图像处理方法、装置、车辆与存储介质制造方法及图纸

本公开涉及一种图像处理方法、装置、车辆与存储介质，涉及自动驾驶技术领域，包括：获取特征点在第一图像中的第一位置与该特征点在第二图像中的第二位置，该第一位置位于第一车体坐标系下，该第二位置位于第二车体坐标系下；利用第一变换矩阵，将该第一车体坐标系下的第一位置转换为世界坐标系下的第一位置；利用第二变换矩阵，将该世界坐标系下的第一位置转换为第二车体坐标系下的第一位置；对该第二车体坐标系下的第一位置与该第二位置进行融合，得到该特征点在该第二图像的目标位置。使用本公开提出的图像处理方法，可以在节约计算量的前提下，也能够得到目标位置。也能够得到目标位置。也能够得到目标位置。

【技术实现步骤摘要】
图像处理方法、装置、车辆与存储介质


[0001]本公开涉及自动驾驶
，尤其涉及一种图像处理方法、装置、车辆与存储介质。

技术介绍

[0002]目前，车辆可以通过拍摄周围环境来获得环境图像，并分析环境图像中物体的三维位置以及物体的运动信息，进而对车辆的行驶路线进行规划。
[0003]相关技术中，可以通过模型预测特征点在当前帧图像中的位置，再根据特征点在当前帧图像中的位置来得到物体的三维位置与物体的运动信息，然而模型预测需要引入大量额外的计算量。

技术实现思路

[0004]为克服相关技术中存在的问题，本公开提供一种图像处理方法、装置、车辆与存储介质。
[0005]根据本公开实施例的第一方面，提供一种图像处理方法，包括：获取特征点在第一图像中的第一位置与所述特征点在第二图像中的第二位置，所述第一位置位于第一车体坐标系下，所述第二位置位于第二车体坐标系下；利用第一变换矩阵，将所述第一车体坐标系下的第一位置转换为世界坐标系下的第一位置；利用第二变换矩阵，将所述世界坐标系下的第一位置转换为第二车体坐标系下的第一位置；对所述第二车体坐标系下的第一位置与所述第二位置进行融合，得到所述特征点在所述第二图像的目标位置。
[0006]可选地，所述利用第一变换矩阵，将所述第一车体坐标系下的第一位置转换为世界坐标系下的第一位置，包括：将所述第一车体坐标系下的第一位置乘以所述第一变换矩阵，得到在所述世界坐标系下的第一位置。
[0007]可选地，所述利用第二变换矩阵，将所述世界坐标系下的第一位置转换为第二车体坐标系下的第一位置，包括：将所述世界坐标系下的第一位置乘以所述第二变换矩阵的逆矩阵，得到在所述第二车体坐标系下的第一位置。
[0008]可选地，对所述第二车体坐标系下的第一位置与所述第二位置进行融合，得到所述特征点在所述第二图像的目标位置，包括：对所述第二车体坐标系下的第一位置与所述第二位置进行拼接，得到拼接位置；对所述拼接位置进行卷积，得到融合后的所述目标位置。
[0009]可选地，所述方法还包括：
将所述特征点在所述第一图像中的第一位置从第一图像坐标系转换至第一车体坐标系下，得到在所述第一车体坐标系下的第一位置；和/或，将所述特征点在所述第二图像中的第二位置从第二图像坐标系转换至第二车体坐标系下，得到在所述第二车体坐标系下的第二位置。
[0010]可选地，所述第一图像与所述第二图像为相邻两帧图像，或所述第一图像与所述第二图像之间间隔多帧图像。
[0011]根据本公开实施例的第二方面，提供一种图像处理装置，包括：获取模块，被配置为获取特征点在第一图像中的第一位置与所述特征点在第二图像中的第二位置，所述第一位置位于第一车体坐标系下，所述第二位置位于第二车体坐标系下；第一转换模块，被配置为利用第一变换矩阵，将所述第一车体坐标系下的第一位置转换为世界坐标系下的第一位置；第二转换模块，被配置为利用第二变换矩阵，将所述世界坐标系下的第一位置转换为第二车体坐标系下的第一位置；融合模块，被配置为对所述第二车体坐标系下的第一位置与所述第二位置进行融合，得到所述特征点在所述第二图像的目标位置。
[0012]可选地，所述第一转换模块包括：第一转换子模块，被配置为将所述第一车体坐标系下的第一位置乘以所述第一变换矩阵，得到在所述世界坐标系下的第一位置。
[0013]根据本公开实施例的第三方面，提供一种车辆，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为：执行本公开实施例的第一方面提供的图像处理方法的步骤。
[0014]根据本公开实施例的第四方面，提供一种计算机可读存储介质，其上存储有计算机程序指令，该程序指令被处理器执行时实现本公开第一方面所提供的图像处理方法的步骤。
[0015]本公开的实施例提供的技术方案可以包括以下有益效果：通过上述技术方案，可以将第一车体坐标系下的第一位置转换为第二车体坐标系下的第一位置，再对第二车体坐标系下的第一位置与第二位置进行融合，得到融合后的目标位置。
[0016]在此过程中，本公开直接利用第一车体坐标系下的第一位置与第二车体坐标系下的第二位置，将第一车体坐标系下的第一位置转换为第二车体坐标系下的第一位置，就可以对第二车体坐标系下的第一位置与第二位置进行融合，得到特征点在第二图像中的目标位置，而无需借助模型或网络来预测特征点在第二图像中的目标位置，从而避免了使用模型或网络所增加的额外计算量。
[0017]应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
[0018]此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
[0019]图1是根据一示例性实施例示出的一种图像处理方法的步骤流程图；图2是根据一示例性实施例示出的一种融合第一图像与第二图像的示意图；图3是根据一示例性实施例示出的一种图像处理装置的结构框图；图4是根据一示例性实施例示出的一种车辆的结构框图；图5是根据一示例性实施例示出的一种图像处理装置的结构框图。
具体实施方式
[0020]这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
[0021]需要说明的是，本申请中所有获取信号、信息或数据的动作都是在遵照所在地国家相应的数据保护法规政策的前提下，并获得由相应装置所有者给予授权的情况下进行的。
[0022]相关技术中，可以将上一帧图像与当前帧图像输入至模型中，通过模型来预测特征点在上一帧图像与当前帧图像之间的位置变化量，在特征点在上一帧图像中的位置的基础上叠加位置变化量，得到特征点在当前帧图像中的位置。然而采用模型预测特征点在当前帧图像中的位置的方式，需要额外引入训练样本来训练模型，模型中具有多层网络，也需要多层网络的计算，才能预测出特征点在当前帧图像中的位置，导致计算量增大；并且如果模型预测的特征点在当前帧图像中的位置不准确，会导致根据该位置得到的物体的三维位置与物体的运动信息也不准确。
[0023]也可以采用长短期记忆人工神经网络（Long
‑
Short Term Memory，LSTM）来对多帧图像进行处理，来得到特征点在当前帧图像中的位置，然而LSTM也需要对输入的多帧图像通过多层网络进行多层训练，才能通过训练后的LSTM来得到特征点在当前帧图像中的位置，同样会存在计算量较大的问题。
[0024]基于此，本公开提出一种图像处理方法，该方法包括以下步骤：在步骤S11中，获取特征点在第一图像中的第一位置与所述特征点在第二图像中的第二位置，所述第一位置位于第一车体坐标系下，所述第二位置位于第二车体坐标系下。<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像处理方法，其特征在于，包括：获取特征点在第一图像中的第一位置与所述特征点在第二图像中的第二位置，所述第一位置位于第一车体坐标系下，所述第二位置位于第二车体坐标系下；利用第一变换矩阵，将所述第一车体坐标系下的第一位置转换为世界坐标系下的第一位置；利用第二变换矩阵，将所述世界坐标系下的第一位置转换为第二车体坐标系下的第一位置；对所述第二车体坐标系下的第一位置与所述第二位置进行融合，得到所述特征点在所述第二图像的目标位置。2.根据权利要求1所述的方法，其特征在于，所述利用第一变换矩阵，将所述第一车体坐标系下的第一位置转换为世界坐标系下的第一位置，包括：将所述第一车体坐标系下的第一位置乘以所述第一变换矩阵，得到在所述世界坐标系下的第一位置。3.根据权利要求1所述的方法，其特征在于，所述利用第二变换矩阵，将所述世界坐标系下的第一位置转换为第二车体坐标系下的第一位置，包括：将所述世界坐标系下的第一位置乘以所述第二变换矩阵的逆矩阵，得到在所述第二车体坐标系下的第一位置。4.根据权利要求1所述的方法，其特征在于，对所述第二车体坐标系下的第一位置与所述第二位置进行融合，得到所述特征点在所述第二图像的目标位置，包括：对所述第二车体坐标系下的第一位置与所述第二位置进行拼接，得到拼接位置；对所述拼接位置进行卷积，得到融合后的所述目标位置。5.根据权利要求1所述的方法，其特征在于，所述方法还包括：将所述特征点在所述第一图像中的第一位置从第一图像坐标系转换至第一车体坐标系下，得到...

【专利技术属性】
技术研发人员：房慧娟，
申请(专利权)人：小米汽车科技有限公司，
类型：发明
国别省市：