CN112819895B 一种摄像机标定方法及装置 （西安华为技术有限公司）

位置和拍摄角度从高精地图的三维模型获取得到的；在标定模型中查找到所述K个特征点并获摄像机的自动化标定，提高了摄像机标定的效2从所述标定图像中获取所述N个特征主体的N个图像标定框，其中，第一个体在所述标定图像的标定框，…,第N个图像标定框为所述第N个特征主体在所述标定图像从所述N个图像标定框中查找所述K个特征点，其中，第一个图像标定框包括M1个特征接收标定模型，其中，所述标定模型是根据所述摄像机的地址从所述标定模型中获取所述N个特征主体的N个模型标依据相同的规则，在所述标定图像中建立所述N个图像标定框之间的位置关联关系以及在所述标定模型中建立所述N个模型标定框之间的位置关联关系，根据所述标定图像中所述N个图像标定框之间的位置关联关系以及所述标定模型中所述N个模型标定框之间的根据匹配后的结果，查找与所述N个图像标定框中每个图像标定框中的特征点相匹配根据所述K个像素坐标和所述K个世界坐标对所述摄计算所述N个图像标定框的中心点获得N个中心点像素坐标，所述N个中心点像素坐标计算所述N个模型标定框的中心点获得N个中心点世界坐标，所述N个中心点世界坐标基于所述N个中心点像素坐标，遍历所述N个中心点中的每个中心点根据所述第一位置结果和所述第二位置结果，确定所述N个图像标定3计算所述N个图像标定框的中心点获得N个中心点像素坐标，所述N个中心点像素坐标计算所述N个模型标定框的中心点获得N个中心点世界坐标，所述N个中心点世界坐标基于所述N个中心点世界坐标的X、Y坐标，确定所述N个中心点中的每个中心点的上、根据所述第三位置结果和所述第四位置结果，确定所述N个图像标定计算所述N个图像标定框的中心点获得N个中心点像素坐标，所述N个中心点像素坐标计算所述N个模型标定框的中心点获得N个中心点世界坐标，所述N个中心点世界坐标基于所述N个中心点像素坐标，按照第一顺序对所述N个中心点基于所述N个中心点世界坐标的X、Y坐标，按照所述第一顺序对所根据所述第一排序结果和所述第二排序结果，确定所述N个图像标定5.根据权利要求1-4任一项所述的方法，其特征个图像标定框中的特征点相匹配的特征点，从而确定出所述N个模型标定框中的K个特征基于所述第三排序结果和所述第四排序结果，确定所述K个像素坐4第二个特征主体在所述标定图像的标定框，…,第N个图像标定框为所述第N个特征主体在所述处理单元，还用于从所述标定模型中获取所述N个特征主体的据相同的规则，在所述标定图像中建立所述N个图像标定框之间的位置关联关系以及在所图像标定框之间的位置关联关系以及所述标定模型中所述N个模型标定框之间的位置关联计算所述N个图像标定框的中心点获得N个中心点像素坐标，所述N个中心点像素坐标计算所述N个模型标定框的中心点获得N个中心点世界坐标，所述N个中心点世界坐标基于所述N个中心点像素坐标，遍历所述N个中心点中的每个中心点根据所述第一位置结果和所述第二位置结果，确定所述N个图像标定计算所述N个图像标定框的中心点获得N个中心点像素坐标，所述N个中心点像素坐标计算所述N个模型标定框的中心点获得N个中心点世界坐标，所述N个中心点世界坐标5基于所述N个中心点世界坐标的X、Y坐标，确定所述N个中心点中的每个中心点的上、根据所述第三位置结果和所述第四位置结果，确定所述N个图像标定计算所述N个图像标定框的中心点获得N个中心点像素坐标，所述N个中心点像素坐标计算所述N个模型标定框的中心点获得N个中心点世界坐标，所述N个中心点世界坐标基于所述N个中心点像素坐标，按照第一顺序对所述N个中心点基于所述N个中心点世界坐标的X、Y坐标，按照所述第一顺序对所根据所述第一排序结果和所述第二排序结果，确定所述N个图像标定基于所述第三排序结果和所述第四排序结果，确定所述K个像素坐执行所述存储器存储的计算机指令，使得所述计算设备执行权利要求1-6任一项所述的方14.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储计算机程6[0002]在智能交通系统(ITS,IntelligentTransportationSystem)中，城市交通的各对摄像机标定提出了更高要求以实现路口的静态交通要素数字化和动态目标定图像是摄像机对N个特征主体进行图像采集得到的，所述N个特征主体总共包括K个特征据所述K个像素坐标和所述K个世界坐标对所述摄像机7K对特征点的像素坐标和世界坐标对摄像机进行标定。本申请通过从标定模型中找到标定图像中特征点对应的实际地理区域特征点的世界坐标代替人工实地测量获取特征点的世所述标定图像的标定框，…,第N个图像标定框为所述第N个特征主体在所述标定图像的标…,第N个图像标定框包括MN个特征点。型的标定框，第二个模型标定框为所述第二个特征主体在所述标定模型的标定框素坐标与所述N个图像标定框一一对应；计算所述N个模型标定框的中心点获得N个中心点历所述N个中心点中的每个中心点，建立所述每个中心点与所述每个中心点的周边中心点述N个图像标定框和所述N个模型标定框一[0011]通过依据相同的规则分别在标定图像和标定模型中建立各特征主体之间的位置素坐标与所述N个图像标定框一一对应；计算所述N个模型标定框的中心点获得N个中心点8[0013]通过依据相同的规则分别在标定图像和标定模型中建立各特征主体之间的位置素坐标与所述N个图像标定框一一对应；计算所述N个模型标定框的中心点获得N个中心点第二排序结果与所述第一排序结果一一对应；根据所述第一排序结果和所述第二排序结[0015]通过依据相同的规则分别在标定图像和标定模型中建立各特征主体之间的位置[0017]通过依据相同的规则分别对匹配后的标定图像和标定模型中同一特征主体的特9变化情况来判断摄像机的拍摄角度是否发生变化，在判断出摄像机的拍摄角度发生变化[0026]计算单元，用于根据所述K个像素坐标和所述K个世界坐标对所述摄像机进行标像的标定框，第二个图像标定框为所述第二个特征主体在所述标定图像的标定为所述第二个特征主体在所述标定模型的标定框，…,第N个模型标定框为所述第N个特征建立所述每个中心点与所述每个中心点的周边中心点的上下左右关系，获得第一位置结点世界坐标进行排序获得第二排序结果，所述第二排序结果与所述第一排序结果一一对对所述第i个模型标定框中的特征主体的Mi个世界坐标按照所述第二顺序进行排序，获得[0042]图4是本申请实施例提供的一种目标区域的标定图像和标定模型的角点匹配的方[0043]图5是本申请实施例提供的一些交通标志线在标定图像中建立位置关联关系后的[0044]图6是本申请实施例提供的一种交通标志线在标定模型中建立位置关联关系后的[0045]图7是本申请实施例提供的一些标定图像和标定模型中同一交通标志线的角点匹[0046]图8是本申请实施例提供的一种获取交通标志线角点的像素坐标的方法流程示意[0047]图9是本申请实施例提供的一种获取交通标志线角点的世界坐标的方法流程示意[0052]在智能交通系统(ITS,IntelligentTransportationSystem)中，随着计算机视摄像机采集的二维图像坐标可以转换为高精地图三维[0054]摄像机标定的目的是为了利用摄像机拍摄到的图像还原被拍摄区域空间中的物像机标定的本质即为计算地理区域中的点的世界坐标与该地理区域的图像中对应的点的将任意处在该地理区域中的目标在图像中的像素坐标转换为该目标在地理区域中的世界[0057]为了避免现有标定方法中人工依赖现场中的特定标志物确定其对应图像中的特车道特征(如车道的宽度、坡区、曲率等)等，还对路网进行了精确的三维表征(厘米级精标示的规定人横穿车道的步行范围；左转弯待转区302即为在左转弯的车道上增加的数米中的交通标志线进行提取，在利用角点检测算法对提取出的交通标志线的角点进行检测，预先安装时的地理位置和镜头的拍摄角度从高精地图的三维模型中获取到的。可以理解，目标区域的标定模型是对上述特征主体的全方[0073]具体地，若要实现标定模型中的K个特征点与标定图像中[0075]摄像机标定系统在获取到标定模型中的N个交通标志线的则根据矩形标定框的四个顶点的像素坐标即可计还可以是：计算标定图像中N个图像标定框的中心点获得N个中心点像素坐标(像素坐标由序对标定图像中的N个中心点像素坐标进行排序获得第一排序结果，即获得了一种确定地[0086]以图5(2)为例，采用从左至右的第一顺序对图5(2)中的[0092]然后，运用同样的方法针对标定模型中检测出的N个交通标志线建立各交通标志通标志线位置关联关系建立相同的方法进行标定模型中N个交通标志线位置关联关系的建个图像标定框与标定模型中的N个模型标定到了该位置关联关系下对应的标定图像和标定模型中的交通标志线，从而实现了标定图图6是标定模型中采用与标定图像中相同的排序规则对交通标志线进行排序并标号的示意的角点与对应的点云中该交通标志线的角点进行匹配，从而获得至少一组特征点匹配对，对标定图像和标定模型中的角点进行匹配，需要对第i个图像标定框中交通标志线的Mi个弯指示线的角点(或称特征点)，对(1)中的左转弯指示线的角点的像素坐标按照从左到右[0111]具体地，摄像机标定系统可以根据获取到的特征点配对(即标定图像中的特征点的像素坐标和其对应的标定模型中特征点的世界坐标)建立每个摄像机视角下的图像到物理世界的标定关系。w应变换算法是计算机视觉领域的基础内容，并已经广泛被OPENCV(opensourcecomputer[0115]容易理解，在获得了每个图像对应的摄像机的直接线性变换矩阵L或者单应变换[0116]应当理解，上述方法实施例所涉及的步骤S101至步骤S105只是示意性地描述概行上述步骤S1041至步骤S1043和步骤S位置关联关系相同的规则建立标定图像中交通标志线的位置关联关系，最后执行步骤S1041至步骤S1043和步骤105重新计含N个交通标志线的标定图像后，对标定图像进行处理分析以检测出标定图像中的交通标积神经网络FastR-CNN，等等)，训练好的交通标志线检测模型具有检测交通标志线的能像以及图像中标定框对应的信息作为深度学习模型的输[0126]在一具体实施例中，可以利用交通标志线的颜色特征(交通标志线通常为白色或用训练好的MR_Adaboost分类器对多种交通标志线进行分类和识别，并将识别出的交通标是利用预先提取的多种交通标志线的HOG特征基于深度学习的目标检测算法或者基于传统机器视觉的目标检测算法在计算机视觉领域出的交通标志线的角点进行检测，从而获取交通标志线各角点在标定图像中的像素坐标。[0134]摄像机标定系统在步骤S104中获取标定模型中的交通标志线的角点的世界坐标区域的标定模型中交通标志线的数量和其所处位置与标定图像中交通标志线的数量和其基于DeepLabV3+网络的语义分割模型对道路交通标志线进行提取和分类，最后利用KD树云中提取出地面点云生成相应的强度特征图，对强度特征图中的道路交通标志线进行标出的交通标志线的角点进行检测，从而获取交通标志线各角点在标定模型中的世界坐标。的角点检测等)识别交通标志线的点云边界曲线上的角点。以基于小波变换的角点检测为定框中对应的交通标志线的所有角点根据其所属的模型标志线角点的检测，只需在上述步骤S1043中标定图像的角点和标定模型的角点进行匹配之[0154]镜头及传感器211中的镜头是视频监控系统的关键设备，它的质量优劣直接影响[0155]镜头及传感器211中的传感器可以是影像传感器，如电荷耦合器件(chargecoupleddevice，CCD)传感器或互补性氧化金属半导体(complementarymetaloxide到摄像机主控板213，摄像机主控板213具有刺刀螺母连接器(bayonetnutconnector，码处理器212可以包括镜像信号处理器(imagesignalprocessor，ISP)或图像解码器等，[0157]参见图11，图11为本申请实施例提供的一种用于摄像机[0159]处理单元202，用于在标定图像中找到上述K个特征点并获取K个特征点在标定图像中对应的像素坐标；处理单元202还用于在标定模型中查找K个特征点并获取K个特征点定图像中获取K个特征点的像素坐标方法可参照上述实施例中的S401和S402，标定模型中像素坐标和K个世界坐标是一一对应的。具体地，摄像机进行标定的方法可参照上述步骤[0163