐标，消失点检测算法模型中包括线性投射层模块、自注意力编码器模块和多层感知机模块，线性投射层模块是对输入的向量进行线性投射输出嵌入向量的模块，自注意力编码器模块是基于自注意力极值的视觉转换transformer编码器搭建网络模型并提取图像特征的模块，多层感知机模块是根据输入的图像特征生成消失点坐标的模块。
图2为本发明实施例一提供了一种车载相机俯仰角标定方法的流程图，步骤S120主要包括如下的步骤S121至步骤S127：
S121、将原始图像进行切分生成图像切片。
具体的，控制器会将原始图像进行切分，生成多个等大的图片块作为图像切片，图像切片具有图像编号，图像编号对应图像切片在原始图像的位置。图3是一种原始图像切分过程示意图，图3中，左边的方形为切分之前的原始图像，右边为将原始图像切分后生成的9个图片块，数字1-9为各图像切片的编号，对应图像切片在原始图像的位置。
S122、通过消失点检测算法模型计算各图像切片投射后的嵌入向量，确定嵌入向量对应的图像编号。
可选的，通过消失点检测算法模型计算各图像切片投射后的嵌入向量，包括：获取各图像切片对应的初始向量；将各初始向量依次输入线性投射层模块，获得嵌入向量，其中，线性投射层包含初始向量和嵌入向量的第一对应关系。
具体的，控制器会通过消失点检测算法模型计算各图像切片投射后的嵌入向量，控制器会将各图像切片展开成1维向量以生成各图像切片对应的初始向量，初始向量用seq1表示，seq1＝N*L，N代表图像编号，L代表长度，L＝3*Hp*Wp，Hp代表每一个图像切片的像素高速，Wp代表每一个图像切片的像素宽度，然后按照图像编号的顺序依次将各初始向量输入线性投射层模块，即可获得经过投射的嵌入向量，嵌入向量用seq2表示，seq2＝seq1*E，E表示位于线性投射层模块中的可学习参数矩阵,且seq1∈RN×L,E∈RL×D,seq2∈RN ×D。
S123、根据图像编号对各嵌入向量进行拼接，生成拼接矩阵。
具体的，可以按照图像编号的顺序对各嵌入向量进行拼接，以生成拼接矩阵，图像编号用Pn表示，拼接矩阵用seq3表示，即seq3＝{[P1,seq21],[P2,seq22],…,[PN,seq2N]},seq2n∈RD,Pn∈R1,seq3∈RN×(D+1),n＝1…N。
S124、根据拼接矩阵获取可学习向量，将拼接矩阵和可学习向量进行拼接生成学习矩阵。
具体的，可以根据拼接矩阵seq3获取可学习向量，可学习向量和拼接矩阵维度相同，即可学习向量为(D+1)维向量vt；并将拼接矩阵与可学习向量进行拼接生成学习矩阵seq4，seq4＝[vt,seq3]，vt∈RD+1,seq4∈R(N+1)×(D+1)。
S125、通过消失点检测算法模型根据学习矩阵生成消失点坐标。
可选的，通过消失点检测算法模型根据学习矩阵生成消失点坐标，包括：将学习矩阵输入自注意力编码器模块，获取自注意力编码器模块输出的图像特征，其中，自注意力编码器模块中包括学习矩阵对应的图像特征提取方式；将图像特征输入多层感知机模块，获取多层感知机模块输出的与图像特征匹配的消失向量，其中，多层感知机模块包括图像特征和消失向量的第二对应关系；根据消失向量生成消失点坐标。
具体的，将拼接后的学习矩阵输入至自注意力编码器模块，由于自注意力编码器模块中包括学习矩阵对应的图像特征提取方式，所以通过自注意力编码器模块可以输出图像特征seq5，seq5∈R(N+1)×(D+1)。图4为本实施例提供的一种自注意力编码器模块的编码器结构示意图，图4中，seq4为输入的学习矩阵，seq5为输出的图像特征，编码器中包括归一化层、多头注意力层、归一化层和多层感知机。
进一步的，将图像特征输入多层感知机模块，由于多层感知机模块包括图像特征和消失向量的第二对应关系，所以可以到获取多层感知机模块输出的与图像特征匹配的消失向量，由于多层感知机模块输出的向量是有形状的，例如2*n，即可将向量坐标化以生成消失点坐标。
可选的，在将图像特征输入多层感知机模块之前，还包括：获取图像特征样本集，其中，图像特征样本集中包含各图像特征样本及其对应的消失向量；对各图像特征样本和消失向量的第二对应关系进行深度学习，以建立多层感知机模块。
具体的，多层感知机模块是训练好的神经网络结构，控制器会获取图像特征样本，并获取用户标注的各图像特征样本的消失向量，用户是指进行车载相机标定的工作人员或技术人员，多层感知机会对各图像特征样本和消失向量的第二对应关系进行深度学习，多层感知机内部的参数在每一次学习的时候都可以根据当前损失的梯度去进行下一步更新，以生成最终的多层感知机模块。
S126、获取原始图像的中心坐标和相机焦距，计算消失点坐标与中心坐标的纵坐标差值。
具体的，中心坐标是指静态下位于图像正中心的坐标，因为静态下道路的消失点位于图像的正中心，即图像的宽度为w个像素，高度为h个像素时，中心坐标为
消失点坐标可以用(vx,vy)表示，消失点坐标与中心坐标的纵坐标差值为道路消失点在图像竖直方向上的变化，即消失点坐标与中心坐标的纵坐标差值
S127、根据纵坐标差值和相机焦距确定俯仰角变化值。
具体的，可以根据消失点坐标与中心坐标的纵坐标差值和相机焦距确定俯仰角变化值，即采用如下公式(1)表示俯仰角变化值：
其中，Δpitch表示俯仰角变化值，f表示相机焦距，Δv表示消失点坐标与中心坐标的纵坐标差值。
S130、根据俯仰角变化值对初始俯仰角进行更新获取动态标定的更新俯仰角，并采用更新俯仰角对车载相机进行标定。
具体的，可以将俯仰角变化值和初始俯仰角相加作为动态标定的更新俯仰角，更新俯仰角即为车载相机最终的俯仰角标定结果，通过更新俯仰角对车载相机进行标定，可以避免在颠簸情况下车载相机采集的图像出现位置偏差。
本发明实施例的技术方案，通过将车载相机动态采集的原始图像输入消失点检测算法模型获取消失点坐标，利用消失点检测算法，提高了标定的准确性，根据消失点坐标可以计算出俯仰角变化值，并更新静态标定的初始俯仰角获取动态标定的更新俯仰角，最后通过更新俯仰角完成对车载相机的标定，不需要人工进行测量，即可以完成车辆行驶过程中的自动标定。
实施例二
图5为本发明实施例二提供的一种车载相机俯仰角标定方法的流程图，本实施例在上述实施例一的基础上增加了计算最终相机外参的过程。其中，步骤S210-S230的具体内容与实施例一中的步骤S110-S130大致相同，因此本实施方式中不再进行赘述。如图5所示，该方法包括：
S210、获取车载相机动态采集的原始图像以及静态标定的初始俯仰角。
S220、将原始图像输入消失点检测算法模型获取消失点坐标，并根据消失点坐标生成俯仰角变化值。
可选的，将原始图像输入消失点检测算法模型获取消失点坐标，包括：将原始图像进行切分生成图像切片，其中，各图像切片具有图像编号，图像编号对应图像切片在原始图像的位置；通过消失点检测算法模型计算各图像切片投射后的嵌入向量，确定嵌入向量对应的图像编号，其中，消失点检测算法模型中包括线性投射层模块、自注意力编码器模块和多层感知机模块；根据图像编号对各嵌入向量进行拼接，生成拼接矩阵；根据拼接矩阵获取可学习向量，将拼接矩阵和可学习向量进行拼接生成学习矩阵，其中，可学习向量和拼接矩阵维度相同；通过消失点检测算法模型根据学习矩阵生成消失点坐标。
S230、根据俯仰角变化值对初始俯仰角进行更新获取动态标定的更新俯仰角，并采用更新俯仰角对车载相机进行标定。
S240、获取车载相机的初始相机外参，根据更新俯仰角和初始相机外参计算最终相机外参。
其中，相机外参是指车载相机在世界坐标系中的参数，比如相机的位置、旋转方向等，相比于不变的内参，外参会随着相机运动发生改变。初始相机外参是指静态标定的车载相机外参，标定时可以使用棋盘格粘贴在平面上作为标定物，通过调整标定物或摄像机的方向，为标定物拍摄一些不同方向的照片，通过角点提取算法提取棋盘格角点，估算理想无畸变的情况下的外参。相机外参与相机安装在车辆上的位姿相关，而俯仰角是相机位姿的一个重要参数，所以获取更新俯仰角后，可以根据更新俯仰角和初始相机外参的几何关系，计算出最终相机外参。
S250、根据最终相机外参对车载相机进行标定。
具体的，在复杂的路面环境下，由于道路存在上下坡度和行车过程中常常出现的颠簸，相机的静态标定参数往往与实时的相机外参存在误差，导致图像与三维空间的投影关系发生变化，造成二位图像上的视觉感知结果投影到三维空间中发生位置偏差，影响下游技术栈的正常工作和准确判断，不利于自动驾驶的行车安全性，因此对相机的外参进行动态标定，获得较为准确的实时相机外参，对于自动驾驶技术来说是非常有必要的。所以根据更新俯仰角和初始相机外参计算出最终相机外参后，最终相机外参即为车载相机最终外参标定结果。
本发明实施例的技术方案，通过将车载相机动态采集的原始图像输入消失点检测算法模型获取消失点坐标，利用消失点检测算法，提高了标定的准确性，根据消失点坐标可以计算出俯仰角变化值，并更新静态标定的初始俯仰角获取动态标定的更新俯仰角，最后通过更新俯仰角完成对车载相机的标定，不需要人工进行测量，即可以完成车辆行驶过程中的自动标定。
实施例三
图6为本发明实施例三提供的一种车载相机俯仰角标定装置的结构示意图。如图6所示，该装置包括：原始图像及初始俯仰角获取模块310，用于获取车载相机动态采集的原始图像以及静态标定的初始俯仰角；俯仰角变化值生成模块320，用于将原始图像输入消失点检测算法模型获取消失点坐标，并根据消失点坐标生成俯仰角变化值；车载相机标定模块330，用于根据俯仰角变化值对初始俯仰角进行更新获取动态的更新俯仰角，并采用更新俯仰角对车载相机进行标定。
可选的，俯仰角变化值生成模块320，具体包括：图像切片生成单元，用于将原始图像进行切分生成图像切片，其中，各图像切片具有图像编号，图像编号对应图像切片在原始图像的位置；嵌入向量计算单元，用于通过消失点检测算法模型计算各图像切片投射后的嵌入向量，确定嵌入向量对应的图像编号，其中，消失点检测算法模型中包括线性投射层模块、自注意力编码器模块和多层感知机模块；拼接矩阵生成单元，用于根据图像编号对各嵌入向量进行拼接，生成拼接矩阵；学习矩阵生成单元，用于根据拼接矩阵获取可学习向量，将拼接矩阵和可学习向量进行拼接生成学习矩阵，其中，可学习向量和拼接矩阵维度相同；消失点坐标生成单元，用于通过消失点检测算法模型根据学习矩阵生成消失点坐标。
可选的，嵌入向量计算单元，具体用于：获取各图像切片对应的初始向量；将各初始向量依次输入线性投射层模块，获得嵌入向量，其中，线性投射层包含初始向量和嵌入向量的第一对应关系。
可选的，消失点坐标生成单元，具体用于：将学习矩阵输入自注意力编码器模块，获取自注意力编码器模块输出的图像特征，其中，自注意力编码器模块中包括学习矩阵对应的图像特征提取方式；将图像特征输入多层感知机模块，获取多层感知机模块输出的与图像特征匹配的消失向量，其中，多层感知机模块包括图像特征和消失向量的第二对应关系；根据消失向量生成消失点坐标。
可选的，消失点坐标生成单元，具体用于：在将图像特征输入多层感知机模块之前，获取图像特征样本集，其中，图像特征样本集中包含各图像特征样本及其对应的消失向量；对各图像特征样本和消失向量的第二对应关系进行深度学习，以建立多层感知机模块。
可选的，俯仰角变化值生成模块320，还包括：俯仰角变化值确定单元，用于获取原始图像的中心坐标和相机焦距，计算消失点坐标与中心坐标的纵坐标差值；根据纵坐标差值和相机焦距确定俯仰角变化值。
可选的，车载相机俯仰角标定装置还包括：最终相机外参标定模块，用于获取车载相机的初始相机外参，根据更新俯仰角和初始相机外参计算最终相机外参；根据最终相机外参对车载相机进行标定。
本发明实施例的技术方案，通过将车载相机动态采集的原始图像输入消失点检测算法模型获取消失点坐标，利用消失点检测算法，提高了标定的准确性，根据消失点坐标可以计算出俯仰角变化值，并更新静态标定的初始俯仰角获取动态标定的更新俯仰角，并且可以根据更新俯仰角对初始相机外参进行更新，最后通过最终相机外参和更新俯仰角完成车载相机的标定，不需要人工进行测量，即可以完成车辆行驶过程中的自动标定。
本发明实施例所提供的一种车载相机俯仰角标定装置可执行本发明任意实施例所提供的一种车载相机俯仰角标定方法，具备执行方法相应的功能模块和有益效果。
实施例四
图7示出了可以用来实施本发明的实施例的电子设备10的结构示意图。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(如头盔、眼镜、手表等)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/或者要求的本发明的实现。
如图7所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10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。
处理器11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。处理器11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处理器、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。处理器11执行上文所描述的各个方法和处理，例如一种车载相机俯仰角标定方法。
在一些实施例中，一种车载相机俯仰角标定方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的一种车载相机俯仰角标定方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行一种车载相机俯仰角标定方法。
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(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、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。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序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，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序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。
在本发明的上下文中，计算机可读存储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计算机程序。计算机可读存储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。备选地，计算机可读存储介质可以是机器可读信号介质。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(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、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，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(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电子设备。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)、区块链网络和互联网。
计算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服务中，存在的管理难度大，业务扩展性弱的缺陷。
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，本发明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，只要能够实现本发明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，并不构成对本发明保护范围的限制。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。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。
Claims (10)
1.一种车载相机俯仰角标定方法，其特征在于，包括：
获取车载相机动态采集的原始图像以及静态标定的初始俯仰角；
将所述原始图像输入消失点检测算法模型获取消失点坐标，并根据所述消失点坐标生成俯仰角变化值；
根据所述俯仰角变化值对所述初始俯仰角进行更新获取动态标定的更新俯仰角，并采用所述更新俯仰角对所述车载相机进行标定。
2.根据权利要求1所述的方法，其特征在于，所述将所述原始图像输入消失点检测算法模型获取消失点坐标，包括：
将所述原始图像进行切分生成图像切片，其中，各所述图像切片具有图像编号，所述图像编号对应所述图像切片在所述原始图像的位置；
通过所述消失点检测算法模型计算各所述图像切片投射后的嵌入向量，确定所述嵌入向量对应的图像编号，其中，所述消失点检测算法模型中包括线性投射层模块、自注意力编码器模块和多层感知机模块；
根据所述图像编号对各所述嵌入向量进行拼接，生成拼接矩阵；
根据所述拼接矩阵获取可学习向量，将所述拼接矩阵和所述可学习向量进行拼接生成学习矩阵，其中，所述可学习向量和所述拼接矩阵维度相同；
通过所述消失点检测算法模型根据所述学习矩阵生成所述消失点坐标。
3.根据权利要求2所述的方法，其特征在于，所述通过所述消失点检测算法模型计算各所述图像切片投射后的嵌入向量，包括：
获取各所述图像切片对应的初始向量；
将各所述初始向量依次输入线性投射层模块，获得所述嵌入向量，其中，所述线性投射层包含所述初始向量和所述嵌入向量的第一对应关系。
4.根据权利要求2所述的方法，其特征在于，所述通过所述消失点检测算法模型根据所述学习矩阵生成所述消失点坐标，包括：
将所述学习矩阵输入自注意力编码器模块，获取所述自注意力编码器模块输出的图像特征，其中，所述自注意力编码器模块中包括所述学习矩阵对应的图像特征提取方式；
将所述图像特征输入多层感知机模块，获取所述多层感知机模块输出的与所述图像特征匹配的消失向量，其中，所述多层感知机模块包括图像特征和消失向量的第二对应关系；
根据所述消失向量生成所述消失点坐标。
5.根据权利要求4所述的方法，其特征在于，在所述将所述图像特征输入多层感知机模块之前，还包括：
获取图像特征样本集，其中，所述图像特征样本集中包含各图像特征样本及其对应的消失向量；
对各所述图像特征样本和所述消失向量的第二对应关系进行深度学习，以建立所述多层感知机模块。
6.根据权利要求1所述的方法，其特征在于，所述根据所述消失点坐标生成俯仰角变化值，包括：
获取所述原始图像的中心坐标和相机焦距，计算所述消失点坐标与所述中心坐标的纵坐标差值；
根据所述纵坐标差值和所述相机焦距确定所述俯仰角变化值。
7.根据权利要求1所述的方法，其特征在于，在所述根据所述俯仰角变化值对所述初始俯仰角进行更新获取动态的更新俯仰角之后，还包括：
获取所述车载相机的初始相机外参，根据所述更新俯仰角和所述初始相机外参计算最终相机外参；
根据所述最终相机外参对所述车载相机进行标定。
8.一种车载相机俯仰角标定装置，其特征在于，包括：
原始图像及初始俯仰角获取模块，用于获取车载相机动态采集的原始图像以及静态标定的初始俯仰角；
俯仰角变化值生成模块，用于将所述原始图像输入消失点检测算法模型获取消失点坐标，并根据所述消失点坐标生成俯仰角变化值；
车载相机标定模块，用于根据所述俯仰角变化值对所述初始俯仰角进行更新获取动态的更新俯仰角，并采用所述更新俯仰角对所述车载相机进行标定。
9.一种电子设备，其特征在于，所述电子设备包括：
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计算机程序，所述计算机程序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1-7中任一项所述的方法。
10.一种计算机存储介质，其特征在于，所述计算机存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211423872.XA CN115908581A (zh) | 2022-11-14 | 2022-11-14 | 一种车载相机俯仰角标定方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211423872.XA CN115908581A (zh) | 2022-11-14 | 2022-11-14 | 一种车载相机俯仰角标定方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115908581A true CN115908581A (zh) | 2023-04-04 |
Family
ID=86473892
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211423872.XA Pending CN115908581A (zh) | 2022-11-14 | 2022-11-14 | 一种车载相机俯仰角标定方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115908581A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116612459A (zh) * | 2023-07-18 | 2023-08-18 | 小米汽车科技有限公司 | 目标检测方法、装置、电子设备及存储介质 |
-
2022
- 2022-11-14 CN CN202211423872.XA patent/CN115908581A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116612459A (zh) * | 2023-07-18 | 2023-08-18 | 小米汽车科技有限公司 | 目标检测方法、装置、电子设备及存储介质 |
| CN116612459B (zh) * | 2023-07-18 | 2023-11-17 | 小米汽车科技有限公司 | 目标检测方法、装置、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112966587B (zh) | 目标检测模型的训练方法、目标检测方法及相关设备 | |
| 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 | |
| CN110988849A (zh) | 雷达系统的标定方法、装置、电子设备及存储介质 | |
| CN114323033A (zh) | 基于车道线和特征点的定位方法、设备及自动驾驶车辆 | |
| CN114217665A (zh) | 一种相机和激光雷达时间同步方法、装置及存储介质 | |
| CN112907557A (zh) | 道路检测方法、装置、计算设备及存储介质 | |
| CN113436233A (zh) | 自动驾驶车辆的配准方法、装置、电子设备和车辆 | |
| CN115908581A (zh) | 一种车载相机俯仰角标定方法、装置、设备及存储介质 | |
| CN113554712B (zh) | 自动驾驶车辆的配准方法、装置、电子设备和车辆 | |
| CN114266879A (zh) | 三维数据增强、模型训练检测方法、设备及自动驾驶车辆 | |
| CN117745845A (zh) | 一种外参信息确定方法、装置、设备和存储介质 | |
| CN115900697B (zh) | 对象运动轨迹信息处理方法、电子设备以及自动驾驶车辆 | |
| CN114612544B (zh) | 图像处理方法、装置、设备和存储介质 | |
| CN114299192B (zh) | 定位建图的方法、装置、设备和介质 | |
| CN116129422A (zh) | 单目3d目标检测方法、装置、电子设备和存储介质 | |
| CN115984241A (zh) | 涂胶检测方法、装置、电子设备及存储介质 | |
| CN115773759A (zh) | 自主移动机器人的室内定位方法、装置、设备及存储介质 | |
| CN113344977B (zh) | 一种基于图像处理的触头压力测量模型构建方法 | |
| CN115100296A (zh) | 一种光伏组件故障定位方法、装置、设备及存储介质 | |
| CN115265472A (zh) | 路面沉降测量方法、装置、设备以及介质 | |
| CN114972511A (zh) | 标定物位姿的确定方法、装置、电子设备及存储介质 | |
| CN113901903A (zh) | 道路识别方法和装置 | |
| CN117351450B (zh) | 一种单目3d检测方法、装置、电子设备及存储介质 | |
| CN113658277B (zh) | 立体匹配方法、模型训练方法、相关装置及电子设备 | |
| CN114565681B (zh) | 一种相机标定方法、装置、设备、介质及产品 |
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 |