本申请涉及摄像模组标定,尤其涉及一种摄像模组的标定方法、装置、介质及设备。
背景技术:
1、摄像模组在出厂之前,需要对多种类型的参数进行标定,比如dcc(defocusconversion coefficient)校正系数及某个多段寻焦距离下最清晰度对应的电机code值等。
2、比如,针对dcc校正系数来说,由于摄像模组最终需要应用在终端设备中,而不同的终端设备使用的处理芯片是不同,因此针对不同的处理芯片,摄像模组厂家需要对dcc校正系数进行相应的标定,这样就需要对摄像模组进行多次标定,导致标定效率极低。
3、基于此,目前亟需一种摄像模组的标定方法,提高对摄像模组参数的标定效率。
技术实现思路
1、针对现有技术存在的问题,本发明实施例提供了一种摄像模组的标定方法、装置、介质及设备,以解决或者部分解决现有技术中对摄像模组参数进行标定时,标定效率较低的技术问题。
2、本发明的第一方面,提供一种摄像模组的标定方法,所述方法包括:
3、根据摄像模组的待标定参数获取对应的历史标定数据,并将所述历史标定数据划分为训练数据集和测试数据集;
4、构建所述待标定参数对应的神经网络;
5、基于所述训练数据集、所述测试数据集及所述神经网络生成参数标定模型;
6、利用所述参数标定模型对所述摄像模组进行标定。
7、上述方案中,根据所述根据摄像模组的待标定参数获取对应的历史标定数据,包括:
8、若待标定参数为第一参数时,获取第一处理芯片对应的第一历史标定数据以及第二处理芯片对应的第二历史标定数据;所述第一参数为相位差和镜头移动距离之间的转换系数;
9、若待标定参数为第二参数时,获取各寻焦距离对应的历史最清晰code值以及在电机目标行程位置处拍摄的历史目标图片;所述第二参数为各寻焦距离对应的最清晰code值。
10、上述方案中,所述构建所述待标定参数对应的神经网络,包括:
11、根据所述待标定参数确定所述神经网络的隐藏层结构;
12、确定所述神经网络的输入层和输出层;
13、确定所述神经网络的损失函数以及每层隐藏层的激活函数;
14、根据所述输入层、隐藏层、输出层、所述损失函数以及所述激活函数构建所述神经网络。
15、上述方案中,所述根据所述待标定参数确定所述神经网络的隐藏层结构,包括:
16、获取所述待标定参数对应的历史标定数据的数据类型;
17、若所述数据类型不包含图片数据,所述隐藏层结构包括多个全连接层;
18、若所述数据类型包含图片数据,所述隐藏层结构包括所述隐藏层结构包括卷积层和全连接层。
19、上述方案中,所述基于所述训练数据集、所述测试数据集及所述神经网络生成参数标定模型,包括:
20、利用所述训练数据集对所述神经网络进行训练;
21、每训练至预设数量的周期时,利用所述测试数据集对所述神经网络进行测试,获得损失值;
22、若确定所述损失值小于或等于预设的损失阈值,且所述损失值连续n次未下降,则输出神经网络模型;所述神经网络模型为所述参数标定模型。
23、上述方案中,所述利用所述参数标定模型对所述摄像模组进行标定,包括:
24、当所述待标定参数为第一参数时,获取第一处理芯片对应的第一当前标定数据;
25、以所述第一当前标定数据为所述参数标定模型的输入参数,利用所述参数标定模型输出第二处理芯片对应的第二当前标定数据。
26、上述方案中,所述利用所述参数标定模型对所述摄像模组进行标定,包括:
27、当待标定参数为第二参数时,获取摄像模组的当前目标图片;
28、以所述当前目标图片为所述参数标定模型的输入参数,利用所述参数标定模型输出各寻焦距离下的最清晰code值。
29、本发明的第二方面,提供一种摄像模组的标定装置,所述装置包括:
30、获取单元,用于根据摄像模组的待标定参数获取对应的历史标定数据,并将所述历史标定数据划分为训练数据集和测试数据集;
31、构建单元,用于构建所述待标定参数对应的神经网络;
32、生成单元,用于基于所述训练数据集、所述测试数据集及所述神经网络生成参数标定模型;
33、标定单元,用于利用所述参数标定模型对所述摄像模组进行标定。
34、本发明的第三方面,提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现第一方面中任一项所述方法的步骤。
35、本发明的第四方面,提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现第一方面中任一项所述方法的步骤。
36、本发明提供了一种摄像模组的标定方法、装置、介质及设备,方法包括:根据摄像模组的待标定参数获取对应的历史标定数据,并将所述历史标定数据划分为训练数据集和测试数据集;构建所述待标定参数对应的神经网络;基于所述训练数据集、所述测试数据集及所述神经网络生成参数标定模型;利用所述参数标定模型对所述摄像模组进行标定;如此,可预先为待标定参数构建参数标定模型,利用参数标定模型输出相应的待标定参数的取值,相比人工标定的方式,本实施例可快速对摄像模组进行标定,提高标定效率。
1.一种摄像模组的标定方法,其特征在于,所述方法包括:
2.如权利要求1所述的方法,其特征在于,根据所述根据摄像模组的待标定参数获取对应的历史标定数据,包括:
3.如权利要求1所述的方法,其特征在于,所述构建所述待标定参数对应的神经网络,包括:
4.如权利要求3所述的方法,其特征在于,所述根据所述待标定参数确定所述神经网络的隐藏层结构,包括:
5.如权利要求1所述的方法,其特征在于,所述基于所述训练数据集、所述测试数据集及所述神经网络生成参数标定模型,包括:
6.如权利要求1所述的方法,其特征在于,所述利用所述参数标定模型对所述摄像模组进行标定,包括:
7.如权利要求1所述的方法,其特征在于,所述利用所述参数标定模型对所述摄像模组进行标定,包括:
8.一种摄像模组的标定装置,其特征在于,所述装置包括:
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1-7任一项所述方法的步骤。
10.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1-7任一项所述方法的步骤。