基于多摄像头的自动标定方法、装置、设备及存储介质制造方法及图纸

本发明专利技术实施例涉及位置标定技术领域，公开了一种基于多摄像头的自动标定方法、装置、设备及存储介质。该方法包括：步骤1，在工作现场区域设置N个摄像头；步骤2，在工作现场区域的多个作业空间设置M个定标物，记录定标物的空间坐标；步骤3，使用N个摄像头对M个定标物进行拍摄，得到定标物在摄像头中的图像坐标；步骤4，将摄像头拍摄到的定标物的图像坐标作为输入，对应的定标物的空间坐标作为目标输出，来训练预先构建的神经网络初始模型，得到最终的神经网络分类器；步骤5，利用神经网络分类器对待定位物体的空间位置进行识别。实施本发明专利技术实施例，可以在摄像头数量或/和位置调整后的自动标定，无需人工重新进行标定。无需人工重新进行标定。无需人工重新进行标定。

【技术实现步骤摘要】
基于多摄像头的自动标定方法、装置、设备及存储介质


[0001]本专利技术涉及位置标定
，具体涉及一种基于多摄像头的自动标定方法、装置、设备及存储介质。

技术介绍

[0002]定位技术自上世纪出现以来，经过多年的发展已经出现了多种多样的方法，目前最常用的定位方法是卫星定位技术，通过人造地球卫星进行点位测量，但是受限于定位精度，该技术无法对小的物体进行精确的定位。除了卫星定位方法，目前常用的定位方法还有UWB(Ultra
‑
Wide Band)定位方法，该方法通过在定位现场布置基站，可以实现对物体的精确定位，但是该方法在前期基站布置上需要耗费大量精力。随着计算机性能的提示以及摄像头技术的发展，使用摄像头对目标进行精确定位也成为现实。
[0003]使用摄像头是实现监控的常用方法，多摄像头定位也是定位的常用方法，但是在使用多摄像头系统进行位置标定时，处于工作状态中的摄像头位置不能改变，也需要保持摄像头的数量不能增减，否则需要重新对摄像头进行标定，会给实际操作带来各种困扰。

技术实现思路

[0004]针对所述缺陷，本专利技术实施例公开了一种基于多摄像头的自动标定方法、装置、设备及存储介质，能够在摄像头位置或/和数量调整时，自动完成标定。
[0005]本专利技术实施例第一方面公开一种基于多摄像头的自动标定方法，所述方法包括：
[0006]步骤1，确定需要定位的工作现场区域，在所述工作现场区域设置N个摄像头；
[0007]步骤2，在所述工作现场区域的多个作业空间设置M个定标物，记录所述第i个定标物的空间坐标(x
i
,y
i
)；其中，1≤i≤M；
[0008]步骤3，使用所述N个摄像头对M个定标物进行拍摄，得到第i个定标物在第j个摄像头中的图像坐标(p
ij
,q
ij
)，其中，1≤j≤N；
[0009]步骤4，将摄像头拍摄到的定标物的图像坐标作为输入，对应的定标物的空间坐标作为目标输出，来训练预先构建的神经网络初始模型，得到最终的神经网络分类器；
[0010]步骤5，利用所述神经网络分类器对所述待定位物体的空间位置进行识别，其包括：
[0011]当摄像头数量和位置均未变化时，将所述待定位物体在各个摄像头中的图像坐标输入所述神经网络分类器，得到所述待定位物体的空间坐标；
[0012]当摄像头数量或/和位置变化时，将未变化的摄像头定义为第一摄像头，将增加或/和位置变化的摄像头定义为第二摄像头，将所述待定位物体在第一摄像头中的图像坐标输入所述神经网络分类器，得到所述待定位物体的空间坐标，并根据所述待定位物体的空间坐标以及所述待定位物体在第一摄像头和第二摄像头中的图像坐标对所述神经网络分类器进行重新训练。
[0013]作为较佳的实施例，在本专利技术实施例第一方面中，所述将摄像头拍摄到的定标物
的图像坐标作为输入，对应的定标物的空间坐标作为目标输出，来训练预先构建的神经网络初始模型，得到最终的神经网络分类器，包括：
[0014]对于所述步骤3中确定的共计M
×
N组图像坐标，随机产生P组屏蔽矢量，其中屏蔽矢量中共含有N个元素，每个元素对应于一个摄像头，元素的取值为1或0，当所述元素取值为1时，则代表该元素对应的摄像头图像坐标保持不变；当所述元素取值为0时，则对应摄像头的图像坐标设置为原点；
[0015]将与所述屏蔽矢量所对应的摄像头拍摄到的定标物的图像坐标作为输入信息，对应的定标物的空间坐标作为目标输出，来训练预先构建的神经网络初始模型，得到最终的神经网络分类器。
[0016]作为较佳的实施例，在本专利技术实施例第一方面中，所述根据所述待定位物体的空间坐标以及所述待定位物体在第一摄像头和第二摄像头中的图像坐标对所述神经网络分类器进行重新训练，包括：
[0017]将所述第二摄像头在屏蔽矢量中对应的元素设置为0，并设置训练数据数量阈值α；
[0018]将所述待定位物体在第一摄像头和第二摄像头中的图像坐标保存为新的训练数据，当新的训练数据数量达到训练数据数量阈值α时，以所述新的训练数据为神经网络分类器的输入信息，以所述待定位物体的空间坐标为目标输出，对所述神经网络分类器进行重新训练；
[0019]训练完成后，将所述第二摄像头在屏蔽矢量中对应的元素修改为1。
[0020]作为较佳的实施例，在本专利技术实施例第一方面中，当所述第二摄像头为新增加的摄像头时，在屏蔽矢量中增加对应新增加的摄像头的元素，并将所述新增加的摄像头在屏蔽矢量中对应的元素设置为0。
[0021]作为较佳的实施例，在本专利技术实施例第一方面中，当所述摄像头数量减少时，将所述减少的摄像头在屏蔽矢量中对应的元素设置为0，将所述待定位物体在其他摄像头中的图像坐标输入所述神经网络分类器，得到所述待定位物体的空间坐标。
[0022]本专利技术实施例第二方面公开了基于多摄像头的自动标定装置，其包括：
[0023]设置单元，用于确定需要定位的工作现场区域，在所述工作现场区域设置N个摄像头；
[0024]记录单元，用于在所述工作现场区域的多个作业空间设置M个定标物，记录所述第i个定标物的空间坐标(x
i
,y
i
)；其中，1≤i≤M；
[0025]确定单元，用于使用所述N个摄像头对M个定标物进行拍摄，得到第i个定标物在第j个摄像头中的图像坐标(p
ij
,q
ij
)，其中，1≤j≤N；
[0026]训练单元，用于将摄像头拍摄到的定标物的图像坐标作为输入，对应的定标物的空间坐标作为目标输出，来训练预先构建的神经网络初始模型，得到最终的神经网络分类器；
[0027]标定单元，用于利用所述神经网络分类器对所述待定位物体的空间位置进行识别，其包括：
[0028]当摄像头数量和位置均未变化时，将所述待定位物体在各个摄像头中的图像坐标输入所述神经网络分类器，得到所述待定位物体的空间坐标；
[0029]当摄像头数量或/和位置变化时，将未变化的摄像头定义为第一摄像头，将增加或/和位置变化的摄像头定义为第二摄像头，将所述待定位物体在第一摄像头中的图像坐标输入所述神经网络分类器，得到所述待定位物体的空间坐标，并根据所述待定位物体的空间坐标以及所述待定位物体在第一摄像头和第二摄像头中的图像坐标对所述神经网络分类器进行重新训练，第一摄像头和第二摄像头的数量根据具体情况可以是1个，也可以是多个，这里不做限定。
[0030]作为较佳的实施例，在本专利技术实施例第二方面中，所述训练单元，包括：
[0031]生成子单元，用于对于所述确定单元中确定的共计M
×
N组图像坐标，随机产生P组屏蔽矢量，其中屏蔽矢量中共含有N个元素，每个元素对应于一个摄像头，元素的取值为1或0，当所述元素取值为1时，则代表该元素对应的摄像头图像坐标保持不变；当所述元素取值为0时，则对应摄像本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多摄像头的自动标定方法，其特征在于，包括：步骤1，确定需要定位的工作现场区域，在所述工作现场区域设置N个摄像头；步骤2，在所述工作现场区域的多个作业空间设置M个定标物，记录所述第i个定标物的空间坐标(x
i
,y
i
)；其中，1≤i≤M；步骤3，使用所述N个摄像头对M个定标物进行拍摄，得到第i个定标物在第j个摄像头中的图像坐标(p
ij
,q
ij
)，其中，1≤j≤N；步骤4，将摄像头拍摄到的定标物的图像坐标作为输入，对应的定标物的空间坐标作为目标输出，来训练预先构建的神经网络初始模型，得到最终的神经网络分类器；步骤5，利用所述神经网络分类器对所述待定位物体的空间位置进行识别，其包括：当摄像头数量和位置均未变化时，将所述待定位物体在各个摄像头中的图像坐标输入所述神经网络分类器，得到所述待定位物体的空间坐标；当摄像头数量或/和位置变化时，将未变化的摄像头定义为第一摄像头，将增加或/和位置变化的摄像头定义为第二摄像头，将所述待定位物体在第一摄像头中的图像坐标输入所述神经网络分类器，得到所述待定位物体的空间坐标，并根据所述待定位物体的空间坐标以及所述待定位物体在第一摄像头和第二摄像头中的图像坐标对所述神经网络分类器进行重新训练。2.根据权利要求1所述的基于多摄像头的自动标定方法，其特征在于，所述将摄像头拍摄到的定标物的图像坐标作为输入，对应的定标物的空间坐标作为目标输出，来训练预先构建的神经网络初始模型，得到最终的神经网络分类器，包括：对于所述步骤3中确定的共计M
×
N组图像坐标，随机产生P组屏蔽矢量，其中屏蔽矢量中共含有N个元素，每个元素对应于一个摄像头，元素的取值为1或0，当所述元素取值为1时，则代表该元素对应的摄像头图像坐标保持不变；当所述元素取值为0时，则对应摄像头的图像坐标设置为原点；将与所述屏蔽矢量所对应的摄像头拍摄到的定标物的图像坐标作为输入信息，对应的定标物的空间坐标作为目标输出，来训练预先构建的神经网络初始模型，得到最终的神经网络分类器。3.根据权利要求2所述的基于多摄像头的自动标定方法，其特征在于，所述根据所述待定位物体的空间坐标以及所述待定位物体在第一摄像头和第二摄像头中的图像坐标对所述神经网络分类器进行重新训练，包括：将所述第二摄像头在屏蔽矢量中对应的元素设置为0，并设置训练数据数量阈值α；将所述待定位物体在第一摄像头和第二摄像头中的图像坐标保存为新的训练数据，当新的训练数据数量达到训练数据数量阈值α时，以所述新的训练数据为神经网络分类器的输入信息，以所述待定位物体的空间坐标为目标输出，对所述神经网络分类器进行重新训练；训练完成后，将所述第二摄像头在屏蔽矢量中对应的元素修改为1。4.根据权利要求3所述的基于多摄像头的自动标定方法，其特征在于，当所述第二摄像头为新增加的摄像头时，在屏蔽矢量中增加对应新增加的摄像头的元素，并将所述新增加的摄像头在屏蔽矢量中对应的元素设置为0。5.根据权利要求2所述的基于多摄像头的自动标定方法，其特征在于，当所述摄像头数
量减少时，将所述减少的摄像头在屏蔽矢量中对应的元素设置为0，将所述待定位物体在其...

【专利技术属性】
技术研发人员：刘晶，彭政，易满成，黎颖，黄薇蓉，俞思帆，刘健欣，李卓坚，姜伟，朱明华，张连源，
申请(专利权)人：广东电网有限责任公司广州供电局，
类型：发明
国别省市：