无人驾驶:如何使用立体视觉实现距离估计?

人工智能 无人驾驶
在自动化系统中,深度学习和计算机视觉已经疯狂地流行起来,无处不在。计算机视觉领域在过去十年中发展迅速,尤其是是障碍物检测方面。障碍物检测算法,如YOLO或RetinaNet,提供2D的标注框,该标注框指明了障碍物在图像中的位置。

在自动化系统中,深度学习和计算机视觉已经疯狂地流行起来,无处不在。计算机视觉领域在过去十年中发展迅速,尤其是是障碍物检测方面。

障碍物检测算法,如YOLO或RetinaNet,提供2D的标注框,该标注框指明了障碍物在图像中的位置。

为了获取每个障碍物的距离,工程师将相机与激光雷达(光探测和测距)传感器融合,使用激光返回深度信息。利用传感器融合技术将计算机视觉和激光雷达的输出融合在一起。

使用激光雷达这种方式存在价格昂贵的问题。而对此,工程师使用的一个有用的技巧是:对齐两个像机,并使用几何原理来计算每个障碍物的距离。我们称这种新设置为 伪激光雷达。


单目视觉和立体视觉

伪激光雷达利用几何原理构造深度图,并将其与物体探测相结合,以获得三维的距离。

如何利用立体视觉实现距离估计?

以下5步伪代码用于获取距离:

  • 校准2台照相机(内部和外部校准)
  • 创建极线方案
  • 先建立视差图,再建立深度图

然后,深度图将与障碍检测算法结合在一起,我们将估算边界框像素的深度。本文结尾处有更多内容。

开始吧!

1.内部和外部校准

每个摄像机都需要校准。校准意味着将具有[X,Y,Z]坐标的3D点(世界上)转换为具有[X,Y]坐标的2D像素。

相机型号

当今的相机使用针孔相机模型。

这个想法是使用针孔让少量光线穿过相机,从而获得清晰的图像。

如果图像中间没有障碍物,那么每条光线都会通过,图像会变得模糊。它还使我们能够确定用于变焦和更好清晰度的焦距f。

要校准相机,我们需要将世界坐标转换为通过相机坐标的像素坐标。


相机校准过程

从世界坐标到摄像机坐标的转换称为外部校准。外在参数称为R(旋转矩阵)和T(平移矩阵)。

从相机坐标到像素坐标的转换称为固有校准。它需要相机的内部值,例如焦距,光学中心等。

固有参数是我们称为K的矩阵。

校准

过相机校准可以找到K矩阵。

通常,我们使用棋盘格和自动算法来执行它。 当我们这样做时,我们告诉算法棋盘上的一个点(例如:0,0,0)对应于图像中的一个像素(例如:545、343)。


校准示例

为此,我们必须使用相机拍摄棋盘格的图像,并且在经过一些图像和某些点之后,校准算法将通过最小化最小二乘方损失来确定相机的校准矩阵。

通常,必须进行校准才能消除图像失真。 针孔摄像头模型包括变形,即“ GoPro效果”。 为了获得校正的图像,必须进行校准。 变形可以是径向的或切向的。 校准有助于使图像不失真。


图像校准

以下是相机校准返回的矩阵:

f是焦距-(u₀,v₀)是光学中心:这些是固有参数。

每一个计算机视觉工程师都必须了解和掌握摄像机的标定。这是最基本、最重要的要求。我们习惯于在线处理图像,从不接触硬件,这是个错误。

-尝试运行OpenCV进行摄像机校准。

同类坐标

在相机校准过程中,我们有两个公式可以将世界上的点O设为像素空间:

world到相机的转换


外在校准公式

相机到图像的转换


内部校准公式

当您进行数学运算时,您将得出以下等式:

world到图像的转换

完整公式

如果您查看矩阵尺寸,则不匹配。

无人驾驶:如何使用立体视觉实现距离估计?

因此,我们需要将O_world从[X Y Z]修改为[X Y Z 1]。

该“ 1”称为齐次坐标。

2.极线几何--立体视觉

立体视觉是基于两张图像来寻找深度。

我们的眼睛就像两个相机。因为它们从不同的角度看同一幅图像,它们可以比对两种视角之间的差异,并计算出距离估计。

下面是立体相机设置的示例。你会在大多数自动驾驶汽车上发现类似的东西。

 

立体相机如何估算深度

假设你有两个相机,一左一右。这两个相机在相同的Y轴和Z轴上对齐。基本上,唯一的区别就是它们X值不一样。

现在,看看下面的描述。


立体相机简图

我们的目标是估算出O点(代表图像中的任何像素)的Z值,即深度距离。

  • X 为对齐轴;
  • Y 为高度;
  • Z 为深度;

两个蓝色平面对应于来自两个相机的图像。

现在从鸟瞰的角度来考虑这个问题。

立体相机鸟瞰图说明:

  • xL 对应于左相机中的光心,xR对应于右相机中的光心。
  • b 是基线,它是两个相机之间的距离。

如果你运用泰勒斯定理,你会发现我们可以得到两个方程

对于左边相机:


左相机方程

? 我们得到 Z = X*f / xL.

  • 对于右边相机:

右相机方程:

  • ? 我们获得 Z = (X — b)*f/xR.

放在一起,我们可以找到正确的视差 d =xL -- xR和目标正确的 XYZ 坐标。

3. 视差与深度图

视差是什么?视差是一个三维点从两个不同的相机角度在图像中位置的差异。


立体视觉公式

? 由立体视觉我们可以估计任何物体的深度。假设我们做了正确的矩阵校准。它甚至能够计算一个深度映射或者视差映射。


视差图

为什么是“基线几何”?

要计算视差,我们必须从左图像中找到每个像素,并将其与右图像中的每个像素进行匹配。 这称为立体对应问题。

为了解决这个问题--

  • 现在在左边的图像中取一个像素
  • 要在右边的图像中找到这个像素,只需在基线上搜索它。没有必要进行2D搜索,点应该位于这条线上,搜索范围缩小到 1D。


基线

这是因为两个相机是沿着同一轴对齐的。

以下是基线搜索的工作原理:

基线搜索

应用:建立伪激光雷达

现在,是时候将这些应用到真实世界的场景中,看看我们如何用立体视觉来估计物体的深度。

考虑两张图片--


立体视觉

每一幅图像都有外部参数 R 和 t,事先通过校准确定(步骤1)。

视差

对于每一幅图像,我们可以计算相对于另一幅图像的视差图。我们将做如下操作:

  • 确定两幅图像之间的视差。
  • 投影矩阵分解成相机的内在矩阵 K和外在矩阵 R,t。
  • 利用我们在前面两个步骤中收集到的数据估算深度。

我们将获得左右图像的视差图。

为了帮助您更好地理解差异的含义,我在 Stack Overflow 上找到了一个很棒的解释。

视差图是指一对立体图像之间的明显像素差或运动。

要体验这一点,试着闭上你的一只眼睛,迅速闭上,同时睁开另一只。离你很近的物体看起来会跳跃一段很长的距离,而离你很远的物体几乎不会移动。这个运动就是视差。在一对来自立体摄像机的图像中,你可以测量每个点的视运动像素,并根据测量结果制作出一个强度图像。


从视差到深度图

? 我们有两个视差图,这基本上告诉我们,两幅图像之间的像素位移是多少。

对于每个摄像机,都有一个投影矩阵 P_left 和 P_right。为了估计深度,我们需要估计K, R 和 t。


世界坐标系到相机坐标系的转换一个名为

cv2.decomposeProjectionMatrix()的OpenCV函数可以做到这一点,并从 P 中得到 K、R 和 t;对于每个相机,现在是时候生成深度图了。深度图将使用其他图像和视差图告诉我们图像中每个像素的距离。

这个过程如下:

  • 从矩阵 K 获得焦距 f;
  • 使用转换向量 t 中的相应值来计算基线 ?;
  • 使用之前的公式和视差图 d 计算图像的深度图;


立体视觉公式

我们对每个像素进行计算。

估计障碍物的深度

针对每个相机,我们都有一个深度图! 现在,假设我们将其与障碍检测算法(例如YOLO)结合在一起。 对于每个障碍,这种算法都会返回带有4个数字的边界框:[x1; y1; x2; y2]。 这些数字表示框的左上角和右下角的坐标。

例如,我们可以在左边的图像上运行这个算法,然后使用左边的深度图。

现在,在这个边界框中,我们可以取最近的点。我们知道它,因为我们知道图像中每个点的距离。边界框中的第一个点是我们到障碍物的距离。

真不可思议!我们刚刚构建了伪激光雷达!

借助立体视觉,我们不仅知道图像中的障碍物,而且知道它们与我们的距离! 这个障碍距离我们28.927米!

立体视觉是一种使用简单的几何图形和一个额外的摄像机将2D障碍物检测转换为3D障碍物检测的技术。如今,大多数新兴的edge平台都考虑了立体视觉,比如新的OpenCV AI Kit或对Raspberry和Nvidia Jetson卡的集成。

在成本方面,与使用LiDAR相比,它保持相对便宜,并且仍具有出色的性能。我们称它为伪激光雷达,因为它可以取代激光雷达的功能。检测障碍物,对障碍物进行分类,并在3D中进行定位。

本文转自雷锋网,如需转载请至雷锋网官网申请授权。

 

责任编辑:未丽燕 来源: 雷锋网
相关推荐

2017-01-20 08:16:08

无人驾驶亚马逊

2019-07-29 14:30:53

自动驾驶汽车行业无人驾驶

2018-09-04 16:00:23

2021-06-02 06:24:05

计算机视觉3D无人驾驶

2020-08-04 13:20:58

无人驾驶人工智能传感器

2020-08-03 07:57:43

人工智能无人驾驶技术

2020-05-11 20:16:03

无人驾驶AI人工智能

2020-05-19 20:03:43

自动驾驶人工智能AI

2019-10-23 19:46:31

无人驾驶谷歌自动驾驶

2017-09-13 16:43:06

智慧小镇无人驾驶智能网联汽车

2021-11-01 08:16:19

无人驾驶元宇宙交通

2020-12-07 18:10:06

无人驾驶人工智能交通

2023-11-20 22:14:16

计算机视觉人工智能

2018-02-26 13:30:33

无人驾驶网约车无人驾驶汽车

2018-05-21 21:22:40

无人驾驶智慧交通无人配送

2018-09-04 16:03:22

无人驾驶物理学人工智能

2023-07-24 10:20:35

技术智能

2021-12-06 11:57:48

无人驾驶智能技术

2021-07-31 23:05:21

无人驾驶人工智能机器人

2018-08-30 21:22:40

无人驾驶保险智慧
点赞
收藏

51CTO技术栈公众号