CN117523007A - 一种车载摄像头的静态标定方法、装置、车辆及存储介质 - Google Patents
一种车载摄像头的静态标定方法、装置、车辆及存储介质 Download PDFInfo
- Publication number
- CN117523007A CN117523007A CN202311716875.7A CN202311716875A CN117523007A CN 117523007 A CN117523007 A CN 117523007A CN 202311716875 A CN202311716875 A CN 202311716875A CN 117523007 A CN117523007 A CN 117523007A
- Authority
- CN
- China
- Prior art keywords
- camera
- parameters
- calibration
- internal
- initial value
- 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 73
- 230000003068 static effect Effects 0.000 title claims abstract description 39
- 238000010845 search algorithm Methods 0.000 claims abstract description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 41
- 238000001514 detection method Methods 0.000 claims description 18
- 238000003384 imaging method Methods 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 description 17
- 238000010586 diagram Methods 0.000 description 7
- 230000003044 adaptive effect Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 239000013598 vector Substances 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Studio Devices (AREA)
Abstract
本申请涉及汽车技术领域，具体为一种车载摄像头的静态标定方法、装置、车辆及存储介质，该方法包括：步骤1：基于张氏标定法对摄像头进行标定，得到所述摄像头对应的内参数初始值和外参数初始值；步骤2：计算所述摄像头的畸变参数；步骤3：基于自适应大邻域搜索算法对所述内参数初始值和所述外参数初始值进行优化，得到目标内参数和目标外参数；步骤4：根据优化后的内参数和外参数以及所述畸变参数，对所述摄像头进行标定。本专利在张氏标定法的基础上，结合自适应大邻域搜索算法对摄像头的初始解进行迭代取优，从而提高摄像头标定的准确度，降低重投影误差。
Description
技术领域
本发明涉及汽车技术领域，特别涉及一种车载摄像头的静态标定方法、装置、车辆及存储介质。
背景技术
在辅助驾驶高度发展的今天，车载摄像头成为了辅助驾驶功能里不可或缺的传感器。例如安装在前风挡玻璃后的前视摄像头，其需要感知各种规格的车辆、车道线、交通标识以及障碍物。光学摄像头在成像过程中会产生畸变以及像素点与实际物点的偏移，这些畸变参数、转角度数以及偏移量都需要通过标定来计算，一幅图像的输入受到这些变量的影响，因此摄像头的标定不可或缺。
其中，车载摄像头的标定是实现辅助驾驶、智能驾驶的重要前提，需要通过标定来确定摄像头在整车上的安装位置误差、零件本身的公差、以及车身姿态对摄像头视野域的影响，在标定得出摄像头外参后可以判定摄像头在整车坐标系下的偏航角、俯仰角以及翻转角是否在合理偏差区间。
发明内容
有鉴于此，本发明目的是为了提供一种车载摄像头的静态标定方法、装置、车辆及存储介质，用于提高车载摄像头的标定精度。
为解决上述技术问题，本发明采用下述技术方案：
第一方面，本申请提供一种车载摄像头的静态标定方法，该方法包括：步骤1：基于张氏标定法对摄像头进行标定，得到摄像头对应的内参数初始值和外参数初始值；步骤2：计算摄像头的畸变参数；步骤3：基于自适应大邻域搜索算法对内参数初始值和外参数初始值进行优化，得到目标内参数和目标外参数；步骤4：根据优化后的内参数和外参数以及畸变参数，对摄像头进行标定。
进一步的，步骤1具体包括：步骤1-1：获取摄像头拍摄的多个不同角度的标定板图像，标定板由二维黑白方格组成；步骤1-2：基于角点检测算法对标定板图像处理，得到标定板图像中各角点在世界坐标系和像素坐标系的坐标；步骤1-3：将角点在世界坐标系和像素坐标系的坐标输入至无畸变的成像模型中，得到摄像头的内参数初始值和外参数初始值。
进一步的，角点检测算法为Harris角点检测算法。
进一步的，步骤2具体包括：步骤2-1：获取摄像头的镜头规格；步骤2-2：将镜头规格输入至畸变公式中，得到摄像头的畸变参数。
进一步的，畸变公式为径向畸变公式。
进一步的，步骤3具体包括：步骤3-1：根据自适应大邻域搜索算法对内参数初始值和外参数初始值进行迭代；步骤3-2：基于投影误差问题，判断迭代后的内参数和外参数是否符合预设要求：若是，则确定迭代后的内参数和外参数分别为目标内参数和目标外参数；若否，则重复步骤3-1。
第二方面，本申请提供一种车载摄像头的静态标定装置，该装置包括：第一标定模块，用于基于张氏标定法对摄像头进行标定，得到摄像头对应的内参数初始值和外参数初始值；计算模块，用于计算摄像头的畸变参数；优化模块，用于基于自适应大邻域搜索算法对内参数初始值和外参数初始值进行优化，得到目标内参数和目标外参数；第二标定模块，用于根据优化后的内参数和外参数以及畸变参数，对摄像头进行标定。
第三方面，本申请提供一种车辆，该车辆包括上文第二方面的静态标定装置。
第四方面，本申请提供一种电子设备，包括存储器、处理器及存储在存储器上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述第一方面的静态标定方法的步骤。
第五方面，本申请提供一种存储有计算机可读指令的非易失性可读存储介质，计算机可读指令被处理器执行时，使得处理器执行如上述第一方面实施的静态标定方法。
由上述技术方案可知，本发明提出的车载摄像头的静态标定方法、装置、车辆及存储介质的优点和积极效果在于：
本专利在张氏标定法的基础上进行优化，取三张不同角度下拍摄的标定板图片进行角点识别，根据角点在世界坐标以及像素坐标系下的位置对应关系确定摄像头的初始内外参数，在初始解上针对摄像头外参进行邻域搜索动作，经过迭代后的摄像头参数即为算法得出的解。因此该方法使用张氏标定法得出初始解而后通过自适应大邻域搜索算法对初始解进行迭代取优。在三组不同大小的棋盘格标定案例下，对比仅使用张氏标定法的方法，本申请提供的方法有83.3％的概率获取重投影误差更小的标定结果。
附图说明
本发明的以上内容以及下面的具体实施方式在结合附图阅读时会得到更好的理解。需要说明的是，附图仅作为所请求保护的技术方案的示例。
图1是本发明一实施例提供的静态标定方法的流程图；
图2是本发明一实施例提供的二维黑白方格的示意图；
图3是本发明一实施例提供的内参矩阵和外参矩阵的示意图；
图4是本发明一实施例提供的静态标定方法的架构图；
图5是本发明一实施例提供的静态标定方法的应用场景的示意图；
图6是本发明一实施例提供的检测角点的结果示意图；
图7是本发明一实施例提供的车辆四轮外圈的输入示意图；
图8是本发明一实施例提供的静态标定装置的结构框图。
其中，附图标记说明如下：
静态标定装置800；
第一标定模块810；
计算模块820；
优化模块830；
第二标定模块840。
具体实施方式
以下在具体实施方式中详细叙述本发明的详细特征以及优点，其内容足以使任何本领域技术人员了解本发明的技术内容并据以实施，且根据本说明书所揭露的说明书、权利要求及附图，本领域技术人员可轻易地理解本发明相关的目的及优点。
应注意的是，在本说明书中，相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
在本实施例的描述中，需要说明的是，术语“上”、“下”、“内”、“底”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明的实施方式作进一步地详细描述。
请参照图1所示，在本申请一实施例提供一种车载摄像头的静态标定方法，该方法可以包括以下步骤：
步骤1：基于张氏标定法对摄像头进行标定，得到摄像头对应的内参数初始值和外参数初始值。
步骤2：计算摄像头的畸变参数。
步骤3：基于自适应大邻域搜索算法对内参数初始值和外参数初始值进行优化，得到目标内参数和目标外参数。
步骤4：根据优化后的内参数和外参数以及畸变参数，对摄像头进行标定。
可以理解，常用的静态标定办法主要有Tsai两步法以及张氏标定法。其中，张氏标定法不需要高精度的标定物、成本较低、鲁棒性高、泛用性较好。这也是本申请以张氏标定法作为基底的原因。
一实施例中，步骤1具体可以包括：步骤1-1：获取摄像头拍摄的多个不同角度的标定板图像，标定板由二维黑白方格组成。步骤1-2：基于角点检测算法对标定板图像处理，得到标定板图像中各角点在世界坐标系和像素坐标系的坐标。步骤1-3：将角点在世界坐标系和像素坐标系的坐标输入至无畸变的成像模型中，得到摄像头的内参数初始值和外参数初始值。
请参照图2，张氏标定法一般是用二维黑白方格组成的标定板进行标定，采集不同摄像头位姿下所拍摄的标定板图片，提取图片中角点的像素坐标，通过标定板上角点的三维世界坐标以及二维像素坐标从而计算出摄像头的内外参数初始值，接着使用非线性最小二乘法估计畸变参数，最后使用极大似然估计法优化参数。
具体地，可以从不同角度拍摄标定板照片，通过角点检测算法确定角点在世界坐标系和像素坐标系下的坐标位置，将角点坐标作为输入，通过张氏标定法计算得出摄像头初始内外参。
进一步地，在摄像头成像系统中，从三维物体点变为二维像素点主要经过三次变换，如图3，涉及四大坐标系：参照物的世界坐标系、摄像头坐标系、图像坐标系、像素坐标系。
一张标定板上有若干角点，假设世界坐标系(U，V，W)，将棋盘格平面作为世界坐标系的(U，V)平面，股棋盘格上任意点的物理坐标W＝0，由于棋盘格上每个格子的大小已知，因此可以得出每个角点在世界坐标系下的物理坐标(U，V，W＝0)。通过角点识别算法得出各角点在像素坐标系下的二维坐标(u，v)。
无畸变的成像模型可以化为下式。其中f为焦距，θ为感光芯片横向与纵向单元的夹角，R1，R2为旋转矩阵R的前两列，T为平移向量。
设A(R1，R2，T)＝H，由于尺寸因子Z的引入，可令矩阵H中任意一个元素为1，因此，式(2)有8个独立未知元素，由式(2)可推得/> 因此，仅需要4个角点的世界坐标以及像素坐标即可求得单应性矩阵H。
由A(R1，R2，T)＝H，H＝[H1 H2 H3]可得R1＝A-1H1，R2＝A-1H2，又因旋转矩阵R中的三列向量均存在两两正交关系，且都为单位向量，故 因此每张标定图片可得出两个求解等式记A-TA-1＝B，亦可得矩阵/>为对称阵。一张图片对应了一个单应性矩阵H，为求解矩阵B内的6个未知元素需要三张标定图片。至此摄像头内外参已有初始值。
一实施例中，角点检测算法可以为Harris角点检测算法。
一实施例中，步骤2具体可以包括：步骤2-1：获取摄像头的镜头规格。步骤2-2：将镜头规格输入至畸变公式中，得到摄像头的畸变参数。
在张氏标定法中优选地，考虑对成像影响较大的径向畸变，如下式。
其中，(x，y)，分别为理想的无畸变图像坐标以及畸变后的图像坐标，根据图二中仿射变换矩阵，以及常规图像传感器横纵向像素单元夹角θ＝90°，由此得出：
将上式代入畸变公式(3)、(4)可得：
最后，通过最小二乘法可得出
可以理解，由于张氏标定法不需要三维标定物且其鲁棒性较好，故静态标定办法优选的可以采用该法来获取摄像头的初始参数。由于标定板平面被固定于世界坐标系x-y平面上，故标定板中角点的世界坐标已知，再通过识别算法来获取标定板中角点在成像平面的像素坐标，由此摄像头模型的输入就已确定，根据多组标定板图片可得多组输入数值，带入上述的求解办法可得摄像头内外参的初始值。
一实施例中，步骤3具体包括：步骤3-1：根据自适应大邻域搜索算法对内参数初始值和外参数初始值进行迭代；步骤3-2：基于投影误差问题，判断迭代后的内参数和外参数是否符合预设要求：若是，则确定迭代后的内参数和外参数分别为目标内参数和目标外参数；若否，则重复步骤3-1。
请参照图4，获取摄像头初始的内外参数后，涉及到优化摄像头成像模型。在静态标定办法中一般采用Levenberg-Marquarelt算法来优化非线性优化问题。在数学模型求解的领域中，启发式算法是求解非线性优化问题的最高效的办法，因此在本申请采用了自适应大邻域搜索算法来进行摄像头参数优化。
进一步地，自适应大邻域搜索算法一般拥有一组破坏算子、一组修复算子，破坏算子用于打破现解的固有结构以及参数数值，而修复算子用以修复被破坏的解使之成为问题的可行解。算法对算子的灵活选择使得该算法针对不同问题有着适应性，在迭代过程中可以不断对不同的算子进行计分，从而可以得出算子在不同问题中的有效性。该算法的劣势主要是算子设计需要考虑解的结构，较为繁琐，稍有不慎便会在迭代过程中出现不可行解。在摄像头标定问题中，相机外参矩阵内的元素具有相关性-旋转矩阵内的列互为正交单位向量，因此破坏算子与修复算子不能随意搭配，也呈现出关联性。其中，对内参矩阵中的像素坐标系中心点的横坐标u0进行修改。/>对内参矩阵的像素坐标系中心点的纵坐标v0进行修改。/>对内参矩阵的摄像头焦距f进行修改。对平移矩阵中的参数进行修改。
上述算子在对不同元素进行调整时需要不同的步长来进行邻域搜索，步长 其中，i∈[1，4]，βi为针对不同元素进行修改的步长系数，t≥0为算法迭代次数。
在使用张氏标定法获取摄像头内外参的初始值后，进行算法迭代以获取更优的参数值。本算法采重投影误差E(xt)来衡量解的优劣，其中xt表示第t次迭代所得出的内外参解。在在应对复杂问题时，启发式算法容易陷入局部最优的情况，为求得问题的全局最优解需要引入接受劣等解的机制，接受概率即在新解优于现有解的情况下直接将新解作为下一轮迭代的输入，在新解劣于现有解的情况下将以一定概率接受新解作为下一轮迭代的输入，该接受概率将随着迭代次数的递增而递减。
为方便进一步理解本申请的静态标定方法，以下以一实例进行具体说明。
请参照图5，本发明所提出的静态标定方法在测试中得到了实际运用，应用场景主要为使用标定板的静态标定环境。通常地，为使得车载前视摄像头能体现出较好的感知能力，对摄像头参数的调教必不可少，标定不仅仅是为了得出摄像头本身的硬件参数，也需要对安装误差、摄像头与支架以及整车安装环境的公差进行补偿并校准。在实际车载摄像头的标定过程中，往往要求对标定车辆四轮锁止的同时固定车辆位置，而后按照不同车型的摄像头布置高度调整标定板与车载摄像头的相对位置，最后使用标定算法完成标定。
1、求解摄像头初始参数
首先，在不同角度拍摄多组标定板图片，对图片进行灰度处理，使用角点检测算法识别棋盘格角点的像素坐标，本算法中采用的是Harris角点检测算法，检测结果如图6所示。
在角点检测算法中，需要进行局部平均自适应阈值化对图片进行二值化、图像膨胀用以分离黑色矩阵块之间的衔接、四边形检测等操作。整个流程可以概括为：棋盘定位过程是一个循环过程，先对读入的棋盘图像直方图均衡化，接着自适应(取决于flag参数)二值化，再对二值化后的图像膨胀。为了定位的鲁棒性，自适应二值化和膨胀所采用核的大小不能是唯一的，故不断的循环用不同的参数用对棋盘图像处理，膨胀所采用核的大小逐渐变大。等选取图片集中的三张标定图片对相机内参求初始可行解。
2、实验结果对比
求得初始解后，将其带入本文提出的自适应大邻域搜索算法中，最终获取优化后的相机参数。本申请针对不同的标定板角点数量进行多次实验，算法对比如下表1。
表1：算法求解结果对比
注：Ccp，Ciha＝张正友标定法和混合启发式得出的重投影平均误差；
可以理解，从算法求解结果对比出发，混合启发式能更全面得搜索解空间，可以一定时间成本为代价获取重投影误差更小的解。其优势非常明确，即有概率获取比张氏标定法更优的解。该算法的劣势有时间成本略高且算法时间复杂度是动态变化的，自适应大邻域搜索算法的特性就是算法会自动选择适应度较高的算子进行迭代，而不同的算子对解的操作是不一样的，从而导致了算法的时间成本并不固定且不好预测。
3、用例展示
本申请中提出的方法在车载摄像头上进行测试，车载摄像头的标定很大程度上受到了摄像头安装位置、车辆姿态的影响，在本次测试中摄像头安装位置校验参数如下表2。
表2：摄像头布置校验参数
| 参数 | 设计值 | 误差范围 |
| 航向角 | 0° | ±2.85° |
| 俯仰角 | 0° | ±2.85° |
| 翻转角 | 0° | ±2.85° |
| 摄像头高度 | 1.391mm | [1.341，1.441]mm |
请参考图7，在标定之初，需要测量车辆四轮外圈的高度信息，四轮外圈高度是体现车辆位姿的重要参数，测量出的结果作为输入。
在初始参数输入后，根据下表3信息布置标定板。
表3：标定板布置信息
算法求解得出的摄像头内参结果如下表4。
表4：内参数值
| 主点x | 640px |
| 主点y | 536px |
| 单位长度下的像素数量x | 1461px |
| 单位长度下的像素数量y | 1461px |
| 畸变k1 | -0.0004688910 |
| 畸变k2 | -0.0003636790 |
| 畸变k3 | -0.0006388480 |
| 畸变t1 | - |
| 畸变t2 | - |
可以理解，本申请首次提出了将启发式算法应用于摄像头标定领域，扩展了摄像头标定的思路。进一步地，提出了一种新的静态标定方法论，通过实例测试证明了算法有效性。以一定时间成本为代价，增强了车载摄像头标定的准确性，弥补了安装误差对摄像头标定造成的影响。
请参考图8，基于上述发明构思，本申请还提供一种车载摄像头的静态标定装置800，该装置包括：第一标定模块810、计算模块820、优化模块830和第二标定模块840。
其中，第一标定模块810用于基于张氏标定法对摄像头进行标定，得到摄像头对应的内参数初始值和外参数初始值。计算模块用于计算摄像头的畸变参数。优化模块用于基于自适应大邻域搜索算法对内参数初始值和外参数初始值进行优化，得到目标内参数和目标外参数。第二标定模块用于根据优化后的内参数和外参数以及畸变参数，对摄像头进行标定。
一实施例中，第一标定模块810还用于获取摄像头拍摄的多个不同角度的标定板图像，标定板由二维黑白方格组成；基于角点检测算法对标定板图像处理，得到标定板图像中各角点在世界坐标系和像素坐标系的坐标；将角点在世界坐标系和像素坐标系的坐标输入至无畸变的成像模型中，得到摄像头的内参数初始值和外参数初始值。其中，角点检测算法为Harris角点检测算法。
一实施例中，计算模块820还用于获取摄像头的镜头规格；将镜头规格输入至畸变公式中，得到摄像头的畸变参数。其中，畸变公式为径向畸变公式。
一实施例中，优化模块830还用于根据自适应大邻域搜索算法对内参数初始值和外参数初始值进行迭代；基于投影误差问题，判断迭代后的内参数和外参数是否符合预设要求：若是，则确定迭代后的内参数和外参数分别为目标内参数和目标外参数；若否，则重复根据自适应大邻域搜索算法对内参数初始值和外参数初始值进行迭代。
基于上述发明构思，本申请还提供一种车辆，该车辆具备上文所述的静态标定装置800，可以实现上文所提及的功能。
需要说明的是，静态标定装置800在车辆中具体设置方式为本领域技术人员所熟知，在此不再赘述。
一实施例中，本申请还提供一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，处理器通过运行可执行指令以实现上述的静态标定方法。
需要说明的是，上述实施例阐明的系统、装置或模块，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机，计算机的具体形式可以是个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件收发设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任意几种设备的组合。
在一个典型的配置中，计算机包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存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)。内存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、磁盘存储、量子存储器、基于石墨烯的存储介质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。
这里基于的术语和表述方式只是用于描述，本发明并不应局限于这些术语和表述。使用这些术语和表述并不意味着排除任何示意和描述(或其中部分)的等效特征，应认识到可能存在的各种修改也应包含在权利要求范围内。其他修改、变化和替换也可能存在。相应的，权利要求应视为覆盖所有这些等效物。
同样，需要指出的是，虽然本发明已参照当前的具体实施例来描述，但是本技术领域中的普通技术人员应当认识到，以上的实施例仅是用来说明本发明，在没有脱离本发明精神的情况下还可做出各种等效的变化或替换，因此，只要在本发明的实质精神范围内对上述实施例的变化、变型都将落在本发明的权利要求书的范围内。
Claims (10)
1.一种车载摄像头的静态标定方法，其特征在于，包括：
步骤1：基于张氏标定法对摄像头进行标定，得到所述摄像头对应的内参数初始值和外参数初始值；
步骤2：计算所述摄像头的畸变参数；
步骤3：基于自适应大邻域搜索算法对所述内参数初始值和所述外参数初始值进行优化，得到目标内参数和目标外参数；
步骤4：根据优化后的内参数和外参数以及所述畸变参数，对所述摄像头进行标定。
2.根据权利要求1所述的静态标定方法，其特征在于，所述步骤1具体包括：
步骤1-1：获取所述摄像头拍摄的多个不同角度的标定板图像，所述标定板由二维黑白方格组成；
步骤1-2：基于角点检测算法对所述标定板图像处理，得到所述标定板图像中各角点在世界坐标系和像素坐标系的坐标；
步骤1-3：将所述角点在世界坐标系和像素坐标系的坐标输入至无畸变的成像模型中，得到所述摄像头的内参数初始值和外参数初始值。
3.根据权利要求2所述的静态标定方法，其特征在于，所述角点检测算法为Harris角点检测算法。
4.根据权利要求1所述的静态标定方法，其特征在于，所述步骤2具体包括：
步骤2-1：获取所述摄像头的镜头规格；
步骤2-2：将所述镜头规格输入至畸变公式中，得到所述摄像头的畸变参数。
5.根据权利要求4所述的静态标定方法，其特征在于，所述畸变公式为径向畸变公式。
6.根据权利要求1所述的静态标定方法，其特征在于，所述步骤3具体包括：
步骤3-1：根据所述自适应大邻域搜索算法对所述内参数初始值和所述外参数初始值进行迭代；
步骤3-2：基于投影误差问题，判断迭代后的内参数和外参数是否符合预设要求：若是，则确定迭代后的内参数和外参数分别为所述目标内参数和所述目标外参数；若否，则重复所述步骤3-1。
7.一种车载摄像头的静态标定装置，其特征在于，包括：
第一标定模块，用于基于张氏标定法对摄像头进行标定，得到所述摄像头对应的内参数初始值和外参数初始值；
计算模块，用于计算所述摄像头的畸变参数；
优化模块，用于基于自适应大邻域搜索算法对所述内参数初始值和所述外参数初始值进行优化，得到目标内参数和目标外参数；
第二标定模块，用于根据优化后的内参数和外参数以及所述畸变参数，对所述摄像头进行标定。
8.一种车辆，包括如权利要求7所述的静态标定装置。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在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1-6中任一项所述的静态标定方法的步骤。
10.一种存储有计算机可读指令的非易失性可读存储介质，所述计算机可读指令被处理器执行时，使得所述处理器执行如权利要求1-6任一项所述的一种被配置为静态标定方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311716875.7A CN117523007A (zh) | 2023-12-13 | 2023-12-13 | 一种车载摄像头的静态标定方法、装置、车辆及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311716875.7A CN117523007A (zh) | 2023-12-13 | 2023-12-13 | 一种车载摄像头的静态标定方法、装置、车辆及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117523007A true CN117523007A (zh) | 2024-02-06 |
Family
ID=89745756
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311716875.7A Pending CN117523007A (zh) | 2023-12-13 | 2023-12-13 | 一种车载摄像头的静态标定方法、装置、车辆及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117523007A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117911634A (zh) * | 2024-03-20 | 2024-04-19 | 成都工业学院 | 一种基于数字图像重建的视觉呈像优化方法、系统及设备 |
-
2023
- 2023-12-13 CN CN202311716875.7A patent/CN117523007A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117911634A (zh) * | 2024-03-20 | 2024-04-19 | 成都工业学院 | 一种基于数字图像重建的视觉呈像优化方法、系统及设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108230397B (zh) | 多目摄像机标定与校正方法和装置、设备、程序和介质 | |
| CN109753971B (zh) | 扭曲文字行的矫正方法及装置、字符识别方法及装置 | |
| US9105090B2 (en) | Wide-angle lens image correction | |
| CN117523007A (zh) | 一种车载摄像头的静态标定方法、装置、车辆及存储介质 | |
| WO2020010945A1 (zh) | 图像处理方法和装置、电子设备、计算机可读存储介质 | |
| US10482626B2 (en) | Around view monitoring systems for vehicle and calibration methods for calibrating image capture devices of an around view monitoring system using the same | |
| US8837858B2 (en) | Apparatus and method for correcting image distortion of rear camera | |
| CN111882530B (zh) | 一种亚像素定位图生成方法、定位方法及装置 | |
| US20170097944A1 (en) | Passenger vehicle make and model recognition system | |
| CN113256742B (zh) | 界面展示方法、装置、电子设备和计算机可读介质 | |
| CN112270719B (zh) | 相机标定方法、装置及系统 | |
| CN112927306B (zh) | 拍摄装置的标定方法、装置及终端设备 | |
| CN108052869B (zh) | 车道线识别方法、装置及计算机可读存储介质 | |
| CN106651903B (zh) | 一种运动物体检测方法 | |
| CN112348752A (zh) | 一种基于平行约束的车道线消失点补偿方法及装置 | |
| CN111950370A (zh) | 动态环境下线拓展视觉里程计方法 | |
| CN111462246A (zh) | 一种结构光测量系统的设备标定方法 | |
| EP3916670A1 (en) | System and method for correcting geometric distortion in images | |
| CN111260574B (zh) | 一种印章照片矫正的方法、终端及计算机可读存储介质 | |
| CN113963072A (zh) | 双目摄像头标定方法、装置、计算机设备和存储介质 | |
| CN111882588B (zh) | 图像块配准方法及相关产品 | |
| US11971493B2 (en) | Indoor positioning method based on image visual features and electronic device | |
| CN113411488A (zh) | 全景图像生成方法、装置、存储介质及计算机设备 | |
| CN116051652A (zh) | 一种参数标定方法及电子设备、存储介质 | |
| CN115100225A (zh) | 一种相机视场的误差场确定方法、装置、电子设备及介质 |
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 |