(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210856608.9 (22)申请日 2022.07.20 (71)申请人 浙江海康智联科技有限公司 地址 314500 浙江省嘉兴 市桐乡市乌镇 镇 常丰街南大街河西 87号2幢1层1 16室 (72)发明人 刘甜甜　吴越　 (74)专利代理 机构 南昌合达信知识产权代理事 务所(普通 合伙) 36142 专利代理师 刘学涛 (51)Int.Cl. G06V 10/74(2022.01) G06V 10/46(2022.01) G06V 10/82(2022.01) G06V 10/50(2022.01) G06V 10/764(2022.01)G06V 10/44(2022.01) (54)发明名称 一种非平面路面标定方法和装置 (57)摘要 本发明涉及计算机图像识别领域， 提供的一 种非平面路面标定方法只需要获得该路口两张 不同角度的照片， 就可以通过图像特征匹配及单 应性矩阵法自动判断路面包含的平 面数量， 并划 出分割线， 再对于各平面分别进行标定。 可以减 少在标定过程中人工肉眼判断带来的不准确因 素， 提高路面分割的自动化比例与准确度； 并且 避免了后续应用过程中发现误差过大因此需要 反复标定的问题， 大 大减少工作量， 提高安全性。 权利要求书2页 说明书4页 CN 115170844 A 2022.10.11 CN 115170844 A 1.一种非平面路面标定方法， 其特 征在于， 包括以下步骤： S1， 图片获取和预处理， 获取路面拍摄角度存在偏差的两张图片P1， P2， 自动对P1、 P2进 行预处理， 确保两张图片尺寸相同， 亮度对比度相近 。 S2， 特征点提取与筛除， 基于图像的局部特征寻找特征点并确保他们具有旋转、 尺度缩 放和亮度不变性， 基于一个训练完成的神经网络对于P1、 P2进 行内容划分， 只保留路面上的 特征点； S3， 特征点匹配与异常点筛除， 将两张图片P1， P2上的特征点依据特征描述直方图的相 似度进行bruteforce匹配， 筛除与局部匹配不吻合的异常点得到匹配点对集M； S4， 从匹配点对集M中提取一个平面， 获得其对应的点对子集M1与单应性矩阵H1： 从M中选取第 一数量组匹配点对， 计算得唯一单应性矩阵， 并检查剩余匹配点对是否符 合此矩阵对应的映射关系， 记录符合的匹配点对个数； 重复以上步骤若干次， 从所有的单应性矩阵中选取达成共识的匹配点对最多的单应性 矩阵， 提取其对应的所有匹配点M1， 计算M1中包含的匹配点对个数， 记 为S1， 未达成共识的匹 配集记为MC(MC＝M‑M1)； 用此匹配点对子集M1计算单应性矩阵， 为H1； S5， 检查是否存在其 他平面， 若存在， 则找出 该平面对应的点对子集与单应性矩阵： 在匹配子集M1中随机挑选第二数量组匹配点对， 与MC合并组成新的匹配集M'； 重复步骤 S4， 从M'中提取一个平面， 获得其对应的点对子集与单应性矩阵， 记录点对子集中包含的点 对个数； 重复以上步骤若干次， 从所有提取的平面中选取对应匹配子集中包含点对个数最多的 平面， 并将其对应的点对子集、 点对子集中包含的点对个数与单应性矩阵， 记为M2'、 S2'与 H2'； 若S2'大于预设比例的S1， 且M2'与M1中共有的匹配个数小于预设比例S1， 则认为图片 中 存在新平面， 保存M2'与H2'为M2与H2； 否则认为 不存在新平面， 不保存M2'与H2'； S6， 重复步骤S5， 直至算法认为不存在新的平面， 保存算法得出的n个平面及对应的点 对子集M1,…,Mn与单应性矩阵H1,…,Hn； S7， 由此n个点对子集划分路面： 若n＝1， 则路面 为同一平面， 无需划分； 若n＝2， 则训练一个二分类模型， 将P2路面上的像素点分为两个区域； 若n>2， 则训练一个多分类模型， 将P2路面上的像素点分为 n个区域。 S8， 根据划分出的各子平面范围， 分别进行 标定。 2.根据权利要求1所述的非平面路面标定方法， 其特征在于， 步骤S2中， 通过SIFT局部 特征检测算法寻找特征点， 训练完成的神经网络为MMlab公开的神经网络模型 MMSegmentati on。 3.根据权利要求1所述的非平面路面标定方法， 其特征在于， 步骤S3中， 通过AdaLAM异 常点排除算法筛除与局部匹配不吻合的异常点。 4.根据权利要求1所述的非平面路面标定方法， 其特征在于， 步骤S7中， n＝2时所训练 的二分类模型为逻辑回归模 型、 软间隔支持向量机或神经网络； 若n>2时所训练的多分类模 型可为多分类逻辑回归 模型、 多分类支持向量机或神经网络 。权　利　要　求　书 1/2 页 2 CN 115170844 A 25.根据权利要求 4所述的非平面路面标定方法， 其特 征在于， n＝2时， 所训练的二分类模型为逻辑回归模型： 将M1对应在P2上的点的坐标与M2对应在 P2上的点的坐标作为训练集， 且标签分别 设为1与‑1； 采用对数损失函数(logloss)作为损 失函数， 用随机梯度下降法训练模型， 并sigmoid函数作为输出， 通过此模型， 可将P2(路面) 上的像素点分为两个区域。 n>2时， 所训练的多分类模型为多分类逻辑回归模型： 将M1对应在P2上的点的坐标到Mn 对应在Pn上的点的坐标作为训练集， 且标签分别设为1, …,n， 采用交叉熵(crossentropy) 作为损失函数， 用随机梯度下降法训练模型， 并softmax函数作为输出， 通过此模型， 可将P2 (路面)上的像素点分为 n个区域。 6.一种非平面路面标定装置， 其特 征在于， 包括： 拍摄单 元， 处理器、 存储器、 系统总线 拍摄单元， 包括拍摄角度存在偏差的两组摄像机或可转动的单组摄像机， 用于获取同 一路面的两张图片 P1， P2； 所述处理器以及所述存 储器通过 所述系统总线相连； 所述存储器用于存储一个或多个程序， 所述一个或多个程序包括指令， 所述指令当被 所述处理器执行时使所述处 理器执行非平面路面标定 。权　利　要　求　书 2/2 页 3 CN 115170844 A 3