[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN112991465A - 相机标定方法、装置、电子设备和计算机可读介质 - Google Patents

相机标定方法、装置、电子设备和计算机可读介质 Download PDF

Info

Publication number
CN112991465A
CN112991465A CN202110327932.7A CN202110327932A CN112991465A CN 112991465 A CN112991465 A CN 112991465A CN 202110327932 A CN202110327932 A CN 202110327932A CN 112991465 A CN112991465 A CN 112991465A
Authority
CN
China
Prior art keywords
calibration
target coordinate
camera
target
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.)
Pending
Application number
CN202110327932.7A
Other languages
English (en)
Inventor
陈彬
赵家兴
李超
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 CN202110327932.7A priority Critical patent/CN112991465A/zh
Publication of CN112991465A publication Critical patent/CN112991465A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06T7/85—Stereo camera calibration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • 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
    • 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
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Studio Devices (AREA)

Abstract

本公开的实施例公开了相机标定方法、装置、电子设备和计算机可读介质。该方法的一具体实施方式包括：响应于确定目标车辆的车辆姿态正常，确定待标定相机拍摄的标定板图像包括的标定标记点集合；根据第一目标坐标集合，生成拟合曲线；修正该拟合曲线；响应于确定修正完成，根据第二目标坐标集合，确定径向畸变系数集合、切向畸变系数集合和该待标定相机的内参矩阵；根据该第二目标坐标集合、该内参矩阵和第三目标坐标集合，确定该待标定相机的外参矩阵。该实施方式提高了生成的内参矩阵的准确性，提高了自动驾驶车辆在行驶过程中的安全性。

Description

相机标定方法、装置、电子设备和计算机可读介质
技术领域
本公开的实施例涉及计算机技术领域，具体涉及相机标定方法、装置、电子设备和计算机可读介质。
背景技术
随着无人驾驶相关技术的发展，无人驾驶车辆正在逐步的走进人们的视野。为了提高无人驾驶车辆在行驶过程中的安全性，因此，提高无人驾驶车辆对周围障碍物的检测能力尤为重要。目前，现有技术往往是通过车载传感器(例如，相机)，以实现对无人驾驶车辆周围障碍物的检测。
然而，当采用上述方式时，经常会存在如下技术问题：
第一，采用固定的内参矩阵和外参矩阵，往往会使得通过坐标转换得到的障碍物坐标不够精准，从而影响自动驾驶车辆在行驶过程中的安全性；
第二，由于镜头畸变现象的存在，使得拍摄出来的图像往往出现不同情况的畸变，从而影响生成的内参矩阵的准确性。
发明内容
本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了相机标定方法、装置、电子设备和计算机可读介质，来解决以上背景技术部分提到的技术问题中的一项或多项。
第一方面，本公开的一些实施例提供了一种相机标定方法，该方法包括：响应于确定目标车辆的车辆姿态正常，确定待标定相机拍摄的标定板图像包括的标定标记点集合，其中，上述目标车辆为安装有上述待标定相机的车辆；根据第一目标坐标集合，生成拟合曲线，其中，上述第一目标坐标集合中的第一目标坐标是上述标定标记点集合中的标定标记点在上述标定板图像中的像素坐标；修正上述拟合曲线；响应于确定修正完成，根据第二目标坐标集合，确定径向畸变系数集合、切向畸变系数集合和上述待标定相机的内参矩阵，其中，上述第二目标坐标集合中的第二目标坐标为修正后的拟合曲线上的标定标记点的像素坐标；根据上述第二目标坐标集合、上述内参矩阵和第三目标坐标集合，确定上述待标定相机的外参矩阵，其中，上述第三目标坐标集合中的第三目标坐标是上述标定标记点集合中的标定标记点在世界坐标系下的坐标。
第二方面，本公开的一些实施例提供了一种相机标定装置，装置包括：第一确定单元，被配置成响应于确定目标车辆的车辆姿态正常，确定待标定相机拍摄的标定板图像包括的标定标记点集合，其中，上述目标车辆为安装有上述待标定相机的车辆；生成单元，被配置成根据第一目标坐标集合，生成拟合曲线，其中，上述第一目标坐标集合中的第一目标坐标是上述标定标记点集合中的标定标记点在上述标定板图像中的像素坐标；修正单元，被配置成修正上述拟合曲线；第二确定单元，被配置成响应于确定修正完成，根据第二目标坐标集合，确定径向畸变系数集合、切向畸变系数集合和上述待标定相机的内参矩阵，其中，上述第二目标坐标集合中的第二目标坐标为修正后的拟合曲线上的标定标记点的像素坐标；第三确定单元，被配置成根据上述第二目标坐标集合、上述内参矩阵和第三目标坐标集合，确定上述待标定相机的外参矩阵，其中，上述第三目标坐标集合中的第三目标坐标是上述标定标记点集合中的标定标记点在世界坐标系下的坐标。
第三方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。
第四方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。
本公开的上述各个实施例中具有如下有益效果：通过本公开的一些实施例的相机标定方法，通过对待标定相机进行标定，可以精确地确定上述待标定相机的内参矩阵、外参矩阵。进而，使得经过坐标转换得到的障碍物坐标更加精准，确保了对障碍物的精准定位。从而保证了自动驾驶车辆在行驶过程中的安全性。具体来说，造成自动驾驶车辆在行驶过程中的安全性较低的原因在于：未能根据相机的不同，确定不同相机对应的内参矩阵和外参矩阵。基于此，本公开的一些实施例的相机标定方法，首先，响应于确定目标车辆的车辆姿态正常，确定待标定相机拍摄的标定板图像包括的标定标记点集合。实际情况中，例如，当目标车辆的四个车轮的胎压不同时可能会导致待标定相机倾斜，进而，影响内参矩阵和外参矩阵的确定。因此，需要在保证上述目标车辆的车辆姿态正常的情况下，再对上述待标定相机进行标定。此外，根据第一目标坐标集合，生成拟合曲线，其中，上述第一目标坐标集合中的第一目标坐标是上述标定标记点集合中的标定标记点在上述标定板图像中的像素坐标。进一步，修正上述拟合曲线。根据经验可知，标定标记点集合中的标定标记点在标定板图像中的像素坐标应处于一条直线上。但在实际情况中，由于镜头畸变现象的存在，导致拍摄出来的图像往往存在不同程度的畸变，导致标定标记点集合中的标定标记点在标定板图像中的像素坐标构成的是一条曲线。因此，通过对拟合曲线的不断修正。响应于确定修正完成，根据第二目标坐标集合，即根据修正后的拟合曲线上的标定标记点对应的像素坐标，确定径向畸变系数集合、切向畸变系数集合和上述待标定相机的内参矩阵。实际情况中，由于镜头畸变现象的存在，导致拍摄出来的图像往往出现不同情况的畸变，例如，枕型畸变，桶型畸变和线性畸变。因此，通过确定径向畸变系数集合和切向畸变系数集合，可以很好地消除畸变所造成的内参矩阵生成不准确的问题。最后，根据上述第二目标坐标集合、上述内参矩阵和第三目标坐标集合，确定上述待标定相机的外参矩阵。通过此种方式，生成了上述待标定相机的内参矩阵和外参矩阵。从而实现了对上述待标定相机的标定。同时，在生成内参矩阵的过程中，考虑到了镜头畸变所带来的畸变影响，使得生成的内参矩阵更加准确。从而使得通过坐标转换得到的障碍物坐标更加精准，保证了自动驾驶车辆在行驶过程中的安全性。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。
图1是本公开的一些实施例的相机标定方法的一个应用场景的示意图；
图2是根据本公开的相机标定方法的一些实施例的流程图；
图3是标定板图像的示意图；
图4是拟合曲线的示意图；
图5是根据本公开的相机标定装置的一些实施例的结构示意图；
图6是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1是本公开的一些实施例的相机标定方法的一个应用场景的示意图。
在图1的应用场景中，首先，计算设备101可以响应于确定目标车辆的车辆姿态正常，确定待标定相机拍摄的标定板图像102包括的标定标记点集合103，其中，上述目标车辆为安装有上述待标定相机的车辆；其次，计算设备101可以根据第一目标坐标集合104，生成拟合曲线105，其中，上述第一目标坐标集合104中的第一目标坐标是上述标定标记点集合103中的标定标记点在上述标定板图像中的像素坐标；除此之外，计算设备101可以修正上述拟合曲线105；进一步，计算设备101可以响应于确定修正完成，根据第二目标坐标集合106，确定径向畸变系数集合107、切向畸变系数集合108和上述待标定相机的内参矩阵109，其中，上述第二目标坐标集合106中的第二目标坐标为修正后的拟合曲线上的标定标记点的像素坐标；最后，计算设备101可以根据上述第二目标坐标集合106、上述内参矩阵109和第三目标坐标集合110，确定上述待标定相机的外参矩阵111，其中，上述第三目标坐标集合110中的第三目标坐标是上述标定标记点集合103中的标定标记点在世界坐标系下的坐标。
需要说明的是，上述计算设备101可以是硬件，也可以是软件。当计算设备为硬件时，可以实现成多个服务器或终端设备组成的分布式集群，也可以实现成单个服务器或单个终端设备。当计算设备体现为软件时，可以安装在上述所列举的硬件设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解，图1中的计算设备的数目仅仅是示意性的。根据实现需要，可以具有任意数目的计算设备。
继续参考图2，示出了根据本公开的相机标定方法的一些实施例的流程200。该相机标定方法，包括以下步骤：
步骤201，响应于确定目标车辆的车辆姿态正常，确定待标定相机拍摄的标定板图像包括的标定标记点集合。
在一些实施例中，相机标定方法的执行主体(例如图1所示的计算设备101)可以响应于确定目标车辆的车辆姿态正常，确定待标定相机拍摄的标定板图像包括的标定标记点集合。其中，上述目标车辆可以为安装有上述待标定相机的车辆。上述标定标记点集合中的标定标记点可以是标定板上标定标签的角点。上述执行主体可以根据上述目标车辆的四个轮胎的胎压，以此确定上述目标车辆的车辆姿态是否正常。上述执行主体可以通过目标角点检测算法，确定上述标定标记点集合。上述目标角点检测算法可以是但不限于以下任意一项：Kitchen-Rosenfeld角点检测算法，Harris角点检测算法和SUSAN角点检测算法。
作为示例，上述标定板图像可以如图3所示。其中，标定标签301可以是AprilTag标签。上述标定板图像中可以包括8个标定标记点302。图3中的标定标记点的数量仅用于示意。在此不对标定标记点集合中的标定标记点的数量进行限制。
作为又一示例，上述目标车辆的四个轮胎的胎压分别可以是3公斤/平方厘米，3公斤/平方厘米，3公斤/平方厘米和3公斤/平方厘米。因此，上述执行主体可以确定上述目标车辆的车辆姿态正常。在实际情况中，当上述目标车辆的四个轮胎的胎压不一致时，可以认定上述目标车辆的车身倾斜，即，上述目标车辆的车辆姿态不正常。当上述目标车辆的四个轮胎的胎压一致时，可以认定上述目标车辆的车身水平，即，上述目标车辆的车辆姿态正常。
可选地，在上述响应于确定目标车辆的车辆姿态正常，确定待标定相机拍摄的标定板图像包括的标定标记点集合之前。上述执行主体可以根据第一车辆姿态信息和第二车辆姿态信息，确定目标车辆的车辆姿态。
其中，上述第一车辆姿态信息由轮眉测高仪测量得到，上述第二车辆姿态信息由车辆摆整器测量得到。上述第一车辆姿态信息可以包括上述目标车辆的四个车轮的轮眉距离地面的距离值。上述第二车辆姿态信息可以表征上述目标车辆是否处于水平停放状态。
作为示例，上述第一车辆姿态信息可以是[30厘米，30厘米，30厘米，30厘米]。上述第二车辆姿态信息可以是“True”。其中，“True”可以表示上述目标车辆处于水平停放状态。
在一些实施例的一些可选的实现方式中，上述执行主体确定待标定相机拍摄的标定板图像包括的标定标记点集合，可以包括以下步骤：
第一步，对上述标定板图像进行二值化处理，以生成候选标定板图像。
由于在确定标定标记点的过程中，仅需要定位标定标记点的位置。而无需获取该位置的颜色等其它信息。因此，通过二值化处理可以减少数据的处理量，提高处理速度。
作为示例，上述执行主体可以通过大津算法，对上述标定板图像进行二值化处理。
第二步，对上述候选标定板图像进行噪点消除处理，以生成降噪后的候选标定板图像。
其中，上述执行主体可以通过图像降噪算法，对上述候选标定板图像进行噪点消除处理。上述图像降噪算法可以是但不限于以下任意一项：均值滤波器，中值滤波器，自适应维纳滤波器和形态学噪声滤波器。
由于光线等问题，可能导致候选标定板图像存在较多的噪点，影响标定标记点的确定，因此，通过对上述候选标定板图像进行噪点消除处理，可以很好地消除噪点对标定标记点的确定的影响。
第三步，通过预先训练的边缘检测模型，确定上述降噪后的候选标定板图像中的边界线。
其中，上述边缘检测模型可以是RCF(Richer Convolutional Features for EdgeDetection，随机分割森林)模型。上述边缘检测模型还可以是HED(Holistically-nestededge detection，整体嵌套边缘检测)模型。
由于标定标记点往往为图像边缘的拐角处的点。因此通过边缘检测模型识别出图像边缘。可以减少后续的数据处理量，同时还可以提高特征点的检测速度。
第四步，通过预先训练的特征点检测模型，确定上述边界线上的特征点，得到至少一个特征点。
其中，上述特征点检测模型可以是但不限以下任意一项：SIFT(Scale-invariantfeature transform，尺度不变特征变换)模型，CNN(Convolutional Neural Networks，卷积神经网络)模型和RNN(Recurrent Neural Network循环神经网络模型)模型。
由于标定标定标记点也属于图像的特征点。因此通过特征点检测模型，确定上述边界线上的特征点。可以进一步减少数据处理量。
第五步，通过预先训练的角点检测模型，从上述至少一个特征点中确定上述标定标记点集合。
其中，上述角点检测模型可以是但不限于以下任意一项：FAST(Features fromAccelerated Segment Test，角点检测)模型和LSTM(Long Short-Term Memory，长短期记忆网络)模型。
步骤202，根据第一目标坐标集合，生成拟合曲线。
在一些实施例中，上述执行主体可以根据上述第一目标坐标集合，通过多项式拟合方法，生成上述拟合曲线。其中，上述第一目标坐标集合中的第一目标坐标可以是上述标定标记点集合中的标定标记点在上述标定板图像中的像素坐标。上述第一目标坐标集合中的第一目标坐标可以是图像坐标系下的坐标。上述图像坐标系可以是以上述标定板图像的左上角为原点，以与上述标定板图像的长边平行的线为横轴，以与上述标定板图像的短边平行的线为纵轴的坐标系。
作为示例，上述第一目标坐标集合可以是[(2，16)，(32，14)，(37，12)，(67，10)，(72，10)，(102，12)，(107，14)，(137，16)]。
作为又一示例，上述拟合曲线可以如图4所示。其中，上述标定标记点集合中的标定标记点301均在上述拟合曲线上。
在一些实施例的一些可选的实现方式中，上述执行主体可以根据上述第一目标坐标集合，通过最小二乘法，生成上述拟合曲线。
步骤203，修正拟合曲线。
在一些实施例中，上述执行主体可以通过不断修正上述拟合曲线对应的曲线方程，以实现对上述拟合曲线的修正。
步骤204，响应于确定修正完成，根据第二目标坐标集合，确定径向畸变系数集合、切向畸变系数集合和待标定相机的内参矩阵。
在一些实施例中，上述执行主体可以响应于确定修正完成，根据第二目标坐标集合，通过各种方式，确定径向畸变系数集合、切向畸变系数集合和待标定相机的内参矩阵。其中，上述第二目标坐标集合中的第二目标坐标可以为修正后的拟合曲线上的标定标记点的像素坐标。
可选地，上述内参矩阵可以包括：第一参数，第二参数，第三参数和第四参数。
作为示例，上述内参矩阵可以如下所示：
Figure BDA0002995311450000091
其中，fx表示第一参数。fy表示第二参数。cx表示第三参数。cy表示第四参数。
在一些实施例的一些可选的实现方式中，上述执行主体响应于确定修正完成，可以根据第二目标坐标集合，通过以下公式，确定径向畸变系数集合、切向畸变系数集合和上述待标定相机的内参矩阵：
Figure BDA0002995311450000101
其中，u表示第二目标坐标中的横坐标。V表示第二目标坐标中的纵坐标。fx表示第一参数。fy表示第二参数。cx表示第三参数。cy表示第四参数。x″表示中间坐标中的横坐标。y表示中间坐标中的纵坐标。Xc表示第二目标坐标对应的第四坐标中的横坐标。Yc表示第二目标坐标对应的第四坐标中的纵坐标。Zc表示第二目标坐标对应的第四坐标中的竖坐标。x′表示第一中间参数。y′表示第二中间参数。r表示第三中间参数。k表示上述候选径向畸变系数集合中的候选径向畸变系数。k1表示上述候选径向畸变系数集合中的第一个候选径向畸变系数。k2表示上述候选径向畸变系数集合中的第二个候选径向畸变系数。k3表示上述候选径向畸变系数集合中的第三个候选径向畸变系数。p表示上述候选切向畸变系数集合中的候选切向畸变系数。p1表示上述候选切向畸变系数集合中的第一个候选切向畸变系数。p2表示上述候选切向畸变系数集合中的第二个候选切向畸变系数。
在一些实施例的一些可选的实现方式中，上述执行主体可以响应于确定上述修正后的拟合曲线为直线，根据上述第二目标坐标集合，确定上述径向畸变系数集合、上述切向畸变系数集合和上述待标定相机的内参矩阵。
步骤205，根据第二目标坐标集合、内参矩阵和第三目标坐标集合，确定待标定相机的外参矩阵。
在一些实施例中上述执行主体可以根据第二目标坐标集合、内参矩阵和第三目标坐标集合，通过以下公式，确定待标定相机的外参矩阵：
Figure BDA0002995311450000111
其中，S表示缩放系数。u表示第二目标坐标中的横坐标。v表示第二目标坐标中的纵坐标。
Figure BDA0002995311450000112
表示上述内参矩阵。fx表示第一参数。fy表示第二参数。cx表示第三参数。cy表示第四参数。Tcw表示上述外参矩阵。Pw表示第二目标坐标对应的第三目标坐标。
其中，上述第三目标坐标集合中的第三目标坐标可以是上述标定标记点集合中的标定标记点在世界坐标系下的坐标。
本公开的上述各个实施例中具有如下有益效果：通过本公开的一些实施例的相机标定方法，通过对待标定相机进行标定，可以精确地确定上述待标定相机的内参矩阵、外参矩阵。进而，使得经过坐标转换得到的障碍物坐标更加精准，确保了对障碍物的精准定位。从而保证了自动驾驶车辆在行驶过程中的安全性。具体来说，造成自动驾驶车辆在行驶过程中的安全性较低的原因在于：未能根据相机的不同，确定不同相机对应的内参矩阵和外参矩阵。基于此，本公开的一些实施例的相机标定方法，首先，响应于确定目标车辆的车辆姿态正常，确定待标定相机拍摄的标定板图像包括的标定标记点集合。实际情况中，例如，当目标车辆的四个车轮的胎压不同时可能会导致待标定相机倾斜，进而，影响内参矩阵和外参矩阵的确定。因此，需要在保证上述目标车辆的车辆姿态正常的情况下，再对上述待标定相机进行标定。此外，根据第一目标坐标集合，生成拟合曲线，其中，上述第一目标坐标集合中的第一目标坐标是上述标定标记点集合中的标定标记点在上述标定板图像中的像素坐标。进一步，修正上述拟合曲线。根据经验可知，标定标记点集合中的标定标记点在标定板图像中的像素坐标应处于一条直线上。但在实际情况中，由于镜头畸变现象的存在，导致拍摄出来的图像往往存在不同程度的畸变，导致标定标记点集合中的标定标记点在标定板图像中的像素坐标构成的是一条曲线。因此，通过对拟合曲线的不断修正。响应于确定修正完成，根据第二目标坐标集合，即根据修正后的拟合曲线上的标定标记点对应的像素坐标，确定径向畸变系数集合、切向畸变系数集合和上述待标定相机的内参矩阵。实际情况中，由于镜头畸变现象的存在，导致拍摄出来的图像往往出现不同情况的畸变，例如，枕型畸变，桶型畸变和线性畸变。因此，通过确定径向畸变系数集合和切向畸变系数集合，可以很好地消除畸变所造成的内参矩阵生成不准确的问题。最后，根据上述第二目标坐标集合、上述内参矩阵和第三目标坐标集合，确定上述待标定相机的外参矩阵。通过此种方式，生成了上述待标定相机的内参矩阵和外参矩阵。从而实现了对上述待标定相机的标定。同时，在生成内参矩阵的过程中，考虑到了镜头畸变所带来的畸变影响，使得生成的内参矩阵更加准确。从而使得通过坐标转换得到的障碍物坐标更加精准，保证了自动驾驶车辆在行驶过程中的安全性。
进一步参考图5，作为对上述各图所示方法的实现，本公开提供了一种相机标定装置的一些实施例，这些装置实施例与图2所示的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图5所示，一些实施例的相机标定装置500包括：第一确定单元501、生成单元502、修正单元503、第二确定单元504和第三确定单元505。其中，第一确定单元501，被配置成响应于确定目标车辆的车辆姿态正常，确定待标定相机拍摄的标定板图像包括的标定标记点集合，其中，上述目标车辆为安装有上述待标定相机的车辆；生成单元502，被配置成根据第一目标坐标集合，生成拟合曲线，其中，上述第一目标坐标集合中的第一目标坐标是上述标定标记点集合中的标定标记点在上述标定板图像中的像素坐标；修正单元503，被配置成修正上述拟合曲线；第二确定单元504，被配置成响应于确定修正完成，根据第二目标坐标集合，确定径向畸变系数集合、切向畸变系数集合和上述待标定相机的内参矩阵，其中，上述第二目标坐标集合中的第二目标坐标为修正后的拟合曲线上的标定标记点的像素坐标；第三确定单元505，被配置成根据上述第二目标坐标集合、上述内参矩阵和第三目标坐标集合，确定上述待标定相机的外参矩阵，其中，上述第三目标坐标集合中的第三目标坐标是上述标定标记点集合中的标定标记点在世界坐标系下的坐标。
可以理解的是，该装置500中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置500及其中包含的单元，在此不再赘述。
下面参考图6，其示出了适于用来实现本公开的一些实施例的电子设备(如图1所示的计算设备101)600的结构示意图。图6示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。
如图6所示，电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图6中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
特别地，根据本公开的一些实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的一些实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM 602被安装。在该计算机程序被处理装置601执行时，执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是，本公开的一些实施例中记载的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：响应于确定目标车辆的车辆姿态正常，确定待标定相机拍摄的标定板图像包括的标定标记点集合，其中，上述目标车辆为安装有上述待标定相机的车辆；根据第一目标坐标集合，生成拟合曲线，其中，上述第一目标坐标集合中的第一目标坐标是上述标定标记点集合中的标定标记点在上述标定板图像中的像素坐标；修正上述拟合曲线；响应于确定修正完成，根据第二目标坐标集合，确定径向畸变系数集合、切向畸变系数集合和上述待标定相机的内参矩阵，其中，上述第二目标坐标集合中的第二目标坐标为修正后的拟合曲线上的标定标记点的像素坐标；根据上述第二目标坐标集合、上述内参矩阵和第三目标坐标集合，确定上述待标定相机的外参矩阵，其中，上述第三目标坐标集合中的第三目标坐标是上述标定标记点集合中的标定标记点在世界坐标系下的坐标。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的一些实施例中的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括第一确定单元、生成单元、修正单元、第二确定单元和第三确定单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，生成单元还可以被描述为“根据第一目标坐标集合，生成拟合曲线的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (10)

1.一种相机标定方法，包括：
响应于确定目标车辆的车辆姿态正常，确定待标定相机拍摄的标定板图像包括的标定标记点集合，其中，所述目标车辆为安装有所述待标定相机的车辆；
根据第一目标坐标集合，生成拟合曲线，其中，所述第一目标坐标集合中的第一目标坐标是所述标定标记点集合中的标定标记点在所述标定板图像中的像素坐标；
修正所述拟合曲线；
响应于确定修正完成，根据第二目标坐标集合，确定径向畸变系数集合、切向畸变系数集合和所述待标定相机的内参矩阵，其中，所述第二目标坐标集合中的第二目标坐标为修正后的拟合曲线上的标定标记点的像素坐标；
根据所述第二目标坐标集合、所述内参矩阵和第三目标坐标集合，确定所述待标定相机的外参矩阵，其中，所述第三目标坐标集合中的第三目标坐标是所述标定标记点集合中的标定标记点在世界坐标系下的坐标。
2.根据权利要求1所述的方法，其中，在所述响应于确定目标车辆的车辆姿态正常，确定待标定相机拍摄的标定板图像包括的标定标记点集合之前，所述方法还包括：
根据第一车辆姿态信息和第二车辆姿态信息，确定目标车辆的车辆姿态，其中，所述第一车辆姿态信息由轮眉测高仪测量得到，所述第二车辆姿态信息由车辆摆整器测量得到。
3.根据权利要求2所述的方法，其中，所述确定待标定相机拍摄的标定板图像包括的标定标记点集合，包括：
对所述标定板图像进行二值化处理，以生成候选标定板图像；
对所述候选标定板图像进行噪点消除处理，以生成降噪后的候选标定板图像；
通过预先训练的边缘检测模型，确定所述降噪后的候选标定板图像中的边界线；
通过预先训练的特征点检测模型，确定所述边界线上的特征点，得到至少一个特征点；
通过预先训练的角点检测模型，从所述至少一个特征点中确定所述标定标记点集合。
4.根据权利要求1所述的方法，其中，所述内参矩阵包括：第一参数，第二参数，第三参数和第四参数；以及
所述响应于确定修正完成，根据第二目标坐标集合，确定径向畸变系数集合、切向畸变系数集合和所述待标定相机的内参矩阵，包括：
根据所述第二目标坐标集合，通过以下公式，确定所述径向畸变系数集合、所述切向畸变系数集合和所述待标定相机的内参矩阵：
Figure FDA0002995311440000021
其中，u表示第二目标坐标中的横坐标，v表示第二目标坐标中的纵坐标，fx表示第一参数，fy表示第二参数，cx表示第三参数，cy表示第四参数，x″表示中间坐标中的横坐标，y″表示中间坐标中的纵坐标，Xc表示第二目标坐标对应的第四坐标中的横坐标，Yc表示第二目标坐标对应的第四坐标中的纵坐标，Zc表示第二目标坐标对应的第四坐标中的竖坐标，x′表示第一中间参数，y′表示第二中间参数，r表示第三中间参数，k表示所述候选径向畸变系数集合中的候选径向畸变系数，k1表示所述候选径向畸变系数集合中的第一个候选径向畸变系数，k2表示所述候选径向畸变系数集合中的第二个候选径向畸变系数，k3表示所述候选径向畸变系数集合中的第三个候选径向畸变系数，p表示所述候选切向畸变系数集合中的候选切向畸变系数，p1表示所述候选切向畸变系数集合中的第一个候选切向畸变系数，p2表示所述候选切向畸变系数集合中的第二个候选切向畸变系数。
5.根据权利要求4所述的方法，其中，所述响应于确定修正完成，根据第二目标坐标集合，确定径向畸变系数集合、切向畸变系数集合和所述待标定相机的内参矩阵，包括：
响应于确定所述修正后的拟合曲线为直线，根据所述第二目标坐标集合，确定所述径向畸变系数集合、所述切向畸变系数集合和所述待标定相机的内参矩阵。
6.根据权利要求3所述的方法，其中，所述根据第一目标坐标集合，生成拟合曲线，包括：
根据所述第一目标坐标集合，通过最小二乘法，生成所述拟合曲线。
7.一种相机标定装置，包括：
第一确定单元，被配置成响应于确定目标车辆的车辆姿态正常，确定待标定相机拍摄的标定板图像包括的标定标记点集合，其中，所述目标车辆为安装有所述待标定相机的车辆；
生成单元，被配置成根据第一目标坐标集合，生成拟合曲线，其中，所述第一目标坐标集合中的第一目标坐标是所述标定标记点集合中的标定标记点在所述标定板图像中的像素坐标；
修正单元，被配置成修正所述拟合曲线；
第二确定单元，被配置成响应于确定修正完成，根据第二目标坐标集合，确定径向畸变系数集合、切向畸变系数集合和所述待标定相机的内参矩阵，其中，所述第二目标坐标集合中的第二目标坐标为修正后的拟合曲线上的标定标记点的像素坐标；
第三确定单元，被配置成根据所述第二目标坐标集合、所述内参矩阵和第三目标坐标集合，确定所述待标定相机的外参矩阵，其中，所述第三目标坐标集合中的第三目标坐标是所述标定标记点集合中的标定标记点在世界坐标系下的坐标。
8.根据权利要求7所述的装置，其中，所述生成单元，被进一步配置成：
根据所述第一目标坐标集合，通过最小二乘法，生成所述拟合曲线。
9.一种电子设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。
10.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1-6中任一所述的方法。
CN202110327932.7A 2021-03-26 2021-03-26 相机标定方法、装置、电子设备和计算机可读介质 Pending CN112991465A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110327932.7A CN112991465A (zh) 2021-03-26 2021-03-26 相机标定方法、装置、电子设备和计算机可读介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110327932.7A CN112991465A (zh) 2021-03-26 2021-03-26 相机标定方法、装置、电子设备和计算机可读介质

Publications (1)

Publication Number Publication Date
CN112991465A true CN112991465A (zh) 2021-06-18

Family

ID=76333932

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110327932.7A Pending CN112991465A (zh) 2021-03-26 2021-03-26 相机标定方法、装置、电子设备和计算机可读介质

Country Status (1)

Country Link
CN (1) CN112991465A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113256742A (zh) * 2021-07-15 2021-08-13 禾多科技（北京）有限公司 界面展示方法、装置、电子设备和计算机可读介质
CN113808216A (zh) * 2021-08-31 2021-12-17 上海商汤临港智能科技有限公司 相机标定方法及装置、电子设备和存储介质
CN114140538A (zh) * 2021-12-03 2022-03-04 禾多科技（北京）有限公司 车载相机位姿调整方法、装置、设备和计算机可读介质
CN114708336A (zh) * 2022-03-21 2022-07-05 禾多科技（北京）有限公司 多相机在线标定方法、装置、电子设备和计算机可读介质
CN115186037A (zh) * 2022-06-09 2022-10-14 中国地震局地球物理研究所 地图显示方法、装置、电子设备和计算机可读介质
CN117523009A (zh) * 2024-01-04 2024-02-06 北京友友天宇系统技术有限公司 一种双目相机标定方法、系统、装置及存储介质

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101794449A (zh) * 2010-04-13 2010-08-04 公安部物证鉴定中心 一种标定摄像机参数的方法及装置
CN104036516A (zh) * 2014-06-30 2014-09-10 山东科技大学 基于对称性分析的摄像机标定棋盘图像角点检测方法
CN105096298A (zh) * 2014-05-08 2015-11-25 东北大学 一种基于快速直线提取的网格特征点提取方法
CN108053375A (zh) * 2017-12-06 2018-05-18 智车优行科技（北京）有限公司 图像数据修正方法、装置及其汽车
CN109754434A (zh) * 2018-12-27 2019-05-14 歌尔科技有限公司 相机标定方法、装置、用户设备及存储介质
CN209279912U (zh) * 2019-01-08 2019-08-20 青岛浩谦信息科技有限公司 一种物体三维信息采集装置
WO2019184885A1 (zh) * 2018-03-30 2019-10-03 杭州海康威视数字技术股份有限公司 一种相机外参标定方法、装置及电子设备
CN110599548A (zh) * 2019-09-02 2019-12-20 Oppo广东移动通信有限公司 摄像头的标定方法、装置、相机及计算机可读存储介质
CN110706242A (zh) * 2019-08-26 2020-01-17 浙江工业大学 一种基于深度残差网络的对象级边缘检测方法
CN110766748A (zh) * 2019-10-30 2020-02-07 长安大学 一种非接触式整车姿态测量方法
CN111325766A (zh) * 2020-02-20 2020-06-23 腾讯科技（深圳）有限公司 三维边缘检测方法、装置、存储介质和计算机设备
CN111340884A (zh) * 2020-02-24 2020-06-26 天津理工大学 一种双目异构相机与rfid的双重目标定位与身份辨识方法
CN111627043A (zh) * 2020-04-13 2020-09-04 浙江工业大学 一种基于标志物和特征筛选器的简易人体曲线获取方法
CN112365515A (zh) * 2020-10-30 2021-02-12 深圳点猫科技有限公司 一种基于密集感知网络的边缘检测方法、装置及设备
CN112470192A (zh) * 2018-06-08 2021-03-09 Oppo广东移动通信有限公司 双摄像头标定方法、电子设备、计算机可读存储介质

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101794449A (zh) * 2010-04-13 2010-08-04 公安部物证鉴定中心 一种标定摄像机参数的方法及装置
CN105096298A (zh) * 2014-05-08 2015-11-25 东北大学 一种基于快速直线提取的网格特征点提取方法
CN104036516A (zh) * 2014-06-30 2014-09-10 山东科技大学 基于对称性分析的摄像机标定棋盘图像角点检测方法
CN108053375A (zh) * 2017-12-06 2018-05-18 智车优行科技（北京）有限公司 图像数据修正方法、装置及其汽车
WO2019184885A1 (zh) * 2018-03-30 2019-10-03 杭州海康威视数字技术股份有限公司 一种相机外参标定方法、装置及电子设备
CN112470192A (zh) * 2018-06-08 2021-03-09 Oppo广东移动通信有限公司 双摄像头标定方法、电子设备、计算机可读存储介质
CN109754434A (zh) * 2018-12-27 2019-05-14 歌尔科技有限公司 相机标定方法、装置、用户设备及存储介质
CN209279912U (zh) * 2019-01-08 2019-08-20 青岛浩谦信息科技有限公司 一种物体三维信息采集装置
CN110706242A (zh) * 2019-08-26 2020-01-17 浙江工业大学 一种基于深度残差网络的对象级边缘检测方法
CN110599548A (zh) * 2019-09-02 2019-12-20 Oppo广东移动通信有限公司 摄像头的标定方法、装置、相机及计算机可读存储介质
CN110766748A (zh) * 2019-10-30 2020-02-07 长安大学 一种非接触式整车姿态测量方法
CN111325766A (zh) * 2020-02-20 2020-06-23 腾讯科技（深圳）有限公司 三维边缘检测方法、装置、存储介质和计算机设备
CN111340884A (zh) * 2020-02-24 2020-06-26 天津理工大学 一种双目异构相机与rfid的双重目标定位与身份辨识方法
CN111627043A (zh) * 2020-04-13 2020-09-04 浙江工业大学 一种基于标志物和特征筛选器的简易人体曲线获取方法
CN112365515A (zh) * 2020-10-30 2021-02-12 深圳点猫科技有限公司 一种基于密集感知网络的边缘检测方法、装置及设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘国华: "《HALCON编程及工程应用》", vol. 978, 西安电子科技大学出版社, pages: 168 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113256742A (zh) * 2021-07-15 2021-08-13 禾多科技（北京）有限公司 界面展示方法、装置、电子设备和计算机可读介质
CN113808216A (zh) * 2021-08-31 2021-12-17 上海商汤临港智能科技有限公司 相机标定方法及装置、电子设备和存储介质
CN114140538A (zh) * 2021-12-03 2022-03-04 禾多科技（北京）有限公司 车载相机位姿调整方法、装置、设备和计算机可读介质
CN114140538B (zh) * 2021-12-03 2022-09-27 禾多科技（北京）有限公司 车载相机位姿调整方法、装置、设备和计算机可读介质
CN114708336A (zh) * 2022-03-21 2022-07-05 禾多科技（北京）有限公司 多相机在线标定方法、装置、电子设备和计算机可读介质
CN115186037A (zh) * 2022-06-09 2022-10-14 中国地震局地球物理研究所 地图显示方法、装置、电子设备和计算机可读介质
CN117523009A (zh) * 2024-01-04 2024-02-06 北京友友天宇系统技术有限公司 一种双目相机标定方法、系统、装置及存储介质
CN117523009B (zh) * 2024-01-04 2024-04-16 北京友友天宇系统技术有限公司 一种双目相机标定方法、系统、装置及存储介质

Similar Documents

Publication Publication Date Title
CN112991465A (zh) 相机标定方法、装置、电子设备和计算机可读介质
CN112598762B (zh) 三维车道线信息生成方法、装置、电子设备和介质
CN111127563A (zh) 联合标定方法、装置、电子设备及存储介质
CN113486797A (zh) 无人车位置检测方法、装置、设备、存储介质及车辆
CN113674357B (zh) 相机外参标定方法、装置、电子设备和计算机可读介质
CN113607185B (zh) 车道线信息显示方法、装置、电子设备和计算机可读介质
CN112348029B (zh) 局部地图调整方法、装置、设备和计算机可读介质
CN112330576A (zh) 车载鱼眼摄像头畸变矫正方法、装置、设备及存储介质
CN112946609B (zh) 激光雷达与相机的标定方法、装置、设备及可读存储介质
CN112183627A (zh) 生成预测密度图网络的方法和车辆年检标数量检测方法
CN112464921B (zh) 障碍物检测信息生成方法、装置、设备和计算机可读介质
CN112598731B (zh) 车辆定位方法、装置、电子设备和计算机可读介质
CN114445597B (zh) 三维车道线生成方法、装置、电子设备和计算机可读介质
CN113379852B (zh) 用于验证相机标定结果的方法、装置、电子设备和介质
CN112590929A (zh) 自动驾驶车辆方向盘的校正方法、装置、电子设备和介质
CN116805331A (zh) 车辆朝向角计算方法、装置、设备及存储介质
CN110634159A (zh) 一种目标检测方法和装置
CN116758498A (zh) 障碍物信息生成方法、装置、电子设备和计算机可读介质
CN115610415A (zh) 车辆距离控制方法、装置、电子设备和计算机可读介质
CN116630436B (zh) 相机外参修正方法、装置、电子设备和计算机可读介质
CN112528970A (zh) 路牌检测方法、装置、设备和计算机可读介质
CN115082572B (zh) 一种雷达和相机联合自动标定方法和系统
CN115170674B (zh) 基于单张图像的相机主点标定方法、装置、设备和介质
CN114399555B (zh) 数据在线标定方法、装置、电子设备和计算机可读介质
CN117935610A (zh) 跟踪车位的更新方法、装置、设备及计算机可读存储介质

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210618