具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

如上文所述，在智能交通领域，相机相对于车辆的位置准确与否关系着智能交通使用者的用户体验。如果相机相对于车辆的位置不准确，一旦这些不准确的数据被用于进行智能交通的操作运算，则可能导致所计算的结果不准确。特别地，在无人驾驶领域，如果这些不准确的结果被加以利用，可能诱发严重的安全事故。

现有技术中存在多种对相机相对于车辆的位置进行标定的方法。然而，在标定之后，车辆在行驶过程中由于震动等因素的影响，这些标定的数据可能变得不再准确。在现有的方案中，需要车辆的使用者定期到车辆售后部门去对相机的标定位置进行评估。这会额外增加用户的时间成本，这极大地降低了用户的使用体验。

针对上述问题，本公开的实施方式提供了一种用于评估目标物体的相机标定位置的方案。下面将结合图1到图5来具体描述本公开的示例性实施方式。

图1示出了本公开的多个实施例能够在其中实现的示例环境100的示意图。如图1所示，在环境100中，车辆110正处在某个场地上。例如，车辆110可以行驶在交通网络的道路中或者停放在停车场内。在图1的环境中，可以对车辆110上的相机的标定位置进行评估。

在本公开的语境下，术语“车辆”可以采用各种形式。车辆110可以是电动车辆、燃油车辆，也可以是采用混合动力的车辆。在一些实施例中，车辆110可以是轿车、卡车、拖车、摩托车、公交车、农用车辆、娱乐车辆或建筑车辆，等等。在一些实施例中，车辆110可以采取例如船舶、飞行器、火车等形式。在一些实施例中，车辆110可以是家用车辆、运营性质的客运车辆或运营性质的货运车辆，等等。在一些实施例中，车辆110可以是配备一定自动驾驶能力的车辆，其中自动驾驶能力可以包括但不限于辅助驾驶能力、半自动驾驶能力、高度自动驾驶能力或者完全自动驾驶能力。

如图1所示，车辆110上设置有多个相机，例如位于车辆110的左侧的左相机132、位于车辆110前侧的前相机134、位于车辆110右侧的右相机136和位于车辆110后侧的后相机138。应当理解的是，相机的数目和位置仅仅是示意性的，而非限制性的。车辆110上可以设置更多或更少的相机，并且这些相机中的某些相机可以位于车辆110的同一侧上。本公开在此方面不作限制。

在一些实施例中，相机可以是鱼眼相机，其具有接近或等于180°的视角。当然，相机也可以采用其他类型，只要相机可以捕获到清晰可用的图像即可。

图2示出了根据本公开的一些实施方式的对相机的标定位置进行评分的方法200的流程图。该方法200可以由车辆110中的各种类型的计算设备执行。

在框202处，获取参照区域120在物体坐标系O-xyz下的位置，其中所述物体坐标系基于目标物体建立。

在一些实施例中，目标物体可以是图1所示的车辆110。物体坐标系O-xyz可以建立在车辆110的后轮轴的中心处。也就是说，可以将该物体坐标系O-xyz的原点O设置在车辆110的后轴的中心处。然而，应当理解的是，这样的设置方式仅仅是示意性的。根据不同的使用场景，可以将物体坐标系O-xyz设置在车辆110的任何位置处。本公开的实施例对此不做限制。尽管图1的俯视图中示出了呈二维形式的物体坐标系O-xyz，应该理解的是，物体坐标系O-xyz是建立在车辆110上的三维坐标系。三维坐标系的z轴可以是与重力方向平行的方向，而三维坐标系的x轴和y轴可以平行于车辆的宽度方向和长度方向。应该理解的是，这也仅仅是示意性的，物体坐标系O-xyz的具体建立方式不受到本公开的实施例的限制。

在一些实施例中，参照区域120可以是在物体坐标系O-xyz下选取的一个虚拟区域，例如可以是一个立方体。例如，在图1的实施例中，参照区域120是边长平行于物体坐标系O-xyz的轴线的立方体。应当理解的是，这仅仅是出于计算简便的考虑。在其他的实施例中，参照区域120可以是其他形式，例如圆柱体，球体，等等。

在另一些实施例中，参照区域120也可以是与车辆110处在同一个空间下的某个实际存在的参照物体，例如可以是路障、道路标志线、路灯、旗杆、人员、另一辆车辆，等等。参照区域120的具体形式不受到本公开的实施例的限制。

在一些实施例中，如图1所示，第一相机和第二相机可以分别是位于车辆110的相邻侧的相机，例如位于左侧的左相机132和位于车辆110前侧的前相机134。或者，第一相机可以例如是位于车辆110右侧的右相机136，而第二相机可以例如是位于车辆110后侧的后相机138。然而，应当理解的是，这仅仅是示意性的，而非限制性的。在其他的实施例中，第一相机和第二相机还可以是位于车辆110的同一侧上的相机。例如，如果车辆110的左侧上安装有多个相机，则第一相机和第二相机也可以是安装在车辆110的左侧的不同位置处的相机。再如，第一相机和第二相机也可以安装在车辆110的非相邻的不同边上，例如第一相机可以是车辆的左相机132，第二相机可以是车辆的右相机136，只要这样的第一相机和第二相机可以同时拍摄到物体坐标系O-xyz的参照区域120即可。

仅仅出于说明的目的，下面将以左相机132和前相机134为例来继续描述本公开的实施方式。

返回参考图2，在框204，利用左相机132和前相机134分别获取针对参照区域120的第一图像332和第二图像334。参考图1，参照区域120可以设置在车辆110的左前方，以便于左相机132和前相机134能够同时拍摄到该参照区域120。

图3示出了根据本公开内容的示例性实施方式的左相机132和前相机134所拍摄的参照区域120的第一图像332和第二图像334的示意图。

返回参考图2，在框206，基于左相机132和前相机134的在物体坐标系O-xyz下的标定位置、以及参照区域120在物体坐标系O-xyz下的位置，分别确定在第一图像332的、与参照区域120相对应的第一图像区域322和在第二图像334中的、与参照区域120相对应的第二图像区域324。

左相机132相对于物体坐标系O-xyz的位置可以经过各种方式来标定。也就是说，从建立在左相机132上的左相机坐标系到物体坐标系O-xyz的变换矩阵是已知的。类似地，前相机134相对于物体坐标系O-xyz的位置可以经过各种方式来标定，因此从建立在前相机134上的前相机坐标系到物体坐标系O-xyz的变换矩阵也是已知的。因此，参考图1，根据左相机132的标定位置和所获取的参照区域120相对于物体坐标系O-xyz的位置，可以确定该参照区域120在左相机132拍摄的第一图像332中的第一图像区域322。类似地，根据前相机134的标定位置和所获取的参照区域120相对于物体坐标系O-xyz的位置，可以确定该参照区域120在前相机134拍摄的第二图像334中的第二图像区域324。

如图3所示，在一些实施例中，第一图像区域322可以是第一图像332中的矩形区域。类似地，第二图像区域324可以是第二图像334中的矩形区域。尽管图中示出的第一图像区域322和第二图像区域324具有相同的尺寸，然而，在其他实施例中，两者可以具有不同的尺寸。

返回参考图2，在框208，基于第一图像区域322和第二图像区域324的差异，对左相机132和前相机134的标定位置进行评估。

在一些实施例中，可以分别获取第一图像区域322和第二图像区域324中的各个像素点的像素值。根据从这两个区域得到的像素值之间的差异，并且基于这一差异给出相应的评价分数。

可以使用各种方法来衡量第一图像区域322和第二图像区域324之间的差异。在一些实施例中，这两个区域得到的像素之间的差异可以考虑像素的某些指标，并且基于这些指标来综合得到表征相应区域的像素。例如，参照图3，如果参照区域120在第一图像332中对应的第一图像区域322是一个4×4的区域，则依次获取这16个像素的像素值。在一些实施例中，这里的像素值可以是像素点的RGB值。在获取这些像素值之后，可以得到这些像素值的一些统计值，将其作为第一图像区域322中所获取的各像素值的指标，例如这些像素值中的最大值V_max、最小值V_min、平均值V_mean、均方差V_mse等等。

在一些实施例中，可以为这些指标分别赋予相应的权重，来作为第一图像区域322的特征值C1。例如，可以利用公式(1)来计算该特征值C1：

C1＝w₁·V_max+w₂·V_min+w₃·V_mean+w₄·V_mse (1)

其中，w₁、w₂、w₃和w₄分别为对应于最大值V_max、最小值V_min、平均值V_mean和均方差V_mse的权重w_i。应当理解的是，尽管在计算第一图像区域322的特征值C1时只考虑了最大值V_max、最小值V_min、平均值V_mean和均方差V_mse这几个指标，根据不同的实现场景，可以包括更多或者更少的指标。具体的指标数目和含义不受到本公开的实施例的限制。此外，每个指标所对应的具体权重w_i也可以根据具体的使用场景来调整。

类似于第一图像区域322，也可以获取与第二图像区域324相关的特征值C2。通过计算第一图像区域322的特征值C1和第二图像区域324的特征值C2之间的差异，可以安装在车辆110的不同位置的左相机132和前相机134的差异程度，从而评估相机的标定位置是否准确。

例如，如果第一特征值C1与第二特征值C2之间的差异低于某一个阈值，说明左相机132和前相机134的标定位置相对准确，则可以赋予较高的评估分数。如果第一特征值C1与第二特征值C2之间的差异高于某一个阈值，说明左相机132和前相机134的标定位置相对不准确，则可以赋予较低的评估分数。在一些实施例中，如果第一特征值C1与第二特征值C2之间的差异太大，则可以向车辆110的使用者或维护者提供警报，从而确保车辆110的安全驾驶。

根据本公开的实施例，可以有效地对相机的标定位置是否准确进行量化，从而直观地对标定位置的精度进行评价。

在一些实施例中，在获取第一图像332和第二图像334时，会对所拍摄到的图像进行预处理，将其转化成俯视视图的图像。具体来说，利用左相机132和前相机134对参照区域120进行拍摄，从而分别获取第一原始图像和第二原始图像。随后对第一原始图像和第二原始图像加以变换，以确定针对该参照区域120的、分别在第一原始图像和第二原始图像中的俯视图像。可以采用已知的或将来研发出的各种方法来实现对图像的预处理。具体的预处理的方式不受到本公开的实施例的限制。根据这样的实现方式，针对同一个参照区域120拍摄到的图像，可以消除由于相机处在车辆120的不同位置所导致的畸变，从而进一步提升所拍摄的图像的可用性。

在一些实施例中，确定第一图像332中的与参照区域120对应的第一图像区域322包括：确定左相机132的左相机坐标系相对于物体坐标系O-xyz的空间变换矩阵T1，并且根据该空间变换矩阵T1、左相机132的参数和参照区域120在物体坐标系O-xyz下的位置，来计算得到第一图像区域322。在一些实施例中，确定第二图像334中的与参照区域120对应的第二图像区域324包括：确定前相机134的前相机坐标系相对于物体坐标系O-xyz的空间变换矩阵T2，并且根据该空间变换矩阵T2、前相机134的参数和参照区域120在物体坐标系O-xyz下的位置，来计算得到第二图像区域324。

在一些实施例中，左相机132和/或前相机134的参数包括镜头的焦距、畸变、厚度中的一项或多项。应当理解的是，这里列出的相机的参数仅仅是示意性的，而非限制性的。

在进一步的实施例中，如果所确定的第一图像区域322的特征值C1与第二图像区域324的特征值C2之间的差异小于预先设定的阈值，则表示左相机132和前相机134所标定的位置的不准确度还可以通过微调来优化。

在需要微调时，可以首先对左相机132和/或前相机134的标定位置进行尝试性调整。在一些实施例中，可以只调整左相机132和前相机134中的一个相机。在另一些实施例中，可以同时对左相机132和前相机134进行调整。随后，基于在物体坐标系O-xyz下的调整后的标定位置和参照区域的位置，获得经调整的第一图像区域322’和第二图像区域324’。类似于上面提及的步骤，基于经调整的第一图像区域322’和第二图像区域324’之间的差异，更新对左相机132和前相机134的标定位置的评估。例如，可以基于经调整的第一图像区域322’和第二图像区域324’之间的差异，来确定更新后的评估分数。

如果更新后的评估分数高于原来的评估分数，即调整后的第一图像区域322’和第二图像区域324’之间的差异小于原来的第一图像区域322和第二图像区域324之间的差异，这意味着，对左相机132和前相机134的标定位置进行的尝试性调整是有意义的，此时可以采用更新后的标定位置来替换原来的标定位置，并且将更新后的标定位置用于其他处理。这样的调整有利于进一步优化左相机132和前相机134之间的标定。

如果更新后的评估分数低于原来的评估分数，即调整后的第一图像区域322’和第二图像区域324’之间的差异大于原来的第一图像区域322和第二图像区域324之间的差异，这意味着，对左相机132和前相机134的标定位置进行的尝试性调整是不成功的，此时不对原来的标定位置进行更新和替换，并且可以开始下一次尝试性调整。

根据这样的实现方式，可以对车辆110上的相机的标定位置进行优化。由于这样的优化可以发生在车辆110使用周期的任何时候，例如车辆110停放在停车场时或者在交通道路中行驶时。因此可以有效地实现实时的优化。这意味着，无需车辆110的用户额外花费时间来调整相机的标定位置，从而极大地提升了用户的使用体验。

尽管上文参考左相机132和前相机134对本公开的方案进行了描述，但是可以理解的是，在评估相机的标定位置时，考虑车辆110上的三个或更多个的相机，只要这些相机可以同时捕捉到同一个参照区域120的图像即可。具体的方式不再赘述。

图4示意性示出了根据本公开内容的示例性实施方式的评估目标物体的相机标定位置的装置400的框图。具体地，该装置400包括：位置获取模块402，被配置为获取参照区域在物体坐标系下的位置，其中物体坐标系基于目标物体建立，目标物体包括至少第一相机和第二相机，第一相机和第二相机处于目标物体的不同位置处；图像获取模块404，被配置为利用第一相机和第二相机分别获取第一图像和第二图像，其中第一图像和第二图像分别针对参照区域而捕获；图像区域确定模块406，被配置为基于在物体坐标系下的第一相机和第二相机的标定位置和参照区域的位置，分别确定在第一图像中的、与参照区域相对应的第一图像区域和在第二图像中的、与参照区域相对应的第二图像区域；以及标定评估模块408，被配置为基于第一图像区域和第二图像区域的差异，对第一相机和第二相机的标定位置进行评估。

在一些实施例中，标定评估模块还被配置为：基于第一图像区域和第二图像区域中的各像素点的像素值，分别确定第一图像区域的第一特征值和第二图像区域的第二特征值；以及基于第一特征值和第二特征值的差异，对第一相机和第二相机的标定位置进行评估。

在一些实施例中，确定第一特征值包括：基于第一图像区域中的多个像素点的第一多个像素值，确定第一多个像素值的多个第一指标；以及基于多个第一指标和与多个第一指标相对应的权重，确定第一特征值；并且确定第二特征值包括：基于第二图像区域中的多个像素点的第二多个像素值，确定第二多个像素值的多个第二指标；以及基于多个第二指标和与多个第二指标相对应的权重，确定第二特征值。

在一些实施例中，获取第一图像和第二图像包括：利用第一相机和第二相机拍摄参照区域，以确定第一原始图像和第二原始图像；以及变换第一原始图像和第二原始图像，以确定针对参照区域的、分别在第一原始图像和第二原始图像中的俯视图像。

在一些实施例中，确定第一图像区域包括：确定第一相机相对于物体坐标系的第一空间变换矩阵；并且基于第一空间变换矩阵、第一相机的第一参数和参照区域在物体坐标系下的位置，确定第一图像区域；以及确定第二图像区域包括：确定第二相机相对于物体坐标系的第二空间变换矩阵；并且基于第二空间变换矩阵、第二相机的第二参数和参照区域在物体坐标系下的位置，确定第二图像区域。

在一些实施例中，对第一相机和第二相机的标定位置进行评估包括：响应于差异低于第一阈值，确定第一评估分数；以及响应于差异高于第一阈值，确定第二评估分数，其中第二评估分数低于第一评估分数。

在一些实施例中，该装置400还包括：调整模块，被配置为响应于差异高于第一阈值并且低于第二阈值，调整在物体坐标系下的第一相机和第二相机的标定位置；图像区域调整模块，被配置为基于在物体坐标系下的第一相机和第二相机的经调整的标定位置和参照区域的位置，获得经调整的第一图像区域和第二图像区域；以及评估更新模块，被配置为基于经调整的第一图像区域和第二图像区域的差异，更新对第一相机和第二相机的标定位置的评估。

在一些实施例中，第一参数包括第一相机的镜头的焦距、畸变、厚度中的一项或多项；并且第二参数包括第二相机的镜头的焦距、畸变、厚度中的一项或多项。

在一些实施例中，第一多个像素值的多个第一指标包括第一多个像素值的平均值、最大值、最小值、均方差中的一项或多项，并且第二多个像素值的多个第二指标包括第二多个像素值的平均值、最大值、最小值、均方差中的一项或多项。

根据本公开实施例的技术方案，基于车辆110上的至少两个相机对同一个参照区域120进行拍摄，并且根据所捕获的图像中的差异，来实时地对相机的标定位置的精度进行量化，并且可以对标定位置进行调整，从而保证驾驶数据的准确性。本公开的方案不仅可以用于人工驾驶的车辆，也可以用于无人驾驶的车辆。

本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

图5示出了可以用来实施本公开的实施例的示例电子设备500的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图5所示，设备500包括计算单元501，其可以根据存储在只读存储器(ROM)502中的计算机程序或者从存储单元508加载到随机访问存储器(RAM)503中的计算机程序，来执行各种适当的动作和处理。在RAM 503中，还可存储设备500操作所需的各种程序和数据。计算单元501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。

设备500中的多个部件连接至I/O接口505，包括：输入单元506，例如键盘、鼠标等；输出单元507，例如各种类型的显示器、扬声器等；存储单元508，例如磁盘、光盘等；以及通信单元509，例如网卡、调制解调器、无线通信收发机等。通信单元509允许设备500通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元501可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元501的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元501执行上文所描述的各个方法和处理，例如方法200。例如，在一些实施例中，方法200可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元508。在一些实施例中，计算机程序的部分或者全部可以经由ROM 502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序加载到RAM503并由计算单元501执行时，可以执行上文描述的方法200的一个或多个步骤。备选地，在其他实施例中，计算单元501可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行方法200。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。