CN116152350B - 内参评估方法、装置、终端及存储介质 - Google Patents

内参评估方法、装置、终端及存储介质 Download PDF

Info

Publication number
CN116152350B
CN116152350B CN202211583391.5A CN202211583391A CN116152350B CN 116152350 B CN116152350 B CN 116152350B CN 202211583391 A CN202211583391 A CN 202211583391A CN 116152350 B CN116152350 B CN 116152350B
Authority
CN
China
Prior art keywords
dimensional
corner
straight line
error
transverse
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
Application number
CN202211583391.5A
Other languages
English (en)
Other versions
CN116152350A (zh
Inventor
崔家硕
李帅杰
孙磊
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.)
HoloMatic Technology Beijing Co Ltd
Original Assignee
HoloMatic Technology Beijing 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 HoloMatic Technology Beijing Co Ltd filed Critical HoloMatic Technology Beijing Co Ltd
Priority to CN202211583391.5A priority Critical patent/CN116152350B/zh
Publication of CN116152350A publication Critical patent/CN116152350A/zh
Application granted granted Critical
Publication of CN116152350B publication Critical patent/CN116152350B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30248—Vehicle exterior or interior
    • G06T2207/30252—Vehicle exterior; Vicinity of vehicle
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了一种内参评估方法、装置、终端及存储介质，方法包括：对畸变图像进行去畸变，得到无畸变图像；利用ChArUco角点检测算法对无畸变图像进行检测，得到无畸变图像对应的二维角点矩阵；基于二维角点矩阵，确定横向直线集合和纵向直线集合；基于横向直线集合和纵向直线集合，确定相机内参误差。本发明通过ChArUco角点检测算法来检测无畸变图像，以获取准确度高的二维角点矩阵，且通过对二维角点矩阵的进一步分析处理，从而确定相机内参误差，整个过程全自动化，效率高、速度快。

Description

内参评估方法、装置、终端及存储介质
技术领域
本申请涉及自动驾驶技术领域，具体而言，涉及一种内参评估方法、装置、终端及存储介质。
背景技术
自动驾驶中常用的计算机视觉算法，例如视觉定位、环境感知和地图重建等，依赖于准确的相机内参。在自动驾驶量产流程中，相机内参往往有摄像机供应商提供。
供应商通常以最小化“重投影”误差作为内参标定算法的寻优准则，也将其作为评估和交付标准。由于相机内参标定算法具有较强的非线性，“重投影”误差较小时的“合理”相机内参并不一定是正确的相机内参。
因此，供应商提供的内参准确性低。
发明内容
本申请的主要目的在于提供一种内参评估方法、装置、终端及存储介质，以解决相关技术中的供应商提供的内参准确性的问题。
为了实现上述目的，第一方面，本申请提供了一种内参评估方法，包括：
对畸变图像进行去畸变，得到无畸变图像；
利用ChArUco角点检测算法对无畸变图像进行检测，得到无畸变图像对应的二维角点矩阵；
基于二维角点矩阵，确定横向直线集合和纵向直线集合；
基于横向直线集合和纵向直线集合，确定相机内参误差。
在一种可能的实现方式中，对畸变图像进行去畸变，得到无畸变图像，包括：
在函数库中查找与相机内参相匹配的映射函数；
基于映射函数将畸变图像中的全部像素点进行映射，得到无畸变图像。
在一种可能的实现方式中，利用ChArUco角点检测算法对无畸变图像进行检测，得到无畸变图像对应的二维角点矩阵，包括：
利用ChArUco角点检测算法对无畸变图像进行检测，得到多个二维角点；
对多个二维角点进行排序、分组、亚像素细化，得到无畸变图像对应的二维角点矩阵。
在一种可能的实现方式中，基于二维角点矩阵，确定横向直线集合和纵向直线集合，包括：
针对二维角点矩阵中的每行角点，在每行角点中选取任意两个角点，并将任意两个角点输入预设的二维直线方程中，得到二维角点矩阵中的每行角点所对应的二维直线方程；
将全部行角点所对应的二维直线方程进行汇总，构成横向直线集合；
针对二维角点矩阵中的每列角点，在每列角点中选取任意两个角点，并将任意两个角点输入预设的二维直线方程中，得到二维角点矩阵中的每列角点所对应的二维直线方程；
将全部的列角点所对应的二维直线方程进行汇总，构成纵向直线集合。
在一种可能的实现方式中，基于横向直线集合和纵向直线集合，确定相机内参误差，包括：
基于二维角点矩阵和横向直线集合，计算横向误差；
基于二维角点矩阵和纵向直线集合，计算纵向误差；
基于横向误差和纵向误差，确定相机内参误差。
在一种可能的实现方式中，基于二维角点矩阵和横向直线集合，计算横向误差，包括：
针对二维角点矩阵中的每行角点，在横向直线集合中查找与每行角点相对应的二维直线方程；
计算每行角点与每行角点相对应的二维直线方程之间的距离，得到每行角点对应的距离；
计算全部行角点对应的距离的平均值，得到横向误差。
在一种可能的实现方式中，基于横向误差和纵向误差，确定相机内参误差，包括：
计算横向误差和纵向误差的平均值，得到相机内参误差。
第二方面，本发明实施例提供了一种内参评估装置，包括：
去畸变模块，用于对畸变图像进行去畸变，得到无畸变图像；
图像检测模块，用于利用ChArUco角点检测算法对无畸变图像进行检测，得到无畸变图像对应的二维角点矩阵；
直线集合确定模块，用于基于二维角点矩阵，确定横向直线集合和纵向直线集合；
内参评估模块，用于基于横向直线集合和纵向直线集合，确定相机内参误差。
第三方面，本发明实施例提供了一种终端，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现如上任一种内参评估方法的步骤。
第四方面，本发明实施例提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现如上任一种内参评估方法的步骤。
本发明实施例提供了一种内参评估方法、装置、终端及存储介质，包括：先对畸变图像进行去畸变，得到无畸变图像，然后利用ChArUco角点检测算法对无畸变图像进行检测，得到无畸变图像对应的二维角点矩阵，再基于二维角点矩阵，确定横向直线集合和纵向直线集合，最后基于横向直线集合和纵向直线集合，确定相机内参误差。本发明通过ChArUco角点检测算法来检测无畸变图像，以获取准确度高的二维角点矩阵，且通过对二维角点矩阵的进一步分析处理，从而确定相机内参误差，整个过程全自动化，效率高、速度快。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解，使得本申请的其它特征、目的和优点变得更明显。本申请的示意性实施例附图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是本发明实施例提供的一种内参评估方法的实现流程图；
图2是本发明实施例提供的标定板的示意图；
图3是本发明实施例提供的一种内参评估装置的结构示意图；
图4是本发明实施例提供的终端的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，都属于本发明保护的范围。
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”、“第三”“第四”等(如果存在)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。
应当理解，在本发明的各种实施例中，各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
应当理解，在本发明中，“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。
应当理解，在本发明中，“多个”是指两个或两个以上。“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，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。字符“/”一般表示前后关联对象是一种“或”的关系。“包含A、B和C”、“包含A、B、C”是指A、B、C三者都包含，“包含A、B或C”是指包含A、B、C三者之一，“包含A、B和/或C”是指包含A、B、C三者中任1个或任2个或3个。
应当理解，在本发明中，“与A对应的B”、“与A相对应的B”、“A与B相对应”或者“B与A相对应”，表示B与A相关联，根据A可以确定B。根据A确定B并不意味着仅仅根据A确定B，还可以根据A和/或其他信息确定B。A与B的匹配，是A与B的相似度大于或等于预设的阈值。
取决于语境，如在此所使用的“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。
下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
进一步地，为使本发明的目的、技术方案和优点更加清楚，下面将结合附图通过具体实施例来进行说明。
在一个实施例中，如图1所示，提供了一种内参评估方法，包括以下步骤：
步骤S101：对畸变图像进行去畸变，得到无畸变图像。
由于通过相机获取的图像为畸变图像，本申请采用映射的方式将畸变图像映射为无畸变图像。其中，映射方式主要采用映射函数的方式。
通过相机内参可在函数库中在函数库中查找与相机内参相匹配的映射函数，然后基于映射函数将畸变图像中的全部像素点进行映射，得到无畸变图像。
示例性地，设映射函数为h(.)，畸变图像中的任一个像素点为(x，y)，将畸变图像中的任一个像素点(x，y)输入映射函数为h(.)中，可得到像素点(x，y)对应的无畸变像素点(x'，y')，其中，(x'，y')＝h(x，y)。
当将畸变图像中的所有像素点通过映射函数h(.)之后，则可得的畸变图像中的所有像素点中的每个像素点对应的无畸变像素点，然后，由全部的无畸变像素点构成无畸变图像。
步骤S102：利用ChArUco角点检测算法对无畸变图像进行检测，得到无畸变图像对应的二维角点矩阵。
本申请先利用ChArUco角点检测算法对无畸变图像进行检测，得到多个二维角点，然后对多个二维角点进行排序、分组、亚像素细化，得到无畸变图像对应的二维角点矩阵。其中，多个可为大于1的任意整数，根据具体情况设定，此处不作具体限定。
示例性地，本申请采用如图2所示的ChArUco标定板进行标定，标定后得到多个二维角点，设二维角点为n个，即二维角点p1、p2、p3、p4...pn，其中，pn＝(x'，y')T，n为大于1的整数。
之后，对二维角点p1、p2、p3、p4...pn进行排序、分组、亚像素细化，得到无畸变图像对应的二维角点矩阵。其中，排序方式、分组方式包括但不限于横或纵向排序、分组。
步骤S103：基于二维角点矩阵，确定横向直线集合和纵向直线集合。
由于二维角点矩阵由n个二维角点构成，具有规律的横纵向性。因此，本申请可对二维角点矩阵中的行和列进行分割，以构成横向直线集合和纵向直线集合。
对于二维角点矩阵中的行：针对二维角点矩阵中的每行角点，在每行角点中选取任意两个角点，并将任意两个角点输入预设的二维直线方程中，得到二维角点矩阵中的每行角点所对应的二维直线方程，然后将全部的行角点所对应的二维直线方程进行汇总，构成横向直线集合。
示例性地，设预设的二维直线方程为li＝(a，b，c)，其中，a，b，c为二维直线标准方程ax+by+c＝0的系数。先选取二维角点矩阵中的第一行，设第一行为(1，2)，(3，4)，(2，2)，(1，1)，那么任一选取两个角点(3，4)和(2，2)，并将角点(3，4)和(2，2)输入li＝(a，b，c)中，则可得到第一行角点对应的二维直线方程l1，其中行也按照上述方式进行计算，可得到二维角点矩阵中的每行角点对应的二维直线方程。
然后将全部的行角点所对应的二维直线方程进行汇总，构成横向直线集合。设二维角点矩阵有4行，那么最终得到的横向直线集合可表示为(l1，l2，l3，l4)。
对于二维角点矩阵中的列：针对二维角点矩阵中的每列角点，在每列角点中选取任意两个角点，并将任意两个角点输入预设的二维直线方程中，得到二维角点矩阵中的每列角点所对应的二维直线方程，然后将全部的列角点所对应的二维直线方程进行汇总，构成纵向直线集合。
需要说明的是，纵向直线集合的计算方式与横向直线集合的计算方式类似，此处不再赘述。
步骤S104：基于横向直线集合和纵向直线集合，确定相机内参误差。
计算相机内参误差需基于二维角点矩阵和横向直线集合，计算横向误差，以及基于二维角点矩阵和纵向直线集合，计算纵向误差，然后再基于横向误差和纵向误差，确定相机内参误差。
具体的，基于二维角点矩阵和横向直线集合，计算横向误差，需要先针对二维角点矩阵中的每行角点，在横向直线集合中查找与每行角点相对应的二维直线方程，然后计算每行角点与每行角点相对应的二维直线方程之间的距离，得到每行角点对应的距离，再计算全部行角点对应的距离的平均值，得到横向误差。
示例性地，在上述实施例中得到了横向直线集合(l1，l2，l3，l4)，以及横向集合中的每个二维直线方程对应的角点。那么以二维直线方程l1为例，二维直线方程l1对应的行角点为(1，2)，(3，4)，(2，2)，(1，1)，需要计算二维直线方程l1与行角点为(1，2)，(3，4)，(2，2)，(1，1)中的每个角点间的距离，可得距离k1、k2、k3和k4，再计算k1、k2、k3和k4的平均值，此平均值即为二维直线方程l1与其对应的行角点的距离(即第一行角点对应的距离)。
依据上述方式可计算二维直线方程l2与其对应的行角点的距离、二维直线方程l3与其对应的行角点的距离，以及二维直线方程l3与其对应的行角点的距离。
当得到所有行角点对应的距离后，再求所有行角点对应的距离的平均值，即可得到横向误差。
相对应地，基于二维角点矩阵和纵向直线集合，计算纵向误差，需要先针对二维角点矩阵中的每列角点，在纵向直线集合中查找与每列角点相对应的二维直线方程，然后计算每列角点与每列角点相对应的二维直线方程之间的距离，得到每列角点对应的距离，再计算全部列角点对应的距离的平均值，得到纵向误差。
需要说明的是，计算纵向误差与计算横向误差所采用的方法类似，此处不再具体赘述。
当通过上述方式计算得出纵向误差和计算横向误差后，可基于横向误差和纵向误差，确定相机内参误差。具体的，可通过计算横向误差和纵向误差的平均值，得到相机内参误差。
本发明实施例提供了一种内参评估方法，包括：先对畸变图像进行去畸变，得到无畸变图像，然后利用ChArUco角点检测算法对无畸变图像进行检测，得到无畸变图像对应的二维角点矩阵，再基于二维角点矩阵，确定横向直线集合和纵向直线集合，最后基于横向直线集合和纵向直线集合，确定相机内参误差。本发明通过ChArUco角点检测算法来检测无畸变图像，以获取准确度高的二维角点矩阵，且通过对二维角点矩阵的进一步分析处理，从而确定相机内参误差，整个过程全自动化，效率高、速度快。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
以下为本发明的装置实施例，对于其中未详尽描述的细节，可以参考上述对应的方法实施例。
图3示出了本发明实施例提供的一种内参评估装置的结构示意图，为了便于说明，仅示出了与本发明实施例相关的部分，一种内参评估装置包括去畸变模块31、图像检测模块32、直线集合确定模块33和内参评估模块34，具体如下：
去畸变模块31，用于对畸变图像进行去畸变，得到无畸变图像；
图像检测模块32，用于利用ChArUco角点检测算法对无畸变图像进行检测，得到无畸变图像对应的二维角点矩阵；
直线集合确定模块33，用于基于二维角点矩阵，确定横向直线集合和纵向直线集合；
内参评估模块34，用于基于横向直线集合和纵向直线集合，确定相机内参误差。
在一种可能的实现方式中，去畸变模块31还用于在函数库中查找与相机内参相匹配的映射函数；基于映射函数将畸变图像中的全部像素点进行映射，得到无畸变图像。
在一种可能的实现方式中，图像检测模块32还用于利用ChArUco角点检测算法对无畸变图像进行检测，得到多个二维角点；对多个二维角点进行排序、分组、亚像素细化，得到无畸变图像对应的二维角点矩阵。
在一种可能的实现方式中，直线集合确定模块33还用于针对二维角点矩阵中的每行角点，在每行角点中选取任意两个角点，并将任意两个角点输入预设的二维直线方程中，得到二维角点矩阵中的每行角点所对应的二维直线方程；
将全部的行角点所对应的二维直线方程进行汇总，构成横向直线集合；
针对二维角点矩阵中的每列角点，在每列角点中选取任意两个角点，并将任意两个角点输入预设的二维直线方程中，得到二维角点矩阵中的每列角点所对应的二维直线方程；
将全部的列角点所对应的二维直线方程进行汇总，构成纵向直线集合。
在一种可能的实现方式中，内参评估模块34还用于基于二维角点矩阵和横向直线集合，计算横向误差；
基于二维角点矩阵和纵向直线集合，计算纵向误差；
基于横向误差和纵向误差，确定相机内参误差。
在一种可能的实现方式中，内参评估模块34还用于针对二维角点矩阵中的每行角点，在横向直线集合中查找与每行角点相对应的二维直线方程；
计算每行角点与每行角点相对应的二维直线方程之间的距离，得到每行角点对应的距离；
计算全部行角点对应的距离的平均值，得到横向误差。
在一种可能的实现方式中，内参评估模块34还用于计算横向误差和纵向误差的平均值，得到相机内参误差。
图4是本发明实施例提供的终端的示意图。如图4所示，该实施例的终端4包括：处理器41、存储器42以及存储在存储器42中并可在处理器41上运行的计算机程序43。处理器41执行计算机程序43时实现上述各个内参评估方法实施例中的步骤，例如图1所示的步骤101至步骤104。或者，处理器41执行计算机程序43时实现上述各个内参评估装置实施例中各模块/单元的功能，例如图3所示模块/单元31至34的功能。
本发明还提供一种可读存储介质，可读存储介质中存储有计算机程序，计算机程序被处理器执行时用于实现上述的各种实施方式提供的内参评估方法。
其中，可读存储介质可以是计算机存储介质，也可以是通信介质。通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。计算机存储介质可以是通用或专用计算机能够存取的任何可用介质。例如，可读存储介质耦合至处理器，从而使处理器能够从该可读存储介质读取信息，且可向该可读存储介质写入信息。当然，可读存储介质也可以是处理器的组成部分。处理器和可读存储介质可以位于专用集成电路(ApplicationSpecific Integrated Circuits，简称：ASIC)中。另外，该ASIC可以位于用户设备中。当然，处理器和可读存储介质也可以作为分立组件存在于通信设备中。可读存储介质可以是只读存储器(ROM)、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本发明还提供一种程序产品，该程序产品包括执行指令，该执行指令存储在可读存储介质中。设备的至少一个处理器可以从可读存储介质读取该执行指令，至少一个处理器执行该执行指令使得设备实施上述的各种实施方式提供的内参评估方法。
在上述设备的实施例中，应理解，处理器可以是中央处理单元(英文：CentralProcessing Unit，简称：CPU)，还可以是其他通用处理器、数字信号处理器(英文：DigitalSignal Processor，简称：DSP)、专用集成电路(英文：Application Specific IntegratedCircuit，简称：ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (8)

1.一种内参评估方法，其特征在于，包括：
对畸变图像进行去畸变，得到无畸变图像；
利用ChArUco角点检测算法对所述无畸变图像进行检测，得到所述无畸变图像对应的二维角点矩阵；
基于所述二维角点矩阵，确定横向直线集合和纵向直线集合；
基于所述横向直线集合和所述纵向直线集合，确定相机内参误差；
所述基于所述横向直线集合和所述纵向直线集合，确定相机内参误差，包括：
基于所述二维角点矩阵和所述横向直线集合，计算横向误差；
基于所述二维角点矩阵和所述纵向直线集合，计算纵向误差；
基于所述横向误差和所述纵向误差，确定所述相机内参误差；
所述基于所述二维角点矩阵和所述横向直线集合，计算横向误差，包括：
针对所述二维角点矩阵中的每行角点，在所述横向直线集合中查找与所述每行角点相对应的二维直线方程；
计算所述每行角点与所述每行角点相对应的二维直线方程之间的距离，得到所述每行角点对应的距离；
计算全部行角点对应的距离的平均值，得到所述横向误差。
2.如权利要求1所述内参评估方法，其特征在于，所述对畸变图像进行去畸变，得到无畸变图像，包括：
在函数库中查找与相机内参相匹配的映射函数；
基于所述映射函数将所述畸变图像中的全部像素点进行映射，得到所述无畸变图像。
3.如权利要求1所述内参评估方法，其特征在于，所述利用ChArUco角点检测算法对所述无畸变图像进行检测，得到所述无畸变图像对应的二维角点矩阵，包括：
利用ChArUco角点检测算法对所述无畸变图像进行检测，得到多个二维角点；
对所述多个二维角点进行排序、分组、亚像素细化，得到所述无畸变图像对应的二维角点矩阵。
4.如权利要求1所述内参评估方法，其特征在于，所述基于所述二维角点矩阵，确定横向直线集合和纵向直线集合，包括：
针对所述二维角点矩阵中的每行角点，在所述每行角点中选取任意两个角点，并将所述任意两个角点输入预设的二维直线方程中，得到所述二维角点矩阵中的每行角点所对应的二维直线方程；
将全部的行角点所对应的二维直线方程进行汇总，构成所述横向直线集合；
针对所述二维角点矩阵中的每列角点，在所述每列角点中选取任意两个角点，并将所述任意两个角点输入预设的二维直线方程中，得到所述二维角点矩阵中的每列角点所对应的二维直线方程；
将全部列角点所对应的二维直线方程进行汇总，构成所述纵向直线集合。
5.如权利要求1所述内参评估方法，其特征在于，所述基于所述横向误差和所述纵向误差，确定所述相机内参误差，包括：
计算所述横向误差和所述纵向误差的平均值，得到所述相机内参误差。
6.一种内参评估装置，其特征在于，包括：
去畸变模块，用于对畸变图像进行去畸变，得到无畸变图像；
图像检测模块，用于利用ChArUco角点检测算法对所述无畸变图像进行检测，得到所述无畸变图像对应的二维角点矩阵；
直线集合确定模块，用于基于所述二维角点矩阵，确定横向直线集合和纵向直线集合；
内参评估模块，用于基于所述横向直线集合和所述纵向直线集合，确定相机内参误差；
所述内参评估模块还用于基于所述二维角点矩阵和所述横向直线集合，计算横向误差；
基于所述二维角点矩阵和所述纵向直线集合，计算纵向误差；
基于所述横向误差和所述纵向误差，确定所述相机内参误差；
所述内参评估模块还用于针对所述二维角点矩阵中的每行角点，在所述横向直线集合中查找与所述每行角点相对应的二维直线方程；
计算所述每行角点与所述每行角点相对应的二维直线方程之间的距离，得到所述每行角点对应的距离；
计算全部行角点对应的距离的平均值，得到所述横向误差。
7.一种终端，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5中任一项所述内参评估方法的步骤。
8.一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程序，其特征在于，所述计算机程序被处理器执行所述计算机程序时实现如权利要求1至5中任一项所述内参评估方法的步骤。
CN202211583391.5A 2022-12-09 2022-12-09 内参评估方法、装置、终端及存储介质 Active CN116152350B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211583391.5A CN116152350B (zh) 2022-12-09 2022-12-09 内参评估方法、装置、终端及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211583391.5A CN116152350B (zh) 2022-12-09 2022-12-09 内参评估方法、装置、终端及存储介质

Publications (2)

Publication Number Publication Date
CN116152350A CN116152350A (zh) 2023-05-23
CN116152350B true CN116152350B (zh) 2023-12-29

Family

ID=86360983

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211583391.5A Active CN116152350B (zh) 2022-12-09 2022-12-09 内参评估方法、装置、终端及存储介质

Country Status (1)

Country Link
CN (1) CN116152350B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113284189A (zh) * 2021-05-12 2021-08-20 深圳市格灵精睿视觉有限公司 畸变参数标定方法、装置、设备及存储介质
CN114897994A (zh) * 2022-05-30 2022-08-12 平安普惠企业管理有限公司 相机多镜头动态标定方法、装置、设备和存储介质
WO2022252873A1 (zh) * 2021-05-31 2022-12-08 北京字跳网络技术有限公司 相机内参的标定验证方法、装置、设备及介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113284189A (zh) * 2021-05-12 2021-08-20 深圳市格灵精睿视觉有限公司 畸变参数标定方法、装置、设备及存储介质
WO2022252873A1 (zh) * 2021-05-31 2022-12-08 北京字跳网络技术有限公司 相机内参的标定验证方法、装置、设备及介质
CN114897994A (zh) * 2022-05-30 2022-08-12 平安普惠企业管理有限公司 相机多镜头动态标定方法、装置、设备和存储介质

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
"一种基于光流-线特征的单目视觉-惯性SLAM算法";夏琳琳 等;《中国惯性技术学报》;第28卷(第5期);全文 *
"基于偏振信息的立体视觉非接触式测量技术研究";宋瑞超;《中国优秀硕士学位论文全文数据库 信息科技辑》;全文 *
"基于广义特征点匹配的全自动图像配准";王东峰 等;《电子与信息学报》;第27卷(第7期);全文 *
"多视点校正摄像机标定算法";徐立艳 等;《信息科技》;全文 *

Also Published As

Publication number Publication date
CN116152350A (zh) 2023-05-23

Similar Documents

Publication Publication Date Title
CN110570449B (zh) 一种基于毫米波雷达与视觉slam的定位与建图方法
KR102543952B1 (ko) 차선의 확정방법, 포지셔닝 정밀도의 평가방법, 장치, 기기 및 컴퓨터 프로그램
US20220036587A1 (en) Calibration method, electronic device, and storage medium
WO2021051344A1 (zh) 高精度地图中车道线的确定方法和装置
CN112667837A (zh) 图像数据自动标注方法及装置
CN111123242B (zh) 一种基于激光雷达和相机的联合标定方法及计算机可读存储介质
CN113256729A (zh) 激光雷达与相机的外参标定方法、装置、设备及存储介质
CN112198878B (zh) 一种即时地图构建方法、装置、机器人及存储介质
CN110634137A (zh) 一种基于视觉感知的桥梁变形的监测方法、装置及设备
CN116152218A (zh) 施工质量智能检测方法及装置
CN110109165B (zh) 行驶轨迹中异常点的检测方法及装置
CN112652020A (zh) 一种基于AdaLAM算法的视觉SLAM方法
CN110838146A (zh) 一种共面交比约束的同名点匹配方法、系统、装置及介质
CN116152350B (zh) 内参评估方法、装置、终端及存储介质
CN110472085B (zh) 三维图像搜索方法、系统、计算机设备和存储介质
CN112621753A (zh) 机器人定位方法、电子设备及存储介质
CN115512343A (zh) 一种圆形指针式仪表校正和读数识别方法
CN115797616A (zh) 一种图像校正点获取方法、装置、电子设备及介质
CN111633337B (zh) 用于激光焊缝测量的消除反光方法及装置
CN111633358B (zh) 基于激光的焊缝参数测量方法及装置
CN115018922A (zh) 畸变参数标定方法、电子设备和计算机可读存储介质
CN116295466A (zh) 地图生成方法、装置、电子设备、存储介质、及车辆
CN114882058B (zh) 一种角点检测方法、装置及标定板
CN115661499B (zh) 智能驾驶预设锚框的确定装置、方法及存储介质
CN110599504B (zh) 一种图像处理方法及装置

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