一種應(yīng)用智能駕駛的相機(jī)和場景關(guān)聯(lián)標(biāo)定方法及系統(tǒng)與流程
本發(fā)明涉及相機(jī)標(biāo)定技術(shù)領(lǐng)域，尤其涉及的是一種應(yīng)用智能駕駛的相機(jī)和場景關(guān)聯(lián)標(biāo)定方法及系統(tǒng)。
背景技術(shù)：
現(xiàn)有技術(shù)中基于視覺傳感器的道路場景感知技術(shù)被廣泛應(yīng)用于自動駕駛、半自動駕駛和高級駕駛輔助系統(tǒng)(advanceddriverassistancesystems,adas)中(統(tǒng)稱為智能駕駛)，這些視覺傳感器即通常說的車載相機(jī)，主要功能是連續(xù)感知汽車周圍特別是前方的可見光圖像信息并發(fā)送到處理器進(jìn)行場景分析理解，經(jīng)過相關(guān)的決策處理后反饋給用戶或直接介入駕駛系統(tǒng)。
單個車載相機(jī)實現(xiàn)了從三維現(xiàn)實世界到二維圖像的映射，即px=u（1）；
其中p為投影矩陣形，x和u分別是世界坐標(biāo)（三維）和圖像坐標(biāo)(二維)的齊次坐標(biāo)表達(dá)式。公式(1)中的p為3x4的矩陣，即
矩陣p可以進(jìn)一步分解為相機(jī)的內(nèi)參數(shù)矩陣和外參數(shù)矩陣；
由于p不可逆，導(dǎo)致無法從圖像直接恢復(fù)出目標(biāo)的真實大小以及離相機(jī)的位置等對智能駕駛至關(guān)重要的信息。
通常做法是通過逼近的辦法解決信息丟失的問題，將p簡化為單映矩陣h：
h為可逆矩陣，實現(xiàn)了從二維到二維的透射投影變換，基于矩陣h可以將三維世界中的平面（例如路面）與圖像平面建立關(guān)聯(lián)。
基于單目相機(jī)的相機(jī)標(biāo)定主要是根據(jù)成像信息估計出單映矩陣h以及h中包含的相機(jī)內(nèi)外參數(shù)信息。常用的方法主要有：1.基于車道線等一些道路中已有的標(biāo)志點如標(biāo)線等估計成像平面與道路平面的單映矩陣，同時恢復(fù)出相應(yīng)的相機(jī)內(nèi)參數(shù)和大部分外參數(shù)。2.通過人為放置特定的標(biāo)定桿、標(biāo)定板等進(jìn)行對相機(jī)內(nèi)外參數(shù)進(jìn)行全面標(biāo)定，并計算出相機(jī)成像畸變情況。
從技術(shù)和實施上，上述方式存在一些缺點：
1、標(biāo)定和計算過程較為繁瑣，需要較多的人為干預(yù)；
2、只能得到相機(jī)內(nèi)外參數(shù)等中間結(jié)果，需要增加額外的計算才能得到最終的目標(biāo)－圖像映射關(guān)系；
3、難以實現(xiàn)與自動檢測算法結(jié)合，并且無法加速檢測算法；
4、無法檢測相機(jī)安裝配置的變化。
因此，針對上述缺陷，現(xiàn)有技術(shù)還有待于改進(jìn)和發(fā)展。
技術(shù)實現(xiàn)要素：
本發(fā)明要解決的技術(shù)問題在于，針對現(xiàn)有技術(shù)的上述缺陷，提供一種應(yīng)用智能駕駛的相機(jī)和場景關(guān)聯(lián)標(biāo)定方法及系統(tǒng)，旨在通過在車輛上安裝的相機(jī)對出現(xiàn)在相機(jī)視野中的目標(biāo)物體進(jìn)行標(biāo)定，本發(fā)明汽車相機(jī)標(biāo)定具有簡單、快速、準(zhǔn)確、不受環(huán)境限制的優(yōu)點，無論車輛行駛在高速公路，還是城市道路上均可以進(jìn)行標(biāo)定，同時，當(dāng)車停在城市道路上，甚至是停在地下停車庫時，只要有行人出現(xiàn)在相機(jī)視野中就可以進(jìn)行標(biāo)定。
本發(fā)明解決技術(shù)問題所采用的技術(shù)方案如下：
一種應(yīng)用智能駕駛的相機(jī)和場景關(guān)聯(lián)標(biāo)定方法，其中，所述方法包括：
步驟a，預(yù)先通過設(shè)置在車輛擋風(fēng)玻璃上并調(diào)好視角的相機(jī)監(jiān)測處于相機(jī)視野中的單個或多個目標(biāo)物體；
步驟b，當(dāng)所述目標(biāo)物體在相機(jī)視野中走動時通過相機(jī)進(jìn)行成像，檢測器檢測得到目標(biāo)物體在圖像坐標(biāo)中的位置和高度信息作為標(biāo)定數(shù)據(jù)；
步驟c，根據(jù)所述標(biāo)定數(shù)據(jù)通過離線計算或者在線學(xué)習(xí)的方式對用于表示目標(biāo)物體圖像位置和高度關(guān)系的標(biāo)定模型進(jìn)行更新。
所述的應(yīng)用智能駕駛的相機(jī)和場景關(guān)聯(lián)標(biāo)定方法，其中，所述步驟b具體包括：
步驟b1，自動采集出現(xiàn)在相機(jī)視野中包含目標(biāo)物體的圖像數(shù)據(jù)；
步驟b2，通過目標(biāo)檢測算法檢測出目標(biāo)物體在圖像中的位置和高度；
步驟b3，建立目標(biāo)物體的位置和高度的映射關(guān)系圖。
所述的應(yīng)用智能駕駛的相機(jī)和場景關(guān)聯(lián)標(biāo)定方法，其中，所述步驟b2具體包括：
步驟b21，選取圖像中的通道特征圖像作為原始輸入圖像進(jìn)行進(jìn)一步的特征提取和分類器訓(xùn)練，用于目標(biāo)物體的檢測；
步驟b22，選擇迭代算法作為分類框架、決策樹作為弱分類器，通過決策樹進(jìn)行分類并將所有決策樹判定的分?jǐn)?shù)之和作為檢測分?jǐn)?shù)用于篩選目標(biāo)物體；
步驟b23，通過采用滑動窗口和多尺度的方式對目標(biāo)物體進(jìn)行搜索，得到目標(biāo)物體在圖像中的位置和高度。
所述的應(yīng)用智能駕駛的相機(jī)和場景關(guān)聯(lián)標(biāo)定方法，其中，所述步驟b3具體包括：
建立位置和高度的多項式映射，所述多項式映射反映了平面(x，y)到高度h的映射為：h=f（x，y），其中f為多項式，用于表示平面或高階曲面，（x，y）表示位置，h表示高度；
當(dāng)目標(biāo)物體的成像高度在圖像中表現(xiàn)為線性分布時，此時f定義為一個平面函數(shù)：f（x，y）=ax+by+c；此時h由線性函數(shù)逼近為：h=ax+by+c；
當(dāng)h由二階函數(shù)逼近為：h=ax2+by2+cx+dy+e；函數(shù)公式的選擇取決于相機(jī)的成像特性；
當(dāng)標(biāo)定數(shù)據(jù)獲取后，得到一系列的標(biāo)定點對（x1，y1，h1），（x2，y2，h2），…，（xn，yn，hn），通過所述標(biāo)定點對利用最小二乘法估計出f（x，y）函數(shù)中的映射系數(shù)。
所述的應(yīng)用智能駕駛的相機(jī)和場景關(guān)聯(lián)標(biāo)定方法，其中，所述離線計算的方式為：收集到一定數(shù)量的標(biāo)定數(shù)據(jù)（x，y，h）收后，利用最小二乘法一次性估計f（x，y）的參數(shù)標(biāo)定過程；
所述在線學(xué)習(xí)的方式為：每間隔一定時間，對圖像進(jìn)行目標(biāo)檢測，得到標(biāo)定數(shù)據(jù)。
所述的應(yīng)用智能駕駛的相機(jī)和場景關(guān)聯(lián)標(biāo)定方法，其中，在檢測和收集目標(biāo)物體成像數(shù)據(jù)時，同時采用二維熱力學(xué)圖來展示目標(biāo)在畫面中的分布情況。
所述的應(yīng)用智能駕駛的相機(jī)和場景關(guān)聯(lián)標(biāo)定方法，其中，當(dāng)系統(tǒng)完成標(biāo)定模型后，采用在二維圖中嵌入形變后的三維立體，用于展示目標(biāo)在場景中的高度變化以及揭示場景的三維結(jié)構(gòu)。
一種應(yīng)用智能駕駛的相機(jī)和場景關(guān)聯(lián)標(biāo)定系統(tǒng)，其中，所述系統(tǒng)包括：
目標(biāo)檢測模塊，用于預(yù)先通過設(shè)置在車輛擋風(fēng)玻璃上并調(diào)好視角的相機(jī)監(jiān)測處于相機(jī)視野中的單個或多個目標(biāo)物體；
數(shù)據(jù)檢測模塊，用于當(dāng)所述目標(biāo)物體在相機(jī)視野中走動時通過相機(jī)進(jìn)行成像，檢測器檢測得到目標(biāo)物體在圖像坐標(biāo)中的位置和高度信息作為標(biāo)定數(shù)據(jù)；
模型更新模塊，用于根據(jù)所述標(biāo)定數(shù)據(jù)通過離線計算或者在線學(xué)習(xí)的方式對用于表示目標(biāo)物體圖像位置和高度關(guān)系的標(biāo)定模型進(jìn)行更新。
所述的應(yīng)用智能駕駛的相機(jī)和場景關(guān)聯(lián)標(biāo)定系統(tǒng)，其中，所述數(shù)據(jù)檢測模塊具體包括：
數(shù)據(jù)采集單元，用于自動采集出現(xiàn)在相機(jī)視野中包含目標(biāo)物體的圖像數(shù)據(jù)；
算法檢測單元，用于通過目標(biāo)檢測算法檢測出目標(biāo)物體在圖像中的位置和高度；
映射建立單元，用于建立目標(biāo)物體的位置和高度的映射關(guān)系圖。
所述的應(yīng)用智能駕駛的相機(jī)和場景關(guān)聯(lián)標(biāo)定系統(tǒng)，其中，所述算法檢測單元具體還包括：
訓(xùn)練檢測單元，用于選取圖像中的通道特征圖像作為原始輸入圖像進(jìn)行進(jìn)一步的特征提取和分類器訓(xùn)練，用于目標(biāo)物體的檢測；
目標(biāo)篩選單元，用于選擇迭代算法作為分類框架、決策樹作為弱分類器，通過決策樹進(jìn)行分類并將所有決策樹判定的分?jǐn)?shù)之和作為檢測分?jǐn)?shù)用于篩選目標(biāo)物體；
目標(biāo)搜索單元，用于通過采用滑動窗口和多尺度的方式對目標(biāo)物體進(jìn)行搜索，得到目標(biāo)物體在圖像中的位置和高度。
所述的應(yīng)用智能駕駛的相機(jī)和場景關(guān)聯(lián)標(biāo)定系統(tǒng)，其中，所述映射建立單元具體包括：
用于建立位置和高度的多項式映射，所述多項式映射反映了平面(x，y)到高度h的映射為：h=f（x，y），其中f為多項式，用于表示平面或高階曲面，（x，y）表示位置，h表示高度；
當(dāng)目標(biāo)物體的成像高度在圖像中表現(xiàn)為線性分布時，此時f定義為一個平面函數(shù)：f（x，y）=ax+by+c；此時h由線性函數(shù)逼近為：h=ax+by+c；
當(dāng)h由二階函數(shù)逼近為：h=ax2+by2+cx+dy+e；函數(shù)公式的選擇取決于相機(jī)的成像特性；
當(dāng)標(biāo)定數(shù)據(jù)獲取后，得到一系列的標(biāo)定點對（x1，y1，h1），（x2，y2，h2），…，（xn，yn，hn），通過所述標(biāo)定點對利用最小二乘法估計出f（x，y）函數(shù)中的映射系數(shù)。
所述的應(yīng)用智能駕駛的相機(jī)和場景關(guān)聯(lián)標(biāo)定系統(tǒng)，其中，所述模型更新模塊中所述離線計算的方式為：收集到一定數(shù)量的標(biāo)定數(shù)據(jù)（x，y，h）收后，利用最小二乘法一次性估計f（x，y）的參數(shù)標(biāo)定過程；
所述在線學(xué)習(xí)的方式為：每間隔一定時間，對圖像進(jìn)行目標(biāo)檢測，得到標(biāo)定數(shù)據(jù)。
本發(fā)明公開了一種應(yīng)用智能駕駛的相機(jī)和場景關(guān)聯(lián)標(biāo)定方法及系統(tǒng)，預(yù)先通過設(shè)置在車輛擋風(fēng)玻璃上并調(diào)好視角的相機(jī)監(jiān)測處于相機(jī)視野中的單個或多個目標(biāo)物體；當(dāng)所述目標(biāo)物體在相機(jī)視野中走動時通過相機(jī)進(jìn)行成像，檢測器檢測得到目標(biāo)物體在圖像坐標(biāo)中的位置和高度信息作為標(biāo)定數(shù)據(jù)；在檢測和收集目標(biāo)物體成像數(shù)據(jù)時，同時采用二維熱力學(xué)圖來展示目標(biāo)在畫面中的分布情況；根據(jù)所述標(biāo)定數(shù)據(jù)通過離線計算或者在線學(xué)習(xí)的方式對用于表示目標(biāo)物體圖像位置和高度關(guān)系的標(biāo)定模型進(jìn)行更新；當(dāng)系統(tǒng)完成標(biāo)定模型后，采用在二維圖中嵌入形變后的三維立體，用于展示目標(biāo)在場景中的高度變化以及揭示場景的三維結(jié)構(gòu)。本發(fā)明通過在車輛上安裝的相機(jī)對出現(xiàn)在相機(jī)視野中的目標(biāo)物體進(jìn)行標(biāo)定，主要是對成像畫面中畫面、目標(biāo)物的結(jié)構(gòu)分布合理進(jìn)行標(biāo)定，本發(fā)明汽車相機(jī)標(biāo)定具有簡單、快速、準(zhǔn)確、不受環(huán)境限制的優(yōu)點。
附圖說明
圖1是本發(fā)明應(yīng)用智能駕駛的相機(jī)和場景關(guān)聯(lián)標(biāo)定方法的較佳實施例的流程圖。
圖2是本發(fā)明應(yīng)用智能駕駛的相機(jī)和場景關(guān)聯(lián)標(biāo)定方法中相機(jī)安裝示監(jiān)測意圖。
圖3是本發(fā)明應(yīng)用智能駕駛的相機(jī)和場景關(guān)聯(lián)標(biāo)定方法中目標(biāo)物體位置和高度表示方式的示意圖。
圖4是本發(fā)明應(yīng)用智能駕駛的相機(jī)和場景關(guān)聯(lián)標(biāo)定方法中標(biāo)定實驗中原始數(shù)據(jù)繪制的點云圖。
圖5是本發(fā)明應(yīng)用智能駕駛的相機(jī)和場景關(guān)聯(lián)標(biāo)定方法中標(biāo)定實驗中利用最小二乘法的曲面圖。
圖6是本發(fā)明應(yīng)用智能駕駛的相機(jī)和場景關(guān)聯(lián)標(biāo)定系統(tǒng)的較佳實施例的功能原理框圖。
具體實施方式
為使本發(fā)明的目的、技術(shù)方案及優(yōu)點更加清楚、明確，以下參照附圖并舉實施例對本發(fā)明進(jìn)一步詳細(xì)說明。應(yīng)當(dāng)理解，此處所描述的具體實施例僅僅用以解釋本發(fā)明，并不用于限定本發(fā)明。
請參閱圖1，圖1是本發(fā)明應(yīng)用智能駕駛的相機(jī)和場景關(guān)聯(lián)標(biāo)定方法的較佳實施例的流程圖。
如圖1所示，本發(fā)明實施例提供的一種應(yīng)用智能駕駛的相機(jī)和場景關(guān)聯(lián)標(biāo)定方法，包括以下步驟：
步驟s100，預(yù)先通過設(shè)置在車輛擋風(fēng)玻璃上并調(diào)好視角的相機(jī)監(jiān)測處于相機(jī)視野中的單個或多個目標(biāo)物體。
本發(fā)明具體實施時，預(yù)先將相機(jī)安裝在車輛擋風(fēng)玻璃上，并調(diào)節(jié)好相機(jī)視角，用于相機(jī)監(jiān)測處于相機(jī)視野中的單個或多個目標(biāo)物體，主要是行動的人，如圖2所示，相機(jī)安裝在汽車擋風(fēng)玻璃上方位置的正前方，便于最大視角的拍攝汽車前方的目標(biāo)物體的圖像。
步驟s200，當(dāng)所述目標(biāo)物體在相機(jī)視野中走動時通過相機(jī)進(jìn)行成像，檢測器檢測得到目標(biāo)物體在圖像坐標(biāo)中的位置和高度信息作為標(biāo)定數(shù)據(jù)。
本發(fā)明中，具體標(biāo)定過程為：首先，自動采集出現(xiàn)在相機(jī)視野中包含目標(biāo)物體的圖像數(shù)據(jù)。圖2所示標(biāo)定裝置中，行人在相機(jī)視野中走動，相機(jī)就能獲取這段時間的標(biāo)定數(shù)據(jù)，這樣進(jìn)行的標(biāo)定方法使得標(biāo)定流程簡單，方便不懂技術(shù)的人操作，同時標(biāo)定不受環(huán)境的影響。
其次，通過目標(biāo)檢測算法檢測出目標(biāo)物體在圖像中的位置和高度；對于相機(jī)獲得的圖像，本發(fā)明可以通過icf目標(biāo)檢測算法對其進(jìn)行了算法改進(jìn)，檢測出目標(biāo)（此處以行人為例）在圖像中的位置（x，y）和高度h，其中目標(biāo)的坐標(biāo)表示方式如圖3所示。
目標(biāo)檢測算法檢測出目標(biāo)物體在圖像中的位置和高度的過程為：
s1，選取圖像中的通道特征圖像作為原始輸入圖像進(jìn)行進(jìn)一步的特征提取和分類器訓(xùn)練，用于目標(biāo)物體的檢測；通道特征是指對圖像進(jìn)行某些操作(例如卷積)而得到的結(jié)果圖像，通常的做法是自動或手動選取一系列不同的卷積核對輸入圖像進(jìn)行卷積操作從而得到一系列的特征通道圖像，然后將這些特征通道圖像代表原始輸入圖像進(jìn)行進(jìn)一步的特征提取和分類器訓(xùn)練(例如提取lbp（localbinarypattern，局部二值模式，是一種用來描述圖像局部紋理特征的算子，具有旋轉(zhuǎn)不變性和灰度不變性等顯著的優(yōu)點）特征進(jìn)行adaboost（adaboost是一種迭代算法，其核心思想是針對同一個訓(xùn)練集訓(xùn)練不同的分類器(弱分類器)，然后把這些弱分類器集合起來，構(gòu)成一個更強(qiáng)的最終分類器（強(qiáng)分類器））訓(xùn)練）用于分類器的訓(xùn)練（分類器的訓(xùn)練獲得分類模型）和目標(biāo)的檢測。
s2，選擇迭代算法（adaboost）作為分類框架、決策樹（提供一個屬性集合，決策樹通過在屬性集的基礎(chǔ)上作出一系列的決策，將數(shù)據(jù)分類）作為弱分類器（分類器的強(qiáng)弱是其分類能力的一種描述，其實就是字面意思，能夠迅速正確的識別的過程就是強(qiáng)分類器，而易錯的則是弱分類器，強(qiáng)分類器可以由多個弱分類器組成），通過決策樹進(jìn)行分類并將所有決策樹判定的分?jǐn)?shù)之和作為檢測分?jǐn)?shù)用于篩選目標(biāo)物體。
s3，通過采用滑動窗口和多尺度（對輸入圖像提取同樣的通道特征，然后采用與訓(xùn)練時相同的弱分類器進(jìn)行目標(biāo)分類，由于目標(biāo)的大小不定，并且可能出現(xiàn)在圖像中的任意位置，因此首先對圖像進(jìn)行多尺度縮放，然后采用滑動窗口方式以一定的步長從這些不同尺度的圖像的左上角遍歷至圖像右下角，在每一個可能的位置和大小提取圖像區(qū)域進(jìn)行分類決策）的方式對目標(biāo)物體進(jìn)行搜索，得到目標(biāo)物體在圖像中的位置和高度。
最后，建立目標(biāo)物體的位置和高度的映射關(guān)系圖。
假設(shè)目標(biāo)物體真實大小位置與其在圖像中對應(yīng)的像素大小和位置存在多項式的映射關(guān)系，然后根據(jù)大量標(biāo)定物的成像數(shù)據(jù)對這種映射關(guān)系進(jìn)行估計，映射關(guān)系建立如下：
建立位置和高度的多項式映射，所述多項式映射反映了平面(x，y)到高度h的映射為：h=f（x，y），其中f為多項式，用于表示平面或高階曲面，（x，y）表示位置，h表示高度；
當(dāng)目標(biāo)物體的成像高度在圖像中表現(xiàn)為線性分布時，此時f定義為一個平面函數(shù)：f（x，y）=ax+by+c；此時h由線性函數(shù)逼近為：h=ax+by+c；
當(dāng)h由二階函數(shù)逼近為：h=ax2+by2+cx+dy+e；函數(shù)公式的選擇取決于相機(jī)的成像特性；
當(dāng)標(biāo)定數(shù)據(jù)獲取后，得到一系列的標(biāo)定點對（x1，y1，h1），（x2，y2，h2），…，（xn，yn，hn），通過所述標(biāo)定點對利用最小二乘法估計出f（x，y）函數(shù)中的映射系數(shù)。
本發(fā)明中，如圖4、圖5所示，給出了在640
在檢測和收集目標(biāo)物體成像數(shù)據(jù)時，同時采用二維熱力學(xué)圖來展示目標(biāo)在畫面中的分布情況。例如：經(jīng)過一段時間的目標(biāo)數(shù)據(jù)收集時，二維熱力學(xué)圖展示目標(biāo)在畫面中的分布情況：顏色越偏向紅色代表目標(biāo)在該位置的次數(shù)越多，顏色越偏向藍(lán)色則代表目標(biāo)出現(xiàn)在該位置的次數(shù)越少，為保證采集目標(biāo)數(shù)據(jù)的均勻性，也為提高數(shù)據(jù)在后續(xù)建模的效率，用戶和工程人員可以根據(jù)實際情況對畫面中目標(biāo)分布進(jìn)行調(diào)整（在智能駕駛場景中，行駛到目標(biāo)分布更加均勻的位置，或者在靜止時，讓目標(biāo)移動至熱力圖中偏藍(lán)的位置）。
步驟s300，根據(jù)所述標(biāo)定數(shù)據(jù)通過離線計算或者在線學(xué)習(xí)的方式對用于表示目標(biāo)物體圖像位置和高度關(guān)系的標(biāo)定模型進(jìn)行更新。
本發(fā)明中，所述離線計算的方式為：收集到一定數(shù)量的標(biāo)定數(shù)據(jù)（x，y，h）收后，利用最小二乘法一次性估計f（x，y）的參數(shù)標(biāo)定過程；所述在線學(xué)習(xí)的方式為：每間隔一定時間，對圖像進(jìn)行目標(biāo)檢測，得到標(biāo)定數(shù)據(jù)。
另外，當(dāng)系統(tǒng)完成標(biāo)定模型后，采用在二維圖中嵌入形變后的三維立體，用于展示目標(biāo)在場景中的高度變化以及揭示場景的三維結(jié)構(gòu)。為了更直觀的表示目標(biāo)在圖像中的高度分布情況，同時更好的揭示場景的三維結(jié)構(gòu)，采用在二維圖中嵌入形變后的三維立體，以展示目標(biāo)在場景中的高度變化，供用戶、工程人員了解本次標(biāo)定后畫面結(jié)構(gòu)狀態(tài)。
下面通過本發(fā)明標(biāo)定方法的進(jìn)行應(yīng)用實施舉例：
應(yīng)用1：加速目標(biāo)檢測和排除誤報。
建立相機(jī)和場景關(guān)聯(lián)模型后，可根據(jù)公式h=f（x，y）對得到所檢測目標(biāo)的大小和位置進(jìn)行檢驗。假設(shè)某次檢測得到的目標(biāo)位置和高度為（x*，y*，h*），則判斷f（x*，y*）與h*之差是否在一定的范圍內(nèi)，即
∣f（x*，y*）-h*∣﹤σ
判斷是否成立，如果成式，則該檢測有效，否則判斷為無效。其中σ為預(yù)設(shè)定閾值或者根據(jù)歷史樣得學(xué)習(xí)到得的閾值。通過公式∣f（x*，y*）-h*∣﹤σ可以實現(xiàn)一定程度的誤報排除；另外，給定一個較為寬松的σ值，可以反推得到每個不同坐標(biāo)（x，y）下所對應(yīng)的h值范圍，即
f（x，y）-σ﹤h﹤f（x，y）+σ
此時可以在多尺度搜索目標(biāo)時大大加速搜索過程，帶來的好處是，隨著用戶使用時間的推移，標(biāo)定數(shù)據(jù)越來越多，則對模型參數(shù)和σ的估計將越來越精確，最終帶來的好處是目標(biāo)檢測系統(tǒng)的運行會越來越流暢。
應(yīng)用2：相機(jī)安裝移位檢測。
當(dāng)系統(tǒng)運行進(jìn)入穩(wěn)定狀態(tài)后，利用本發(fā)明提出的標(biāo)定方法，可以很容易監(jiān)測相機(jī)的安裝位置、角度、焦距等是否發(fā)生了較大的變化。具體方式為：每隔一定時間采用全圖搜索的方式對目標(biāo)物體進(jìn)行檢測，將全圖檢測的結(jié)果輸入公式∣f（x*，y*）-h*∣﹤σ進(jìn)行判斷。如果發(fā)現(xiàn)在一定的時間段內(nèi)被拒絕的檢測比例超過一定的值（例如90%），則判斷目標(biāo)安裝狀態(tài)發(fā)生了變化，此時提示用戶進(jìn)行干預(yù)或者自動重新初始化。
本發(fā)明標(biāo)定具有不受環(huán)境限制的優(yōu)點，車輛行駛在高速公路、城市道路上均可以進(jìn)行標(biāo)定，同時，當(dāng)車停在城市道路上，甚至是停在地下停車庫時，只要有行人出現(xiàn)在相機(jī)視野中就可以進(jìn)行標(biāo)定。
基于上述實施例，本發(fā)明還提供一種應(yīng)用智能駕駛的相機(jī)和場景關(guān)聯(lián)標(biāo)定系統(tǒng)，請參閱圖6，圖6是本發(fā)明應(yīng)用智能駕駛的相機(jī)和場景關(guān)聯(lián)標(biāo)定系統(tǒng)的較佳實施例的功能原理框圖。
如圖6所示，所述系統(tǒng)包括：
目標(biāo)檢測模塊10，用于預(yù)先通過設(shè)置在車輛擋風(fēng)玻璃上并調(diào)好視角的相機(jī)監(jiān)測處于相機(jī)視野中的單個或多個目標(biāo)物體；具體如上所述。
數(shù)據(jù)檢測模塊20，用于當(dāng)所述目標(biāo)物體在相機(jī)視野中走動時通過相機(jī)進(jìn)行成像，檢測器檢測得到目標(biāo)物體在圖像坐標(biāo)中的位置和高度信息作為標(biāo)定數(shù)據(jù)；具體如上所述。
模型更新模塊30，用于根據(jù)所述標(biāo)定數(shù)據(jù)通過離線計算或者在線學(xué)習(xí)的方式對用于表示目標(biāo)物體圖像位置和高度關(guān)系的標(biāo)定模型進(jìn)行更新；具體如上所述。
進(jìn)一步地，所述的應(yīng)用智能駕駛的相機(jī)和場景關(guān)聯(lián)標(biāo)定系統(tǒng)，其中，所述數(shù)據(jù)檢測模塊具體包括：
數(shù)據(jù)采集單元，用于自動采集出現(xiàn)在相機(jī)視野中包含目標(biāo)物體的圖像數(shù)據(jù)；具體如上所述。
算法檢測單元，用于通過目標(biāo)檢測算法檢測出目標(biāo)物體在圖像中的位置和高度；具體如上所述。
映射建立單元，用于建立目標(biāo)物體的位置和高度的映射關(guān)系圖；具體如上所述。
進(jìn)一步地，所述的應(yīng)用智能駕駛的相機(jī)和場景關(guān)聯(lián)標(biāo)定系統(tǒng)，其中，所述算法檢測單元具體還包括：
訓(xùn)練檢測單元，用于選取圖像中的通道特征圖像作為原始輸入圖像進(jìn)行進(jìn)一步的特征提取和分類器訓(xùn)練，用于目標(biāo)物體的檢測；具體如上所述。
目標(biāo)篩選單元，用于選擇迭代算法作為分類框架、決策樹作為弱分類器，通過決策樹進(jìn)行分類并將所有決策樹判定的分?jǐn)?shù)之和作為檢測分?jǐn)?shù)用于篩選目標(biāo)物體；具體如上所述。
目標(biāo)搜索單元，用于通過采用滑動窗口和多尺度的方式對目標(biāo)物體進(jìn)行搜索，得到目標(biāo)物體在圖像中的位置和高度；具體如上所述。
進(jìn)一步地，所述的應(yīng)用智能駕駛的相機(jī)和場景關(guān)聯(lián)標(biāo)定系統(tǒng)，其中，所述映射建立單元具體包括：
用于建立位置和高度的多項式映射，所述多項式映射反映了平面(x，y)到高度h的映射為：h=f（x，y），其中f為多項式，用于表示平面或高階曲面，（x，y）表示位置，h表示高度；
當(dāng)目標(biāo)物體的成像高度在圖像中表現(xiàn)為線性分布時，此時f定義為一個平面函數(shù)：f（x，y）=ax+by+c；此時h由線性函數(shù)逼近為：h=ax+by+c；
當(dāng)h由二階函數(shù)逼近為：h=ax2+by2+cx+dy+e；函數(shù)公式的選擇取決于相機(jī)的成像特性；
當(dāng)標(biāo)定數(shù)據(jù)獲取后，得到一系列的標(biāo)定點對（x1，y1，h1），（x2，y2，h2），…，（xn，yn，hn），通過所述標(biāo)定點對利用最小二乘法估計出f（x，y）函數(shù)中的映射系數(shù)；具體如上所述。
進(jìn)一步地，所述的應(yīng)用智能駕駛的相機(jī)和場景關(guān)聯(lián)標(biāo)定系統(tǒng)，其中，所述模型更新模塊中所述離線計算的方式為：收集到一定數(shù)量的標(biāo)定數(shù)據(jù)（x，y，h）收后，利用最小二乘法一次性估計f（x，y）的參數(shù)標(biāo)定過程；
所述在線學(xué)習(xí)的方式為：每間隔一定時間，對圖像進(jìn)行目標(biāo)檢測，得到標(biāo)定數(shù)據(jù)；具體如上所述。
綜上所述，本發(fā)明公開了一種應(yīng)用智能駕駛的相機(jī)和場景關(guān)聯(lián)標(biāo)定方法及系統(tǒng)，預(yù)先通過設(shè)置在車輛擋風(fēng)玻璃上并調(diào)好視角的相機(jī)監(jiān)測處于相機(jī)視野中的單個或多個目標(biāo)物體；當(dāng)所述目標(biāo)物體在相機(jī)視野中走動時通過相機(jī)進(jìn)行成像，檢測器檢測得到目標(biāo)物體在圖像坐標(biāo)中的位置和高度信息作為標(biāo)定數(shù)據(jù)；在檢測和收集目標(biāo)物體成像數(shù)據(jù)時，同時采用二維熱力學(xué)圖來展示目標(biāo)在畫面中的分布情況；根據(jù)所述標(biāo)定數(shù)據(jù)通過離線計算或者在線學(xué)習(xí)的方式對用于表示目標(biāo)物體圖像位置和高度關(guān)系的標(biāo)定模型進(jìn)行更新；當(dāng)系統(tǒng)完成標(biāo)定模型后，采用在二維圖中嵌入形變后的三維立體，用于展示目標(biāo)在場景中的高度變化以及揭示場景的三維結(jié)構(gòu)。本發(fā)明通過在車輛上安裝的相機(jī)對出現(xiàn)在相機(jī)視野中的目標(biāo)物體進(jìn)行標(biāo)定，主要是對成像畫面中畫面、目標(biāo)物的結(jié)構(gòu)分布合理進(jìn)行標(biāo)定，本發(fā)明汽車相機(jī)標(biāo)定具有簡單、快速、準(zhǔn)確、不受環(huán)境限制的優(yōu)點。
當(dāng)然，本領(lǐng)域普通技術(shù)人員可以理解實現(xiàn)上述實施例方法中的全部或部分流程，是可以通過計算機(jī)程序來指令相關(guān)硬件（如處理器，控制器等）來完成，所述的程序可存儲于一計算機(jī)可讀取的存儲介質(zhì)中，該程序在執(zhí)行時可包括如上述各方法實施例的流程。其中所述的存儲介質(zhì)可為存儲器、磁碟、光盤等。
應(yīng)當(dāng)理解的是，本發(fā)明的應(yīng)用不限于上述的舉例，對本領(lǐng)域普通技術(shù)人員來說，可以根據(jù)上述說明加以改進(jìn)或變換，所有這些改進(jìn)和變換都應(yīng)屬于本發(fā)明所附權(quán)利要求的保護(hù)范圍。
- 還沒有人留言評論。精彩留言會獲得點贊！