车辆摄像头的自动标定方法、系统、车载控制设备与流程

本发明属于汽车技术领域，具体提供一种车辆摄像头的自动标定方法、系统、车载控制设备。

背景技术：

无人驾驶汽车是未来的发展趋势，摄像头是无人驾驶汽车的重要传感器之一，对环境感知起到重要作用，摄像头的测量准确性会直接影响无人驾驶功能的使用，因此对摄像头的标定具有非常重要的意义。

目前对摄像头的标定的研究主要集中在人工标定的算法开发，且人工标定算法大多基于光学机理模型进行改进。由于目前对摄像头的标定研究集中在这种传统的方法上，但这种方法需要做一些人工测量，随着无人驾驶和大数据的开发应用，迫切需要新的标定方法来提高标定效率，摆脱人工测量，同时提高数据的利用率。

相应的，本领域需要一种新的车辆摄像头的自动标定方法来解决现有的摄像头标定需要人工测量，造成标定效率低，并且不能实现完全标定自动化的问题。

技术实现要素：

为了解决现有技术中的上述问题，即为了解决现有的摄像头标定需要人工测量，造成标定效率低，并且不能实现完全标定自动化的问题，本发明提供了一种车辆摄像头的自动标定方法，所述车辆包括实际数据采集器，所述自动标定方法包括以下步骤：

基于所述摄像头采集的测量数据、所述实际数据采集器采集的实际数据以及所述车辆的状态数据，筛选训练数据；

基于所述训练数据训练预设的自标定模型，得到训练自标定模型；

计算所述训练自标定模型的误差；

选择性地比较所述误差与第一误差阈值的大小；

在所述误差小于所述第一误差阈值时，输出所述训练自标定模型；

其中，所述自标定模型用于表征所述测量数据与所述实际数据之间的函数关系。

在上述车辆摄像头的自动标定方法的优选技术方案中，所述测量数据包括障碍物的测量车道信息、所述障碍物的测量距离、所述障碍物的测量速度以及所述障碍物的测量类型中的一种或几种；

所述实际数据包括所述障碍物的实际车道信息、所述障碍物的实际距离、所述障碍物的实际速度以及所述障碍物的实际类型中的一种或几种；

所述车辆的状态数据包括所述车辆的速度、加速度以及偏航角速度中的一种或几种。

在上述车辆摄像头的自动标定方法的优选技术方案中，所述实际数据采集器为设置于所述车辆上的雷达。

在上述车辆摄像头的自动标定方法的优选技术方案中，“基于所述测量数据、所述实际数据以及所述状态数据，筛选训练数据”的步骤进一步包括：

基于所述车辆的速度、加速度以及偏航角速度，判断所述车辆是否处于设定行驶状态；

基于所述测量车道信息和所述实际车道信息，判断所述障碍物是否与所述车辆处于同一车道；

基于所述测量速度与所述实际速度、所述测量距离与所述实际距离、以及所述测量类型与所述实际类型，判断所述摄像头与所述实际数据采集器采集的障碍物是否为同一障碍物；

从满足所述车辆处于设定行驶状态、所述障碍物与所述车辆处于同一车道、以及所述摄像头与所述实际数据采集器采集的障碍物为同一障碍物的所有数据中筛选所述训练数据。

在上述车辆摄像头的自动标定方法的优选技术方案中，“从满足所述车辆处于设定行驶状态、所述障碍物与所述车辆处于同一车道、以及所述摄像头与所述实际数据采集器采集的障碍物为同一障碍物的所有数据中筛选所述训练数据”的步骤进一步包括：

从满足所述条件的所有障碍物中选取n个障碍物；

基于所述n个障碍物的测量距离或实际距离，将所述n个障碍物所对应的所有数据划分为m个区间；

从所述m个区间中选取设定数量的测量距离和对应的实际距离作为所述训练数据。

在上述车辆摄像头的自动标定方法的优选技术方案中，在所述训练数据中，

每个障碍物的数据个数所占的比重为1/n；

每个区间的数据个数所占的比重为1/m。

在上述车辆摄像头的自动标定方法的优选技术方案中，所述训练自标定模型包括第一训练自标定模型，

“基于所述训练数据训练预设的自标定模型，得到训练自标定模型”的步骤进一步包括：

基于最小二乘法和所述训练数据，计算所述预设的自标定模型的系数；

将所述系数代入所述预设的自标定模型，得到所述第一训练自标定模型。

在上述车辆摄像头的自动标定方法的优选技术方案中，“选择性地比较所述误差与第一误差阈值的大小”的步骤进一步包括：

首先比较所述误差与第二误差阈值的大小；

在所述误差小于所述第二误差阈值时，比较所述误差与所述第一误差阈值的大小；

在所述误差大于或等于所述第二误差阈值时，对所述摄像头重新标定；

其中，所述第二误差阈值大于所述第一误差阈值。

在上述车辆摄像头的自动标定方法的优选技术方案中，在所述误差大于或等于所述第二误差阈值时，所述自动标定方法还包括：

更新所述误差大于或等于所述第二误差阈值时的迭代次数；

判断所述迭代次数是否达到预定次数；

在所述迭代次数达到所述预定次数时，发出报警信息。

在上述车辆摄像头的自动标定方法的优选技术方案中，“计算所述训练自标定模型的误差”的步骤进一步包括：

获取所述摄像头采集的障碍物的测量距离和所述实际数据采集器采集的所述障碍物的实际距离；

将所述测量距离输入所述训练自标定模型，得出所述摄像头的输出距离；

计算所述输出距离与所述实际距离的差值，作为所述训练自标定模型的误差。

在上述车辆摄像头的自动标定方法的优选技术方案中，所述训练自标定模型还包括第二训练自标定模型，

“选择性地比较所述误差与第一误差阈值的大小”的步骤进一步包括：

首先比较所述误差与第二误差阈值的大小；

在所述误差小于所述第二误差阈值时，对所述第一训练自标定模型的系数进行卡尔曼滤波处理；

将滤波处理后的系数代入所述第一训练自标定模型，得到所述第二训练自标定模型；

计算所述第二训练自标定模型的误差；

比较所述第二训练自标定模型的误差与所述第一误差阈值的大小。

本发明还提供了一种车辆摄像头的自动标定系统，所述车辆包括实际数据采集器，所述自动标定系统包括：采集模块，所述采集模块用于获取所述摄像头采集的测量数据、所述实际数据采集器采集的实际数据以及所述车辆的状态数据；

筛选模块，所述筛选模块用于基于所述测量数据、所述实际数据以及所述状态数据，筛选训练数据；

训练模块，所述训练模块用于基于所述训练数据训练预设的自标定模型，得到训练自标定模型；

计算模块，所述计算模块用于计算所述训练自标定模型的误差；

判断模块，所述判断模块用于选择性地比较所述误差与第一误差阈值的大小；

输出模块，所述输出模块用于在所述误差小于所述第一误差阈值时，输出所述训练自标定模型；

其中，所述自标定模型用于表征所述测量数据与所述实际数据之间的函数关系。

在上述车辆摄像头的自动标定系统的优选技术方案中,所述测量数据包括障碍物的测量车道信息、所述障碍物的测量距离、所述障碍物的测量速度以及所述障碍物的测量类型中的一种或几种；

所述实际数据包括所述障碍物的实际车道信息、所述障碍物的实际距离、所述障碍物的实际速度以及所述障碍物的实际类型中的一种或几种；

所述车辆的状态数据包括所述车辆的速度、加速度以及偏航角速度中的一种或几种。

在上述车辆摄像头的自动标定系统的优选技术方案中,所述实际数据采集器为设置于所述车辆上的雷达。

在上述车辆摄像头的自动标定系统的优选技术方案中,所述筛选模块通过下列方式来基于所述测量数据、所述实际数据以及所述状态数据，筛选训练数据：

基于所述车辆的速度、加速度以及偏航角速度，判断所述车辆是否处于设定行驶状态；

基于所述测量车道信息和所述实际车道信息，判断所述障碍物是否与所述车辆处于同一车道；

基于所述测量速度与实际速度、所述测量距离与所述实际距离、以及所述测量类型与所述实际类型，判断所述摄像头与所述实际数据采集器采集的障碍物是否为同一障碍物；

从满足所述车辆处于设定行驶状态、所述障碍物与所述车辆处于同一车道、以及所述摄像头与所述实际数据采集器采集的障碍物为同一障碍物的所有数据中筛选所述训练数据。

在上述车辆摄像头的自动标定系统的优选技术方案中,所述筛选模块通过下列方式从满足所述条件的所有数据中筛选所述训练数据：

从满足所述条件的所有障碍物中选取n个障碍物；

基于所述n个障碍物的测量距离或实际距离，将所述n个障碍物所对应的所有数据划分为m个区间；

从所述m个区间中选取设定数量的测量距离和对应的实际距离作为所述训练数据。

在上述车辆摄像头的自动标定系统的优选技术方案中,在所述训练数据中，

每个障碍物的数据个数所占的比重为1/n；

每个区间的数据个数所占的比重为1/m。

在上述车辆摄像头的自动标定系统的优选技术方案中,所述训练自标定模型包括第一训练自标定模型，

所述训练模块通过下列方式来基于所述训练数据训练预设的自标定模型，得到所述训练自标定模型：

基于最小二乘法和所述训练数据，计算所述预设的自标定模型的系数；

将所述系数代入所述预设的自标定模型，得到所述第一训练自标定模型。

在上述车辆摄像头的自动标定系统的优选技术方案中,在选择性地比较所述误差与第一误差阈值的大小之前，所述判断模块首先比较所述误差与第二误差阈值的大小，并且在所述误差小于所述第二误差阈值时，才比较所述误差与所述第一误差阈值的大小；

在所述误差大于或等于所述第二误差阈值时，所述自动标定系统对所述摄像头重新标定；

其中，所述第二误差阈值大于所述第一误差阈值。

在上述车辆摄像头的自动标定系统的优选技术方案中,所述自动标定系统还包括：

统计模块，所述统计模块用于在所述误差大于或等于所述第二误差阈值时，更新对所述摄像头重新标定的迭代次数；

所述判断模块还用于判断所述迭代次数是否达到预定次数；

报警模块，所述报警模块用于在所述迭代次数达到所述预定次数时发出警报信息。

在上述车辆摄像头的自动标定系统的优选技术方案中,所述计算模块通过下列方式来计算所述训练自标定模型的误差：

获取所述摄像头采集的障碍物的测量距离和所述实际数据采集器采集的所述障碍物的实际距离；

将所述测量距离输入所述训练自标定模型，得出所述摄像头的输出距离；

计算所述输出距离与所述实际距离的差值，作为所述训练自标定模型的误差。

在上述车辆摄像头的自动标定系统的优选技术方案中,所述训练自标定模型还包括第二训练自标定模型，

在选择性地比较所述误差与第一误差阈值的大小之前，所述判断模块首先比较所述误差与第二误差阈值的大小；

所述自动标定系统还包括滤波处理模块，在所述误差小于所述第二误差阈值时，所述滤波处理模块对所述自标定模型的系数进行卡尔曼滤波处理，所述训练模块将滤波处理后的系数代入所述第一训练自标定模型，得到所述第二训练自标定模型，所述计算模块计算所述第二训练自标定模型的误差，所述判断模块接着比较所述第二训练自标定模型的误差与所述第一误差阈值的大小。

本发明还提供了一种车载控制设备，包括处理器，所述处理器适于加载程序并因此执行上述优选技术方案中任一项所述的车辆摄像头的自动标定方法。

在上述车载控制设备的优选技术方案中,所述车载控制设备是所述车辆的ecu。

本领域人员能够理解的是，在本发明的技术方案中，车辆包括摄像头和实际数据采集器，车辆摄像头的自动标定方法包括：基于摄像头采集的测量数据、实际数据采集器采集的实际数据以及车辆的状态数据，筛选训练数据；基于训练数据训练预设的自标定模型，得到训练自标定模型；计算训练自标定模型的误差；选择性地比较误差与第一误差阈值的大小；在误差小于第一误差阈值时，输出训练自标定模型；其中，自标定模型用于表征测量数据与实际数据之间的函数关系。

通过上述设置方式，本发明的车辆摄像头的自动标定方法不需要人工测量，因此提升了标定效率，并且实现了摄像头的标定自动化。具体而言，本发明能够通过摄像头采集测量数据，通过实际数据采集器采集实际数据以及采集车辆的自身状态数据，基于上述所采集的数据进行筛选，得到训练数据，再通过将训练数据输入已经预设好的自标定模型中，求出训练自标定模型的参数，进而得到经过训练后的训练自标定模型，再通过将摄像头的测量数据输入训练自标定模型，输出一个测量结果，将测量结果与实际数据采集器所采集的实际数据进行对比，得到测量误差，再将测量误差与第一误差阈值进行比较，当测量误差小于第一误差阈值时，证明训练自标定模型输出的测量值可靠，因此输出训练自标定模型。此过程中，不需要经过人工测量实际数据，再去与测量数据进行对比，而是通过采用实际数据采集器采集实际数据，并与测量数据进行对比，最后输出训练自标定模型，完成摄像头标定，进而摆脱了人工测量，实现了完全标定自动化，也提高了标定效率。

方案1、一种车辆摄像头的自动标定方法，所述车辆包括实际数据采集器，其特征在于，所述自动标定方法包括以下步骤：

基于所述摄像头采集的测量数据、所述实际数据采集器采集的实际数据以及所述车辆的状态数据，筛选训练数据；

基于所述训练数据训练预设的自标定模型，得到训练自标定模型；

计算所述训练自标定模型的误差；

选择性地比较所述误差与第一误差阈值的大小；

在所述误差小于所述第一误差阈值时，输出所述训练自标定模型；

其中，所述自标定模型用于表征所述测量数据与所述实际数据之间的函数关系。

方案2、根据方案1所述的车辆摄像头的自动标定方法，其特征在于，

所述测量数据包括障碍物的测量车道信息、所述障碍物的测量距离、所述障碍物的测量速度以及所述障碍物的测量类型中的一种或几种；

所述实际数据包括所述障碍物的实际车道信息、所述障碍物的实际距离、所述障碍物的实际速度以及所述障碍物的实际类型中的一种或几种；

所述车辆的状态数据包括所述车辆的速度、加速度以及偏航角速度中的一种或几种。

方案3、根据方案1所述的车辆摄像头的自动标定方法，其特征在于，所述实际数据采集器为设置于所述车辆上的雷达。

方案4、根据方案2所述的车辆摄像头的自动标定方法，其特征在于，“基于所述测量数据、所述实际数据以及所述状态数据，筛选训练数据”的步骤进一步包括：

基于所述车辆的速度、加速度以及偏航角速度，判断所述车辆是否处于设定行驶状态；

基于所述测量车道信息和所述实际车道信息，判断所述障碍物是否与所述车辆处于同一车道；

基于所述测量速度与所述实际速度、所述测量距离与所述实际距离、以及所述测量类型与所述实际类型，判断所述摄像头与所述实际数据采集器采集的障碍物是否为同一障碍物；

从满足所述车辆处于设定行驶状态、所述障碍物与所述车辆处于同一车道、以及所述摄像头与所述实际数据采集器采集的障碍物为同一障碍物的所有数据中筛选所述训练数据。

方案5、根据方案4所述的车辆摄像头的自动标定方法，其特征在于，“从满足所述车辆处于设定行驶状态、所述障碍物与所述车辆处于同一车道、以及所述摄像头与所述实际数据采集器采集的障碍物为同一障碍物的所有数据中筛选所述训练数据”的步骤进一步包括：

从满足所述条件的所有障碍物中选取n个障碍物；

基于所述n个障碍物的测量距离或实际距离，将所述n个障碍物所对应的所有数据划分为m个区间；

从所述m个区间中选取设定数量的测量距离和对应的实际距离作为所述训练数据。

方案6、根据方案5所述的车辆摄像头的自动标定方法，其特征在于，在所述训练数据中，

每个障碍物的数据个数所占的比重为1/n；

每个区间的数据个数所占的比重为1/m。

方案7、根据方案1所述的车辆摄像头的自动标定方法，其特征在于，所述训练自标定模型包括第一训练自标定模型，

“基于所述训练数据训练预设的自标定模型，得到训练自标定模型”的步骤进一步包括：

基于最小二乘法和所述训练数据，计算所述预设的自标定模型的系数；

将所述系数代入所述预设的自标定模型，得到所述第一训练自标定模型。

方案8、根据方案1所述的车辆摄像头的自动标定方法，其特征在于，“选择性地比较所述误差与第一误差阈值的大小”的步骤进一步包括：

首先比较所述误差与第二误差阈值的大小；

在所述误差小于所述第二误差阈值时，比较所述误差与所述第一误差阈值的大小；

在所述误差大于或等于所述第二误差阈值时，对所述摄像头重新标定；

其中，所述第二误差阈值大于所述第一误差阈值。

方案9、根据方案8所述的车辆摄像头的自动标定方法，其特征在于，在所述误差大于或等于所述第二误差阈值时，所述自动标定方法还包括：

更新所述误差大于或等于所述第二误差阈值时的迭代次数；

判断所述迭代次数是否达到预定次数；

在所述迭代次数达到所述预定次数时，发出报警信息。

方案10、根据方案1或8所述的车辆摄像头的自动标定方法，其特征在于，“计算所述训练自标定模型的误差”的步骤进一步包括：

获取所述摄像头采集的障碍物的测量距离和所述实际数据采集器采集的所述障碍物的实际距离；

将所述测量距离输入所述训练自标定模型，得出所述摄像头的输出距离；

计算所述输出距离与所述实际距离的差值，作为所述训练自标定模型的误差。

方案11、根据方案7所述的车辆摄像头的自动标定方法，其特征在于，所述训练自标定模型还包括第二训练自标定模型，

“选择性地比较所述误差与第一误差阈值的大小”的步骤进一步包括：

首先比较所述误差与第二误差阈值的大小；

在所述误差小于所述第二误差阈值时，对所述第一训练自标定模型的系数进行卡尔曼滤波处理；

将滤波处理后的系数代入所述第一训练自标定模型，得到所述第二训练自标定模型；

计算所述第二训练自标定模型的误差；

比较所述第二训练自标定模型的误差与所述第一误差阈值的大小。

方案12、一种车辆摄像头的自动标定系统，所述车辆包括实际数据采集器，其特征在于，所述自动标定系统包括：

采集模块，所述采集模块用于获取所述摄像头采集的测量数据、所述实际数据采集器采集的实际数据以及所述车辆的状态数据；

筛选模块，所述筛选模块用于基于所述测量数据、所述实际数据以及所述状态数据，筛选训练数据；

训练模块，所述训练模块用于基于所述训练数据训练预设的自标定模型，得到训练自标定模型；

计算模块，所述计算模块用于计算所述训练自标定模型的误差；

判断模块，所述判断模块用于选择性地比较所述误差与第一误差阈值的大小；

输出模块，所述输出模块用于在所述误差小于所述第一误差阈值时，输出所述训练自标定模型；

其中，所述自标定模型用于表征所述测量数据与所述实际数据之间的函数关系。

方案13、根据方案12所述的车辆摄像头的自动标定系统，其特征在于，

所述测量数据包括障碍物的测量车道信息、所述障碍物的测量距离、所述障碍物的测量速度以及所述障碍物的测量类型中的一种或几种；

所述实际数据包括所述障碍物的实际车道信息、所述障碍物的实际距离、所述障碍物的实际速度以及所述障碍物的实际类型中的一种或几种；

所述车辆的状态数据包括所述车辆的速度、加速度以及偏航角速度中的一种或几种。

方案14、根据方案12所述的车辆摄像头的自动标定系统，其特征在于，所述实际数据采集器为设置于所述车辆上的雷达。

方案15、根据方案13所述的车辆摄像头的自动标定系统，其特征在于，所述筛选模块通过下列方式来基于所述测量数据、所述实际数据以及所述状态数据，筛选训练数据：

基于所述车辆的速度、加速度以及偏航角速度，判断所述车辆是否处于设定行驶状态；

基于所述测量车道信息和所述实际车道信息，判断所述障碍物是否与所述车辆处于同一车道；

基于所述测量速度与实际速度、所述测量距离与所述实际距离、以及所述测量类型与所述实际类型，判断所述摄像头与所述实际数据采集器采集的障碍物是否为同一障碍物；

从满足所述车辆处于设定行驶状态、所述障碍物与所述车辆处于同一车道、以及所述摄像头与所述实际数据采集器采集的障碍物为同一障碍物的所有数据中筛选所述训练数据。

方案16、根据方案15所述的车辆摄像头的自动标定系统，其特征在于，所述筛选模块通过下列方式从满足所述条件的所有数据中筛选所述训练数据：

从满足所述条件的所有障碍物中选取n个障碍物；

基于所述n个障碍物的测量距离或实际距离，将所述n个障碍物所对应的所有数据划分为m个区间；

从所述m个区间中选取设定数量的测量距离和对应的实际距离作为所述训练数据。

方案17、根据方案16所述的车辆摄像头的自动标定系统，其特征在于，在所述训练数据中，

每个障碍物的数据个数所占的比重为1/n；

每个区间的数据个数所占的比重为1/m。

方案18、根据方案12所述的车辆摄像头的自动标定系统，其特征在于，所述训练自标定模型包括第一训练自标定模型，

所述训练模块通过下列方式来基于所述训练数据训练预设的自标定模型，得到所述训练自标定模型：

基于最小二乘法和所述训练数据，计算所述预设的自标定模型的系数；

将所述系数代入所述预设的自标定模型，得到所述第一训练自标定模型。

方案19、根据方案12所述的车辆摄像头的自动标定系统，其特征在于，在选择性地比较所述误差与第一误差阈值的大小之前，所述判断模块首先比较所述误差与第二误差阈值的大小，并且在所述误差小于所述第二误差阈值时，才比较所述误差与所述第一误差阈值的大小；

在所述误差大于或等于所述第二误差阈值时，所述自动标定系统对所述摄像头重新标定；

其中，所述第二误差阈值大于所述第一误差阈值。

方案20、根据方案19所述的车辆摄像头的自动标定系统，其特征在于，所述自动标定系统还包括：

统计模块，所述统计模块用于在所述误差大于或等于所述第二误差阈值时，更新对所述摄像头重新标定的迭代次数；

所述判断模块还用于判断所述迭代次数是否达到预定次数；

报警模块，所述报警模块用于在所述迭代次数达到所述预定次数时发出警报信息。

方案21、根据方案12或19所述的车辆摄像头的自动标定系统，其特征在于，所述计算模块通过下列方式来计算所述训练自标定模型的误差：

获取所述摄像头采集的障碍物的测量距离和所述实际数据采集器采集的所述障碍物的实际距离；

将所述测量距离输入所述训练自标定模型，得出所述摄像头的输出距离；

计算所述输出距离与所述实际距离的差值，作为所述训练自标定模型的误差。

方案22、根据方案18所述的车辆摄像头的自动标定系统，其特征在于，所述训练自标定模型还包括第二训练自标定模型，

在选择性地比较所述误差与第一误差阈值的大小之前，所述判断模块首先比较所述误差与第二误差阈值的大小；

所述自动标定系统还包括滤波处理模块，在所述误差小于所述第二误差阈值时，所述滤波处理模块对所述自标定模型的系数进行卡尔曼滤波处理，所述训练模块将滤波处理后的系数代入所述第一训练自标定模型，得到所述第二训练自标定模型，所述计算模块计算所述第二训练自标定模型的误差，所述判断模块接着比较所述第二训练自标定模型的误差与所述第一误差阈值的大小。

方案23、一种车载控制设备，其特征在于包括处理器，所述处理器适于加载程序并因此执行方案1-11中任一项所述的车辆摄像头的自动标定方法。

方案24、根据方案23所述的车载控制设备，其特征在于，所述车载控制设备是所述车辆的ecu。

附图说明

下面参照附图来描述本发明的车辆摄像头的自动标定方法及系统。附图中：

图1为本发明的车辆摄像头的自动标定方法的一种实施方式的流程图；

图2为本发明的车辆摄像头的自动标定方法的一种实施方式的逻辑图；

图3为三辆测试车的自动标定前与自动标定后的误差对比表。

具体实施方式

下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是，这些实施方式仅仅用于解释本发明的技术原理，并非旨在限制本发明的保护范围。本领域技术人员可以根据需要对其作出调整，以便适应具体的应用场合。例如，尽管说明书中是以雷达作为实际数据采集器为例进行描述的，但是，本发明显然可以采用其他类型的设备作为实际数据采集器，例如还可以是使用常规标定方法已经标定完毕的摄像头，只要该实际数据采集器能够实时采集较为可靠的真实数据作为对比数据，进而完成对待标定的摄像头完成标定即可。

实施例一

首先参照图1，对本发明的车辆摄像头的自动标定方法进行描述。其中，图1为本发明的车辆摄像头的自动标定方法的一种实施方式的流程图。

如图1所示，为解决现有的摄像头标定需要人工测量，造成标定效率低，并且不能实现完全标定自动化的问题，本发明提供了一种车辆摄像头的自动标定方法，其中车辆上设置有摄像头和实际数据采集器，车辆摄像头的自动标定方法主要包括如下步骤：

s101、基于摄像头采集的测量数据、实际数据采集器采集的实际数据以及车辆的状态数据，筛选训练数据。

例如，实际数据采集器为设置在车辆上的雷达，摄像头首先采集测量数据，雷达采集实际数据，车辆的状态数据则由车辆的自身检测系统提供，三种数据均输入到处理器中，完成数据的采集。其中，测量数据包括障碍物测量车道信息、障碍物测量距离、障碍物测量速度以及障碍物的类型中的一种或几种；实际数据包括障碍物实际车道信息、障碍物实际距离、障碍物实际速度以及障碍物的类型中的一种或几种；车辆的状态数据包括车辆的速度、加速度以及偏航角速度中的一种或几种。其中，障碍物车道信息指的是障碍物所处的车道，障碍物类型指的是障碍物是动态的还是静态的，即是运动中的障碍物，还是静止的障碍物。车辆的速度、加速度以及偏航角速度均是为了判断车辆是否处于正常行驶状态，因此，也可以通过其它类型数据判断，只要该数据可以判断车辆行驶状态信息即可。

筛选过程可以是，首先基于车辆的速度、加速度以及偏航角速度，判断车辆是否处于设定的行驶状态，如大致匀速行驶状态或其他有利于采集数据的行驶状态，然后基于障碍物的测量车道信息和实际车道信息，判断摄像头采集的障碍物是否与车辆处于同一车道，再然后基于障碍物的测量速度与实际速度、障碍物的测量距离与实际距离、以及障碍物的测量类型与实际类型，判断摄像头与雷达采集的障碍物是否为同一障碍物，在满足车辆处于设定行驶状态、障碍物与车辆处于同一车道、摄像头与雷达采集的障碍物为同一障碍物的所有数据中，选取设定数量个障碍物所对应的测量距离和实际距离作为训练数据。

在一种可能的实施方式中，步骤s102可以具体包括：首先从所有障碍物中选取n个障碍物，然后基于所述测量距离或实际距离，将所述n个障碍物所对应的所有数据划分为m个区间，再从所述m个区间中选取设定数量个测量距离和对应的实际距离作为所述训练数据。在训练数据中，每个障碍物的数据个数所占的比重为1/n，每个区间的数据个数所占的比重为1/m。

需要说明的是，筛选训练数据，是为了确保输入预设的自标定模型的数据可靠，才能够得到有效的自标定模型：首先，通过车辆的速度、加速度以及偏航角速度，判断车辆是否处于设定的行驶状态，如果车辆速度过快或过慢、车辆正处于急速加速或减速状态、以及车辆已经偏离航线，那么这时候采集的数据是有较大误差的，不能够基于此时采集的数据对摄像头进行标定，当车辆处于稳定状态时，采集的数据才可以使用；然后，障碍物与车辆需要处于同一车道内，摄像头的标定才能够更准确，这就需要通过摄像头与雷达共同检测判断，当两者所标定的障碍物与车辆处于同一车道内时，此障碍物的数据相比较于不同车道内的数据，能够更精确地标定摄像头；最后，需要判断摄像头与雷达所采集的数据为同一障碍物，如果两者不是同一障碍物，对比就没有意义，因此，通过比较摄像头和雷达测量的距离是否相近以及障碍物类型是否相同，来判断是否为同一障碍物。如在摄像头采集到的测量距离与雷达采集到的实际距离之间的偏差在5％以内或10％以内时，认为二者采集的是同一障碍物，同样地，在摄像头采集到的测量类型和雷达采集到的实际类型都为运动中的障碍物时，认为二者采集的是同一障碍物。当然，确认摄像头与雷达采集的是否为同一障碍物也不仅限于以上这两种数据来判断，而是基于实际需要，选择适合的数据进行判断即可，例如还可以通过对采集到的障碍物的速度进行比较来判定是否为同一障碍物、或者通过对障碍物进行id标号，通过id标号是否相同来判断是否为同一障碍物等。在当前的数据满足车辆处于正常行驶状态、障碍物与车辆处于同一车道、雷达与摄像头采集的数据为同一障碍物数据时，才可以从中选取设定数量个障碍物所对应的测量距离和实际距离作为训练数据。

此外，选取的设定数量也需要满足数据分布性要求，为了剔除测量误差，还需要测量数据的分布具有代表性，例如，如果同一障碍物与本车始终处于相同的相对距离，那么依据此数据对摄像头进行的标定则可能在其它距离上的标定就会不准确，因此，对于测量数据还需要满足“首先从所有障碍物中选取n个障碍物，然后基于测量距离或实际距离，将n个障碍物所对应的所有数据划分为m个区间，再从m个区间中选取设定数量个测量距离和对应的实际距离作为训练数据。在训练数据中，每个障碍物的数据个数所占的比重为1/n，每个区间的数据个数所占的比重为1/m”的条件，下面举例进行说明。

例如，在一种可能的实施方式中，对于摄像头标定需要采集2000组数据，在满足车辆运行稳定、障碍物与车辆处于同一车道、摄像头与雷达所采集的障碍物为同一障碍物的前提下，对障碍物的数据分布性进行筛选，共选取四个障碍物，每个障碍物的数据总数占比为该障碍物占所有障碍物数量的平均比重，即四分之一，也就是500组数据，因此，对于该障碍物仅选取采集的前500组数据作为训练数据。然后假设采集0至120米之间的障碍物数据，将测量距离分为四个区间，分别为[0,20m]，[20m,40m]，[40m,60m]，[60m,120m]，每个区间的数据占的比重为该区间占所有区间数量的平均比重，即四分之一，也就是25％，同样为500组数据。举例而言，选取a,b,c,d四辆车，最终数据分布可以为：

a车与本车的距离在[0,20m]，[20m,40m]，[40m,60m]，[60m,120m]的测量数据占比为5％，10％，10％，0％；

b车与本车的距离在[0,20m]，[20m,40m]，[40m,60m]，[60m,120m]的测量数据占比为5％，5％，10％，5％；

c车与本车的距离在[0,20m]，[20m,40m]，[40m,60m]，[60m,120m]的测量数据占比为10％，5％，5％，5％；

d车与本车的距离在[0,20m]，[20m,40m]，[40m,60m]，[60m,120m]的测量数据占比为5％，5％，0％，15％。

此时，a车的数据占比为5％+10％+10％+0％＝25％,，b车的数据占比为5％+5％+10％+5％＝25％，c车的数据占比为10％+5％+5％+5％＝25％,，d车的数据占比为5％+5％+0％+15％＝25％,，每个障碍物数据均占训练数据的25％，即500个，并且，[0,20m]区间内，a车5％，b车5％，c车10％，d车5％，即在[0,20m]区间内，所有数据的总和也占总数据的25％，其它区间相同，均占25％，即500组数据，只有同时满足这两个条件的数据，才能够作为训练数据输入训练模型。

s102、基于训练数据训练预设的自标定模型，得到第一自标定模型。例如，训练自标定模型的方法为最小二乘法，基于最小二乘法和训练数据，计算预设的自标定模型的系数，将系数代入预设的自标定模型，得到第一自标定模型。下面举例来解释训练过程。其中，自标定模型用于表征测量数据与实际数据之间的函数关系。

例如，预设的自标定模型可以是y＝ax+b，其中，x为摄像头测量数据，y为自标定模型输出数据，a和b为需要计算的自标定模型的系数，首先我们基于公式(1)和公式(2)算出样本点的平均值：

然后根据以下公式(3)和公式(4)计算系数a和b:

计算出系数a和b后，将a和b带入预设的自标定模型，从而得到训练后的自标定模型。

s103、计算第一训练自标定模型的误差。例如，自标定模型的误差的计算过程为，获取摄像头采集的障碍物的测量距离和雷达采集的障碍物的实际距离，将测量距离输入训练后的自标定模型，得出摄像头的输出距离，计算输出距离与实际距离的差值，再计算差值与实际距离的比值，便求得第一训练自标定模型的误差。其中，此处的障碍物的测量距离和实际距离可以是上述a、b、c、d四辆车的数据，也可以是摄像头和雷达重新检测的其它障碍物的数据。

s104、比较误差与第二误差阈值的大小。将s103中得到的第一训练自标定模型的误差与第二误差阈值进行对比，判断第一训练自标定模型的误差与第二误差阈值的大小。

s105、在误差小于第二阈值时，对第一训练自标定模型的系数进行卡尔曼滤波处理，得到第二训练自标定模型。第二误差阈值可以为5％或10％，第一训练自标定模型的误差必须要小于第二误差阈值，才可以对自标定模型的系数进行卡尔曼滤波处理，从而使自标定模型更准确，得到第二训练自标定模型。如果第一训练自标定模型的误差大于第二误差阈值，则说明训练后的自标定模型精准度未达到初步标准，不能够满足要求，也就不需要再对第一训练自标定模型的系数进行卡尔曼滤波处理。此时需要返回步骤s101进行重新标定。

s106、计算第二训练自标定模型的误差，并比较误差与第一误差阈值的大小，其中，第二训练自标定模型的误差的计算过程可以与s103中相同。同样，此处的障碍物的测量距离和实际距离可以是上述a、b、c、d四辆车，也可以是摄像头和雷达重新检测的其它障碍物的数据。并且，作为进一步误差比较，此处的第一误差阈值应该小于第二误差阈值，从而更精确地控制第二训练自标定模型的准确性。如第一误差阈值可以为2％或1％等。

s107、在误差小于第一误差阈值时，输出第二训练自标定模型。如果误差已经小于第一阈值，则证明此时的第二训练自标定模型满足对于摄像头标定的精度要求，因此标定结束，输出第二训练自标定模型，完成摄像头的标定。如果误差大于等于第一误差阈值，则证明第二训练自标定模型未满足精度要求，需要返回步骤s101进行重新标定。

通过上述控制方式，本发明的摄像头的自动标定方法无需经过人工测量实际数据，再去与测量数据进行对比，而是通过采用雷达采集实际数据，并与测量数据进行对比，最后输出自标定模型，完成摄像头标定，进而摆脱了人工测量，实现了完全标定自动化，也提高了标定效率。如图3所示，其中，图3为三辆测试车的自动标定前与自动标定后的误差对比表。由图3可知，三辆测试车e,f,g的总体平均百分比误差由标定前的7.15％下降到标定后的1.49％，摄像头的精度有明显提升，由此可见，应用本方法后，不仅提高了标定效率，而且使得摄像头具备很高的测量精度。

需要说明的是，上述实施方式仅仅用来阐述本发明的原理，并非旨在与限制本发明的保护范围，在不偏离本发明原理的条件下，本领域技术人员能够对上述结构进行调整，以便本发明能够应用于更加具体的应用场景。

例如，在一种可替换的实施方式中，实际数据采集器还可以是使用常规标定方法已经标定完毕的摄像头，通过已经标定完毕的摄像头测量数据作为真实数据，同样能够完成车辆摄像头的自动标定，这种设计不偏离本发明的原理，因此将落入本发明的保护范围之内。

例如，在另一种可替换的实施方式中，在s102步骤中的基于最小二乘法和训练数据计算自标定模型的方式也不是固定的，还可以替换成基于平均值和训练数据计算自标定模型，只要能够使自标定模型计算出的数据更接近于真实值，其计算方法不仅限于最小二乘法，其它能够优化参数a和b计算结果的方法也可以使用，例如求出多个a和多个b，取平均值的方法也可以使用，这些都不偏离本发明的原理，因此都将落入本发明的保护范围之内。

例如，在另一种可替换的实施方式中，在s101中的测量数据并不是一成不变的，例如，障碍物的车道信息还可以由其它的信息替代，如通过障碍物的测量距离、障碍物之间的间隔距离等数据，推导出障碍物所在位置，进而推导出障碍物的车道信息，即可完成测量数据的替代，同理，障碍物距离、速度以及障碍物类型也可以是其他数据的变换，通过采集其它数据，来间接推导出可训练自标定模型的数据，这些都不偏离本发明的原理，因此都将落入本发明的保护范围之内。

例如，在另一种可替换的实施方式中，s103和s104步骤可以省略，省略后该方法仍然可以通过第一阈值来控制训练后的自标定模型的误差精度，因此，这种方法不偏离本发明的原理，将落入本发明的保护范围之内。

例如，在另一种可替换的实施方式中，s105步骤可以省略，卡尔曼滤波为对于自标定模型进一步的优化，省略后仍然可以通过第一阈值来控制训练后的自标定模型的误差精度，因此，即使没有卡尔曼滤波也不会影响自标定模型的输出，这种方法不偏离本发明的原理，将落入本发明的保护范围之内。

例如，在另一种可替换的实施方式中，在s104步骤的比较误差与第二误差阈值的大小之后，在误差大于第二阈值时，自动标定方法还可以包括如下步骤：更新误差大于或等于第二误差阈值时迭代次数，并比较迭代次数是否达到预定次数，如果已经达到预定次数，说明较大误差的次数过多，可能是摄像头或雷达本身物理位置存在问题，此时车辆将发出警报信息，提醒操作人员对设备进行检查。如果迭代次数未达到阈值，将重新返回获取数据步骤，重新进行摄像头的标定。这些方法都不偏离本发明的原理，因此都将落入本发明的保护范围之内。通过上述步骤，本发明的自动标定方法还可以提供故障诊断功能，如果自动标定模型的误差比较结果不在合理范围内的次数达到阈值，则给出报警信息，提示摄像头或者雷达可能存在设备故障或者安装问题，以此帮助技术人员查找和分析故障。

例如，在另一种可替换的实施方式中，计算自标定模型的误差还可以是输出距离与实际距离的差值，而不是输出距离与实际距离的比值，误差的反应形式多样，差值、比值等虽然表示方式不同，但是达到的目的相同，这些误差的表示方法都不偏离本发明的原理，因此都将落入本发明的保护范围之内。

下面结合图2，对本发明的车辆摄像头的自动标定方法的一种可能的实施过程进行介绍。其中，图2为本发明的车辆摄像头的自动标定方法的一种实施方式的逻辑图。

如图2所示，首先获取测量数据、实际数据和车辆状态数据，然后基于这些数据进行筛选，再将筛选得到的数据输入预设的自标定模型，从而得到训练后的自标定模型，计算训练后的自标定模型误差，比较误差是否小于第二误差阈值。

当误差大于等于第二误差阈值时，更新迭代次数，当迭代次数达到预定次数时，发出警报信息，当迭代次数未达到预定次数时，返回第一步获取数据步骤；

当误差小于第二误差阈值时，对第一训练自标定模型的系数进行卡尔曼滤波处理，得到第二训练自标定模型，然后计算第二训练自标定模型误差，比较误差是否小于第一误差阈值。

当误差大于等于第一误差阈值时，返回第一步获取数据步骤；

当误差小于第一误差阈值时，输出第二训练自标定模型。

实施例二

与上述车辆摄像头的自动标定方法相对应地，本发明还提供了一种车辆摄像头的自动标定系统，该系统包括：

采集模块，采集模块用于获取摄像头采集的测量数据、实际数据采集器采集的实际数据以及车辆的状态数据；

筛选模块，筛选模块用于基于测量数据、实际数据以及状态数据，筛选训练数据；

训练模块，训练模块用于基于训练数据训练预设的自标定模型，得到训练自标定模型；

计算模块，计算模块用于计算训练自标定模型的误差；

判断模块，判断模块用于选择性地比较误差与第一误差阈值的大小；

输出模块，输出模块用于在误差小于第一误差阈值时，输出训练自标定模型；

其中，自标定模型用于表征测量数据与实际数据之间的函数关系。

其中，上述测量数据包括障碍物的测量车道信息、障碍物的测量距离、障碍物的测量速度以及障碍物的测量类型中的一种或几种；实际数据包括障碍物的实际车道信息、障碍物的实际距离、障碍物的实际速度以及障碍物的实际类型中的一种或几种；车辆的状态数据包括车辆的速度、加速度以及偏航角速度中的一种或几种。

其中，上述实际数据采集器为设置于车辆上的雷达。

其中，筛选模块通过下列方式来基于测量数据、实际数据以及状态数据，筛选训练数据：

基于车辆的速度、加速度以及偏航角速度，判断车辆是否处于设定行驶状态；

基于测量车道信息和实际车道信息，判断障碍物是否与车辆处于同一车道；

基于测量速度与实际速度、测量距离与实际距离、以及测量类型与实际类型，判断摄像头与实际数据采集器采集的障碍物是否为同一障碍物；

从满足车辆处于设定行驶状态、障碍物与车辆处于同一车道、以及摄像头与实际数据采集器采集的障碍物为同一障碍物的所有数据中筛选训练数据。

其中，筛选模块通过下列方式从满足条件的所有数据中筛选训练数据：

从满足条件的所有障碍物中选取n个障碍物；基于n个障碍物的测量距离或实际距离，将n个障碍物所对应的所有数据划分为m个区间；从m个区间中选取设定数量的测量距离和对应的实际距离作为训练数据。

在训练数据中，每个障碍物的数据个数所占的比重为1/n；每个区间的数据个数所占的比重为1/m。

其中，训练自标定模型包括第一训练自标定模型，训练模块通过下列方式来基于训练数据训练预设的自标定模型，得到训练自标定模型：

基于最小二乘法和训练数据，计算预设的自标定模型的系数；

将系数代入预设的自标定模型，得到第一训练自标定模型。

在选择性地比较误差与第一误差阈值的大小之前，判断模块首先比较误差与第二误差阈值的大小，并且在误差小于第二误差阈值时，才比较误差与第一误差阈值的大小；

在误差大于或等于第二误差阈值时，自动标定系统对摄像头重新标定；

其中，第二误差阈值大于第一误差阈值。

本发明的自动标定系统还包括：

统计模块，统计模块用于在误差大于或等于第二误差阈值时，更新对摄像头重新标定的迭代次数；

判断模块还用于判断迭代次数是否达到预定次数；

报警模块，报警模块用于在迭代次数达到预定次数时发出警报信息。

其中，计算模块通过下列方式来计算训练自标定模型的误差：

获取摄像头采集的障碍物的测量距离和实际数据采集器采集的障碍物的实际距离；

将测量距离输入训练自标定模型，得出摄像头的输出距离；

计算输出距离与实际距离的差值，作为训练自标定模型的误差。

其中，训练自标定模型还包括第二训练自标定模型，

在选择性地比较误差与第一误差阈值的大小之前，判断模块首先比较误差与第二误差阈值的大小；

自动标定系统还包括滤波处理模块，在误差小于第二误差阈值时，滤波处理模块对自标定模型的系数进行卡尔曼滤波处理，训练模块将滤波处理后的系数代入第一训练自标定模型，得到第二训练自标定模型，计算模块计算第二训练自标定模型的误差，判断模块接着比较第二训练自标定模型的误差与第一误差阈值的大小。

通过上述控制系统，使摄像头能够完成自动标定，摆脱了人工测量，实现了完全标定自动化，也提高了标定效率。

本领域技术人员应该能够意识到，结合本文中所公开的实施例描述的各示例的方法及系统，上述所提及的采集模块、筛选模块、训练模块、第一计算模块、第一判断模块、输出模块、第二计算模块、迭代模块、第二判断模块、报警模块以及滤波处理模块，在物理上并非每个模块一定对应着一个电气元件，其也可能是几个模块或多个模块共用一个电气元件，甚至所有模块共用一个电气元件，上述模块能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明电子硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各个模块，例如多组单片机分别控制，也可能是集成在一个控制器上的不同功能模块外加软件控制，例如一台电脑外带软件控制，还可能是一块电路板的不同区域的不同功能模块等。

实施例三

与上述车辆摄像头的自动标定方法相对应地，本发明还提供了一种车载控制设备，包括处理器，处理器适于加载程序并因此上述优选技术方案中任一项所述的车辆摄像头的自动标定方法。

在上述车载控制设备的优选技术方案中，车载设备是车辆的ecu。

至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。