【技术实现步骤摘要】
本专利技术涉及智能汽车，尤其涉及一种基于全fov标注方式的真值评测方法及装置。
技术介绍
1、随着自动驾驶汽车、无人机、机器人视觉系统等领域的快速发展，对环境感知的准确性和全面性提出了更高要求。
2、相机视角（field of view，fov）标注能够提供丰富的训练数据，使模型学会在复杂多变的环境中做出正确的决策。例如，在自动驾驶中，模型需要识别道路上的所有障碍物、行人、交通标志以及路面状况，这就需要大量的fov标注数据。常规的祛畸变方法有损相机视角，这种不全面的标注方式可能导致对算法性能的评估不够准确，无法充分反映算法在实际应用场景中的表现。同时，现有技术中，对于不同项目，使用到的相机组合大都不同，相机的fov和图片尺寸也可能存在区别。因此，每开始一个新的项目，便需要开始标注一批新的数据用于评测，构建用于真值评测的数据集成本比较大，而且在项目结束后，该项目的真值评测数据后续的利用价值也比较低，不同项目的真值评测数据集之间的兼容性较差。
技术实现思路
1、本专利技术提供一种基于全fov标注方式的真值评测方法及装置，以解决fov存在损失、不同项目的真值评测数据集之间的兼容性差的问题。
2、第一个方面，本专利技术提供了一种基于全fov标注方式的真值评测方法，具体包括如下步骤：
3、步骤s1、确定项目，根据项目获取对应的相机组视频数据，根据所述相机组视频数据，生成相机组图片数据data；
4、步骤s2、根据所述相机组图片数据data，生成
5、步骤s3、根据所述相机组图片数据data，生成回灌结果data2；
6、步骤s4、根据所述真值结果data1和所述回灌结果data2计算评测结果。
7、其中，所述项目类型包括一个或至少两个。
8、优选地，步骤s1中，所述相机组视频数据data的数据来源包括一种或至少两种多前视相机、后视相机、周视相机、环视相机、单目相机、双目相机中的一种或多种相机数据的组合。例如：前视单目相机数据、前视单目相机数据+周视相机数据、前视双目相机数据+周视相机数据+后视相机数据。
9、优选地，步骤s2中，根据所述相机组图片数据data，生成真值结果data1，具体包括如下步骤：
10、步骤s201、获取任意所述相机组图片数据data一个视角的像素宽度w和相机水平视角fov，根据所述像素宽度w和所述相机水平视角fov计算新焦距new_fx；
11、步骤s202、将所述新焦距new_fx替换到原始相机内参矩阵中，形成新内参矩阵；
12、步骤s203、通过原始内参矩阵、新内参矩阵和畸变系数，将原始图片转换为祛畸变后的全fov图片；
13、步骤s204、重复执行步骤s201-步骤s203，获取多个不同视角的全fov图片并在不同视角的全fov图片上标注障碍物的2d信息；
14、步骤s205、通过激光雷达获取激光点云，在激光点云上标注3d信息；
15、步骤s206、将所述2d信息和所述3d信息进行融合，生成真值结果data1。
16、优选地，步骤s204中，所述2d信息包括box信息和障碍物类别等信息。
17、优选地，步骤s205中，所述3d信息包括距离和长宽高等信息。
18、优选地，步骤s3中，根据所述相机组图片数据data，生成回灌结果data2，具体包括如下步骤：
19、步骤s301、将所述相机组图片数据data进行祛畸变处理，生成祛畸变处理后的数据data-1；
20、步骤s302、将数据data-1进行裁剪和缩放处理，生成数据data-2；
21、步骤s303、将数据data-2通过模型和后处理，生成回灌结果data2。
22、优选地，步骤s301中，通过原始相机内参矩阵、畸变系数和项目设置的虚拟内参矩阵将所述相机组图片数据data进行祛畸变处理，形成祛畸变处理后的数据data-1。
23、优选地，步骤s303中，所述后处理具体包括根据障碍物识别检测模型（用于识别图片中的障碍物）的结果，计算测距测速等信息，并在不同相机视角下判断是否为同一障碍物。
24、优选地，步骤s4中，根据所述真值结果data1和所述回灌结果data2计算评测结果，具体包括如下步骤：
25、步骤s401、将所述回灌结果data2进行逆向缩放和裁剪处理，生成基于原始尺寸的回灌图片参考坐标系下的2d box数据a；
26、步骤s402、根据所述项目相机的2d信息，将所述真值结果data1的2d box转换到所述回灌图片参考坐标系下，生成所述回灌图片参考坐标系下所属真值结果data1的2d box数据b；
27、步骤s403、通过数据a和数据b进行iou匹配，计算评测结果。
28、其中，所述评测结果包括障碍物的准召评测结果、障碍物测距结果、障碍物测速结果和障碍物长宽高等精度测评结果。
29、优选地，步骤s402中，通过所述虚拟内参矩阵和所述新内参矩阵将所述真值结果data1的2d box转换到所述回灌图片参考坐标系下。
30、第二个方面，本专利技术还提供了一种基于全fov标注方式的真值评测装置，具体包括如下模块：
31、项目数据获取模块，用于确定项目，根据项目获取对应的相机组视频数据，根据所述相机组视频数据，生成相机组图片数据data；
32、真值结果生成模块，用于根据所述相机组图片数据data，生成真值结果data1；
33、回灌结果生成模块，用于根据所述相机组图片数据data，生成回灌结果data2；
34、真值评测模块，用于根据所述真值结果data1和所述回灌结果data2计算评测结果。
35、其中，所述项目类型包括一个或至少两个。
36、优选地，项目数据获取模块中，所述相机组视频数据data的数据来源包括一种或至少两种多前视相机、后视相机、周视相机、环视相机、单目相机、双目相机中的一种或多种相机数据的组合。例如：前视单目相机数据、前视单目相机数据+周视相机数据、前视双目相机数据+周视相机数据+后视相机数据。
37、优选地，所述真值结果生成模块具体包括如下子模块：
38、真值结果生成第一子模块，用于获取任意所述相机组图片数据data一个视角的像素宽度w和相机水平视角fov，根据所述像素宽度w和所述相机水平视角fov计算新焦距new_fx；
39、真值结果生成第二子模块，用于将所述新焦距new_fx替换到原始相机内参矩阵中，形成新内参矩阵；
40、真值结果生成第三子模块，用于通过原始内参矩阵、新内参矩阵和畸变系数，将原始图片转换为祛畸变后的全fov图片；
41、真值结果生成第四子模块，用于重复执行所述真值结果生成第一子模块、所述真值结果生成第本文档来自技高网...
【技术保护点】
1.一种基于全FOV标注方式的真值评测的方法，其特征在于，具体包括如下步骤：
2.根据权利要求1所述的一种基于全FOV标注方式的真值评测的方法，其特征在于，步骤S2中，根据所述相机组图片数据DATA，生成真值结果DATA1，具体包括如下步骤：
3.根据权利要求1所述的一种基于全FOV标注方式的真值评测的方法，其特征在于，步骤S3中，根据所述相机组图片数据DATA，生成回灌结果DATA2，具体包括如下步骤：
4.根据权利要求1所述的一种基于全FOV标注方式的真值评测的方法，其特征在于，步骤S4中，根据所述真值结果DATA1和所述回灌结果DATA2计算评测结果，具体包括如下步骤：
5.根据权利要求1所述的一种基于全FOV标注方式的真值评测的方法，其特征在于，步骤S402中，通过所述虚拟内参矩阵和所述新内参矩阵将所述真值结果DATA1的2d box转换到所述回灌图片参考坐标系下。
6.一种基于全FOV标注方式的真值评测的装置，其特征在于，具体包括如下模块：
7.一种计算机可读存储介质，其特征在于，所述计算机可读存储
8.一种电子设备，其特征在于，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1-5任一项所述的一种基于全FOV标注方式的真值评测的方法。
...【技术特征摘要】
1.一种基于全fov标注方式的真值评测的方法，其特征在于，具体包括如下步骤：
2.根据权利要求1所述的一种基于全fov标注方式的真值评测的方法，其特征在于，步骤s2中，根据所述相机组图片数据data，生成真值结果data1，具体包括如下步骤：
3.根据权利要求1所述的一种基于全fov标注方式的真值评测的方法，其特征在于，步骤s3中，根据所述相机组图片数据data，生成回灌结果data2，具体包括如下步骤：
4.根据权利要求1所述的一种基于全fov标注方式的真值评测的方法，其特征在于，步骤s4中，根据所述真值结果data1和所述回灌结果data2计算评测结果，具体包括如下步骤：
5.根据权利要求1所述的一种基于全fov...
【专利技术属性】
技术研发人员：成坚炼，李夏临，李乃繁，王帅，赵博，
申请(专利权)人：纽劢科技上海有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。